Un magasin peut consulter ses ventes pour décider du volume de stocks à acheter. Une plateforme, en revanche, peut dépendre des données d’utilisation pour recommander des contenus, attirer des annonceurs et maintenir ses revenus. Toutes deux emploient de l’information, mais les données n’y remplissent pas la même fonction économique.
Cette différence permet de comprendre ce que sont les modèles économiques fondés sur les données. Il ne suffit pas de détenir des bases de données, de produire des statistiques ou d’utiliser l’intelligence artificielle. Les données doivent constituer une ressource clé de la proposition de valeur : sans elles, le produit, le service ou le mécanisme de revenus perdrait une part essentielle de son utilité.
Cela ne signifie pas non plus nécessairement vendre des données personnelles. Une entreprise peut capter de la valeur au moyen d’un abonnement, d’une licence, d’une commission, de la publicité, de meilleures décisions ou d’un service personnalisé. La question centrale est autre : comment les données se transforment-elles en quelque chose pour lequel quelqu’un est disposé à payer ou auquel il est disposé à participer ?
Idée clé : Utiliser des données pour administrer une entreprise ne transforme pas automatiquement les données en cœur de son modèle économique.
Un modèle fondé sur les données n’est pas la même chose qu’une entreprise data-driven
Une organisation data-driven s’efforce de prendre des décisions appuyées sur des faits probants. Elle peut analyser des coûts, mesurer des résultats ou anticiper la demande et, malgré tout, vendre un produit qui existerait pratiquement à l’identique sans ces analyses. Dans ce cas, les données améliorent l’activité.
Dans un modèle fondé sur les données, en revanche, l’information est indispensable pour créer ou délivrer la proposition de valeur. Un service de maintenance prédictive a besoin d’enregistrements sur le fonctionnement d’une machine pour anticiper les pannes. Un rapport sectoriel sur abonnement dépend de la collecte, de l’épuration et de l’interprétation d’informations. Un système de recommandation perd sa principale utilité s’il ne peut pas mettre en relation des préférences avec des options disponibles.
La frontière n’est pas toujours nette. Une entreprise peut commencer par utiliser des données pour gagner en efficacité et finir par développer un service d’information indépendant. C’est pourquoi il convient d’évaluer le rôle économique que jouent les données, et non l’étiquette sous laquelle se présente l’organisation.
Comment les données se transforment en valeur
Les données isolées constituent rarement un produit fini. Pour acquérir de l’utilité, elles ont besoin de contexte, de qualité, de traitement et d’une application concrète. Ce parcours peut se résumer en quatre étapes liées :
- Obtention. Les données peuvent provenir d’opérations internes, de capteurs, de transactions, de contributions d’utilisateurs, de sources publiques ou d’accords avec des tiers.
- Traitement. Elles sont nettoyées, organisées, combinées ou analysées. Ici importent tant la capacité technique que la connaissance du problème.
- Création de valeur. Le résultat permet de prendre une meilleure décision, de réduire une incertitude, de personnaliser un service, de coordonner plusieurs parties ou de produire une information utile.
- Captation de valeur. L’organisation obtient des revenus ou un avantage économique par le biais de paiements, d’abonnements, de licences, de commissions, de publicité ou d’autres formules.
Créer de la valeur et la capter sont deux choses distinctes. Une application gratuite peut être utile à l’utilisateur et se financer en se faisant payer par des annonceurs. Une place de marché numérique peut encaisser une commission parce qu’elle facilite une rencontre bénéfique aux acheteurs comme aux vendeurs. Un fabricant peut ne pas vendre d’informations, mais réduire ses coûts en anticipant la maintenance de ses équipements.
Cette distinction révèle également de possibles conflits. La partie qui fournit l’information, celle qui reçoit le service et celle qui paie peuvent être des personnes différentes. La conception du modèle économique doit expliquer ce que chaque partie reçoit et quelles sont ses incitations.
