Les big data à l’assaut du marché des dispositifs marchands : une mise en perspective historique
p. 27-46
Texte intégral
1Les gestionnaires connaissent bien l’opposition entre marché « B to B » (Business to Business) et marché « B to C » (Business to Consumer). Joanne Yates (2006) a insisté avec justesse sur la focalisation excessive des historiens de l’innovation sur le B to C, en vertu de l’idée que les nouveautés techniques seraient tournées ou tirées par la demande, et sur l’oubli du B to B, c’est-à-dire sur l’importance des échanges interentreprises dans l’essor des innovations. Les big data ou « données massives » confirment l’excellence de cette perspective, puisque le développement des outils actuels d’intelligence des données massives est à l’évidence soutenu par un marché entre professionnels, rapprochant entreprises consommatrices de données et opérateurs prestataires de services. Mais l’auteur a peut-être commis une erreur en opposant les marchés B to B et B to C, alors que dans les faits ces deux formes de places marchandes sont étroitement imbriquées, et que la dynamique de cette imbrication est précisément ce qui permet selon nous de rendre compte de l’essor et de la généralisation des innovations en question. À l’articulation des marchés B to B et B to C intervient en effet une forme moins connue, et pourtant cruciale, que nous proposons de nommer « marché des dispositifs marchands », qui consiste à vendre aux entreprises des dispositifs de vente de produits au grand public (vitrines, sondages, plans marketing, programmes de fidélité, etc.). Le marché des dispositifs marchands recouvre donc la relation « (B to [B) to C] » : on vend à des organisations marchandes – (B to B) – des services ou des équipements de captation de la clientèle d’après l’argument que ces derniers permettront de vendre des produits aux consommateurs – [B to C] : la première vente repose entièrement sur la promesse pourtant non garantie de la seconde, de sorte que les premiers manipulés sur un tel marché sont les candidats à la manipulation.
2Dans ce chapitre, nous voudrions replacer les big data dans le cadre de ce « marché des dispositifs marchands », dont ils ne sont qu’un avatar parmi d’autres. Cela devrait nous permettre non seulement d’en saisir la dynamique (comme tout produit vendu sur un tel marché, les big data doivent construire leur nécessité à grand renfort de promesses techniques et commerciales), d’en décrire les spécificités et l’efficacité (ces promesses sont particulières et renvoient à des éléments précis), mais aussi de les mettre à distance (la question de la performativité des promesses reste ouverte ; les conditions de leur pleine intelligibilité méritent examen).
1. Aux origines des big data : une mise en perspective historique
1.1. Big Market
3Depuis Adam Smith, l’économie théorique s’est appliquée à décrire les marchés comme un espace unifié, régi par des lois analogues à celles de la nature. Cette discipline a tellement bien réussi dans cette entreprise qu’elle est parvenue à faire oublier l’origine et la portée doublement politiques de son projet : d’une part, l’invention du marché autorégulateur, de la poursuite de l’intérêt et de la libre entreprise fut au départ conçue comme une utopie de libération visant à sortir de l’Ancien Régime, en présentant le marché comme une autre façon d’obtenir l’ordre social, fondée sur un mécanisme naturel et décentralisé d’allocation des ressources, censé dispenser ipso facto du recours aux tutelles politiques ou religieuses jusque-là mobilisées pour dominer les passions (Hirschman, 1980) ; d’autre part, la promotion du marché comme nature a fondé le coup de force proprement politique des économistes, qui ont réussi grâce à leurs modèles à se faire reconnaître comme uniques représentants du marché, comme experts indispensables de la « chose économique », seuls capables d’approcher les lois censées gouverner les échanges et donc d’instruire les hommes sur la façon d’organiser et de conduire leurs affaires (Cochoy, 2015a).
4De ce point de vue, le marché théorique peut être considéré comme le premier avatar des produits qui sont vendus sur le marché des dispositifs marchands, à ceci près que c’est un produit très particulier et ambivalent : d’un côté, c’est une solution universelle censée régler le cours des pratiques économiques de tous les acteurs, en tous lieux et en tous temps (le marché libre doit être institué partout et préservé toujours [Polanyi, 1983]) ; de l’autre, ce n’est en rien un outil dont l’on peut jouer pour régler des problèmes particuliers : l’efficacité globale dont se réclame le marché a pour prix l’impuissance locale généralisée qu’il promeut. Les acteurs des marchés financiers le répètent à l’envi : personne ne saurait « battre » le marché ; derrière cette conviction, on trouve l’axiomatique néoclassique, selon laquelle aucun acteur ne peut à lui seul influencer les conditions de l’échange (Martin, 2005).
1.2. Big Business
5Cette façon de voir a longtemps conduit les acteurs économiques à vivre l’expérience marchande et les fluctuations économiques un peu à la façon dont les agriculteurs subissent les caprices de la météorologie, c’est-à-dire sur le registre d’une fatalité impérieuse, tantôt favorable, tantôt contraire, à laquelle on ne peut que se soumettre faute de pouvoir en affecter le cours. Mais Alfred Chandler (1988) a montré comment et combien la naissance des grandes entreprises à la fin du xixe siècle – l’avènement du Big Business comme premier préalable à l’essor des big data ! – a changé la donne : d’un côté, les mastodontes industriels capitalistes, handicapés et fragilisés par le niveau considérable de leurs coûts fixes, étaient plus sensibles que les petits agents économiques aux risques des aléas marchands ; d’un autre côté, leur grande taille leur donnait la capacité d’inverser le rapport de force entre marché et entreprise : grâce à l’invention de nouvelles fonctions, expertises et procédures de gestion, il devenait possible pour une même entité d’avoir prise sur le cours du marché, par exemple en internalisant les circuits de distribution à l’échelle du territoire national, comme dans le cas des chaînes de magasins (Tedlow, 1990). Pour la première fois, la « main visible » des managers prenait la main… sur la « main invisible » du marché.
6Ce basculement est à l’origine de ce que nous avons appelé ailleurs le « jeu de la main chaude » (Cochoy, 1999), et que nous proposons de revisiter grâce à la notion plus nouvelle de « marché des dispositifs marchands ». Le jeu de la main chaude a pour enjeu la maîtrise du marché en vertu d’une rhétorique très particulière, qui consiste chaque fois à vendre aux entreprises commerciales les moyens d’atteindre un rapport plus adéquat et plus direct avec leur demande en supprimant d’anciens médiateurs, mais bien sûr pour leur substituer une nouvelle médiation, qu’un autre prestataire de techniques de « matching marchand » viendra concurrencer à son tour, au nom de sa propre solution et de l’instauration d’un rapport prétendûment plus étroit encore avec la clientèle, et ainsi de suite. Selon ce schéma, les grossistes ont évincé les marchands ambulants censés tourner la médiation de l’épicier, à grand renfort d’économies d’échelle et de gestion intégrée, puis les fabricants ont pris l’ascendant sur les grossistes et les épiciers, grâce aux produits de marque nationale soutenus par des packagings orientés directement vers les consommateurs, etc. (Strasser, 1989). Parallèlement, cette prolifération de dispositifs et de spécialistes de médiation marchande de plus en plus sophistiqués et nombreux s’est accompagnée à partir de la fin du xixe siècle d’une dissociation, d’une autonomisation et d’une externalisation de l’expertise marchande, avec le développement de la publicité et des études de marché, et bien sûr avec la multiplication des diplômes et des personnels spécialisés dans l’administration de ces nouveaux savoirs et savoir-faire. Les études de marché et la publicité prétendent remplacer les représentants, vendeurs et autres acteurs de terrain comme moyen de connaissance et de maîtrise immédiates des marchés, grâce à l’instauration d’une communication directe auprès des clientèles (pour la publicité) et grâce à l’auscultation tout aussi directe des préférences des consommateurs (pour les études de marché).
