Big Data, le remède miracle?

S’il y a un domaine où le Big Data est particulièrement attendu c’est bien celui de la santé. En effet on parle ici de la capacité à exploiter des données en masse et de tous types, notamment pour des usages prédictifs et en temps réel. Quand on sait que 80% des données médicales sont absentes des bases de données classiques car non structurées (notes, radios, comptes-rendus cliniques etc…), mais qu’elles ont une pertinence scientifique majeure alors on imagine bien qu’il y a de la matière première pour le Big Data et que les utilisations potentielles sont nombreuses (source IBM).

Les exemples les plus fréquemment cités concernent la prévention, les traitements en eux même et enfin le coût global de la santé qui, en diminuant fortement,  augmenterait l’accès aux soins.

Une prévention (de masse et individuelle) accrue

google_flu_trends

L’utilisation d’algorithmes prédictifs sur de grandes quantités de données médicales (ou pseudo médicales) a déjà été illustrée à de nombreuses reprises, voici les 3 exemples que je trouve les plus marquants:

  • Google Flu Trends (littéralement Tendances Grippe): Google a développé un service qui analyse les mots clés tapés dans son moteur de recherche afin de déterminer quand et où les épidémies sont en train de se propager. L’outil a fait ses preuves en 2010 car il était beaucoup plus réactif que le dispositif classique alimenté par les remontées des médecins. On s’aperçoit cependant depuis 2011 que les épidémies sont souvent surestimées; cela reste toutefois un pur outil Big Data qui représente une véritable aide à la prévention contre la grippe (lien outil).
  • En donnant accès à leurs données personnelles en temps réel (via un téléphone ou un bracelet connecté qui mesure votre activité, sommeil, pouls etc…) certaines population à risque (diabétiques, asthmatiques etc…) peuvent être monitorées à distance et recevoir des conseils ou alertes si besoin (la startup mhealthcoach fait par exemple beaucoup parler d’elle grâce à son appli mobile)
  • Plus fou encore  (voire effayant): la recherche génomique a profité des avancées technologiques pour réduire par 10000 le temps et l’argent nécessaire pour modéliser le génome d’une personne. Nous rentrons donc dans une ère où demain il sera probablement possible, pour moins de 1000$, de voir son génome analysé avec la possibilité de détecter des schémas augmentant ses chances d’avoir une maladie X ou Y, ceci dans l’optique de les prévenir au maximum (type cancers – cf article sur Base Line Study de Google).

Des soins plus efficaces

dare13_frth_Thumbnail_2x

Au-delà de la prévention, une fois la pathologie détectée, le parcours médical lui-même (et les traitements qui le composent) peut être optimisé sur la base des connaissances data.

Connaïtre et comprendre les mécanismes en jeu lors de soins (telle molécule a tel effet etc…) est et restera essentiel, cependant le Big Data propose d’enrichir cela avec des constats « factuels » basés sur de grandes quantités d’observations: les personnes avec tel profil et telles constantes qui ont eu tel traitement ont eu tel résultat. Le Danemark s’est par exemple équipé de la solution IBM Big Data pour centraliser les données de soins et améliorer l’efficacité du système, ils présentent cela à la fois comme un outil d’analyse a posteriori mais aussi comme une aide en temps réel pour les professionnels de santé (cf communiqué de presse).

Cette utilisation-là du Big Data a toutefois un prérequis lourd: les données doivent être accessibles, partagées et centralisées sans quoi il n’y aura pas de vision complète d’un patient et les bénéfices potentiels resteront sans suite. Attention par « partagées et centralisées » je ne dis pas qu’elles doivent être nominatives (l’anonymat semble éthiquement incontournable). La situation actuelle, notamment en France, est complexe car il semblerait que la sécurité sociale possède à peu près toutes ces données mais ne les partage pas ou peu pour l’instant (même de manière anonyme) et ne laisse donc pour l’instant pas beaucoup de place à des idées extérieures pour analyser tout cela et innover. Ceci évoluera peut être avec l’arrivée d’Henri Verdier en tant que Chief Data Officer France (i.e. responsable de toutes les données de l’état – cf article).

 Des dépenses en baisse pour un accès plus large

healthcare_rising_costs

Cet axe-là apparait plutôt dans un second temps mais semble aussi le plus vertueux.

