Rechercher

Modèle d'affaire dynamique de type Canvas Les données réinventent l'entreprise, partie 2

| Auteur / Rédacteur: Damian Chiossone et Xavier Comtesse, Manufacturethinking / Jean-René Gonthier

Ce WorkingPaper est basé sur les travaux remarquables d’Alexander Osterwalder et Yves Pigneur sur les Business Modèles Canvas (BMC) et leurs capacités à exprimer la « proposition de valeurs » des entreprises et qu’ils ont formulé dans plusieurs livres dont le fameux : Business Model Generation.

Entreprises liées

Figure 1 : Modèle d'affaire Canvas.
Figure 1 : Modèle d'affaire Canvas.
(Source : Copyright : Licence en Creative Common : sources - Business Model Canvas is Strategyzer.com)

La première partie de cet article comporte les chapitres suivants :

  • Les données : nouveau vecteur d’évolution des modèles d’affaires
  • Qu’est-ce qu'un un modèle d’affaires ?
  • Comment représenter un modèle d’affaires
  • Aperçu du modèle d'affaires Canvas

La première partie est disponible en ligne à cette adresse là https://www.msm.ch/les-donnees-reinventent-lentreprise-1ere-partie-a-920360/

Le pouvoir grandissant des données

On confond toujours donnée et information. Mais une donnée n’est pas encore information car cette dernière est - par définition- une donnée interprétée avec une valeur ajoutée, une information s’inscrit donc dans le champ de la science de la communication (McLuhan) au contraire de la donnée. Alors pourquoi vouloir parler des données si c’est l’information qui donne du sens, tout simplement parce que la donnée a pris avec la révolution du numérique une place centrale. C’est le nouveau carburant de l’économie moderne.

Cependant –à y regarder de plus près– il existe plusieurs types de données. En effet, une donnée peut être produite de manière interne à l’entreprise, ou externe dans une relation commerciale utilisant notamment Internet (e-commerce), ou encore produite par des objets connectés (IoT) et finalement la donnée conversationnelle provenant de sources ouvertes tels que les réseaux sociaux. En fonction de leurs provenances elles seront de natures différentes donc aussi structurés autrement.

Passons en revue cette approche qui considère quatre niveaux emboîtés des données et faisons –dans la foulée– une interprétation économique.

1.0 : Données Internes

Les données, tel que l’informatique traditionnel traitée, étaient toutes structurées et pouvaient aisément trouver leur place dans un Excel ou une base de données. Habituellement sous la forme de nombres ou de noms, elles répondaient aux besoins des entreprises pour la gestion des commandes, des facturations, de la production ou encore de la comptabilité. Les ERP (Enterprise Resource Planning) étaient les logiciels de base.

2.0 : Données de l'E-commerce

Celles-ci étendent le concept de donnée interne aux contacts direct notamment avec les clients. Cette dernière commande en ligne et donc l’entreprise peut tirer de nouvelles informations, par exemple si quelqu’un regarde un produit sans l’acheter. L’entreprise lui enverra par la suite une publicité ciblée sur cet acte manqué. Amazon et d’autres entreprises du e-commerce utilisent systématiquement cette pratique. Forte de cette maîtrise des données structurées l’entreprise gagne ainsi un nouveau niveau de complexité dans la gestion des données.

3.0 : Données de l'IoT

Produites par les objets connectés tels que le téléphone mobile ou les smartwatches. Avec ce type de dispositifs les entreprises peuvent accumuler de très grande quantité de données provenant de leurs clients ce qui permet d’envisager de conduire l’activité économique par les données (data driven economy). C’est ce que pratique Zalando ou encore Waze pour le trafic routier. En effet, dès lors que les données sont nombreuses, elles informent précisément des pratiques des clients. La gestion des Big Data requière de nouveaux outils informatiques qu’offrent en général les gestionnaires de « cloud » comme AWS (Amazon web Services).

