Introduction

Suivre le blog Intelligences Économiques, c’est découvrir pourquoi et comment le traitement de la Data transforme notre manière de penser et d’agir (dans l’Entreprise et en dehors).

Vous trouverez sur ce blog des interviews d’experts en data science, de professionnels du renseignement, de l’Intelligence économique, de l’Intelligence Artificielle, etc.

Intelligences éco

Publicités

Intelligence Artificielle : derrière les mots

L’enjeu de cet article est simple : plonger dans la réalité de l’IA. Non pas être dans la prospective voire dans le mythe mais, véritablement comprendre qui sont les acteurs privés de l’IA aujourd’hui en France et que font-ils.

Grâce à mon travail actuel (chasseur de tête spécialisé dans le digital), j’ai pu échanger avec une soixantaine d’experts seniors en IA/Big Data du secteur privé (software, startup, grand groupe). En toute humilité, je tente d’extraire la sève essentielle de ces différents échanges pour répondre à 3 questions autant pragmatiques que fondamentales :

  • Qui sont les des acteurs de l’IA en France ?
  • Quelles typologies de projets en IA sont délivrés aujourd’hui ?
  • Comment s’organisent les équipes dans les départements IA ?

 I. Les acteurs de l’IA

Il s’agit, non pas d’identifier les acteurs français, mais tous les acteurs privés qui sont impliqués dans le développement de l’IA en France.

​En préambule, il ressort que le marché de l’IA peut se décomposer en 5 thématiques distinctes :

  •  Le traitement du langage (chatbot…)
  • Le traitement de l’Image (médicale, surveillance)
  • L’analyse Data (Data Science et machine learning)
  • Le raisonnement automatique (Systèmes experts et programmation opérationnelle)
  • La robotique

Les acteurs de l’IA sont soit spécialisés sur une de ces thématiques soit peuvent en englober plusieurs. Il n’est donc pas possible de réaliser une cartographie du marché de l’IA en France à partir de ces spécificités techniques. J’ai donc choisi de partager le marché en 4 typologies d’acteurs : le conseil, les sociétés technologiques & les plateformes, le client final et les startups.  

     1. Le conseil

Il s’agit des cabinets de conseil ayant intégré des équipes Data Science et de Data Ingénierie (Sia Partners, Accenture, Capgemini, BCG Gamma, etc.) et les cabinets de conseil IT ayant intégré une Practice Big Data / AI (comme Xebia, Octo, CGI, Sopra, etc.)

Les structures conseils matures étant celles qui ont réussi à intégrer des profils spécialisés en ingénierie (comme les Data Architects ou les Data Engineers). Il n’est pas possible de délivrer des projets solides en Big Data en intégrant uniquement des Data Scientists.

Les practices IA sont peu nombreuses et ont globalement moins d’un an d’existence (c’est le cas chez Accenture). Les équipes sont encore en construction.

Bref pour résumer, beaucoup de prise de paroles et peu de « doers ».

  1. Le Software et les sociétés technologiques

Nous pouvons citer IBM, Google, Microsoft, Invidia, Intel, Facebook, Amazon, Dell, Atos, Apple parmi les plus matures (citons également Criteo pour intégrer un acteur français). Google étant l’acteur le plus avancé, en pleine accélération sur le marché français…

Certaines de ses structures peuvent s’appuyer sur leurs réseaux de Laboratoires privés présents en Europe :

  • Berlin pour Amazon
  • Paris et Cambridge pour Microsoft
  • Dublin, Zurich pour IBM
  • Paris pour Facebook
  • Paris et Zurich pour Google (dont Deepmind)
  1. Le client final

Parmi les secteurs les plus matures en IA sont cités : la finance, l’automobile, l’industrie et la santé.

Globalement la France est très en retard par rapport à l’Asie (citons la holding Softbank au Japon, Alibaba, DJI et Tencent en Chine) ou les Etats Unis.

Ces douze derniers mois beaucoup de « Direction IA » sont apparues dans les organisations des grands groupes. Il est néanmoins nécessaire de faire le tri entre les articles de communication et la réalité du delivery. Les groupes qui communiquent le plus ne sont pas ceux qui délivrent le plus de projets en IA…

  1. Les startups et plateformes

La majorité des startups en IA comptent 10/20 personnes. Quelques noms se détachent : Snips, Tinyclues, Cardiologs, etc.