Quatre voies pour organiser ces modèles
Il n’existe pas de taxonomie unique englobant tous les cas. Le panorama suivant sert à reconnaître des mécanismes fréquents, et une même entreprise peut en combiner plusieurs.
Les données comme intrant essentiel
L’organisation utilise des données pour produire un résultat qu’elle ne pourrait pas offrir de manière comparable sans elles. La maintenance prédictive en est une bonne illustration : les mesures se transforment en alertes qui aident à éviter les interruptions. Le client paie pour la décision mieux informée, non pour une copie des enregistrements.
L’analyse transformée en produit
Ici, le résultat du traitement est directement proposé : un rapport, une prévision, un indicateur ou un outil de consultation. Les revenus peuvent provenir d’abonnements, de licences ou de paiements à l’usage. La valeur dépend de la fiabilité, de l’opportunité temporelle et de l’interprétation, non pas uniquement du volume d’informations accumulées.
L’intermédiation entre participants
Certains modèles mettent en relation ceux qui génèrent certaines données, en ont besoin ou peuvent les exploiter. L’entreprise peut faciliter l’accès, harmoniser les formats, vérifier la qualité ou réduire les coûts de recherche d’une contrepartie. Elle peut se faire payer une commission ou un tarif pour le service de coordination.
L’intermédiation n’implique pas que toute l’information doive rester ouverte. Il existe différents degrés d’accès et différentes conditions contractuelles. Dans bien des cas, l’interopérabilité numérique peut faciliter l’échange sans supprimer les contrôles nécessaires.
Personnalisation et décisions automatisées
Les données permettent de hiérarchiser des options, de recommander des contenus, d’ajuster des prix ou d’adapter une expérience. Le revenu peut provenir de l’utilisateur, d’un tiers ou d’un marché réunissant plusieurs groupes de participants. Plus l’effet de ces décisions sur les personnes est marqué, plus il devient important d’examiner la qualité des données et la possibilité de corriger les erreurs.
Idée clé : Monétiser des données n’équivaut pas à les vendre. Bien souvent, ce pour quoi l’on se fait payer est une analyse, une décision, une coordination ou un service personnalisé.
Qui apporte, qui décide et qui assume le risque
Pour comprendre un modèle concret, il convient de regarder au-delà du produit visible. Au moins quatre rôles peuvent être répartis entre des acteurs distincts :
- qui génère ou fournit les données ;
- qui les recueille et contrôle leur accès ;
- qui les traite et en tire une conclusion ;
- qui reçoit le bénéfice ou paie pour l’obtenir.
Ce schéma aide à déceler des échanges qui, autrement, passeraient inaperçus. Un utilisateur peut recevoir un outil sans débourser d’argent, mais apporter de l’information et de l’attention. Une entreprise peut acheter une analyse sans avoir accès aux données d’origine. Un intermédiaire peut contrôler les règles d’accès même s’il n’a pas créé l’information.
Il évite également de parler de « propriété des données » comme s’il s’agissait d’une prérogative universelle et simple. Accéder aux données, les copier, les transférer, les concéder sous licence, les corriger ou en exclure des tiers sont des prérogatives distinctes. Leur portée dépend du type d’information, des contrats et du cadre juridique applicable. En particulier, le traitement des métadonnées peut révéler des schémas sensibles même lorsqu’il n’inclut pas le contenu d’une communication.
Bénéfices possibles et limites réelles
Lorsqu’ils sont bien conçus, ces modèles peuvent réduire l’incertitude, faire émerger des besoins, coordonner des ressources et créer des produits autrefois irréalisables. La réutilisation des données permet également à une même base d’informations de servir à différentes applications sans s’épuiser par l’usage.
Cependant, davantage de données ne garantit pas de meilleurs résultats. Des enregistrements incomplets, des biais de sélection, des mesures déficientes ou des analyses hors contexte peuvent engendrer de plus mauvaises décisions sous une apparence de précision. Accumuler de l’information sans finalité claire accroît également les coûts de garde et les conséquences d’une fuite.
