IoT & data, comment challenger son modèle économique à l'aide des données ?

Que faire de toutes les données collectées via des objets connectés (drones, robots d’inspection, capteurs pour conteneurs, toupies à béton, pesée de poids lourds…) ? Comment en exploiter tout le potentiel ?

C’est ce que nous avons partagé avec les dirigeants d’entreprises réunis lors de cet atelier :

Les entreprises, issues de l’industrie ou encore du secteur du service aux professionnels, ont bien conscience que leur métier va évoluer par le volume de données que leurs machines, outils et autres capteurs génèrent au quotidien. Une nouvelle source de valeur mais à quel prix et comment la valoriser ? C’est en discutant avec certains d’entre eux que nous avons perçu l’intérêt de les faire se parler.

En 2020, plus de 212 milliards d’objets connectés inondaient le monde et proliféraient déjà dans de nombreux domaines : domotique (télévisions, enceintes intelligentes, électroménager…), wearables (montres, bracelets, lunettes…) et autres gadgets connectés (drones, appareils de santé, trackers…) sans parler des smartphones, tablettes et ordinateurs… Le nombre de données générées par ces objets connectés double toutes les 12 heures en 2020, alors qu’il ne doublait que tous les 12 mois en 2015.

Chaque seconde, 29.000 Gigaoctets (Go) d’informations sont publiés dans le monde, soit 2,5 exaoctets par jour*. Un volume qui est en perpétuelle croissance depuis l’émergence du Web 3.0 alimenté en grande partie par l’Internet des Objets (en anglais IoT : Internet of Things) qui repose essentiellement sur la captation de données qui viennent directement des objets.
*Source planetoscope.com

C’est au vu de ces chiffres que, pour ce premier atelier, nous avons réuni autour de la table cinq dirigeants d’entreprises d’horizons différents mais avec un objectif similaire : challenger leur vision d’un modèle économique passant d’une approche classique de revente de matériel, logiciel et/ou service à une offre de services data-driven basée sur la valorisation des données collectées par leurs capteurs.

La question principale que se posent ces entreprises est de savoir comment travailler son modèle économique de sorte que son offre data génère du ROI ?

Pour répondre à cette question, nous avons dans un premier temps listé les enjeux ainsi que les freins des uns et des autres.

Il est clair que l’objectif premier de chaque participant est de développer une offre de services data s’appuyant sur l’exploitation des données collectées par ses « objets » (robots, drones, capteurs…). Il va donc de soi que la valorisation de la donnée est le cœur du sujet.

Commencer par travailler sur les usages qui génèrent de la valeur chez les clients, les lister, les prioriser au regard du ROI qu’ils permettraient de générer et ensuite définir la meilleure manière d’organiser leur stockage, leur exploitation et la mise à disposition de ces données « valorisées » chez leurs clients.

Nous avons identifié 4 axes de travail quand on parle de valorisation des données IoT :

Croiser ces données avec d’autres sources (production, open data…) et ce afin de les enrichir et répondre à de nouvelles questions clients, voire détecter de nouveaux gisements de valeur.

Cette donnée enrichie doit ensuite être travaillée par des équipes hybrides alliant des compétences data (notamment en data science) assurant un lien permanent avec les métiers de l’entreprise, qui viendraient ainsi augmenter l’expertise de l’Humain.

Enfin, automatiser et rationaliser l’accès à l’information sera la clé d’une bonne exploitation de cette donnée mise au service des usages et de la performance des métiers de l’entreprise et de ses clients.

Quasi tous les acteurs autour de la table rencontrent les mêmes freins : le manque de compétences et connaissances data en interne.

En Occitanie, 45% des entreprises affirment avoir les compétences en interne pour l’exploitation de leurs données et seulement 8% cherchent à recruter des spécialistes de la data. Ces dernières favorisent plutôt la monté en compétences des ressources déjà en place. (Source Observatoire de la Maturité Data et IA des Entreprises).

Cela dit, lorsqu’on en vient au recrutement, il apparaît comme bien difficile de trouver ce mouton à 5 pattes qui non seulement pourrait comprendre le métier afin de développer l’offre DAAS (Data As A Service) mais aussi de mettre en place les bons outils permettant d’exploiter et valoriser l’usage des données.

Autre problématique évoquée : l’architecture des données et des technologies utilisées.

De gros volumes de données sont reçus et très souvent à grande vitesse avec la collecte en temps réel, et, que ce soit en termes d’évolutivité, d’adaptabilité ou de performances, les systèmes utilisés par ces entreprises ne répondent pas aux besoins actuels et futurs d’exploitation optimale de la donnée collectée.