Voici une cartographie assez complète :

 000031731_illustration_large

 II. Les projets mis en œuvre au sein des grands groupes

Pour évaluer la maturité du marché français, j’ai décidé de concentrer mes recherches sur les grands groupes.

La révolution Big Data au sein des grandes entreprises a souvent germé dans les « Labs ». Nous notons désormais, pour les acteurs souhaitant passer dans une phase d’industrialisation, une réintégration des expertises Data au sein des Directions Métiers (logique « Factory »).

Voici, classés par secteur, des exemples de problématique ayant nécessité le déploiement de technologies IA en France (Machine / deep learning) :

  • Manufacturing: maintenance prédictive, optimisation production et risk, analyse des ventes, smart grids, IoT, inspection visuelle, etc.
  • Aérien: maintenance prédictive, modèle de prévision / scheduling à destination du personnel naviguant ou de l’exploitation au sol, le revenue management, gestion des opérations aériennes (programmes de vol), systèmes embarqués.
  • Finance: analyse automatique des contrats, techniques de reconnaissance vocale, chatbot, prévision du taux de churn, connaissance client / analyse comportementale, lutte contre la fraude / blanchiment d’argent, scoring de news, data quality management, prévision évènements clients (mariage, décès…), etc.
  • Energie: maintenance prédictive, asset management & opérations, analyse du comportement client, structuration sourcing énergie (optimisation des moyens de production et de stockage, prédiction de consommation), relation client, etc.
  • Santé: analyse des dossiers médicaux et l’aide au diagnostic (cf. Google Deepmind Health Project), plans de traitement à l’image (cf. IBM Watson), outils de prévention automatisés (aussi bien pour la direction de l’hôpital que pour les patients).
  • Retail : gestion espace vide, système d’analyse du comportement client, géolocalisation, chatbot, classification automatique de fiche produits, etc.
  • Automotive : monétisation / développement de nouveaux services à partir de la donnée des véhicules connectés, prédiction des pannes, etc.

Les grands groupes font encore face à des enjeux de taille liés à l’infrastructure IT, la fiabilité et la disponibilité des réseaux, la sécurisation / centralisation des données, l’acculturation aux méthodologies agiles et évolutives, l’utilisation du Cloud (et de l’Open Source), le jeu d’influence entre DSI et BU Métier, etc. … La phase d’industrialisation n’est concrètement pas pour demain.

 III. Organisation type d’un département en IA

En comparant plusieurs organisations à l’étranger et en France, je suis parvenu à dégager une « organisation type ». A terme, les départements IA seront globalement organisés de cette manière.

Pour couvrir la chaîne IA de A à Z, trois typologies d’équipes doivent généralement être intégrées dans un département IA :

  • Une équipe « Recherche »

Expert NLP, Social / Behavioural Sciences Experts, etc. pour la plupart des doctorants.

  • Une Equipe « Delivery » (ou implémentation)

Pouvant être subdivisée en 3 catégories : POC/prototypage, implémentation, et optimisation continue.

Composée de Data Engineers, Data Architects, développeurs, software engineers, etc.

  • Une équipe « Métier »

Business analysts, « Program Manager », Data Scientists, UX designers, Change makers, Data Managers (compliance), etc.

Pour ce qui est de la tête des départements, il n’y a pour le moment pas de profils types qui ont été intégrés.

esprit_d_equipeLes profils maîtrisant de « A à Z » la chaîne IA (de la Recherche au Delivery) sont très rares et très chers (car souvent américains ou chinois). Pour pallier à cette pénurie, certains grands groupes intègrent à la tête de leur département IA deux têtes dirigeantes : un profil « technique » (doctorant) et un profil « métier » (avec une très bonne compréhension des enjeux business).

Ces 6/8 derniers mois, les titres de « Directeur de l’IA » ont fleuri sur les réseaux professionnels, il faut donc être vigilant. « Il y a de tout » comme chez les data scientists.

Aujourd’hui les marchés américains et chinois sont complètement saturés, cette guerre des talents entraîne une envolée des salaires. Le salaire d’un Chief IA dans la Silicon Valley peut ainsi dépasser le million de dollars.  En Europe, il est encore possible de trouver de très bons profils autour de 150/250 k€. Si cela peut vous rassurer… !