D’une part la centralisation et l’analyse de l’ensemble des données de santé devraient permettre une prévention et des soins plus efficaces, nous venons de le voir. Ceci aura un impact direct sur le coût de la santé, qui dit coût en baisse dit mécaniquement coût de l’assurance en baisse (notamment les mutuelles qui ne reversent pas de dividende) et donc accès facilité pour les populations à plus faible niveau de vie. Tout cela semble un peu utopiste et reste à prouver mais donne envie d’y croire.

D’autre part, et pour cela je me base sur la vision du très sérieux cabinet McKinsey, les payeurs (malades, assurances privés, sécurité sociale, employeurs) devraient avoir accès à de plus en plus d’informations pour objectivement juger de la valeur d’un soin, d’un établissement ou même d’un médicament. Les données pourraient par exemple montrer que les patients prenant le médicament X ont trop souvent recours à un second traitement, ou que les personnes atteintes de telle ou telle maladie très particulière allant se faire soigner dans un établissement généraliste mettent 4 fois plus de temps à guérir que si elles allaient dans un établissement spécialisé. Bref, cette vision de la valeur des soins incitera l’état, les assureurs et tous les employeurs qui assurent leurs salariés à orienter vers les soins les plus efficaces. On pourrait très bien imaginer demain une assurance refusant de rembourser un médicament qu’elle juge inefficace (bien sûr légalement ça ne serait pas si simple mais l’idée est là). Au-delà d’aider les professionnels à s’améliorer le Big Data permettra aussi aux payeurs d’agir de manière forte pour baisser le coût de la santé.

 

En conclusion il semblerait bien qu’une fois les barrières réglementaires levées (sur le partage et l’accès aux données) le Big Data pourrait réellement impacter en profondeur le domaine de la santé, d’ailleurs on peut voir que des solutions existent (nombreuses start up ainsi qu’IBM) et que certains ont déjà enclenché le virage (la recherche génomique, des états comme le Danemark cité plus haut ou le Canada). J’insiste aussi sur un point fort de la plupart des exemples trouvés sur le sujet: oui les données de santé devront s’ouvrir pour que tout cela arrive MAIS jamais il n’est question d’en supprimer le côté anonyme sans accord explicite de l’individu.

Quelques liens intéressants: l’infographie santé Orange, la vision IBM, l’étude très complète et passionnante de McKinseyarticle de l’Express, très bon article Des Echos sur la santé 3.0.

Big Data, la beauté par les chiffres

Dans la liste des exemples concrets d’application du Big Data quelques grands classiques ont déjà été abordés dans ce blog: lutte contre la criminalité, relation client, mobilité, RH… Il est donc naturellement prévu de parler des autres sujets phares tels que la lutte contre la fraude bancaire, les nouvelles assurances ou la santé.

Cependant, bien que la fraude bancaire et les assurances me passionnent (oui oui sans rire), j’ai décidé de faire une pause sur un sujet plus glamour mais tout aussi générateur de business: la cosmétique (parfumerie, toilette, capillaire, soins, maquillage etc.). Sujet intéressant mais challengeant car le secteur n’en est qu’aux balbutiements du Big Data, je vous invite à tester « Big Data beauté » sur Google, pour une fois Google n’a rien à dire…

Le secteur de la cosmétique a aujourd’hui 2 caractéristiques très intéressantes pour le Big Data:

  • les achats beauté ne sont pas de simples commodités: bien sûr le gel douche cheveux-visage-corps-toutelafamille-2litres est choisi pour son côté pratique mais le maquillage, les soins ou les parfums font clairement appellent à nos émotions (et nos relations passionnelles avec les marques), les comportements d’achat des produits de beauté ont une part d’irrationnel peu évidente à maîtriser
  • la tendance à la personnalisation n’est pas en avance sur ce secteur; les clients attendent pourtant des produits, des offres, une communication et une relation adaptés à chacun! Ce retard est principalement lié au fait de ne pas avoir de distribution propre (sauf la marque leader en France Yves Rocher qui vend ses produits dans ses boutiques). Nombreux sont les clients qui, individuellement, n’existent pas aux yeux de marques à qui ils consacrent pourtant des budgets importants; on peut par exemple citer L’Oréal et ses centaines de marques présentes dans nos foyers qui n’a pourtant pas de relation individuelle avec ses clients

Ces caractéristiques constituent un terreau propice à l’émergence du Big Data : celui-ci modifie l’univers de la cosmétique à la fois en termes de communication et de conception des produits.