7Ces nouvelles médiations se bouclent – les études de marché alimentent la définition des campagnes publicitaires – en prenant appui sur trois éléments fondamentaux : la presse, le gouvernement et la science.
1.3. Mass media
8La presse, d’abord écrite puis radiophonique et télévisuelle (et plus récemment « en ligne »), est au fondement de l’expertise marchande, dans la mesure où c’est non seulement la connaissance de l’audience qui fonde l’élaboration des contenus (articles et programmes), mais aussi la vente de cette même connaissance auprès des annonceurs qui co-financent1 les entreprises de presse et qui sont avides pour cela d’obtenir les moyens d’identifier les canaux les plus fréquentés par leurs cibles et les plus adaptés à leurs goûts2.
9Pour illustrer l’apport de la presse au jeu de la main chaude et au fonctionnement du marché des dispositifs marchands, prenons l’exemple de la revue Progressive Grocer. Cette revue, bien que méconnue en France, a l’avantage de présenter toutes les caractéristiques du jeu et du marché en question. Progressive Grocer est un organe de presse lancé en 1922 à l’intention des petits épiciers, auxquels il entend fournir des informations sur leur secteur d’activité et présenter des solutions pour améliorer leurs affaires, dans un contexte de concurrence croissante des chaînes de magasins puis, dans les années 1930, des supermarchés. Le magazine est distribué gratuitement à ses lecteurs potentiels et financé par la publicité. Ainsi, il vend à ses annonceurs un espace censé les aider à vendre des dispositifs aux commerçants (B to B) selon l’argument que ces derniers pourront, grâce à eux, mieux et plus directement qu’avec les solutions antérieures (main chaude), vendre davantage de produits aux consommateurs (B to C) : réfrigérateurs électriques en lieu et place des anciens coffres à glace, présentoirs vitrés en remplacement des vieux comptoirs opaques, étagères en libre-service à la place de vendeurs intrusifs, etc. (dispositifs marchands). La revue articule donc jusqu’au tournis la logique du marché B to B to C, c’est-à-dire d’un système de ventes promues sur des promesses de vente. Elle rend publiques les solutions commerciales, les rassemble, fédère la concurrence selon une logique de co-opétition (Bruno, 2012), et fonctionne donc en cela comme un véritable salon professionnel de papier. Ce fonctionnement s’appuie sur un usage certes assez simple, mais néanmoins très réfléchi et astucieux des données marchandes, d’une part via la mobilisation d’annuaires professionnels pour construire un lectorat de 50 000 distributeurs dès son lancement et porté à 75 000 en 1930, un argument crucial à l’intention des annonceurs, d’autre part – et surtout via l’usage des données comptables – pour opérer le tour de passe-passe consistant pour la revue à exhiber sa propre efficacité comme miroir ou promesse de celle de ses clients potentiels : la revue publie ainsi des graphiques récurrents sur la taille et la répartition de son lectorat, ainsi que sur la progression de son chiffre d’affaires, selon l’argument que son succès fonctionnerait comme indice de celui de ses clients (Cochoy, 2014). Enfin et surtout, ce genre de logique se retrouve du côté des annonceurs eux-mêmes, qui promeuvent dans les pages de Progressive Grocer censées les aider à vendre leurs produits, des produits qui eux-mêmes reposent sur des promesses de vente.
1.4. Big cabas
10Prenons l’exemple sans doute le plus emblématique du chariot de supermarché : celui-ci, apparu en 1936 (Grandclément, 2006) et largement promu dans les pages de Progressive Grocer, est au départ nécessairement commercialisé à l’intention d’un marché dominé de façon écrasante par de tous petits magasins indépendants (en 1930, on compte 250 000 commerces indépendants contre 57 000 magasins appartenant à des chaînes), réalisant de faibles volumes de vente auprès de clients habitués au service et à la livraison à domicile (la vente en libre-service intégral ne concerne que 13 % des magasins en 1939), soit une cible dont le « besoin » en paniers à roulettes est pour le moins incertain. La promotion des chariots passe alors par la production d’argumentaires tous azimuts, orientés autant vers les professionnels que vers les consommateurs, ou plutôt vers les professionnels en vertu des avantages supposés du produit pour les consommateurs. Aux professionnels stricto sensu, dont l’on connaît les préoccupations sanitaires (à une époque où la vente en vrac prédomine et où la vermine constitue une menace très sérieuse), le souci pour les coûts, l’attachement au service et le faible espace de vente, on signale que les chariots métalliques sont hygiéniques (« no germ » est le leitmotiv de l’American Wire Form Co.), solides, durables et inoxydables, qu’avant d’équiper les clients ils peuvent servir aux épiciers pour préparer les commandes, voire pour faire office de présentoirs, et surtout que les chariots sont « pliables » (« The Folding Carrier Co. » est le nom choisi pour son entreprise par l’inventeur du dispositif !), afin de ne pas encombrer exagérément un espace de vente très restreint. Aux consommateurs, et donc aux professionnels via les avantages supposés pour les consommateurs, on promet « des ventes accrues par consommateur » (American Wire Form Co., octobre 1936) ; « davantage de son argent [celui de la cliente] dans votre poche » (United Steel & Wire Co., février 1938), « l’accroissement du volume individuel en fournissant une capacité plus grande par consommateur avec un confort accru » (United Stee & Wire Co., juin 1938). Ces arguments portèrent tellement bien, la manipulation des épiciers par la promesse de manipulation des consommateurs fut si efficace, qu’en 1956 on comptait en moyenne près de 9 chariots par petit magasin, soit un nombre largement supérieur aux nécessités de ce type de commerce ! (Cochoy, 2014). Nous faisons ici le pari que cette histoire, a priori très éloignée des données numériques contemporaines, est au contraire éminemment utile pour les comprendre : il se pourrait bien que la promotion des big data sophistiquées d’aujourd’hui fonctionne selon la même logique que les big cabas très prosaïques de jadis, c’est-à-dire sur le registre des promesses de vente qui font vendre, et des arguments associés.