Autre impact à moyen terme de cette guerre des talents : les professeurs deviennent une ressource rare (car de plus en plus chassés par le secteur privé).

Autre information importante, je pense que les directions IA ne seront plus rattachées à la DSI mais à des directions Métier globales /mondiales (à l’exception de l’aérien). De telles initiatives sont déjà visibles en France. La guerre d’influence entre DSI et Métier sera à son paroxysme dans les prochains mois.

Conclusion

En conclusion, la France attire les investissements et les talents y sont nombreux. Des initiatives prometteuses sont lancées par les plateformes et les startups. Néanmoins, la marche reste longue avant que les grands groupes français soient capables de délivrer des projets en IA.

La maturité des acteurs sur le Machine learning est globalement satisfaisante mais, sur des projets plus spécifiques (intégrant par exemple le deep learning), nous sommes encore dans des phases de POC, parfois de delivery, rarement d’industrialisation.

Au-delà de la maitrise des technologies, l’enjeu principal aujourd’hui est celui du change management.

 

Le marketing d’anticipation : la veille et la Data au service de la croissance

Comment anticiper les mutations de son marché ? Les « bricks and mortar »* sont-ils les seuls à craindre une « uberisation » ? J’ai tenté de répondre à ces questions en prenant un exemple concret. Nous allons voir que même les Pure Players (ici une banque en ligne) créent de nouveaux pôles chargés d’analyser et comprendre les mutations de leur marché.

Le « Marketing anticipation » répond à ce besoin vital. En véritable « organisateur du futur », il nourrit les métiers grâce à ses analyses prospectives (datamining, datascience, veille, études, etc.) et, aide ces derniers à créer des outils et services à forte valeur 1b81ff7ajoutée.

Samuel Fischer-Ledru, actuellement Directeur Marketing anticipation au sein de la banque Boursorama, répond à mes questions.

 

Pouvez-vous nous expliciter la genèse de la création de la « Direction Marketing Anticipation » chez Boursorama ? Quel est son rôle ?

Boursorama est aujourd’hui le leader français de la banque en ligne et aussi de l’information financière avec son site Boursorama.com. L’entreprise fait aujourd’hui face à des enjeux forts de conquête de parts de marché sur la banque et d’identification de leviers pour valoriser sa base client, la plus large du marché français de la banque en ligne. 

Dans un contexte de concurrence exacerbée marquée par la digitalisation rapides des réseaux traditionnels, le développement de nombreuses fintechs / « neo banques» sur des segments de marché spécifiques et l’arrivée de nouveaux acteurs des télécoms et de la distribution, Boursorama se doit de conserver son avance et continuer d’innover en apportant de la valeur à ses clients. La tentation est alors grande de lancer des initiatives tout azimut et dans l’urgence pour répondre à la concurrence.
La direction marketing anticipation est notamment née de ce besoin d’identifier de nouvelles initiatives le plus en amont possible et de les cadrer pour déterminer les plus pertinentes, en conservant les fondements de la marque et les lignes directrices de son modèle économique. L’anticipation et la structuration de l’activité marketing permettent de soutenir une croissance plus sereine de l’entreprise.

La direction marketing anticipation intervient ainsi sur quatre objectifs : la connaissance du marché et de son évolution, la connaissance des clients et prospects, l’identification, le cadrage et la priorisation de leviers marketing définis dans une stratégie marketing et l’exploitation de la data pour être plus pertinent dans la proposition de valeur et l’accompagnement des clients.

La banque en ligne a réinventé la Banque. Une banque en ligne peut-elle craindre à son tour de voir son modèle, ses offres disruptées ? Une « culture d’anticipation » n’est-elle pas inhérente à un Pure Player ?

15197478-20639929Les banques en ligne actuelles ont créé et continue de faire évoluer la relation de chacun à la banque et de manière plus globale à son argent en s’appuyant sur le digital : plus de simplicité, plus de transparence, plus d’autonomie client au coût le plus faible.

