Quelles configurations pour les Business Model du Big Data ?


Auteurs :

  • Bouafia SOUMAYA – ATER à l’IAE Gustave Eiffel, UPEC / Doctorante à l’Université de Pau et des Pays de l’Adour – soumaya.bouafia@univ-pau.fr
  • Jacques JAUSSAUD – Professeur des Universités, Université de Pau et des Pays de l’Adour – jacques.jaussaud@univ-pau.fr

Résumé :

L’intérêt porté au Big Data est aujourd’hui considérable. La littérature, académique comme professionnelle, annonce un potentiel important et de nouvelles sources de profits. Paradoxalement, peu de travaux ont été consacrés à l’aspect business de ces données massives. Cette contribution s’efforce d’explorer les business model du Big Data. Nous avons pour cela réalisé un travail empirique basé sur des études de cas, nous conduisant à l’identification de cinq catégories de modèles d’affaires liées en premier lieu à la finalité d’usage du projet Big Data.


Pour citer cet article :

SOUMAYA, B., JAUSSAUD, J., 2019. Quelles configurations pour les Business Model du Big Data ?, Management & Data Science, vol.3, n°1.


Introduction

L’avènement des technologies du net dans les années 1990 s’est accompagné de l’apparition des « start-up » du web. Les opportunités générées sont, à l’époque, peu compréhensibles pour le monde des affaires. Les efforts d’interprétation conduisent alors à raisonner en termes de « modèles d’affaires », ou business model ; il s’agit de comprendre comment ces activités peuvent créer de la valeur et permettre de capter des revenus.

L’expression business model s’est répandue, au-delà d’ailleurs des activités liées au web. Pour ces dernières, on parle aussi de e-business model (Zott et al ; 2011). De nombreux travaux ont tenté de caractériser les entreprises du e-business et leurs modèles d’affaires (Osterwalder et Pigneur, 2002; Tapscott et al, 1999 ; Timmers, 1998). Beaucoup reste cependant à faire.

Un rapport du McKinsey Global Institute (Bughin et al, 2010) identifie dix nouvelles tendances technologiques à fort impact sur l’économie et les organisations, dont le Big Data. La littérature souligne l’enjeu de valoriser ces données massives (Hartmann et al, 2016 ; Walker, 2015 ; McAfee et Brynjolfsson, 2012 ; Bughin et al, 2011). C’est la question des business model du Big Data : Existe-il un modèle de référence, ou différents modèles d’affaires du Big Data ?

Pour tenter de répondre, nous avons étudié 46 projets Big Data d’entreprises de différents secteurs d’activités. Ceci nous a permis d’identifier 5 catégories de business model. Dans un premier temps nous revenons sur la littérature du Big Data et des business model. Nous développons ensuite notre méthodologie et l’analyse de nos résultats.

Big data et business model

Au-delà des 3V de la littérature, le volume, la variété et la vélocité, (Monino et Sedkaoui, 2016 ; Laney, 2012 ; Davenport et al, 2012), l’expression Big Data implique de nombreuses dimensions : les technologies, le facteur humain, ou encore ce qui relève de l’organisation ou de la culture (Babinet, 2016 ; Bénavent, 2014).

Davenport (2014) met l’accent sur les profits et les connaissances pouvant être extraites de ces données. De nombreux auteurs s’interrogent sur la valorisation des données massives, les aspects technologiques et humains étant pour leur part déjà bien explorés (Chignard et Benyayer, 2015 ; Walker, 2015; Davenport, 2014 ; Bénavent, 2014 ; Bughin et al, 2011).

Comprendre comment une entreprise crée de la valeur revient à décrire son business model. Lecocq et al. (2006).considèrent trois dimensions principales : « … les ressources et les compétences mobilisées (qui permettent de proposer une offre), l’offre faite aux clients (au sens large) et l’organisation interne de l’entreprise (chaîne de valeur) et de ses transactions avec ses partenaires externes (réseau de valeur). » Ils résument cela par le sigle RCOV.

