Nous remercions la Banque Nationale pour sa commandite qui nous permet d'offrir gratuitement le simulateur de Marketing numérique de HEC MONTRÉAL à nos étudiants du BAA !

Rechercher
Rechercher
Rechercher
Fermer ce champ de recherche.
S'abonner à l'infolettre

Infolettre

Organiser une entreprise pour que le Web Analytique redevienne un avantage compétitif!

Le Web analytique est utilisé depuis de nombreuses années. La collecte de données et les actions prise en fonction de leur analyse a longtemps été considéré comme un avantage compétitif pour une entreprise. Cependant, aujourd’hui l’accessibilité aux données et aux technologies de stockage a rendu le web analytique largement disponible et utilisée par toutes les entreprises. Le web analytique est alors devenu essentielle, non pas pour bâtir un avantage compétitif mais dans le but de ne pas se faire éclipser par ses compétiteurs. L’installation du web analytique est donc aujourd’hui devenue une commodité. Cependant il y a toujours façon de mieux l’utiliser que ses compétiteurs. De cette affirmation la question à se poser est: Comment organiser une entreprise pour que le Web Analytique redevienne un avantage compétitif.

Importance des TI dans le Web Analytique

L’installation du Web analytique au sein de l’entreprise étant devenu une commodité, le support des TI est plus que jamais nécessaire pour récolter et interpréter les données.

L’évolution rapide des technologies a permis de stocker et analyser un nombre immense de données, à très bas coût . Le développement de technologies analytiques descriptive et prédictives, ainsi que des algorithmes d’apprentissage automatique rendent l’apprentissages par les données beaucoup plus puissantes que les information client produites par les entreprises dans le passé. L’évolution vers ces technologies est cruciale afin de rester compétitif.

L’apprentissage par les données et Réseaux

Ces technologies permettent donc de ressortir des insights des données récoltées. Cependant toutes les données ne sont pas égales. La qualité des données et de leur source joue un rôle critique dans leur apport de valeur.

Data networks vs Regular networks

Les » data networks » tels que Google Maps et Spotify utilisent l’apprentissage par les données pour récolter un grand nombre de données qui leurs permettent de proposer un meilleur service, ce qui attire plus de client et donc plus de données, et ainsi de suite.

Une compréhension globale fallacieuse que l’apprentissage par les données mène nécessairement aux « data network effects », soit le cercle vertueux ci haut, fait en sorte que beaucoup d’entreprise choisissent ce modèle alors que leurs effets sont souvent moins durables et défendables que ceux des « regular network ». Il y a plusieurs raisons pour ceci. Alors que les « regular network » nécessite l’acquisition de clients, l’achat de données permet aux « data network » d’apporter de la valeur plus rapidement. L’achat de donnée est plus facile mais également très imitable alors que l’acquisition de client ne l’est pas. Avec les nouveaux algorithmes d’apprentissage automatique, pour les « data network » un nombre relativement bas de données suffit afin de ressortir des informations intéressante cependant, l’acquisition de clients apporte marginalement moins de valeur, s’épuisant ainsi rapidement de valeur ajoutée. Bien que l’acquisition d’un grand nombre de client soit nécessaire pour les « regular network », ceux-ci sont plus résilient car chaque client supplémentaire apporte encore plus de valeur aux autres clients, ceci peu importe le nombre de client.

En raison de cela, produire un avantage durable avec les « data network » requiers une attention et un investissement constant pour récolter, trier, sécuriser et interpréter les données afin de rester compétitif. Alors que les effets des « regular network » continuent d’apporter de la valeur même si la compagnie cesse d’innover. (Hagiu & Wright, 2020) (Hagiu & Wright, 2020)

Utiliser les apprentissages par les données est donc essentiel dans le monde d’aujourd’hui. Cependant afin de bâtir un avantage compétitif et de surpasser la compétition à long terme, les compagnies devraient bâtir leurs réseaux sur le modèle du « regular network » dont les effets seront amplifiés par l’apprentissage par les données.

Développement des capacités internes

Beaucoup d’entreprise, surtout les PME d’aujourd’hui, externalisent les activités de web analytique ou confie cette tâche à un stagiaire avec peu d’expérience. Ceci était le cas surtout en raison des coûts élevés du web analytique, ainsi que du manque de compétence. Cependant, comme nous en avons discuté, les coûts des technologies et du web analytique ont baissés, ce qui la rend atteignable. De plus, l’importance croissante du web analytique pour la compétitivité remet en question les structures actuelles. En effet externaliser le web analytique ne permettra plus d’atteindre un avantage compétitif. Ainsi il est maintenant nécessaire pour les PME de développer ces compétences à l’interne. Tout comme les RH, les finances et maintenant les technologies de l’information, le marketing numérique est plus que jamais une compétence essentielle à développer et faire croitre au sein de ton organisation afin de créer un avantage compétitif durable.

Conclusion

Comment organiser une entreprise pour que le Web Analytique devienne un avantage compétitif?  La réponse à cette question nous vient en 3 parties. Avec la prédominance des technologies et de leur développement récent et futur, l’utilisation de ceux-ci est maintenant indispensable. Récolter les données et les analyser est une partie clé de l’avantage concurrentiel, mais pour bâtir un avantage concurrentiel durable, les entreprises devrait bâtir un « regular network », supplémenté par un apprentissage par les données permettra de produire de la valeur durable et persistante.  Finalement, l’importance grandissante du web analytique pousse les entreprises à développer des compétences de marketing numérique à l’interne plutôt que de les externaliser. Ces compétences grandiront avec l’entreprise et permettront de bâtir et conserver un avantage compétitif durable, basé sur le Web Analytique, face à ses compétiteurs.

Écoutez cet article!

Notes

L’apprentissages par les données= Data Enabled Learning

Algorithmes d’apprentissage automatique= Machine Learning Algorithm

Bibliographie

When data creates competitive advantage. And when it doesn’t. (Hagiu & Wright, 2020) https://hbr.org/2020/01/when-data-creates-competitive-advantage

Data analytics makes the transition from novelty to commodity (Ransbotham, 2014) https://sloanreview.mit.edu/article/data-analytics-makes-the-transition-from-novelty-to-commodity/

Les impacts de la loi 25 sur vos stratégies  et opérations marketing (Devoy, 2022) https://www.adviso.ca/blog/affaires/impacts-loi-25-sur-strategies-et-operations-marketing/

Why are data network effects less valuable  than regular network effects? (Hagiu & Wright, 2020)

https://platformchronicles.substack.com/p/why-data-network-effects-are-less

The age of analytics: Competing in a data-driven world. McKinsey Global institute (Henke et al. 2016)

https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-age-of-analytics-competing-in-a-data-driven-world

Comment faire de vos données un vrai avantage compétitif? (Menard et Garcin, 2019)

https://www.revuegestion.ca/comment-faire-de-vos-donnees-un-vrai-avantage-competitif

Picture of TrudelDuchesneNicolas

TrudelDuchesneNicolas

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Découvrir d'autres articles

small_c_popup.png

Avez-vous finis votre lecture de l'article?

Vous pourriez tester vos connaissances numérique

25 questions pour déterminer si vos lectures sur le blogue ont fait de vous un expert du numérique