Je ne sais pas si on peut parler de disruption mais on peut s’attendre à de nombreuses évolutions du modèle à l’avenir qui pourront créer des avantages compétitifs importants. Ces évolutions viendront à mon sens d’une exploitation plus intelligente de la data pour notamment améliorer l’expérience client et proposer de nouveaux services aux clients. La capacité technologique des certains acteurs à monnayer la donnée (GAFA) ou la capacité de désintermédiation d’acteurs du retail / des paiements grâce aux évolutions réglementaires (DSP2) constituent à ce titre des points de vigilance pour une banque en ligne. De manière plus globale et peut-être à plus long terme, je pense que la blockchain peut constituer un réel élément de disruption.

Les banques en ligne n’ont bien sûr pas le monopole de ces innovations / évolutions majeures. Cependant la culture d’innovation d’un Boursorama est tellement ancrée dans son ADN que l’entreprise représente un creuset propice au développement de nouvelles initiatives. Cet état d’esprit est sans cesse nourri en cultivant l’ouverture sur notre environnement et en cherchant à garder l’agilité qui nous permet de tenter et d’aller vite dans l’exécution.

Quelle place tient et va tenir la Data dans votre BU, et plus largement au sein de Boursorama ?

Pour une banque, qui plus est en ligne, l’exploitation de la data pour mieux vendre, fidéliser, acquérir de nouveaux clients, améliorer l’efficacité opérationnelle, etc. est un actif clé. Il n’existe pas de recette miracle pour valoriser la data : pour en tirer parti il faut sans cesse être à l’écoute des évolutions technologiques, des initiatives du marché et favoriser les échanges avec les métiers pour identifier des cas d’usages (à quelles questions business la data pourrait-elle apporter des réponses?). L’équipe data marketing constituée aujourd’hui de plus de 10 data analysts et data scientists est la pièce angulaire de l’exploitation de la data chez Boursorama. Rattachée à la direction marketing anticipation, elle répond notamment aux besoins data (analyses, campagnes marketing, reporting,…) des équipes marketing, service client, opérations,… et  mène en parallèle les projets le développement de la connaissance client et les initiatives de marketing prédictif.

 

* »Entreprise du monde tangible, par opposition aux « Pure players » qui n’existent que sur Internet et aux « Click & Mortar » présentes simultanément dans l’espace réel et virtuel. »

Data & Intelligence Économique : s’adapter ou disparaître

AAEAAQAAAAAAAAgzAAAAJGYxNDc2ZWQ3LTNiNDEtNDJjNi1iNjdmLWU0NTJjNjk5ZTJiMQDans le prolongement de mon précédent article, j’ai recherché et interviewé une personne s’étant orientée, suite à une formation en Intelligence Economique, vers les métiers de la Data et de l’analytics.

Guillaume Delaby, Data & Analytics Senior Associate au sein du cabinet de conseil PwC, nous explique son parcours et, aborde les liens (pas si évidents) entre IE et Data.

Qu’est-ce qui vous a conduit à rejoindre le conseil et, plus spécifiquement, l’expertise Data, après une formation à l’EGE ?

Le conseil est un excellent moyen de découvrir en profondeur le fonctionnement de notre société – l’entreprise et, plus largement, l’économie en constituant l’un des rouages vitaux. L’intelligence économique est avant tout une discipline de la connaissance de ces rouages : des dynamiques de marché, de la concurrence, des évolutions technologiques mais, aussi, de leurs ressorts plus profonds que constituent les enjeux sociétaux, culturels, politiques ou idéologiques. Le conseil (au sens large) est un bon poste d’observation pour comprendre ces mécanismes. C’est aussi un très bon tremplin, dans un second temps, pour identifier les leviers d’action qui seront les plus favorables au progrès « matériel » de la société, en puisant dans les avantages concurrentiels qu’apportent les nouvelles technologies et, plus encore, une compréhension supérieure des attentes sociétales ou, pour le dire de façon plus synthétique bien que sans doute un peu réductrice, des besoins des clients (utilisateurs, consommateurs, etc.). Identifier ces leviers d’action est la première responsabilité de n’importe quel manager, quelle que soit sa place dans la hiérarchie de l’entreprise. C’est donc aussi celle du consultant.

L’intelligence économique trouve un certain nombre de leviers de développement dans le croisement, le recoupement et l’analyse des sources (c’est la base du « renseignement »). Parmi ces sources, il en est une, aujourd’hui, qui a une importance considérable et inévitable : c’est la data, big ou pas.