Finalement, peu de travaux ont analysé les business model du Big Data (Hartmann et al., 2016 ; Chen et al., 2012 ; Muhtaroğlu et al., 2013) ; ils sont d’ailleurs essentiellement le fait de professionnels (Hagen et al, 2013; Schroeck et al, 2012 ).

Signalons une typologie utile, mais focalisée sur l’usage des données. Bénavent (2014) décrit comment sont exploitées les données massives, à travers quatre « modèles d’usages du Big Data » : le modèle du Knowledge ou de la connaissance, celui de l’automatisation, le modèle de l’Empowerment, et le modèle des services par les données ou plateformes.

Pour identifier les modèles d’affaires du Big Data, nous allons exploiter cette typologie des modèles d’usage (Bénavent ; 2014) et les travaux de Lecocq et al (2006) sur le concept de business model.

Modèles d’usage du big data

Bénavent (2014) distingue quatre modèles d’usage du Big Data, différant par un usage particulier des données, une mobilisation de ressources spécifiques, et une organisation adaptée.

Le premier modèle, du « knowledge » ou « de la connaissance », vise à améliorer la connaissance qu’a l’entreprise de son environnement et de ses clients. Des profils d’analystes sont mobilisés pour réaliser des analyses approfondies, rendues possibles par une disponibilité et une qualité des données améliorées. De tels projets Big Data ne nécessitent pas de transformation organisationnelle significative.

Le second modèle est celui de l’automatisation, automatiser de nouveaux domaines autres que ceux, connus, de la production. Les données sont directement transformées en actions ou en décisions par des algorithmes d’apprentissage. Ce modèle requiert d’importantes capacités technologiques et des compétences d’ingénieurs spécialistes en programmation. En termes d’organisation, il pose la question du remplacement de certains emplois par des automates.

Le troisième modèle d’usage, celui de l’empowerment, a pour finalité d’aider dans la prise de décision. Les données sont traitées et restituées selon les différents besoins du personnel de l’entreprise, ou de tout autre usager. De tels systèmes nécessitent aussi des développements technologiques, et donc des profils d’ingénieurs spécialisés. En termes d’organisation, ce modèle implique des transformations dans les relations des employés avec leur hiérarchie.

Le dernier modèle d’usage proposé est celui des services par les données, appelé aussi « plateformes ». Les données sont utilisées pour créer de nouveaux services, et anticiper les besoins des clients. L’application la plus connue est celle des plateformes de consommation collaborative, permettant l’usage augmenté d’un bien par le partage, et par le développement de dispositifs d’appariement d’offres et de demandes très diversifiés. Le modèle des services fait appel à une multitude d’acteurs, notamment des juristes, statisticiens, et informaticiens. En termes d’organisation, des transformations conséquentes sont requises (Bénavent, (2014).

Dans la typologie de Bénavent (2014), on l’a compris, un modèle d’usage du Big Data se définit du point de vue de : (1) sa finalité, (2) des compétences mobilisées, et (3) de l’organisation requise.

Tableau 1. Typologie des modèles d’usage du Big Data de Bénavent (2014)

Caractériser un modèle d’affaires de projet Big Data

Selon Lecocq et al (2006), un business model implique : (1) le choix des ressources et des compétences génératrices de revenus, (2) la définition de l’offre qui valorise ces ressources et compétences, (3) la mise en place d’une organisation (activités à intégrer et celles à externaliser), et (4) l’évaluation des revenus attendus sur la base des choix précédents.

Ainsi, Lecocq et al (2006) considèrent différentes ressources et compétences permettant de générer des revenus. Dans le cadre du Big Data, les données elles-mêmes constituent de telles ressources, ainsi que les algorithmes permettant de les exploiter. Concernant les compétences mobilisées, Bénavent (2014) cite différents profils de métiers, selon les finalités d’usages des données, tels que des ingénieurs, des développeurs, des analystes, ou des data-scientists.