 

Vers une communication plus efficace

Les technologies et méthodes du Big Data permettent d’analyser des données de masse pour savoir quoi, comment et où communiquer; communication soit à un niveau global soit de manière totalement personnalisée (même pour des non clients).

Une communication de masse pertinente

Il est possible de citer 2 exemples assez récurrents dans la littérature Big Data:

  • le fait que l’augmentation des ventes de shampoing soit fortement corrélée à l’arrivée des pollens (analyse dont la paternité est attribuée à la start up capitaindash)
  • la détection des humeurs sur les média sociaux (l’outil Radian6 de Salesforce détecte les émotions Facebook, Twitter, Blog, Forum etc… sur des sujets précis)

Personne ne s’en vante vraiment mais il est impensable que les marques ne calent pas leurs campagnes publicitaires en fonction de ces informations: le shampoing début avril dans les Bouches du Rhône quand le pollen fait son apparition ou fin mai à Paris pour les compléments alimentaires solaires dès que le sujet bronzage est évoqué sur Facebook.

A noter qu’écouter les réseaux sociaux pour savoir à quel moment lancer une campagne publicitaire peut paraître farfelu MAIS je tiens à préciser que la beauté est le 4ème sujet le plus discuté sur les média sociaux après les nouvelles technologies, la nourriture/boissons et les films/séries. La matière est donc bien présente et ne demande qu’à être utilisée.

Des communications personnalisées

Ces communications vont en fait dépendre des informations disponibles:

  • si une marque a accès à des informations précises « beauté » elle va les utiliser pour adapter sa communication. L’application « Make Up Genius » permet probablement à L’Oréal de définir par personne quel produit, à quel moment et par quel moyen promouvoir ses offres. Make Up Genius est une application iphone et Android gratuite « géniale » qui permet de tester en live du maquillage sur vous avec l’appareil photo de votre téléphone, elle fonctionne très bien et fournit à L’Oréal des informations sur ce que les consommateurs essaient le plus en fonction du lieu, de l’âge, de la pigmentation de la peau etc…
    43764
  • même si vous êtes discrets concernant vos envies beauté il existe quand même des outils pour personnaliser la communication digitale. La société Criteo permet par exemple d’afficher des bannières publicitaires sur internet en fonction de votre historique de navigation et de vos cookies. Bien sûr Criteo va promouvoir un produit X si vous êtes allé le voir sur un site, mais il vous proposera aussi d’autres produits en prenant en compte un maximum de paramètres (le fait que vous aimiez tel ou tel site, le fait que vous n’ayez pas acheté le produit X etc…). A titre d’exemple Criteo revendique une amélioration significative de la performance des bannières internet: ses publicités marcheraient jusqu’à 600 fois mieux que les bannières classiques (cf article sur retargeting)

Ces communications s’adressent aux clients et non clients dans le but de gagner en efficacité: plus de ventes avec un budget communication réduit.

 

Des produits basés sur des besoins clients très précis

Une bonne image de marque et une belle publicité vont éveiller la curiosité voire l’envie chez les consommateurs. Une relation client de qualité va instaurer une confiance avec la marque et inciter à être fidèle ou faire plus d’achats. MAIS un pilier parfois oublié est tout simplement le produit: pas de succès sans bon produit, les clients ne sont jamais idiots et un mauvais produit n’a aucune chance de durer. Il n’est cependant pas facile de déterminer ce qu’est un bon produit quand on parle d’achats avec une part d’irrationnel…

Ainsi la vie des produits de beauté au sein des marques est faite d’échecs (le fameux parfum BIC), de succès inattendus (les produits mixtes – Kiehl’s), de valeurs sûres (une crème pour les mains ultra nourrissante), de disparitions (Le Club des Créateurs de Beauté) et même de résurrections (Eau Sauvage). Or chaque lancement ou mise au placard mal calculé coûte cher, c’est pourquoi les marques décortiquent les attentes clients. Là encore le Big Data intervient à 2 niveaux: des tendances mieux cernées qu’avant et des produits personnalisés!