L’analyse intelligente de ces données, qu’elles soient internes à l’organisation ou enrichies par des sources externes, est un gisement d’opportunités stratégiques : c’est le B-A BA de ce qu’enseigne l’EGE mais, si j’ai rejoint la practice Data & Analytics d’un grand cabinet d’audit et de conseil, c’est aussi parce que j’ai senti le besoin de renforcer l’approche scientifique de ces données, sur laquelle l’EGE, par choix certainement, ne met pas vraiment l’accent, probablement du fait du profil de ses étudiants (majoritairement issus, comme moi, des sciences humaines plutôt que de l’ingénierie). Or, l’apprentissage statistique (machine learning), les outils de data visualisation et, plus généralement, toutes les technologies de collecte, de transformation et d’analyse de données sont aujourd’hui une voie royale de compréhension des dynamiques sociétales, concurrentielles ou politiques.     

Quelles expertises regroupe l’équipe « Data & Analytics » ? Pouvez-vous nous présenter vos principales missions ?

La practice Data & Analytics dans laquelle je travaille a pour vocation d’aider les organisations à mieux exploiter leurs données et à les analyser plus efficacement. L’objectif principal, naturellement, est de créer de la valeur pour assurer la croissance de ces organisations, en créant de nouveaux produits et services, eux-mêmes vendus ou distribués de façon innovante. Pour y parvenir, il faut du changement dans les modes de fonctionnement des organisations : apprendre à anticiper les évolutions (économiques, règlementaires, technologiques, culturelles, etc.), intégrer l’analyse de données dans les processus critiques et la prise de décision, tirer parti des technologies émergentes et utiliser les analyses opérationnelles, financières, etc., développer une culture de l’analyse de données. Ces transformations vont bien au-delà de la seule technique, des statistiques ou de la gestion des systèmes d’information : il faut aussi changer les habitudes, les manières de travailler. Gérer des risques sans cesse renouvelés (cyber-attaques, fraudes, vols, exploitations illégales de données personnelles, etc.). Concrètement, cela donne des missions aussi variées que la mise en place de modèles de maintenance prédictive auprès de compagnies aériennes, la création de compteurs électriques connectés ou bien encore l’élaboration de tableaux de bord de pilotage de l’activité pour des directions générales ou financières de grands groupes.

La qualité des données étant critique à leur bonne exploitation, il y a aussi beaucoup à faire pour aider les organisations à améliorer cette dernière.

Dans mon dernier article, j’insiste sur le fait que les étudiants ne sont pas assez formés aux nouveaux outils et enjeux de la Data. Êtes-vous en accord avec cette vision ? Quelles devraient être les premières mesures à prendre dans les formations en IE ?

L’analyse de données est de plus en plus accessible à des gens qui ne sont pas des data scientists, des statisticiens, des ingénieurs ou des experts comptables. Même s’il faut développer (ou apprendre à développer) une certaine appétence pour l’analyse quantitative ou statistique, le marché développe très rapidement des solutions accessibles à un nombre toujours grandissant d’utilisateurs.

Impossible aujourd’hui de comprendre une industrie, un marché et, je dirais même, la société elle-même, le monde dans lequel nous vivons, sans un minimum d’aisance avec l’analyse de données chiffrées. Comme tout savoir-faire, cela peut s’apprendre. Et, pour les professionnels de l’IE a fortiori, cela doit s’apprendre, sous peine d’être rapidement dépassé. Il existe aujourd’hui des langages de programmation (Python, R) et des outils de visualisation (Tableau, QlikView, Power BI, etc.) avec lesquels on peut se familiariser rapidement, moyennant un peu d’implication. Il existe surtout une masse d’information et de formations disponibles sur internet qui permettent d’apprendre en quelques mois les rudiments de l’analyse statistique, de la visualisation de données, etc., et même de développer des applications exploitant la donnée.

Pour les formations en IE, qui recrutent beaucoup d’étudiants en sciences humaines, cela peut constituer un défi (et un coût) d’intégrer des enseignements plus «techniques ». Mais un minimum d’initiation à la statistique, à l’analytics, à la data visualisation, à la business intelligence, etc. me paraît indispensable. S’y refuser reviendrait à mettre sur le marché du travail des diplômés insuffisamment armés par rapport aux véritables enjeux actuels de la guerre économique.