Concernant l’offre faite au client, pour Lecocq et al (2006) il peut s’agir de se différencier sur les offres traditionnelles, ou lancer de nouvelles offres qui n’existent pas sur le marché. En ce qui concerne l’organisation, Lecocq et al. (2006) considèrent le choix des activités à garder en interne, et celles à externaliser auprès de partenaires.

L’aspect organisationnel n’est pas abordé sous le même angle par Bénavent (2014). S’inspirant de la théorie de la contingence structurelle (Lawrence et Lorsch, 1967), l’auteur souligne que certains types de projets requièrent une transformation organisationnelle, alors que d’autres n’en exigent pas, le Big Data étant alors mobilisé à des fins d’amélioration des processus existants.

Chez Lecocq et al (2006), la quatrième composante renvoie aux coûts et revenus. L’entreprise doit réfléchir aux différentes modalités de rémunération, un point non explicitement pris en compte dans la construction de la typologie des modèles d’usages du Big Data de Bénavent (2014). Nous ajouterons donc aux variables considérées par cet auteur (insérer tableau 1) une variable sur les modes de rémunération de l’entreprise. Ceux qu’envisage la littérature relative aux business model sont la publicité, la transaction, la commission, la réduction des coûts, et l’abonnement (Bénavent, 2016; Hartmann et al, 2016 ; Osterwalder et Pigneur, 2002).

En rapprochant les concepts des modèles d’usages du Big Data (Bénavent, 2014) et ceux des business model (Lecoq et al, 2006), nous avons pu identifier les variables permettant de caractériser le business model d’un projet Big Data.

Tableau 2. Modalités des variables caractérisant les modèles d’affaires des projets Big Data. D’après Lecocq et al, 2006; Bénavent, 2014

Démarche empirique ; identification et classification des modèle d’affaires du big data

Notre méthode repose sur l’identification d’un certain nombre de projets Big Data d’envergure, 46 précisément ici. Nous avons réuni sur ces projets, européens, américains et asiatiques, un ensemble d’informations à partir de sources diverses. Chaque projet constitue une étude de cas à part entière, précisant quels usages sont faits du Big Data, quelles stratégies sont mises en œuvre, et quelles tendances semblent se dessiner.

Construction de notre base de données de projets Big Data

Nous avons en un premier temps collecté des données, essentiellement secondaires, à partir de sources diversifiées, en nous assurant de la cohérence des informations. Pour le traitement des données, ensuite, nous avons codé les variables retenues précédemment pour caractériser les modèles d’affaires du Big Data.

Chaque entrée de notre base représente un projet Big Data. Il s’agit, in fine, de caractériser chaque projet selon les différentes variables retenues à partir de la théorie (Bénavent, 2014 ; Lecocq et al, 2006), et de variables supplémentaires que nous avons jugées utiles.

Précisément, les variables sont d’abord : « Nom projet/entreprise » ; « Secteur d’activité » ; « Pays d’origine projet » ; « Dimension du projet » ; « Année mise en œuvre projet » ; « Effectif » ; « Descriptif projet/entreprise Big Data » ; et « Type d’intervention humaine », selon qu’il s’agit d’acteurs internes ou externes.

Pour les variables visant à caractériser le modèle d’affaires du projet Big Data, nous avons choisi, à partir des références théoriques mobilisées, les modalités comme suit :

Finalité d’usage des données. Selon Bénavent, (2014) l’objectif diffère d’un modèle à un autre, par exemple réduction des coûts et gains de productivité dans le cas du modèle de l’automatisation. Par conséquent, la variable « finalité » peut prendre les modalités suivantes : Amélioration_études, Gain_Productivité, Aide_décision, Création_services. ;

Ressources et compétences mobilisées. Les profils diffèrent selon le type de projet, plus précisément selon les modalités de la variable précédente, « finalité » (Bénavent, 2014). Nous retenons ici les modalités : data-scientist, ingénieurs spécialisés, et compétences diversifiées ;

Transformation organisationnelle requise. Certains projets Big Data requièrent de revoir l’organisation de l’entreprise, d’autres s’intègrent à l’organisation existante sans besoin de réforme majeure. Cette variable pourra prendre deux modalités : « oui » quand le projet requiert une transformation de l’organisation, « non » dans le cas contraire.