1.5. Big Government
11Toutefois, avant d’en venir aux big data, il nous faut encore explorer d’autres liens de parenté qu’elles entretiennent avec des éléments plus anciens de l’expertise commerciale outillée. Notamment, le lien de l’expertise marchande avec le gouvernement, moins connu, est lui aussi crucial. L’abondante littérature actuelle sur le « New Public Management » présente comme une nouveauté certaine l’importation du savoir des affaires comme moyen de rénover l’action publique, même si cette importation a bien sûr donné lieu à des formes de réappropriation subtiles bien décrites par Philippe Bezes (2009). Pourtant, à l’origine, c’est une relation complètement inverse qui a prévalu : dans les années 1930, ce sont les innovations internes aux modes de gouvernement traditionnels qui ont servi de modèle au développement des techniques de gestion privée, et notamment du marketing. Ainsi, il se pourrait bien que ce que l’État actuel croit devoir au monde du privé ait en fait d’abord été inventé par lui-même avant d’être recyclé par le monde des affaires ! L’éditorial qui ouvre le tout premier numéro de The American Marketing Journal (qui deviendra le Journal of Marketing, principale revue du domaine, deux ans plus tard) ne saurait mieux en témoigner, puisqu’il arrime, dès la première ligne de son tout premier texte, le sort du marketing universitaire et managérial aux innovations du gouvernement Roosevelt, à une époque où la maîtrise des marchés constitue un enjeu vital comme jamais, puisqu’il ne s’agit ni plus ni moins que de trouver les moyens de surmonter la Grande Dépression qui détruit l’Amérique tout entière :
Alors que ce premier numéro part sous presse, la National Recovery Administration et l’Agricultural Adjustment Administration font des efforts audacieux pour hâter le retour de la prospérité. […] L’Administration pense que la stabilité de l’emploi et des salaires adéquats est de la première importance pour fournir un marché de masse à notre production de masse, et la nation est unie dans un grand effort concret visant à donner à cette conception une mise en œuvre universelle. Les résultats seront étroitement observés par les cadres du marketing, qui consacreront une attention croissante aux données et aux horaires comme indices des possibilités de vente. […] Le but de The American Marketing Journal est tout d’abord de présenter un matériau valable qui sera intéressant pour ceux qui ont la charge des opérations de marketing dans les entreprises privées. (The American Marketing Journal, 1934)
12Ici et pour la première fois, politique publique et gestion du marché sont clairement confondus ; l’État et les entreprises partagent l’objectif commun de « fournir un marché de masse à notre production de masse ». L’éditorial présente le marketing non pas comme une préoccupation entrepreneuriale, gouvernée par des motifs étroitement locaux et privés, mais comme un enjeu de salut public national. Surtout, il reconnaît que l’action du gouvernement en la matière introduit une nouveauté radicale : grâce à l’interventionnisme du gouvernement Roosevelt, la conjoncture économique n’apparaît plus comme une externalité dont les autorités peuvent au mieux pallier les effets, mais comme un système d’ensemble qu’il est enfin possible de comprendre et de piloter. Comment ? Grâce à la collecte et à l’usage systématiques de données massives, bref de big data avant la lettre, recueillies notamment dans le cadre du premier recensement national de la distribution en 1930 (Brown, 1951, p. 61) : pour le marketing naissant, il s’agit bien d’utiliser ce type de « données » comme « indices des possibilités de vente3 ».
13En fait, le procès en paternité, c’est-à-dire la volonté de tracer l’origine publique ou privée des innovations, souvent guidé par un souci moral implicite croyant pouvoir distinguer entre bonnes innovations (au service du bien public) et mauvaises innovations (à la solde des intérêts privés), est trompeur, d’une part parce que, comme on vient de le voir, la poursuite de l’un de ces objectifs peut favoriser l’autre (et inversement), et d’autre part parce que les innovations en cause, loin d’appartenir à un domaine particulier de la vie sociale plutôt qu’à un autre, sont-elles mêmes l’expression de progrès techniques sous-jacents qui ne sont assignables à aucun d’entre eux, mais qui les traversent tous simultanément. Ce que nous apprend la parenté oubliée entre management public et marketing – dans cet ordre –, c’est que l’invention de la politique économique d’inspiration keynésienne, et donc le passage du « laissez-faire » de tradition libérale à l’interventionnisme public (ou privé) plus progressiste, loin d’être réductible à une orientation idéologique particulière, est surtout la conséquence de l’invention d’une série de dispositifs techniques qui émergent, s’améliorent ou s’articulent à l’époque, tels les outils comptables, les machines mécanographiques et le calcul statistique (Desrosières, 1993 ; Didier, 2009) : sans ces moyens, aucune vision globale de l’économie n’aurait été possible, et par conséquent, aucune action de contrôle des marchés n’aurait eu de sens, tant il est vrai qu’il est vain, voire dangereux, d’agir à l’aveugle sur un monde que l’on est incapable de se représenter. Inversement, à la fin des années 1930, les nouvelles données et techniques de traitement fournissent les prothèses oculaires nécessaires à la vision (et à l’élaboration) du monde macroscopique, de sorte que tous les acteurs jadis – sinon aveugles, du moins terriblement myopes, quelles qu’aient pu être leur position et leur orientation antérieures – eurent à cœur d’exercer leurs nouvelles facultés perceptives et de se mettre, grâce à elles, à avancer et à agir, chacun au mieux de ses objectifs et de ses intérêts, comme le montrent en particulier l’exemple des compagnies d’assurance et la façon dont ces dernières ont consommé les techniques et les dispositifs de calcul disponibles à l’époque pour calculer leurs primes, développer leurs affaires et assurer leurs profits (Yates, 2006).
1.6. Big Science
14Les avancées du « Big Business » et du « Big Government » dans la production et la maîtrise de données en masse étaient donc sous-tendues par l’adoption d’innovations techniques plus transversales et donc moins « assignables » à telle ou telle sphère. Ces innovations étaient elles-mêmes fondées sur une série de développements scientifiques majeurs ajoutant la « Big Science » (Galison, 1994) comme troisième volet du triptyque qui sert de clé de voûte à l’avènement du marketing scientifique, comme (avant-)dernier avatar des prétendants à la victoire au jeu de la main chaude, avant que les big data contemporaines ne vinssent à leur tour, comme nous le verrons, le concurrencer4.
15Les techniques d’analyse de données et de gouvernement des organisations et groupes sociaux d’après l’intelligence de ces données interviennent comme point d’articulation entre une série de contributions scientifiques, technologiques et institutionnelles qui les ont précédées ou accompagnées : citons, pêle-mêle, les premières enquêtes par questionnaire à finalité commerciale menées par le psychologue Harlow Gale à l’université du Minnesota dès la fin du xixe siècle (Eighmey et Sar, 2007), la création du Bureau of Business Research de l’université de Harvard en 1911 (Jones et Monieson, 1990), la mise au point du sondage par échantillon représentatif et autres techniques de survey research (Converse, 1987), le calcul probabiliste pour les compagnies d’assurance (Yates, 2006), les statistiques publiques pour le gouvernement (Desrosières, 1993 ; Didier, 2009) et, dans l’après-guerre, la reconversion civile de la recherche opérationnelle et l’essor des sciences du comportement, qui ont servi de double fondement à un puissant mouvement de quantification et de « scientifisation » du marketing, à grand renfort d’économétrie, de modélisation, d’expérimentations de laboratoire et d’analyses multivariées, etc. (Cochoy, 1999). Grâce à ces évolutions, le marketing scientifique développé dans les grandes universités et les cabinets de conseil américains pouvait prétendre asseoir la connaissance et le contrôle des marchés sur l’auscultation directe des clientèles, et court-circuiter ainsi la médiation de l’ensemble des acteurs de terrain qui les avaient précédés. Avec le marketing scientifique, on n’en est peut-être pas encore à l’ère du Big Data, mais l’on comprend que la maîtrise des marchés est déjà une grosse affaire de données.
