Monétisation de la donnée : véritable filon ou simple tendance ?

Avec l’ascension fulgurante de Google et Facebook, la donnée a conquis ses lettres de noblesse et est promise à devenir le moteur des prochaines révolutions numériques. 
 

Nourrissant les algorithmes de machine learning ou les programmes d’intelligence artificielle les plus poussés tels que Watson, la data sert parfois des desseins moins disrupteurs mais tout aussi utiles comme la génération de revenus additionnels via un processus de monétisation. Promue par beaucoup comme un véritable filon inexploité, la monétisation de la donnée est-elle une réelle opportunité ou un simple effet de mode ? Quels sont les avantages qui peuvent en être retirés et quels sont les risques associés ?

Quelles données et quel partenaire ?

Avant toute chose : quel est (sont) le(s) type(s) de données à disposition ? Pour rappel, la donnée peut être décrite selon différentes topologies : structurée ou non structurée (stockée ou représentée sans format prédéfini), anonyme ou personnelle, socio-démographique, relative aux clients, interne etc. Selon le type de données possédées et la façon dont elles ont été récoltées (opt-in, achat, fournies directement par les clients), les règles régissant d’éventuels transferts de cette donnée vers des parties tierces peuvent varier. L’UE interdit par exemple de transférer des données personnelles hors d’Europe à des entreprises ne remplissant pas les exigences de sécurité requises par l’UE. Il est aussi important de se renseigner sur l’aspect juridique de telles pratiques : il faut s'assurer d'avoir le droit de vendre ou échanger les données, d’autant plus que l’amende encourue peut atteindre 4% du chiffre d’affaires (pour plus d'informations, retrouvez notre article Contraintes légales sur la data : est-ce que vous risquez quelque chose ?)

Une fois que la donnée à disposition a été clairement identifiée, il faut définir les objectifs mais aussi ceux de l’acquéreur : recherche-t-il des données pour répondre à des problèmes stratégiques ou souhaite-t-il répondre à des enjeux opérationnels court terme ? Il s'agit de ne pas oublier les critères suivants lorsqu'on recherche un acquéreur pour ses données :

  • Est-ce un concurrent, un annonceur, un éditeur ou une régie ?
  • Est-ce une start-up, une PME ou un grand groupe ?
  • Comment cette donnée va-t-elle être utilisée ?

Il est bien sûr possible d'essayer de cibler des entreprises ayant peu de données propriétaires (e.g. un fabricant de yaourts dont les produits sont distribués en grande surface et qui n’a pas ou peu d’interactions avec ses clients). Enfin, il ne faut jamais partager ses données aux concurrents : une fois hors de contrôle, rien ne garantit que leur exploitation ne vous nuira pas.

 

Quel prix et quel modèle économique ?

En cas de vente de données, de nombreuses variables peuvent avoir un impact sur leur valeur. Comme tout actif économique, la donnée est soumise au concept d’amortissement et à ce titre, plus les données seront anciennes, plus leur valeur sera moindre.

La profondeur des données sera un autre élément à considérer : un ensemble de données riche et incluant de nombreuses dimensions aura logiquement une valeur plus élevée qu’un ensemble plus pauvre.

La structuration des données augmentent également leur valeur : une donnée traitée et prête à être utilisée voit sa valeur augmenter.

Enfin la rareté d’une donnée est un dernier facteur à prendre en compte : une donnée disponible nul part, ou conférant un avantage concurrentiel fort, est évidemment une donnée qui est chère.

A titre d’exemple, il faudra débourser environ 7$ pour acheter 1000 cookies incluant l’âge de l’individu contre un peu plus de 550$ pour se procurer 1000 cookies liés à des individus pratiquant le sport pour maigrir. Un tel écart s’explique par le potentiel d’activation ou la rareté de l’information recherchée.

Infographie.jpg

Si le prix de la donnée fluctue en fonction de différentes variables, il convient également d’adapter le mode de tarification pratiqué en fonction de deux grandes dimensions : le rythme d’amortissement de la donnée pour le fournisseur et l’usage qu’en fera l’acquéreur.

 

Quelques exemples de monétisation de la donnée

De nombreuses grandes entreprises ont déjà sauté le pas et choisi de monétiser leur donnée. C’est le cas d’Orange par exemple qui a lancé une initiative lui permettant de générer des revenus additionnels à partir de la donnée que l’opérateur récolte. Flux Vision, consiste à mesurer et qualifier l’ensemble des flux humains dans une zone de chalandise. Les données qui sont ensuite revendues concernent la durée de présence dans ces zones, la fréquence de passage ainsi que des informations socio-démographiques (âge, sexe, CSP). Un retailer achetant des données issues de Flux Vision peut donc obtenir des informations utiles sur le trafic de la zone et ainsi mettre en place des actions pour augmenter son trafic en magasin.

De façon plus collaborative, Carrefour et Seb ont placé certaines de leurs données dans un Safe Haven (technologie développée par Acxiom) à partir duquel les deux concurrents peuvent croiser leurs données afin de créer des opérations marketing qui ont du sens sans toutefois avoir accès aux données de l’autre partie. La régie Carrefour Média a ainsi pu enrichir sa connaissance client et peut ainsi affiner les messages et le ciblage qu’elle effectue, notamment sur les catégories de produits électroménagers.

Une dernière initiative intéressante est le système d’open data mis en place par la SNCF qui mêle monétisation de la donnée et création d’un écosystème favorisant l’innovation. Pour cela, la SNCF a choisi d’ouvrir ses données relatives à l’état du trafic (horaires des trains, perturbations, etc.) avec des accès qui diffèrent selon l’usage, les développeurs ayant un accès gratuit à ces données alors qu’une entreprise doit payer pour se les procurer. C’est une façon de monétiser sa donnée tout en s’inscrivant dans une politique de collaboration avec l’écosystème start-up qui bénéficie d’un accès gratuit aux données.

 

 

La donnée peut représenter une source de revenus additionnels pour une entreprise (SAP a estimé que la monétisation des données comportementales des abonnés mobiles représente 9,6 milliards d’euros) mais aussi lui permettre d’acquérir des informations difficilement accessibles. Cependant, la monétisation doit remplir certains critères. Il faut identifier la donnée dont il est question, identifier un partenaire, s’assurer qu’il n’y a pas d’obstacle légal puis trouver un modèle économique mutuellement satisfaisant. Néanmoins, la donnée propriétaire peut également servir de monnaie d’échange pour obtenir d’autres formes de rétribution. Deux annonceurs pourront par exemple échanger leurs données pour enrichir leur connaissance client à moindre coût (data vs. data). Le partage de données peut également être utilisé dans le cadre d’une relation producteur-distributeur à des fins de co-branding (utilisation des données de A et B pour vendre les produits de B qui s’achètent chez A). Enfin la donnée peut être échangée à des régies en échange d’une partie de leur inventaire (accord entre un annonceur et une régie, data + media). Ces utilisations de la donnée sont soumises à des règles spécifiques et seront traitées dans un prochain article.

Sujet: Stratégie Data Articles
Êtes-vous un padawan ou un jedi de la data ?
Sujets