Les objets connectés : au-delà de l’usage consommateur, un levier de quantification et d’amélioration continue de l’expérience client10 mars 2015

Medias et experts partagent le même point de vue : les objets connectés vont se démultiplier et entrer dans le quotidien de chaque consommateur. Gartner positionne l’Internet des Objets au sommet de son Hype Cycle [1] et prévoit 25 milliards d’objets connectés[2] en 2020 : demain, tout sera connecté.

Au-delà de l’usage consommateur, les objets connectés offrent de nouvelles opportunités pour les entreprises. Utilisés en interne dans la chaîne de production, les objets connectés peuvent aider les entreprises à réduire leurs coûts de production, notamment grâce à une meilleure gestion des inventaires et des flux de produits ou à une maintenance prédictive sur les appareils et machines de la chaine. Les objets connectés aident également les entreprises à établir un canal de communication direct avec leurs clients. C’est ce canal de communication qui se forme entre l’entreprise et son client qui va nous intéresser aujourd’hui. Ce dernier peut en effet constituer un levier d’amélioration continue de l’objet, par une meilleure compréhension de l’expérience utilisateur. Comment, en connectant les objets qu’elle commercialise, une entreprise peut-elle quantifier l’expérience client pour intégrer cette compréhension dans un processus d’amélioration continue ?

Aujourd’hui, les objets connectés offrent aux entreprises la possibilité d’un retour quantifié sur l’expérience liée à l’utilisation de leurs produits. Pour tirer bénéfice de ces données, il convient de savoir les récolter, les traiter, les interpréter avant de construire des processus agiles utilisant ces interprétations pour une amélioration continue de l’expérience client. Pour illustrer ce processus, nous prendrons les exemples d’Oral-B avec sa brosse à dents connectée SmartSeries[3] et de Tesla avec ses voitures connectées Model S et Model X[4].

Récolter et stocker les données d’usage des objets connectés : quels choix structurant ?

Deux choix structurent la récolte des données d’usages des objets connectés : le choix du canal de communication et la définition du cycle de vie de la donnée.

Différents canaux de communication permettent de connecter un objet à internet : une entreprise peut choisir de relier son objet directement au réseau cellulaire (en haut-débit avec du 3G ou 4G, ou en bas-débit avec du Sigfox ou du LoRa), ou de passer par un hub faisant office de relais (le smartphone pour l’individu connecté, la box internet pour la maison connectée,…). Le choix du canal de communication ne conditionne pas seulement les coûts de communication, mais également le design de l’objet, la quantité d’information pouvant être remontée, la propriété des données…

Lorsque les données sont récoltées, l’entreprise doit les stocker, qu’elles soient structurées ou non(i). Les choix réalisés lors de cette phase conditionnent la majorité des coûts de ce processus : déterminer en amont le cycle de vie de la donnée permet d’optimiser leur utilisation sans générer un surcoût de stockage pour des données inutilisées. Ce cycle de vie de la donnée consiste à choisir les types de données que l’on souhaite récolter, et à définir pour chacun un chemin de vie : stockage dans une base structurée ou non structurée, durée de vie du stockage, algorithmes de destination,… Oral-B pourrait par exemple catégoriser et segmenter les données récoltées de la manière suivante : données profil utilisateur, données durée de brossage, données qualité de brossage…

Traiter les données : du profil client à l’usage client

Une fois récoltées, les données d’usage-produit peuvent être combinées et traitées par des algorithmes afin de trouver des corrélations : des similitudes ou des divergences dans l’utilisation de l’objet connecté par les différents clients. L’intérêt de ces algorithmes est de partir d’un jeu important de données (des Big Data), pour en sortir une donnée intelligible (aux Smart Data).

Avec les données d’usage des objets connectés, les algorithmes de Clustering(ii) peuvent par exemple permettre de définir des profils clients-utilisateurs, regroupant les clients non plus selon leurs caractéristiques, mais selon les modalités d’usage qu’ils appliquent à l’objet. Oral-B pourrait de cette manière, segmenter ses clients non pas selon leur âge ou leur sexe, mais selon le temps de brossage de dents. Similairement, avec les données de conduite de ses voitures connectées (Model S, Model X), Tesla pourrait segmenter ses clients selon leur type de conduite.

Interpréter les données : vers une culture d’entreprise Data-Driven(iii).

Lorsque les données intelligibles arrivent sur le bureau du management de l’entreprise, elles ne sont souvent pas utilisées à la hauteur de leur potentiel. Les entreprises qui quantifient les usages de leurs produits doivent apprendre à prendre des décisions basées sur la donnée. Une des solutions consiste à casser la rupture entre le Data-Scientist et le Business Manager, entre les données et les décisions stratégiques. Adopter une culture Data-Driven permet de tirer pleinement profit des données d’utilisation pour améliorer l’expérience client. L’acquisition de cette culture passe notamment par la formation des Data-Scientists aux enjeux business et leur implication dans les décisions stratégiques, et la formation des Managers à lire, comprendre et interpréter des rapports quantitatifs et des jeux de données.

Construire des processus agiles : vers l’autoapprentissage du produit connecté

Lorsque les décisions d’amélioration de l’expérience client sont prises, l’entreprise doit se lancer dans un processus agile d’amélioration de cette expérience. Grâce aux objets connectés, elle peut tester des idées via des modifications logicielles sur les applications de clients tests sans trop de difficulté, afin d’obtenir des premiers retours. Par exemple, Oral-B peut tester l’introduction de ludification (gamification)(iv) dans son application, puis en évaluer les impacts en relevant les données de temps et de fréquence de brossage en temps réel.

Grâce aux objets connectés, l’amélioration agile de l’expérience client peut être poussée à son extrême vers l’autoapprentissage. En introduisant tous les éléments de hardware dans l’objet lors de sa première commercialisation, l’entreprise peut améliorer l’expérience client par une simple mise à jour software. L’amélioration de l’expérience client peut alors se faire instantanément sur un produit existant. Le 12 Octobre dernier, le Model S de Tesla est, par exemple, devenu autonome par une simple mise à jour (la mise à jour 7.0), qui a déployé le pack Autopilot. Les mises à jour logicielles dotent ainsi les objets connectés d’une capacité d’amélioration continue et d’autoapprentissage.

Morand Studer

 (i) Données structurées, non structurées : les données structurées sont des informations organisées et classées en vue de faciliter leur lecture et leur traitement. A l’inverse, les données non structurées sont une désignation générique qui décrit toute donnée extérieure à un type de structure.

(ii) Clustering : méthodes statistiques visant à diviser un ensemble de données en différents « groupes » homogènes, partageant des caractéristiques communes

(iii) Culture d’entreprise Data-Driven : lorsque les décisions dans une entreprise sont basées sur des données plus que sur des intuitions

(iv) Lufication (gamification) : introduction de mécanismes du jeu dans d’autres domaines en pour augmenter l’acceptabilité et l’usage

Sources :

[1] Gartner, Press release, Gartner’s 2015 Hype Cycle for Emerging Technologies, 18/09/2015, gartner.com/newsroom/id/3114217

[2] Gartner, Press release, Gartner Says 4.9 Billion Connected « Things » Will Be in Use in 2015, 11/11/2014, gartner.com/newsroom/id/2905717

[3] Aruco, Test, La brosse à dents connectée Oral B, 10/03/2015, aruco.com/03/oralb-smartseries

[4] Aruco, La Tesla Model S devient progressivement une voiture autonome, grâce à la MAJ 7.0, 12/10/2015, aruco.com/2015/10/tesla-models-autopilot-firmware7-0