4.0 : Données IA

L’étape suivante de la gestion des données est évidemment la maîtrise des données IA, y compris celles non-structurées telles que les discussions sur les réseaux sociaux. Ce niveau entraîne une connaissance nouvelle du comportement des consommateurs grâce à une analyse par les outils de l’Intelligence Artificielle. Par exemple : Alexa, Siri et les autres assistants personnels sont parvenus aujourd’hui à un bon niveau d’intervention à l’aide de ce type de données.

La donnée est l’essence même de la révolution numérique : il n’y a pas de « smart cities » sans « smart données », il n’y a pas de médecine de précision sans donnée ouvertes, il n’y a pas d’économie

moderne sans traitement des Big Data par les algorithmes auto-apprenants de l’IA. C’est une réalité mais, évidemment toutes les entreprises ne sont pas au même niveau d’évolution vers le tout numérique. Ce découpage en quatre niveaux est comme une bonne boussole pour savoir où en sont les entreprises dans leur transformation numérique.

Données, transition numérique et modèles d’affaires

Nous allons strictement respecter cette classification et utiliser le CANVAS pour décrire de manière dynamique comment ses différents composants, notamment la « Proposition de valeur » d’une entreprise - évoluent à travers de sa transformation numérique défini par nous en 4 phases.

Ainsi la principale critique portée au modèle d’Alexander Osterwalder et Yves Pigneur à savoir d’être statique et de ne pas représenter l'évolution des entreprises s’estompe car nous offrons un modèle dynamique.

Figure 2: L'évolution du modèle d'affaires en fonction de la donnée.
Figure 2: L'évolution du modèle d'affaires en fonction de la donnée.
(Source : Copyright : Licence en Creative Common : sources - Business Model Canvas is Strategyzer.com)

La transition 1.0 vers 2.0 : Données e-Commerce

L’entreprise acquière un nouveau canal direct : e-Commerce. Pour certains entreprises 1.0 il sera alors leur premier canal direct, une opportunité pour établir un contact sans intermédiaires avec ses clients, pour la première fois.

La relation client alors change. L’e-Commerce permet recevoir du feed-back en direct depuis la clientèle, il permet aussi de mettre en ligne l’information nécessaire pour que le client puisse se retrouver sur le site et trouver lui-même les réponses qu’il cherche, c’est du support « self-service ».

Si le site devient assez populaire, des communautés d’utilisateurs vont se former. Elles deviendront des endroits pour échanger, pour retrouver de l’aide mais aussi pour exercer une certaine pression sur l’entreprise, qu’elle doit pouvoir gérer. Ça sera toute une nouveauté surtout pour ces entreprises qui n’avaient pas auparavant du contact direct avec leur clients.

Il y aura probablement des nouveaux segments clients, ce qu’on pourrait appeler en général « des tribus connectées ». L’entreprise devrait réfléchir même avant de mettre sa plateforme e-commerce en ligne aux besoins de ces nouveaux segments clients que – si tout va bien - l’entreprise devrait commencer petit-à-petit à attirer– a quoi bon de faire de l’e-commerce autrement ? –

Passer à l’étape 2.0 a aussi des conséquences par rapport aux compétences que l’entreprise doit développer. En gros, une partie de ce qu’était considéré jusqu’à ce moment-là comme « l’IT » - contemplée en tant que fonction de soutien – sera exposée en direct aux clients.

Cette partie, en fait, ce n’est plus du soutien « mais du business » à proprement parler.

Elle devient « customer facing », c’est l’ambassadrice digitale de la compagnie et elle doit se montrer à l’auteur. Concrètement, la gestion de la plateforme e-commerce devient vitale pour l’image que l’entreprise projette.

En conséquence, la gestion de la capacité de cette plateforme est vitale pour réussir sa transformation 2.0. Elle doit être disponible, « up-and-running » 24/7 et les équipes derrière doivent suivre les indicateurs clé et être prêtes à intervenir au moindre signal d’alarme.

Pensez aux événements tels que le « black Friday », une plateforme e-commerce doit alors faire face à une demande supplémentaire d’entre 30% au 50%, et malgré cela continuer à fonctionner normalement.

Un autre changement visible sera d’avoir des nouveaux partenaires, principalement ceux qui vont proposer des solutions d’hébergement pour la plateforme e-commerce.