Concernant les variables issues des travaux sur le concept de business model, Lecocq et al (2006) les modalités retenues sont les suivantes :

Offre de produits et services. Le projet donne-t-il lieu à de nouvelles offres de produits et services, ou permet-il simplement d’améliorer les offres déjà proposées par l’entreprise ? Cette variable peut donc prendre les modalités : « Pas d’innovation-même offre », ou « offre innovante » ;

Modèle revenus-entreprise et Modèle revenus-projet. Ces variables indiquent comment l’activité de base de l’entreprise ou celle du projet Big Data sont rémunérées ; elles peuvent prendre les modalités : Pub, transaction, commission, réduction des coûts, ou abonnement.

Le tableau 2 reprend les différentes modalités des variables retenues pour le codage des 46 projets. Nous avons ensuite regroupé les projets présentant des profils de modalités similaires afin d’identifier les différents business model du Big Data, et de les classer le cas échéant en un petit nombre de catégories.

Analyse des résultats

Nous avons renseigné sans grande difficulté les 46 projets selon les différentes variables considérées. Nous avons pu identifier ensuite 11 profils de modalités des variables caractérisant les modèles d’affaires, soit 11 modèles d’affaires différents. Après regroupements prudents, nous avons identifié 5 catégories de modèles d’affaires du Big Data.

Tableau 3. Modèles d’affaires et Catégories de modèles d’affaires du Big Data

La première catégorie (Cat.1) regroupe trois types de business model (BM1, BM2 et BM3). Les projets de cette catégorie utilisent le Big Data afin d’améliorer la connaissance client. Ces projets mobilisent surtout des profils d’analystes de données (data-scientist). Ils ne requièrent pas de transformation organisationnelle spécifique, et n’apportent pas de changements de l’offre faite aux clients. Les trois types de business model se distinguent toutefois par le modèle de revenus, transactions pour BM1, réduction de coûts pour BM2 et publicité pour BM3.

Prenons l’exemple de la Fnac. Ce projet, de type BM1, mobilise le Big Data pour améliorer la gestion de la relation client. Par une segmentation plus fine et un meilleur ciblage des clients, il a permis de diviser par deux le nombre d’envois de mails sur l’activité billetterie, et d’augmenter sensiblement les ventes. Le projet n’a pas exigé de transformation organisationnelle particulière. Pour exploiter son importante base de données, l’enseigne fait appel à une start-up spécialisée dans l’analyse de données, qui mobilise ses propres analystes.

La seconde catégorie (Cat.2) regroupe les projets du type business model BM4. Ces projets visent un objectif de gains de productivité par automatisation. Les entreprises mobilisent des ingénieurs spécialistes en programmation, et doivent adapter l’organisation. Il n’est pas question ici de développer de nouvelles offres de produits et services, mais de renouveler ou améliorer les offres existantes. C’est la modalité « Transaction » qui est prise par la variable modèle de revenus de ces projets.

C’est le cas de l’application « Smart marketing automated recommandation tool ». du groupe AccorHotels. Cette solution automatisée permet de proposer des offres hautement personnalisées. Cet outil a conduit sur le web à un doublement du taux d’achat de nuitées, et un triplement du chiffre d’affaires des bannières publicitaires personnalisées. Le modèle de revenu, aligné à celui de l’entreprise, est du type transactions.

