Face aux grandes entreprises de recherche marketing comme Ipsos ou Nielsen, des start-up et agences suisses se développent pour conseiller les géants de l’économie sur les tendances futures de leur marché.
A Londres, la société Black Swan peut prédire le décollage du lait de petits pois, des compléments de gaba (un acide aminé aux vertus relaxantes) ou du bakuchiol (molécule contre l’acné). Ceci grâce aux données récoltées depuis les réseaux sociaux, forums et commentaires en ligne, entre autres. Car ces mégadonnées – ou big data – parlent pour le client. Elles peuvent indiquer comment il consomme ou quel produit il serait susceptibles d’acheter. Les exploiter permet donc aux entreprises d’affiner leurs stratégies.
En Suisse aussi, il existe une série de sociétés proposant ce type de service, comme SwissQuant Group à Zurich, spécialisé dans la finance, ou Digital Luxury Group à Genève. L’entreprise Swiss Statistical Design & Innovation (Swiss-SDI) emploie quatre personnes et est basée à Vaulruz (FR). Elle est spécialisée dans la valorisation de données, fournies par la clientèle dans la majorité de cas. "Nos clients sont conscients de l’importance des données, mais ils sont parfois un peu perdus", explique Brice Repond, data scientist et co-fondateur de Swiss-SDI. Trier et analyser ces données est donc primordial afin de les comprendre. Mais avant cela, il s’agit de définir une problématique. "Le terme de prédiction cache toujours une question bien précise, souligne Xavier Bays, lui aussi data scientist et co-fondateur de Swiss-SDI. Il est important pour nous de travailler avec des sujets bien définis."
Classification vs. régression
On peut séparer les problématiques de la clientèle en deux grandes familles: la classification et la régression. "La classification consiste à définir une catégorie, précise Xavier Bays. Tel client sera sensible à tel produit, par exemple. La régression est le fait de prédire un chiffre, comme la valeur du panier d’achat." Une fois les données épurées et enrichies, c’est un algorithme qui va les traiter. "Pour une entreprise de distribution électrique, nous avons travaillé avec les traders de l’énergie, raconte Brice Repond. Ils doivent prévoir quelle sera la consommation électrique pour le jour suivant, heure par heure. C’est de la régression, basée sur un historique de données. Il s’agit là d’apprendre du comportement des clients pour prédire une valeur." Les projets peuvent durer une semaine à plusieurs mois.
A Lausanne, les quinze collaborateurs de Datapred, basée à l’Innovation Park de l’EPFL, travaillent avant tout pour de grands groupes industriels achetant des matières premières. "Nos données proviennent de systèmes d’informations assez traditionnels (logiciels de gestion intégrée ERP, fournisseurs de données financières). Il s’agit de données généralement "propres" et en flux continu. Ces deux caractéristiques ont un impact sur le type de machine learning nécessaire pour les traiter, explique Thomas Oriol, directeur. Notre logiciel est pertinent dès qu’une entreprise achète pour plus de CHF 50'000’000 d’une matière première ou d’une énergie par an."
L’objectif est de permettre aux entreprises d’optimiser leurs achats en matières premières. "Le logiciel offre des prédictions de tendances ou de volatilité des prix, l’identification des facteurs affectant les prix à l’instant T. Il offre aussi des scénarios d’évolution de prix et de marge à moyen et long termes." Selon lui, les groupes peuvent ainsi économiser de 3 à 5% sur leurs achats et mieux comprendre le risque de prix auquel ils sont exposés.
Les atouts des PME
Mais comment tirer son épingle du jeu face aux géants présents sur le marché? Pour les deux Fribourgeois, les PME ont l’avantage d’être plus proches de leurs clients. "Nous faisons du sur-mesure, déclare Brice Repond. Nous nous focalisons sur les besoins réels de la clientèle afin de transformer le jeu de données pour qu’il soit le plus riche possible." Xavier Bays de son côté cite Google: "Google donne les horaires de trains mais de façon globale. Les utilisateurs vont donc tout de même, en grande majorité, utiliser le site ou l’application des CFF, qui indique les retards ou les éventuelles suppressions de trains et répond de façon ciblée à leurs besoins."
Les PME sont souvent plus spécialisées et peuvent proposer des logiciels spécifiquement conçus pour un domaine d’activités, selon Thomas Oriol. "Les prédictions ne sont qu’une partie du travail, rappelle-t-il. L’analyse de données et les prédictions génériques n’amèneraient pas les clients bien loin sans les autres services digitaux comme l’évaluation de la capacité d'inventaire ou des besoins de production."
Informations
Sur le thème
"Les PME devraient davantage s’intéresser au big-data"
Le big data est une révolution dans l’industrie. Si le tournant se fait peu à peu, beaucoup d’entreprises suisses peinent encore à réellement intégrer cet outil dans leur modèle d’affaires. "Les PME devraient davantage s’intéresser au big-data. Elles n’ont peut-être pas encore assez conscience de tout ce qu’elles peuvent faire de ces données, déclare Brice Repond, data scientist. Ou alors elles n’ont pas le budget. Je trouverais intéressant qu’elles aient davantage d’aides financières pour ces démarches."
Le plus important est le retour sur investissement, relève Xavier Bays, également data scientist: "Il faut oser prendre des risques et ne pas attendre de voir comment ça marche chez le concurrent."
Dernière modification 04.11.2020