Rien de tout cela sera gratuit, il aura alors des nouveaux coûts relatifs à tous ces changements, payer les hébergeurs, la plateforme, le support, la mise en valeur du site, le suivi des clicks faits par les clients, établir un bon taux de conversion visites/ventes. Tout ceci va couter, ce sont des coûts qu’on n’avait pas dans la phase 1.0

Heureusement, si tout fonctionne comme on le souhaite, il aura aussi des nouveaux flux de revenus, ceux qui ce nouvel élément apporte à l’entreprise via les ventes en ligne.

En effet, le passage vers la phase 2.0 permet de proposer des offres directes, sans intermédiaires, à des prix plus compétitifs.

Figure 3: La transition vers 3.0.
Figure 3: La transition vers 3.0.
(Source : Copyright : Licence en Creative Common : sources - Business Model Canvas is Strategyzer.com)

La transition 2.0 vers 3.0 : Données IoT

Dans cette nouvelle phase, les données IoT s’ajoutent à l’équation. Les données IoT proviendront des objets connectés capables de « sentir » l’environnement. Pour cela ils vont utiliser des capteurs de tout type : ils vont capter des images, des vibrations, des sons, de l’humidité, de la température etc. etc.

Si ces capteurs font partie du produit final, ils deviendront un levier pour mener la relation client vers un tout autre niveau. La connaissance par rapport aux habitudes de consommations, de l’utilisation précise d’un bien donné seront tel que la personnalisation se trouvera à portée de main.

Et vu qu’on saura tout de l’utilisation d’un produit déterminé, l’entreprise pourra établir une relation client très proactive. Par exemple, si le bien de consommation nécessite d’une maintenance régulière, l’entreprise elle-même saurai avec toute précision quand il faudrait prévoir ce service et alors le proposer d’office.

Un autre élément important dans cette transformation c’est de pouvoir bénéficier des données qui sont déjà à disposition, par exemple, la géolocalisation. Connaître la position exacte d’un client permet de lui proposer des offres sur mesure dans le magasin le plus proche, juste quand il passait par là.

Aussi cela permet d’avoir accès aux clients via leur propre dispositif mobile – très souvent un smartphone – Lui il devient aussi un canal direct, tel que la plateforme e-commerce, mais avec des outils, des apps, plus ergonomiques compte tenue du dispositif et surtout mobile.

L’entreprise, elle va devoir évoluer par rapport à ses processus de gestion. Des nouveaux éléments deviennent « clé » : la gestion de toute cette connectivité, la mise en valeur des captures et tout ce qu’est nécessaire pour gérer les données par eux générées – appelés usuellement « IoT Hubs » - Il

faudra penser à mettre en place des plateformes rien que pour faire ce qui deviendra « business-as-usual »

il va falloir se munir aussi des nouvelles compétences, car tous ces capteurs génèrent vraiment beaucoup de données, qu’il va falloir gérer, intégrer, voir même choisir, afin de ne gérer que celles qui sont indispensables pour que l’entreprise puisse atteindre ses objectifs.

Des nouveaux partenaires vont rejoindre le club, car l’entreprise devra, au moins dans un premier temps – et dans certains cas, à jamais – établir une relation de partenariat avec ceux qui maîtrisent la création, mise en place et l’exploitation des capteurs. De la même manière, la nécessité d’une connectivité accrue va probablement mener l’entreprise vers des pourparlers avec des entreprises focalisées sur la télécommunication, tels quels des opérateurs téléphoniques.

Rien de tout cela est gratuit malheureusement et cette gestion de données massives, et tous les besoins de connectivité associés deviendront alors des coûts supplémentaires pour l’entreprise auxquels il va falloir faire face pour une transformation 3.0.

Cette même transformation ouvre la voie vers des nouveaux segments client, ceux qui restent connectés en permanence via leurs dispositifs mobiles. Ça va au-delà des segments clients qu’on peut atteindre avec l’eCommerce, ce sont des tribus digitales, nomades et hyperconnectées.

Accéder à ce segment client permet alors de faire des offres qui suivent au client. Elles sont adaptées au contexte dont le client se trouve dans un moment donné. Et ces offres deviennent des nouveaux flux de revenus pour l’entreprise.