2. Le marché des big data : des promesses à leur performativité
16Le mouvement du Big Data que nous connaissons actuellement s’inscrit dans la continuité directe de cet effort de quantification et de scientifisation du marketing. À l’instar du marketing de jadis, les outils d’analyse des big data se présentent comme un ensemble d’applications marchandes qui doivent permettre aux marketers de terrain de développer différents outils d’aide à la décision plus ou moins automatisés censés assister leurs clients dans l’identification des leurs (les consommateurs), selon la bonne vieille logique du marché des dispositifs marchands.
17Ces applications concernent quatre grands domaines d’innovations : 1) le recueil, le traitement et le stockage des données ; 2) la visualisation des données ; 3) l’automatisation de la décision ; 4) la mesure de performance. Ces quatre domaines renvoient à différents types de rhétoriques commerciales qui constituent autant de promesses quant aux avantages des big data pour la gestion de la relation client. Notons que ces quatre domaines d’innovation doivent être compris dans leur ensemble puisqu’ils composent in fine un processus de documentation marchande (Vayre, 2014). Ce processus n’a plus vraiment pour finalité de fournir un marché de masse à une production de masse comme au temps du Big Business, mais plutôt d’associer une offre de masse à une demande largement diversifiée.
18Les technologies marchandes du Big Data sont donc adossées à une promesse d’intelligence technique supposée trouver le moyen de communiquer des informations pertinentes à une masse de consommateurs considérés comme très hétérogènes. Dans un contexte de self-marketing où les consommateurs peuvent construire leurs propres parcours informationnels en mobilisant, à leur convenance, les points de contact qu’ils ont à leur disposition (Cochoy, 2011), la grande promesse des dispositifs marchands du Big Data porte sur la possibilité de canaliser les activités de recherche et/ou de découverte d’informations sur les clients de façon à pouvoir garder la main sur le marché (Coll, 2014).
2.1. La promesse du recueil, du traitement et du stockage des données
19Dans le domaine de la relation commerciale, tout projet d’outil mobilisant les big data commence par un problème de recueil et/ou de stockage et/ou de traitement des données. Le mouvement du Big Data que nous connaissons aujourd’hui est une forme de prolongement de celui, plus ancien, de la traçabilité, qui consistait à accumuler des masses de données parfois considérables à des fins de contrôle qualité et/ou juridique (Torny, 1998). Pendant longtemps, en raison notamment de leur organisation « en silo », ces données ne pouvaient pas faire l’objet d’une exploitation systématique et il était impossible de passer de la traçabilité à l’intelligence des traces, ou « mappabilité » (Cochoy et Terssac, 2000). C’est précisément ce passage que promettent les grands acteurs de l’offre sur le marché des technologies big data, en s’appuyant sur le développement de bases de stockage qui permettent de mettre en relation des grands ensembles de données recueillies à diverses occasions et/ou à diverses fins, et de construire à partir de là une forme d’expertise que nous pourrions nommer « génie des traces ».
20Ainsi, des entreprises comme Microsoft, Statistical Analysis System (SAS), Quartet FS, International Business Machine (IBM) ou encore Hewlett-Packard (HP) mettent à disposition des professionnels du marché de nouvelles architectures de stockage et de traitement dites « distribuées » et in-memory censées permettre de dépasser les silos de données pour procéder à leur traitement en temps (quasi) réel. À l’image de la base de données HANA développée par Systems Applications and Products (SAP), ces nouvelles architectures de stockage et de traitement sont présentées comme une véritable rupture dans le domaine de la gestion des données qui permettrait d’améliorer globalement la performance de l’entreprise5.
21Ces innovations s’appliquent au stockage et au traitement des données autant internes qu’externes à l’entreprise. Certains acteurs proposent ainsi des dispositifs ayant pour fonction d’enrichir les bases de données internes aux entreprises en allant puiser dans l’immense univers des données externes que constituent les open data ou encore la totalité de l’Internet. C’est par exemple le cas d’Octopeek, qui a développé une solution destinée à enrichir les bases de données clients au moyen d’éléments puisés à l’extérieur.
22À travers son système d’« enrichissement à 360° » des données clients, Octopeek propose en effet une solution de « profiling par l’email ». Cette solution a fait l’objet de trois ans de recherche-développement et repose sur différentes techniques d’indexation (i.e. crawling), de structuration (i.e. scraping) et d’apprentissage statistique. Elle consiste à associer le courriel d’un client à un ensemble de données externes issues des réseaux sociaux, des open data (e.g. l’Insee), des bases de données des partenaires et des données disponibles sur l’ensemble de l’Internet. À partir de ces associations, l’objectif est de donner de la « valeur aux données clients » en déterminant différentes informations comme par exemple l’âge, la catégorie socioprofessionnelle, le lieu de résidence, les affinités, les intérêts et les styles de vie, les réseaux d’amis et/ou professionnels. Par conséquent, à travers ce type de solution, les bases de données distribuées et in-memory peuvent être considérées comme des améliorations fonctionnelles et technologiques des progiciels de gestion de l’entreprise que sont les Enterprise Resource Planning (ERP) et les outils de Customer Relationship Management (CRM). Comme nous l’avons vu, elles doivent en effet permettre de compléter et/ou de contextualiser les données issues de ces progiciels en les associant à d’autres données internes et externes à l’entreprise, mais aussi et surtout elles doivent permettre leur traitement en temps (quasi) réel.
23Ces différentes promesses de recueil, de traitement et de stockage des données ne peuvent être correctement saisies qu’en relation avec celles que sous-tendent les trois autres domaines d’innovation. Le domaine d’innovation le plus intimement associé à celui des technologies de recueil, de traitement et de stockage des données est celui des technologies de visualisation. Car, si une entreprise peut trouver intéressant de recueillir, de stocker et de traiter en temps réel de grandes masses de données, c’est avant tout parce que d’autres entreprises promettent, à leur tour, d’opérer la mappabilité de ces mêmes données, c’est-à-dire de les rendre intelligibles et donc exploitables grâce à diverses techniques de visualisation.
2.2. La promesse de la visualisation des données
24IBM, SAS, SAP, HP, Microsoft ou encore Quartet FS ne proposent pas seulement des solutions dans le domaine du stockage et du traitement des données, mais aussi dans celui de leur visualisation. L’importance accordée aux techniques de visualisation est telle qu’elle conduit certains acteurs comme QlikView ou encore Tableau Software à se spécialiser dans ce secteur d’innovation.