La troisième catégorie (Cat.3) regroupe les business model BM5, BM6 et BM7. La finalité de ces projets est d’apporter des gains de productivité par automatisation pour des offres de produits et services innovantes (à la différence de Cat.2). Ils mobilisent des compétences d’ingénieurs spécialistes et requièrent des transformations organisationnelles. Les modèles de revenus diffèrent selon les cas : Transaction, Réduction des coûts ou Abonnement.

Prenons l’exemple de Deezer (du type BM7), plateforme d’écoute de musique en streaming. Elle offre à ses clients différentes options, les plus avantageuses étant basées sur l’abonnement, source de revenus importante pour l’entreprise. Le développement de cette plateforme a exigé des investissements importants. Nous avons retenu la modalité « oui » pour la transformation organisationnelle requise dans ce cas, car Deezer constitue un modèle d’affaires tout à fait nouveau par rapport aux modèles traditionnels de l’industrie de la musique.

La quatrième catégorie (Cat.4) réunit les business model BM8, BM9 et BM10. Les projets ont pour finalité l’aide à la décision. De tels projets requièrent des ingénieurs spécialistes, et peuvent nécessiter des transformations organisationnelles. Les modèles de revenus sont soit de transactions, soit de réductions de coûts. Les offres élaborées peuvent être innovantes, ou n’être qu’un renouvèlement d’offres déjà existantes.

Citons le projet Big Data de BMW (du type BM10), solution d’analyse prédictive pour réduire les défauts avant commercialisation des voitures. L’outil est alimenté par des données issues des différents services de l’entreprise, ainsi que de capteurs qui équipent les prototypes dédiés aux tests. Le projet a permis de réduire les coûts en corrigeant très tôt des défauts identifiés lors des phases de test. Le modèle de revenus est donc de réduction des coûts. Quelques adaptations organisationnelles ont été nécessaires, afin d’accompagner le personnel dans l’utilisation de l’outil.

Notre dernière catégorie (Cat.5) regroupe un seul type de business model (BM11), pour des projets Big Data dont la finalité d’usage est la création de nouveaux services. Les ressources et les compétences mobilisées sont diversifiées, et les transformations organisationnelles sont importantes. Il s’agit même de nouvelles configurations des fonctions de l’entreprise, nécessaires au développement des nouvelles offres. Le modèle de revenus est principalement celui des transactions issues de la commercialisation des produits et services créés via les données.

Citons le cas « Taskrabbit », application d’entraide mettant en relation des particuliers d’un même voisinage pour des tâches rémunérées (poster un courrier, promener un chien, etc.). Cette plateforme vise une « consommation collaborative ». Les compétences mobilisées dans ce cas de figure sont diversifiées : il s’agit en premier lieu de celles des utilisateurs de la plateforme, mais aussi celles de ses fondateurs et employés internes.

Ce modèle requiert des transformations organisationnelles : l’organisation du projet est intégralement construite ad’hoc. On fait appel à une nouvelle catégorie de travailleurs, rémunérés « à la micro tâche ». Le modèle de revenus est « transactions » (la rémunération est déterminée via des algorithmes). Il peut exister des modèles de revenus par abonnements ou par publicité.

Conclusion

Nous avons tenté ici d’identifier et de comprendre les business model du Big Data, Pour cela, nous avons mobilisé la typologie des modèles d’usage des projets Big Data de Bénavent (2014) et diverses contributions significatives sur les modèles d’affaires (Lecocq et al , 2006).

L’examen de 46 projets Big Data nous a permis d’identifier 11 modèles d’affaires différents. Nous les avons classés en 5 catégories de business model selon les similitudes qu’ils présentent. La première catégorie regroupe des projets dont la finalité d’usage est d’améliorer la connaissance de l’entreprise. Pour les deuxième et troisième catégories, il s’agit d’automatiser des processus de l’entreprise. La quatrième catégorie vise à aider les employés dans la prise de décision. Pour ces quatre premières catégories, les solutions Big Data sont destinées à un usage interne. La catégorie 5, constituée de « plateformes », se distingue par des offres de produits et services innovantes (Uber ou Blablacar par exemple).