En Occitanie, 58% des entreprises continuent d’utiliser les tableurs tels que Google Sheet ou Excel pour piloter leur activité alors que des outils décisionnels existent mais sont encore méconnus et faiblement déployés (26% des entreprises en utilisent). Et ce malgré un effort de plus en plus marqué des éditeurs pour rendre ces outils accessibles à la fois techniquement et financièrement. (Source OMDE)

Une solution pourrait être de mettre en place une architecture technique d’entrepôt de données (staging area, Data Warehouse, Datamart) permettant de faciliter le croisement des data de manière simple pour répondre à des questions « transversales » en utilisant les solutions les plus adaptées.

A ces difficultés, s’ajoute un frein difficile à contourner : la commercialisation et l’acceptation par le client (et éventuellement de ses équipes internes) d’un nouveau modèle économique.

En effet, ces changements induisent une « révolution » dans la manière de vendre la solution ou le service. On ne vend plus du matériel associé à des prestations mais la location d’un service à valeur ajoutée. Fini donc le budget se basant sur l’achat de 3 000 capteurs et place à l’abonnement à un service d’exploitation des données !

Côté interne, l’évolution des équipes internes est parfois compliquée. Souvent passionnées par l’électronique ou l’électromécanique, les acteurs clefs de la production se sentent frustrés, voire même dépassés et doivent se réinventer et s’adapter à ce nouveau modèle. Afin que la démocratisation de l’utilisation des données dans l’entreprise ne se fasse pas au détriment du bien-être des salariés, l’utilisation des données et l’habilitation des employés doivent évoluer de concert. Et cela doit se faire par le développement des compétences data des collaborateurs.

En Occitanie, 31% des entreprises concèdent que le niveau de sensibilisation des collaborateurs est proche de 0 ! Plus généralement, 55% ont encore un niveau d’acculturation très faible sur le sujet. (Source OMDE)

La mise en place d’une stratégie d’acculturation et de formation autour de la data est l’une des premières étapes dans la conversion du modèle économique.

En se basant sur ces constats, 3 modèles économiques ont été abordés, intégrant leur lot d’évolutions dans le modèle même d’organisation de l’entreprise.

La connectivité introduite dans les produits permet à l’entreprise de passer d’une logique de produit à une logique de services exploitant les données collectées. L’entreprise évolue ainsi vers un modèle du type « data as a service ». Elle doit, de ce fait, développer ses compétences internes en matière de gestion des données et de modélisation. Elle pourra donc avoir recours à de nouvelles compétences comme celles du data engineer qui va structurer l’architecture data requise ou encore du data scientist qui va explorer le potentiel des données collectées pour en tirer un maximum de connaissances et potentiellement développer de nouveaux services pour les clients.

Il est toutefois possible d’externaliser le chantier de démarrage. Datasulting propose à cette effet un Diagnostic Data IA qui permet de travailler sa stratégie data, budgéter la future plateforme data et projeter sa roadmap avec des ressources internes et/ou externes.

L’objet connecté peut être un moyen de « capter » de nouvelles données permettant de mieux connaître et comprendre ses clients en vue de leur offrir des services plus adaptés, au bon moment, au bon endroit, etc.

Le data scientist est une nouvelle fois clé dans ce travail exploratoire qui doit être co-piloté avec l’aide du marketing ou des métiers en charge de la relation client.

Datasulting propose également des études « vision client 360 » qui permettent de réaliser ce travail de modélisation data pour détecter des axes à développer qui seront générateurs de valeur et de ROI pour l’entreprise.

L’entreprise fait évoluer son offre en proposant des produits connectés, voire intelligents, dopées par des IA répondants aux enjeux de leurs utilisateurs. A savoir, des produits en mesure de prendre des décisions plus ou moins complexes en toute autonomie, améliorant ainsi sa proposition de valeur intrinsèque sans remettre en cause son modèle de revenus. L’entreprise va alors devoir développer de nouvelles capacités opérationnelles : recherche et développement, intégration de connectivité et d’intelligence, maîtrise et exploitation de données en volume, etc.

C’est tout l’enjeu de modèles comme celui de la Smart City dont la vocation première est d’améliorer le quotidien des citoyens à l’aide de l’IA et d’une exploitation des données au service des enjeux de la ville demain : économie d’énergie, optimisation des temps de trajets, réduction de l’impact sur l’environnement, etc.

C’est de plus en plus le cas par exemple avec les sujets de maintenance prédictive dans les bâtiments. On anticipe les pannes des climatisations ou des ascenseurs pour limiter les interventions et ainsi réaliser des économies tout en garantissant une meilleure satisfaction client.

Découvrez notre webinaire Data’péro, également sur le sujet de l’IoT !