25À travers son slogan « Release your innate power of analysis. No limited views. Explore data naturally », QlikView promet par exemple de faciliter l’exploration des données de manière à simplifier le travail d’enquête statistique au point d’en faire une activité quasi naturelle et sans limites. En ce sens, les promesses des acteurs de la visualisation des données massives mettent en scène une démocratisation de la pratique de l’enquête statistique, susceptible de contribuer au prolongement du mouvement de quantification du marketing. Par exemple, les tableaux de bord développés par QlikView ou encore Tableau Software ont pour finalité de simplifier les activités d’exploration des données afin de permettre à des non-statisticiens de naviguer à l’intérieur de bases de stockage complexes et parfois immenses sous la forme d’activités proches de la recherche d’informations sur Internet. Les interfaces de ces technologies sont en effet généralement élaborées de façon à être les plus intuitives possibles. Par exemple, les dégradés de couleurs peuvent être utilisés pour signifier l’intensité des corrélations statistiques d’une matrice, ou encore, quelques clics suffisent à la construction d’une carte, d’un tableau ou d’un graphique (cf. la technique du drag and drop). De plus, la simple sélection d’une zone ou d’une période définie permet généralement de créer un(e) autre carte/tableau/graphique précisant l’observation6. De cette façon, ces outils de visualisation permettent à leurs utilisateurs de faire varier très simplement les échelles d’analyse.
26Encore une fois, la promesse de visualisation des données ne prend tout son sens que lorsqu’elle est mise en relation avec ses cousines : l’automatisation de la décision et la mesure de performance. L’exploration des données en soi n’a en effet pas vraiment d’intérêt pour l’entreprise si elle n’est pas directement associée à une stratégie d’exploitation (March, 1991 ; Mothe et Brion, 2008). Dans le cadre d’un projet big data, l’avantage escompté des technologies de visualisation des données est de permettre le développement, l’amélioration ou encore l’évaluation de la performance d’un automate décisionnel (i.e. d’une technique de machine learning). C’est ici que se trouve tout l’enjeu des applications marchandes big data, puisque ce serait avant tout à travers ces automates qu’il deviendrait possible d’améliorer la performance économique des actions marketing de l’entreprise.
2.3. La promesse de l’automatisation de la décision
27Les projets big data appliqués à la relation client ont généralement pour but d’automatiser le système de communication d’une entreprise gérant une masse plus ou moins importante de consommateurs dans l’espoir de mieux cibler sa communication commerciale. Grâce à différents types d’algorithmes d’apprentissage statistique, un certain nombre d’acteurs proposent ainsi des automates décisionnels7 capables de personnaliser les environnements numériques marchands des consommateurs de façon à améliorer la pertinence des informations marchandes. La promesse de l’automatisation de la décision relève clairement de la relation « (B to [B) to C] », puisqu’elle prétend permettre à ses clients (par exemple un e-commerçant) d’augmenter les taux de conversion entre visites et ventes effectives, ou encore de baisser les taux de désabonnement (c’est-à-dire d’augmenter les ventes auprès des consommateurs).
28D’une manière très générale, un algorithme d’apprentissage statistique a pour fonction de trouver, de façon plus ou moins supervisée, la fonction f qui permet d’associer les entrées x et les sorties y d’un échantillon de données S = [(x1, y1), …, (xn, yn)] (Cornuéjols et Miclet, 2013), c’est-à-dire, par exemple, la règle qui permet d’établir un lien entre un profil de consommateur bien défini (donnée entrante x) et un type de produit particulier (donnée sortante y). En elles-mêmes, ces techniques d’apprentissage artificiel n’ont généralement pas grand-chose de nouveau du point de vue des disciplines sous-jacentes que sont les statistiques, l’intelligence et l’apprentissage artificiels. Par exemple, les séparateurs à vaste marge (i.e. : support vector machine ou SVM), aujourd’hui très largement mobilisés dans le domaine de l’automatisation de la décision, trouvent leurs origines dans les travaux de Vladimir Vapnik et de ses collègues (Vapnik et Lerner, 1963 ; Vapnik et Chervonenkis, 1964).
29Comme l’expose bien le slogan de Tinyclues (« great math, simple use, business impact »), les mathématiciens et/ou les informaticiens sont conduits à s’allier aux commerçants afin de développer des technologies de machine learning qui permettent d’apprendre, en temps réel, les préférences des consommateurs de manière à pouvoir leur soumettre des informations sur des produits/services de consommation susceptibles de les intéresser. La promesse est claire et précise : on propose des mathématiques avancées pour une utilisation simple et un impact commercial réel. En d’autres termes, les mathématiques doivent servir les stratégies marketing en se substituant à l’intelligence du marketer traditionnel, augurant un nouvel avatar, bien après le libre-service, la publicité ou les études de marché, de la « vente sans vendeur » (Grandclément, 2008).
30À la différences de Tinyclues, des acteurs comme Makazi développent des solutions qui doivent cette fois-ci permettre à leurs clients d’élaborer, de manière plus ou moins autonome, des automates décisionnels personnalisés en fonction des problématiques marketing qu’ils peuvent rencontrer. C’est par exemple le cas de Dataiku qui a mis en place une offre appelée Data Science Studio qui, en facilitant l’accès aux technologies du Big Data (et donc aux techniques d’apprentissage artificiel), doit permettre à n’importe quel commerçant de se lancer dans la science des données : les promesses du Big Data deviendraient alors une réalité pour tous.
31Notons que l’enjeu de ces différentes innovations est considérable puisque, jusqu’ici, l’analyse marketing reposait sur le découplage entre temps du recueil et temps du traitement des données, sur le test d’hypothèse (top-down) ou l’identification de lois via l’économétrie (bottom-up), et sur la médiation technique des experts capables de conduire ces opérations. Désormais, grâce aux techniques de visualisation instantanée et aux automates décisionnels, le jeu de la main chaude reprend : on promet la disparition du marketing à l’ancienne, la relégation du temps des « études », que l’on remplace par une exploration immédiate et directe des traces par les clients eux-mêmes, moyennant bien sûr le détour par la nouvelle médiation du marketer-automate porté par les outils du Big Data.
2.4. La promesse de l’évaluation de la performance
32Compte tenu du fait que tout apprentissage artificiel est généralement développé et/ou amélioré grâce à la mise en avant d’un critère de performance singulier, la promesse d’une automatisation de la décision réussie dépend étroitement de celle d’une évaluation rigoureuse de sa performance. En définitive, la rhétorique commerciale du Big Data consiste à dire qu’il est avant tout nécessaire de pouvoir mesurer et calculer la performance d’une action afin de pouvoir l’optimiser.
33AT Internet propose ainsi une solution d’évaluation censée permettre de réconcilier les différents parcours des consommateurs en ligne et hors ligne de façon à mesurer l’impact des actions de communication qui ont été déployées durant l’ensemble de leurs expériences d’achat. L’intérêt de cette démarche dite « intégrée » serait de pouvoir rendre compte des phénomènes de composition plus ou moins réussis entre les actions de communication réalisées virtuellement et physiquement. C’est précisément en ce sens que les technologies de mesure de la performance recouvrent la promesse de constituer, pour les professionnels du marché, des systèmes de rétroaction leur permettant d’évaluer rigoureusement l’efficacité de leurs actions marketing. Par exemple, dans le cas d’une stratégie de communication multicanal impliquant plusieurs campagnes menées par plusieurs agents humains et/ou artificiels, la solution proposée par AT Internet pourrait permettre de repérer les combinaisons gagnantes ou non afin d’optimiser les apprentissages et donc les décisions de ces deux types d’agents. Ce type d’approche est porteur d’une efficacité considérable : en bouclant une promesse sur la mesure effective de sa réalisation, on renforce considérablement son pouvoir performatif8, dans la mesure où le spectacle d’une conjecture validée fonctionne comme garantie des réussites à venir : ce schéma, inauguré notamment par la célèbre campagne Myriam et ses promesses successives – demain, je promets d’enlever le haut ; le lendemain, je promets d’enlever le bas en même temps que j’exauce le premier vœu (Cochoy, 2011) – semble être devenu l’un des principaux ressorts de la vente des dispositifs marchands.