Des tendances mieux cernées (petites ou grandes)

Pour comprendre les tendances, les marques, historiquement, analysaient des données regroupant leurs ventes, des études de marché, des focus groupe (des consommateurs discutant de leurs attentes), des tests conso (des clients testant à l’aveugle des produits) etc… Ce type de démarche est coûteux, long à mettre en oeuvre et sans réelle assurance de faire mouche.

Encore une fois la récolte et l’analyse des masses de données disponibles va pouvoir enrichir ces réflexions et éclairer le débat:

  • en « écoutant » le web (blogs, forums et surtout réseaux sociaux – dont la beauté, rappel, est un des sujets privilégiés) les marques peuvent savoir ce que les clients apprécient ou non concernant leurs produits, ceux de la concurrence et même les produits de leurs rêves
  • en signant des partenariats avec des sociétés capables de leur décrire les tendances. Citons par exemple la start up française (en version bêta pour l’instant) « Lucette » qui vous propose gratuitement des conseils beauté en se basant justement sur les technologies Big Data: grâce à leur base de données, aux expertises récoltées et à un « bel algorithme » (je cite) Lucette vous propose des conseils (produits, habitudes, alimentation) en fonction de vos réponses à leur questionnaire. Ce service gratuit, qui a l’air sympa pour les consommateurs, pourra alimenter les réflexions des marques qui comprendront alors les attentes majeures mais aussi mineuresLu
  • en testant des produits qui n’existent pas encore: L’Oréal pourrait très bien intégrer dans son appli Make Up Genius des produits en cours d’étude et ainsi voir si les utilisateurs sont intéressés

L’avantage de ces méthodes, versus l’historique, se situe au niveau du coût, de la réactivité mais aussi et surtout de l’exhaustivité des résultats: une écoute des média sociaux est TOTALE, ça n’est pas juste 10 personnes qui s’expriment. Cette notion d’exhaustivité est clé car elle permet de détecter les grandes tendances mais aussi les courants secondaires qui était habituellement oubliés.

Des produits personnalisés à l’ère Big Data

Les produits de beauté personnalisés existent déjà; par exemple les marques Ioma, Codage ou NewSeason  proposent des produits sur mesure en fonction de diagnostics scientifiques de votre peau (plutôt des soins). Certes cela demande de manipuler des données mais ces services, pour l’instant, n’ont rien à voir avec le Big Data; toutefois ils illustrent bien la tendance à la personnalisation.

Ces marques capables de d’individualiser les produits auront 2 utilisations possibles du Big Data:

  • dégager les tendances beauté à partir des nombreuses mesures (pour eux ou pour les vendre à d’autres)
  • et surtout, c’est l’objet de ce paragraphe, changer leur modèle de personnalisation, le diagnostic se basera:
    • peut-être encore sur des tests pointus en institut
    • sur les informations envoyées par des objets connectés (bracelets, balance, photo du téléphone, autres capteurs « beauté » à inventer)
    • les événements détectés sur internet (départ au soleil, grossesse, grosse fatigue, régime, nouvelle coupe de cheveux etc…)
    • l’historique d’achat
    • etc…

L’idée est que le domaine du bien-être et de la santé est en train de s’ultra personnaliser (suivi via objets connectés, coaching, produits adaptés etc…), il y a peu de raison pour qu’il n’en soit pas de même un jour pour la beauté. Bien évidemment le coût de fabrication élevé des produits sur-mesure risque d’être un frein, mais ce type de soins existent déjà, la difficulté est donc surmontable.

 

En conclusion on peut voir que contrairement aux usages cités dans les articles précédents il y a encore peu d’exemples concrets d’application du Big Data dans le secteur de la cosmétique, et même peu de littérature sur ce que la donnée pourrait apporter… Pourtant il ne fait aucun doute que le Big Data modifie déjà les stratégies de communication et de développement des produits de beauté. Dans la cosmétique comme dans tous les secteurs la donnée devient un actif majeur dont la maîtrise sera un facteur clé de réussite/survie.