Figure 4: La transition vers 4.0.
Figure 4: La transition vers 4.0.
(Source : Copyright : Licence en Creative Common : sources - Business Model Canvas is Strategyzer.com)

La transition 3.0 vers 4.0 : Données IA

Dans la phase 4.0 on arrive à exploiter les données non-structurées, c’est-à-dire que l’entreprise est capable d’extraire des informations structurées depuis des commentaires, par exemple, ou bien s’adresser et interagir avec les machines en utilisant le langage naturel.

La première conséquence sur la relation client est de pouvoir réagir à ce qui se passe sur les réseaux sociaux. L’entreprise arrive alors à comprendre « l’état d’esprit » des clients, on parle alors de « l’analyse des sentiments ».

C’est bien dans cette étape qu’on arrive à exploiter les données au maximum de leur potentiel. Il faut dire que les données sont aussi exploitées dans chaque phase d’évolution mentionnée précédemment. Il s’agit, en fait, d’une question progressive. Cependant dans cette dernière étape l’entreprise a toutes les cartes en main pour arriver au zénith.

En fait, la combination des données « ERP » (1.0) plus les données provenant de l’e-commerce (2.0), en ajoutant celles générées par les capteurs (3.0) et finalement en tenant en compte des données non- structurées, permettent l’application très efficaces des algorithmes. L’entreprise pourrait alors appliquer des techniques qui sont aujourd’hui les piliers de l’intelligence artificielle telles que « machine learning » ou « natural language processing ».

La relation client se verra affectée par la personnalisation massive mais aussi proactive. C’est-à-dire, on proposera des produits aux clients avant qu’ils le demandent, des produits qui présentent une haute probabilité d’acceptation, compte tenu de leurs profiles respectifs, celui du produit et celui du client. Et les réseaux sociaux serviront de moyen d’acheminement.

D’ailleurs, ces réseaux sociaux peuvent dans cette phase être utilisés de manière très efficace en tant que canal de vente. Bien que cela était techniquement possible dans des étapes d’évolution antérieures, l’impossibilité de gérer les données non-structurées réduisait les réseaux sociaux a des simples sites web. Du moment que l’analyse des données non-structurées devient possible, tout le potentiel d’un réseau social en tant que canal de vente est déchainé.

Encore une fois, l’entreprise se verra forcée d’évoluer. Il va falloir s’doter de certaines ressources clé : déjà les algorithmes – et plus largement, les solutions d’AI elles-mêmes – mais aussi de la puissance de calcul requise pour que tout cela soit efficace.

Il est alors fort probable que les données de l’entreprise commencent à quitter le nid, pour aller vers le cloud, là où la puissance de calcul promet d’être illimitée. Bien que cela reste à vérifier, il est vrai cependant que cette puissance devient flexible. On peut computer plus quand on en a besoin, et décroître la capacité en fonction de la situation, dynamiquement – impensable si on héberge sa propre infrastructure –

Il y aura des nouvelles activités clé, déjà la formulation des prédictions – ce que les solutions IA fournissent en générale – mais plus importante encore: vraiment penser à l’apprentissage automatique.

En général ces solutions IA apprennent par elles-mêmes. Elles sont capables de trouver des « patterns » dans des grandes quantités des données, ce que l’œil humain ne pourrait jamais faire.

Par contre, il va falloir revoir cet apprentissage régulièrement, réapprendre à la machine avec une certaine fréquence afin que les prédictions demeurent valables.

Les solutions IA - en contraposition à celles basées sur des règles explicites – ne fonctionnent pas toujours de la même façon, elles évoluent avec le temps, alors il faut veiller à que leur évolution prenne la bonne direction.

Probablement l’entreprise va encore ajouter des partenaires, notamment ceux qui offrent des services « cloud » mais aussi des spécialistes dans la mise en place des solutions IA.

En conséquence, des nouveaux centres de coûts émergeront : le cloud, la puissance de calcul variable, les solutions IA, les calibrer et recalibrer avec une certaine fréquence, la gestion des algorithmes.