2.5. Une efficacité globale réelle mais à nuancer
34Dès lors, qu’en est-il du succès des promesses effectuées par les offreurs de solutions big data9 ? Une première manière d’examiner l’(in)félicité de ces discours est de s’intéresser au niveau de diffusion des dispositifs marchands du Big Data tels qu’ils sont relayés (et/ou narrés) par les acteurs du secteur eux-mêmes. Le théâtre des preuves mises en avant par une industrie pour promouvoir ses succès à venir est peut-être discutable en soi, mais aussi consubstantiel au fonctionnement du marché des dispositifs marchands : nous avions vu, par exemple, comment la revue Progressive Grocer avait construit sa fortune auprès des annonceurs grâce au tour de passe-passe consistant à exhiber la progression de son chiffre d’affaires concernant la vente de son espace publicitaire comme la preuve de l’efficacité commerciale de ces mêmes annonces. Le marché des big data reprend aujourd’hui la même rhétorique, qui consiste à exhiber des chiffres favorables comme indices de succès à venir, en vertu du schéma assez général d’après lequel la performativité d’une nouvelle promesse se renforce lorsqu’on l’accompagne de l’exhibition de l’effectivité de promesses passées (cf. supra). On aurait tort, ici, d’opposer rhétorique et réalité : comme toujours en matière de statistiques (Desrosières, 1993), les chiffres mobilisés sont autant réels (ils ne sont pas inventés, mais renvoient à des référents et à des mesures objectifs) que construits (ils sont définis, mis en scène et sélectionnés selon l’intérêt bien compris de ceux qui les produisent).
35Ainsi, le Guide du Big Data 2013/2014 souligne que ce marché semble susciter un réel intérêt du côté des fournisseurs de prestations puisqu’il connaît un taux de croissance annuel de 31,7 % selon l’International Data Corporation (IDC). Toutefois, la situation est bien plus contrastée lorsque l’on se place du côté des clients. Par exemple, le Big Data Index EMC/IDC (2012) estime que seulement 10 % des entreprises françaises mobilisent les technologies du Big Data alors que plus de 70 % d’entre elles n’ont encore jamais projeté d’adopter, ne serait-ce qu’à titre de thème de réflexion, ces mêmes technologies10.
36Cette performativité relative des promesses associées à la commercialisation des applications marchandes big data peut être expliquée de plusieurs façons. Les avancées contemporaines de la linguistique pragmatique (Austin, 1962 ; Searle, 1969 ; Grice, 1975 ; Sperber et Wilson, 1986) montrent que, du point de vue de l’interlocuteur, la félicité d’un énoncé dépend des contextes objectif et subjectif de son énonciation. Or, il apparaît que les promesses des offreurs ne sont pas toujours perçues comme pertinentes par un certain nombre de demandeurs. À en croire la presse spécialisée, les entreprises n’ont pas nécessairement les ressources économiques, techniques, organisationnelles ou encore culturelles qui pourraient leur permettre d’envisager un projet de développement big data. Autrement dit, il apparaît encore aujourd’hui que, pour une bonne partie des entreprises, les technologies marchandes du Big Data recouvrent un coût d’intégration économique et/ou sociotechnique potentiellement trop élevé en rapport à leur utilité. Les discours ne suffisent pas à soutenir les pratiques, pour la bonne raison que la mise en œuvre des concepts requiert ici de lourds investissements matériels dont le coût vient modérer les promesses marchandes.
37Néanmoins, le rapport d’enquête publié en 2013 par Tata Consultancy Services (TCS) propose un angle de vue un peu différent11, qui pourrait suggérer que la performativité globale des promesses des offreurs de solutions marchandes big data n’est peut-être pas si faible qu’elle n’y paraît. En effet, sur les 1217 entreprises qui ont fait l’objet d’une enquête par TCS durant les mois de décembre 2012 et janvier 2013, un peu plus de la moitié (50,75 %) ont lancé une ou plusieurs initiatives dans le domaine du Big Data (68 % des firmes américaines, 51 % des firmes latino-américaines, 48 % des firmes européennes et 39 % des firmes d’Asie-Pacifique). Aussi est-il important de noter que les compagnies sur lesquelles TCS a mené des enquêtes sont des entreprises qui bénéficient des services informatiques proposés par TCS. En ce sens, ces différentes entreprises sont a priori prédisposées (sur les plans économique, technique, organisationnel et culturel) à mettre en place un projet d’intégration d’innovations issues du domaine de l’informatique organisationnelle et/ou commerciale. Par conséquent, il apparaît que les promesses des offreurs sur le marché des dispositifs marchands big data sont, dans ce cas de figure, perçues comme pertinentes.
38Dans l’ensemble, pour être faible et fragile, la performativité des promesses des offreurs sur le marché des dispositifs marchands big data est réelle. Par exemple, sur les 643 entreprises ayant fait l’objet d’enquêtes par TCS qui ont réalisé un projet de développement big data, 81,5 % estiment avoir effectivement amélioré le procès décisionnel de l’entreprise12 (soit 77 % des entreprises américaines, 80 % des entreprises européennes, 83 % des entreprises d’Asie-Pacifique et 86 % des entreprises latino-américaines). En outre, 76 % des entreprises sur lesquelles TCS avait enquêté et ayant adopté des technologies marchandes du Big Data affirment avoir bénéficié, en 2012, d’un retour sur investissement positif.