En identifiant 5 catégories de modèles d’affaires des projets du Big Data, nous espérons avoir contribué à la clarification de la question de la valorisation de tels projets. Il nous restera à tester cette typologie sur un échantillon plus important, et d’en mieux dégager les implications managériales.

Bibliographie

Babinet, G. (2016). Penser l’homme et le monde autrement. Paris: Le Passeur

Bénavent, C. (2014). Big Data: no best way. Le libellio AEGIS, 10(4), 5-14.

Bénavent, C. (2016). Plateformes Sites collaboratifs, marketplaces, réseaux sociaux…comment ils influencent nos choix. FYP Editions.

Bughin, J., Manyika, J. et Chui, M. (2010). Clouds, big data, and smart assets: Ten tech-enabled business trends to watch, McKinsey Quarterly.

Bughin, J., Livingston, J. et Marwaha, S. (2011). Seizing the potential of ‘Big Data’. McKinsey Quarterly.

Chen, H., Chiang Roger, H.L. et Storey Veda, C. (2012). Business intelligence and analytics: From Big Data to Big Impact, MIS Quarterly, 36, 4, 1165-1188

Chignard, S. et Benyayer, L.D.  (2015). Datanomics Les nouveaux business models des données. FYP Editions.

Davenport,T. (2014). Stratégies Big Data. Paris: Les Editions Pearson.

Davenport, T., Barth, P. et Bean, R. (2012). How ‘Big Data’ is Different, MIT Sloan Management Review, 54(1).

Hagen, C., Marco, C., Dan W., Ajay, Y., Khalid, K. Jason, M., et Hugo. (2013). Big Data and the Creative Destruction of Today’s Business Models, AtKearney

Hartmann, P.M., Zaki, M., Feldmann, N. et Neely, A. (2014). Big Data for Big Business, A taxonomy of Data-driven Business Models used by start up firms, working paper version, Cambridge Alliance Service

Laney, D. (2012). Deja VVVu: Others Claiming Gartner’s Construct for Big Data, Blog: https://blogs.gartner.com/doug-laney/deja-vvvue-others-claiming-gartners-volume-velocity-variety-construct-for-big-data/

Lawrence, P.R. et Lorsch, J.W. (1967). Differenciation and Integration in Complex Organizations, Administrative Sience Quarterly, 12, 1, 1-47

Lecocq, X., Demil, B., et Warnier, V. (2006), Le Business Model, un outil d’analyse stratégique, L’Expansion Management Review, 123, 96-109.

McAfee, A.  et Brynjolfsson, E. (2012), Big Data: The management Revolution, Harvard Business Review.

Monino, J.L. et Sedkaoui, S. (2016). Big Data, Open Data et valorisation des données. Royaume-Uni: ISTE Editions

Osterwalder, A. et Pigneur, Y. (2002). An e-Business Ontology for Modeling e-Business, 15th Bled Electronic Commerce Conference.

Schroeck, M., Shockley, R., Smart, J., Romero-Morales, D. et Tufano, P. (2012), Analytics: The real-world use of big data. How innovative enterprises extract value from uncertain data, IBM Institute for Business Value, Saïd Business School at the University of Oxford.Tapscott, D., Lowy A. et D. Ticoll (2000), Digital Capital: Harnessing the Power of Business Webs,

Timmers, P. (1998). Business Models for Electronic Markets, Electronic Markets, 8 (2)

Walker, R. (2015). From Big Data to Big Profits Success with Data and Analytics. Etats-Unis: Oxford University Press

Zott, C., Amit, R. et Massa L. (2011). The Business Model: Recent Developments and Future Research, Journal of management, Volume 37,Issue 4,1019–1042