Ces algorithmes seront alors capables de personnaliser des offres à très grande échelle. il y aura alors beaucoup des offres mais chacune très spécifique, très ciblées sur les habitudes des consommations de chaque client. Dès lors, ces offres comportent plus de chances d’être acceptées et ceci aura un impact positif sur les flux de revenus.

Figure 5 - La transition vers 4.0.
Figure 5 - La transition vers 4.0.
(Source : Copyright : Licence en Creative Common : sources - Business Model Canvas is Strategyzer.com)

Au-delà de l’étape 4.0

C’est clairement un défi de prédire les évolutions ultérieures et comment les données vont façonner les business modelés des entreprises dans l’avenir.

Une chose est sûre : gérer de la « Smart Data » n’est pas vraiment efficace. Si on y pense, il suffit de montrer une image d’un chat à un enfant de 5 ans, pour que par la suite cet enfant devienne capable

d’identifier des chats partout. L’apprentissage humain lui il est très efficace. Malheureusement on n’a pas encore percé les secrets de l’apprentissage de notre espèce. Pour quoi cet enfant hypothétique, avec un seul exemple, il devient capable d’identifier des autres chats, même si ces derniers ne se ressemblent pas forcement au premier ? Comment notre cerveau arrive-t-il à faire le lien ? Parce qu’ils sont tous poilus ? Parce qu’ils ont tous des moustaches ? On ne le sait pas encore, mais le fait est qu’un exemple suffit.

L’apprentissage automatique, en revanche, ne l’est pas forcement, et fort probablement à cause des points dont on ignore mentionnés ci-avant. On ne connait pas le détail de nos propres mécanismes d’apprentissage alors il nous est impossible de les reproduire synthétiquement.

On ne peut que proposer alors que des approches, comparativement, très rudimentaires et donc pas forcements efficaces.

Par exemple Il faut des milliers voir des millions des exemples pour qu’une machine puisse commencer à identifier des éléments précis sur des images. La machine n’est pas capable d’identifier des chats sur des images que à partir d’un seul exemple, comme le fait un enfant.

Alors, cet apprentissage automatique, dans la plupart de cas, nécessite d’un énorme investissement humain dans la mise en place des telles solutions. Il faut préparer les données, d’y mettre des libellés afin de procéder à un l’apprentissage supervisé (celui qui au présent a prouvé être le plus amène à livrer de la valeur tangible aux entreprises). Sans oublier les efforts ultérieurs car ces solutions doivent réapprendre avec une certaine fréquence.

L’avenir n’est pas encore totalement défini mais on peut osez entrevoir que l’évolution ira en direction de ce qu’on appelle des « Objets intelligents ». Ceux-ci vont calculer localement des données « Small », dans le sens « en peu de quantité et utilisant moins de bande passante par la suite et donc moins d’électricite ». « Small », « petit », « peu » ce sont des notions dont la culture occidentale à tendance à “rabaisser” le sens et pourtant semble être la clé de l’avenir car elles sont économes dans tous les sens du terme. Donc « Small is beautiful ».

Bibliographie

Henry Chesbrough, (2009, 01 01). Business Model Innovation Opportunities and Barriers. Retrieved 03 18, 2015, from Elsevier: http://www.elsevier.com/locate/lrp

Damian Chiossone, (2015). How established companies respond to threats to their core business models. Fribourg: IIMT University Press - Université de Fribourg. Retrieved from http://www.shop.iimt.ch/epages/176782.sf/de_CH/?ObjectPath=/Shops/176782/Products/9 78-3-905814-54-5

Xavier Comtesse, (2020, 03 03). L’internet des objets intelligents. Retrieved from http://www.agefi.com/home/acteurs/detail/edition/online/article/linternet-des-objets- intelligents-494624.html

Xavier Comtesse & Damian Chiossone, (2020, 01 28). Comment les données ont pris le pouvoir? Retrieved from http://www.agefi.com/home/acteurs/detail/edition/online/article/comment-les- donnees-ont-pris-le-pouvoir-493737.html

Osterwalder, (2010). Business Model Generation. New Jersey: John Wiley & Sons,. MSM

(ID:46462777)