2.6. Une forte performativité locale
39À un niveau plus localisé, la performativité des promesses des offreurs de dispositifs marchands big data est plutôt importante. Pour commencer, l’enquête de TCS (2013) montre que le secteur du travail relationnel marchand capte la majeure partie des investissements réalisés dans le cadre d’un projet de développement big data (43,5 %). Plus précisément, 13,3 % sont effectués dans le domaine du service à la consommation, 15 % dans celui du marketing et 15,2 % dans celui de la vente. Aussi, lorsqu’on regarde les pourcentages moyens attendus des retours sur investissement dans le domaine des technologies big data, on s’aperçoit que, bien que les services à la consommation (55,9 %) et la vente (54,3 %) soient en dessous de la logistique/distribution (78,1 %) et de la finance (69 %), ces derniers restent légèrement au-dessus de la moyenne générale (54 %) et font partie des plus élevés. Notons néanmoins que dans le cas du marketing, les espérances sont moins élevées puisque le pourcentage moyen attendu des retours sur investissement dans le domaine des technologies big data est de 41,4 % (i.e. la dernière position). Au total, ces résultats restent toutefois ambivalents. D’un côté, ils traduisent une mise en œuvre certaine, même partielle, de ces technologies ; de l’autre, leur mise en scène par l’entreprise TCS reprend la rhétorique de la presse professionnelle, qui consiste à organiser le théâtre du succès des thématiques dont elle est porteuse pour encourager le trafic ultérieur et développer ses propres affaires. Ici, la question n’est pas tellement de mettre en doute les chiffres présentés dans l’enquête de TCS (qui sont pour la plupart recueillis à travers des questions factuelles), mais plutôt le choix des thématiques abordées et celui des résultats publiés. En ce sens, l’enquête de TCS illustre la performativité relative des promesses réalisées par les offreurs de solutions big data qui n’apparaît pas vraiment contestable telle qu’elle. Par contre, le rapport de TCS n’aborde pas un pan gigantesque de questions qui pourraient permettre de compléter et/ou de nuancer ces résultats. Par exemple, comme nous l’avons déjà signalé, dans le cas des systèmes de personnalisation des environnements numériques marchands (cf. l’automatisation de la décision), les acteurs mettent généralement en avant les taux de conversion ou de désabonnement. Or, il existe de nombreux indicateurs de mesure de désorientation qui ne sont pas pris en compte et qui pourraient permettre de discuter l’efficacité et la pertinence de ce type de solution du point de vue des usages qu’en font les consommateurs finaux : comme toujours, il y a loin entre la vente des dispositifs marchands et l’efficacité de leur fonctionnement.
40En outre, en examinant plus en détail le rapport d’enquête de TCS (2013), on s’aperçoit que les quatre types de promesses que nous avons présentés en amont participent pleinement à orienter les attentes et les projets des entreprises. En effet, dans le secteur du travail relationnel marchand et à travers une liste constituée de plus d’une soixantaine de challenges et de thématiques pouvant constituer de potentielles sources de bénéfices, les entreprises enquêtées par TCS disent s’intéresser, de façon générale, à ceux-ci (tableau 1).
Promesse de recueil, de stockage et de traitement des données |
|
Promesse de visualisation des données |
|
Promesse d’automatisation de la décision |
|
Promesse de l’évaluation de la performance |
|
41Ainsi, les offreurs semblent participer à la « performation » des projets et des problématiques que recouvre l’implémentation, au sein de l’entreprise, des dispositifs marchands big data. Cette façon de faire est porteuse d’un risque non négligeable résidant dans l’instauration d’une sorte de processus de bouclage limitatif entre l’offre et la demande fondé sur l’enfermement dans deux séquences itératives : d’une part, l’offre fait des promesses qui orientent les usages de la demande ; d’autre part, les usages de la demande sont examinés par l’offre afin d’élaborer de (nouvelles) promesses. En instituant des formes d’ajustement incrémentales sur le marché des dispositifs marchands big data, il se pourrait bien que ce processus contribue à favoriser le manque d’imagination qui semble caractériser, comme l’a souligné Christophe Benavent lors du salon « Big Data » en 2014, les quatre domaines d’innovation présentés en amont. À tout le moins, il apparaît que le processus de documentation que recouvrent les technologies marchandes big data renvoie, du point de vue des sciences humaines et sociales, à un ensemble de problématiques théoriques et méthodologiques qui sont plus ou moins ignorées par leurs concepteurs et leurs utilisateurs. Pourtant, la considération de ces problématiques pourrait avoir trois conséquences interdépendantes : permettre à l’ensemble des acteurs du marché des dispositifs marchands big data de se distancier des enjeux économiques ; améliorer les qualités scientifique et éthique des dispositifs marchands big data ; favoriser la diversité des solutions et des usages des dispositifs marchands big data.
Conclusion
42Les big data instaurent un grand marché du traitement des données marchandes massives. Notre exposé peut se lire à rebours : il s’achève par la mise en évidence d’une innovation importante, assise sur des technologies numériques, et sur des promesses réelles, mesurables à l’aune de leur efficacité et de l’extension du marché des outils sous-jacents. Mais au vu de notre récit inaugural, on comprend que cette innovation s’appuie sur une série d’éléments assez anciens, comme le traitement des données de consommation du côté du marketing, et les méthodes statistiques de classification du côté du machine-learning. Le rapprochement de l’actualité et de l’histoire permet de pointer, dans l’entre-deux, une série d’éléments novateurs comme l’exploitation secondaire des traces numériques, l’émergence d’une analyse en temps réel du marché, la promotion d’une pratique directe et profane de l’étude, c’est-à-dire d’un marketing (presque) sans marketers, qui complète la vente sans vendeurs du libre-service grâce à la substitution (au moins rhétorique) du génie logiciel aux marketers de jadis. Il y a là un réel enjeu social, qui permet en quelque sorte, pour reprendre une métaphore que nous avons longtemps filée, à la nouvelle main de silicium de prendre l’avantage sur la « main » de chair ou de papier du marketing dans l’ambition multiséculaire de maîtrise des marchés. Reste la question du dimensionnement des solutions proposées aux pratiques réelles, de l’adéquation des outils à leur demande. Quelle demande ? La catégorie du « (B to [B) to C] » est ici très utile, dans la mesure où elle nous rappelle combien la dynamique du marché des dispositifs marchands repose sur la promesse faite aux professionnels quant au pouvoir qu’auraient ces dispositifs d’améliorer ou de multiplier les ventes auprès des consommateurs finaux. On retrouve alors, derrière les atours modernistes du Big Data, le théâtre habituel de l’efficacité supposée des technologies de manipulation… qui ne manipulent de façon certaine que les candidats au métier de manipulateur.
Remerciements
L'écriture de ce chapitre a bénéficié du soutien du Swedish Research Council (project Digcon: Digitalizing consumer culture, Grant number 2012-5736).
Bibliographie
Austin J.-L. (1962), How to do Things with Words, Oxford, Oxford University Press.
Bezes P. (2009), Réinventer l’État. Les réformes de l’administration française (1962-2008), Paris, PUF.
Bruno I. (2012), « Quand s’associer, c’est concourir. Les paradoxes de la “coopétition” », in Cochoy F. (dir.), Du lien marchand. Essai(s) de sociologie économique relationniste, Toulouse, Presses universitaires du Mirail, p. 54-78.
Brown G.H. (1951), « What economists should know about marketing », Journal of Marketing, vol. 16, no 1, p. 60-66.
Callon M. (1998), The Laws of the Markets, Oxford, Blackwell.
Chandler Alfred D. Jr. (1988), La Main visible des managers : une analyse historique, Paris, Economica [1977].
Cochoy F. (1999), Une histoire du marketing. Discipliner l’économie de marché, Paris, La Découverte.
Cochoy F. (2011), Sociologie d’un « curiositif » : smartphone, code-barres 2D et self-marketing, Lormont, Éditions Le Bord de l’eau, coll. « Mondes marchands ».
Cochoy F. (2014), Aux origines du libre-service. Progressive Grocer (1922-1959), Lormont, Éditions Le Bord de l’eau, coll. « Mondes marchands ».