La distinction entre données personnelles, agrégées et anonymes est particulièrement importante. Agréger de l’information peut réduire les risques, mais ne la rend pas anonyme de manière automatique : il peut encore être possible d’identifier une personne en croisant des jeux de données. Cela oblige à penser la sécurité, la finalité et la conservation des données personnelles dès la conception du modèle.
Dans l’Union européenne, le Règlement général sur la protection des données exige une base juridique pour traiter des données à caractère personnel, en plus de principes tels que la finalité, la minimisation, la sécurité et la responsabilité. Le consentement n’est que l’une des bases possibles. Lorsqu’il est utilisé, il doit être libre, spécifique, éclairé et univoque ; cocher une case incompréhensible ne résout pas à lui seul le problème du choix.
Il existe également un enjeu concurrentiel. Sur certains marchés de plateformes, un nombre accru de participants génère davantage de données ; ces données améliorent le service, et cette amélioration attire de nouveaux participants. Ce cycle peut bénéficier aux utilisateurs, mais aussi élever des barrières à l’entrée si l’information pertinente n’est pas reproductible ou si changer de fournisseur s’avère coûteux. La concentration ne prouve pas en soi un comportement abusif, mais elle justifie de se demander s’il existe des alternatives et des conditions réelles d’entrée.
Avertissement : Le consentement formel ne remplace pas la compréhension, et l’agrégation ne garantit pas à elle seule l’anonymat.
Comment évaluer un modèle fondé sur les données
Avant de qualifier un projet d’innovant ou de l’écarter comme extractif, il convient de poser des questions concrètes :
- Centralité : les données soutiennent-elles la proposition de valeur ou améliorent-elles seulement une opération secondaire ?
- Provenance : comment sont-elles obtenues et quelles attentes raisonnables ont ceux qui les fournissent ?
- Transformation : quelles connaissances, quel contexte ou quelle capacité transforment ces données en une solution utile ?
- Échange : que reçoit chaque participant et qui paie ?
- Contrôle : qui peut accéder aux données, les corriger, les transférer, les conserver ou en exclure des tiers ?
- Risque : qui assume les coûts des erreurs, des biais, des fuites ou des usages inattendus ?
- Concurrence : d’autres acteurs peuvent-ils proposer des alternatives ou le circuit de données ferme-t-il le marché ?
Ces questions ne présupposent pas que toute monétisation soit illégitime, ni qu’il n’existe qu’une seule réponse réglementaire. Les échanges volontaires et l’innovation peuvent engendrer des bénéfices importants. Mais un choix n’a de sens que lorsque les conditions sont compréhensibles, qu’il existe un contrôle effectif et que des alternatives raisonnables sont disponibles.
La donnée ne remplace pas le jugement
Un modèle fondé sur les données crée de la valeur lorsqu’il transforme une information pertinente en une décision, un produit ou une coordination que quelqu’un juge utile. Sa viabilité ne dépend pas de l’accumulation du plus grand volume possible, mais de l’alignement des incitations : expliquer ce qui est obtenu, offrir de la valeur aux participants, les protéger contre des risques prévisibles et préserver un espace pour la concurrence.
Le test décisif n’est pas la quantité de données que possède une organisation, mais ce qu’elle en fait, pour qui et selon quelles règles. Cette perspective permet de distinguer une amélioration opérationnelle d’un véritable modèle fondé sur les données et, dans le même temps, de dissocier l’innovation féconde de la simple extraction d’informations.
Sources et lectures recommandées
- Hartmann et al., A Taxonomy of Data-driven Business Models used by Start-up Firms, University of Cambridge.
- OCDE, Turning data into business.
- OCDE, Enhancing Access to and Sharing of Data.
- Union européenne, Règlement général sur la protection des données.
- Comité européen de la protection des données, Lignes directrices 05/2020 sur le consentement.
Partager