Il existe différents modèles économiques pouvant servir à rémunérer un projet data.
1 – Création de donnée par l’utilisateur
Le premier et le plus connu consiste à faire en sorte que l’utilisateur qui utilise votre produit crée de la donnée. Par ce biais, il devient le produit. A ce jeu là le service est généralement gratuit, comme le dit l’adage, l’utilisateur est le produit. L’exemple que nous connaissons tous est Facebook ou encore Instagram. L’utilisateur génère des comportements (data) via ses publications ou ses engagements sur la plateforme.
Ainsi, la plateforme peut vendre de la publicité ciblée aux annonceurs, on parlera d’utilisation de la donnée à des fins commerciales. Le produit est gratuit pour l’utilisateur, l’annonceur finance la plateforme en payant pour afficher ses publicités de manière ciblées voire ultra-ciblées.
2 – Vente de la base de données
Le second modèle économique consiste à revendre sa base utilisateur directement, on parle de revente de données. Un exemple célèbre est le comparateur de prix lesfurets.com. Le site est pratique et vous permet de comparer les prix des assurances en quelques clics pour faire la meilleure affaire possible. En contrepartie, la plateforme revend vos données aux assureurs que vous avez sélectionnés sur la plateforme.
Par cette revente de prospects qualifiés encore appelés “leads”, le modèle génère un revenu. Nous pouvons ajouter que lorsqu’une plateforme de ce type atteint un seuil important d’utilisateurs, d’autres micro-modèles de publicité peuvent entrer en jeu, comme le placement d’offre spécifique au cours de la navigation de l’utilisateur.
3 – Vente de la connaissance
Un troisième modèle économique se base sur la vente de la connaissance. La donnée brute peut être transformée en information (lorsque celle-ci est consultable sur un tableau de bord ou une cartographie, par exemple). Elle peut aussi se transformer en connaissance lorsque la donnée brute est modélisée en un score permettant de comprendre l’influence de multiples facteurs sur un résultat. Pour illustrer ce terme de connaissance par la data, prenons le projet français carteko.fr. Ce site permet aux entreprises de renseigner ses préférences sur un territoire (entreprise concurrente à proximité ou non, densité de la population, revenu de la population, transport en commun…). En fonction du degré demandé sur chaque critère, la plateforme génère une cartographie découpée en hexagone avec dans chaque hexagone un score de pertinence. Ce score est appelé connaissance, car il permet à l’utilisateur de savoir, sur un rayon de quelques centaines de mètres, si la zone concernée correspond bien ou mal à ses choix. Pratique, efficace et le tout conçu à partir de la donnée.
Ainsi, nous pouvons imaginer que l’utilisation de ce service serait payante, l’utilisateur payerait pour consommer de la connaissance à laquelle il ne pourrait pas avoir accès via un autre moyen.
4 – Valeur de l’historique
Un quatrième modèle économique peut aussi être mis en lumière. Celui de la valeur de l’historique. Il rejoint l’idée de la vente de donnée brute, mais celui-ci mérite son paragraphe pour souligner la notion de prise de valeur dans le temps. En effet, vous vous en rendrez compte rapidement, un projet data ou qui génère de la data prend de la valeur dans le temps par son utilisation.
L’exemple concret serait la modélisation de crédit à la consommation que nous avons longtemps développé chez 10h11. Lorsqu’une banque récupère par le biais de son site internet et son formulaire de saisie informatique vos informations pour un octroi de crédit, elle peut ensuite faire le lien entre ces informations dites variables, et votre capacité de remboursement dans le temps du crédit en question. Ainsi, avec le temps, la banque dispose d’une base de données clients avec des caractéristiques d’entrée et un suivi du remboursement (défaut de remboursement ou pas dans les périodes). Cet historique de données revêt une valeur considérable puisqu’il permet de calibrer un modèle de scoring qui permet de faire un crédit avec un minimum de défaut.
Ainsi, la donnée récente n’est pas toujours la plus pertinente. Un historique de données peut être d’une grande valeur et peut-être revendu brute. Si l’historique est revendu au travers d’un score, alors nous revenons au modèle numéro 3.
Cet article est extrait de notre livre « Data Maker » désormais disponible en ebook :
10h11 est une agence data, basée à Bordeaux et Paris, qui collecte, analyse et visualise la donnée.