Cochoy F. (2015a), « Afterword. Concerned markets: facing the future, beyond “interested” and “contested” markets » in Harrison D., Geiger S., Kjellberg H. et Mallard A. (éd.), Concerned Markets. Economic Ordering for Multiple Values, Cheltenham, Edward Elgar Publishing.
Cochoy F. et Terssac (de) G. (2000), « Au-delà de la traçabilité : la mappabilité. Deux notions connexes mais distinctes pour penser les normes de management », in Serverin E. et Berthoud A. (dir.), La Production des normes entre État et société civile, Paris, L’Harmattan, p. 239-249.
Coll S. (2014), Surveiller et récompenser : les cartes de fidélité qui nous gouvernent, Zurich/Genève, Seismo, coll. « Terrains des sciences sociales ».
Converse J. (1987), Survey Research, United States Roots and Emergence, 1890-1960, Berkeley, CA, University of California Press.
Cornuéjols A. et Miclet L. (2013), Apprentissage artificiel. Concepts et algorithmes, Paris, Eyrolles.
Desrosières A. (1993), La Politique des grands nombres. Histoire de la raison statistique, Paris, La Découverte.
Didier E. (2009), En quoi consiste l’Amérique ? Les statistiques, le New Deal et la démocratie, Paris, La Découverte.
Galison P.L. (1994), Big Science: The Growth of Large Scale Research, Stanford, Stanford University Press.
Grandclément C. (2006), « Wheeling food products around the store… and away: the invention of the shopping cart, 1936-1953 », papier présenté au Food Chains Conference: Provisioning, Technology, and Science, Hagley Museum and Library, Wilmington, Delaware, 2-4 novembre : http://www.csi.ensmp.fr/Items/WorkingPapers/Download/DLWP.php?wp=WP_CSI_006.pdf.
Grandclément C. (2008), Vendre sans vendeurs : sociologie des dispositifs d’achalandage en supermarché, thèse pour obtenir le grade de docteur de l’École de mines de Paris, spécialité « Socio-économie de l’innovation ».
Grice P.H. (1975), « Logic and conversation », in Cole P. et Morgan J.-L. (éd.), Syntax and Semantics 3: Speech Acts, New York, Academic Press, p. 41-58.
Eighmey J. et Sar S. (2007), « Harlow Gale and the origins of the psychology of advertising », Journal of Advertising, vol. 36, no 4, p. 147-158.
Hirschman A.O. (1980), Les passions et les intérêts, justifications politiques du capitalisme avant son apogée, Paris, Presses universitaires de France.
Jones D.G.B. et Monieson D. D. (1990), « Early development of the philosophy of marketing thought », Journal of Marketing, vol. 54, no 1, p. 102-113.
March J.G. (1991), « Exploration and exploitation in organizational learning », Organization Science, vol. 2, no 1, p. 71-87.
Martin D. (2005), Les Options fondamentales de la finance : domestication sociologique d’un produit financier, thèse pour le doctorat de sociologie, Toulouse, université Toulouse 2.
Mothe C. et Brion S. (2008), « Innovation : exploiter ou explorer ? », Revue française de gestion, no 187, p. 101-108.
Polanyi K. (1983), La Grande Transformation, aux origines politiques et économiques de notre temps [1944], Paris, Gallimard, Bibliothèque des sciences humaines.
Rochet J.-C. et Tirole J. (2003), « Platform competition in two-sided markets », Journal of the European Economic Association, vol. 1, no 4, p. 990-1029.
Searle J.R. (1969), Speech Acts, Cambridge, Cambridge University Press.
Sperber D. et Wilson D. (1986), Relevance. Communication and Cognition, Oxford, Blackwell.
Strasser S. (1989), Satisfaction Guaranteed. The Making of the American Mass Market. New York, Pantheon Books.
Tedlow R.S. (1990), New and Improved. The Story of Mass Marketing in America, New York, Basic Books.
Torny D. (1998), « La traçabilité comme technique de gouvernement des hommes et des choses », Politix, no 44, 4e trimestre, p. 51-75.
Yates J. (2006), « How business enterprises use technology: extending the demand-side turn », Enterprise and Society, vol. 7, no 3, p. 422-455.
Vapnik V. et Lerner A. (1963), « Pattern recognition using generalized portrait method », Automation and Remote Control, vol. 24, p. 774-780.
Vapnik V. et Chervonenkis A. (1964), « A note on one class of perceptrons », Automation and Remote Control, vol. 25.
Vayre J.-S. (2014), « Manipuler les données. Documenter le marché. Les implications organisationnelles du mouvement Big Data », Les Cahiers du numérique, vol. 10, no 1, p. 95-125.
Notes de bas de page
1 La presse est vendue auprès d’un double public : son public et les annonceurs, d’où la notion de marché biface (Rochet et Tirole, 2003). Même dans le cas où la presse est gratuite pour le public et « vendue » aux annonceurs la notion de marché biface garde toute sa pertinence, puisque la presse n’a de valeur pour les annonceurs qu’en vertu du public qu’elle attire.
2 Pour plus de détails sur l’histoire de cette intrication et de cette dynamique, qui fonde toujours l’économie des big data contemporaines, voir la contribution de Dominique Boullier, chap. 8.
3 À son niveau, Progressive Grocer recourt à la même rhétorique : le magazine met en scène sa capacité à se développer à l’époque où le marché se contracte.
4 Nous avions imprudemment présenté la science du marketing comme la « dernière main » dans le jeu de la main chaude (Cochoy, 1999). Nous réalisons aujourd’hui qu’il aurait été sage de préciser qu’il fallait entendre « la dernière » main comme « la plus récente » dans le cadre temporel de l’étude que nous menions à l’époque, et surtout pas comme « l’ultime » main dans un jeu qui s’est poursuivi au-delà et qui semble bien ne devoir jamais s’arrêter.
5 Le slogan que SAP propose pour présenter son offre HANA en est une bonne illustration : « Not just a database. A whole new approach to data. Run Better. SAP. ».
6 Pour une illustration de ces différentes fonctions : https://www.tableau.com/fr-fr/products/desktop#video.
7 La notion d’automate décisionnel est quelquefois utilisée par les spécialistes de l’intelligence artificielle afin de désigner les systèmes d’apprentissage et de prise de décision qu’ils conçoivent. De prime abord, elle apparaît assez curieuse : une décision automatisée reste-t-elle une décision ? La réponse serait relativement simple si les automates étaient incapables d’apprendre à s’adapter à leur environnement. Ce qui n’est pas le cas : les agents artificiels peuvent apprendre des interactions qu’ils entretiennent avec leurs environnements afin d’améliorer leur performance. Ils peuvent ainsi décider de changer leurs modèles d’action en fonction de critères d’évaluation bien spécifiques et des informations qu’ils peuvent recueillir sur leur environnement.
8 La pragmatique linguistique a introduit la distinction entre énoncés « constatifs » et énoncés « performatifs » : tandis que l’on peut établir le caractère de vérité ou de fausseté des premiers en se référant au réel vers lequel ils pointent (« le chat est sur le paillasson »), les seconds ne sont ni vrais ni faux, mais font ou peuvent faire advenir le monde auquel ils se réfèrent (« je promets que je viendrai demain » ; « je vous déclare mari et femme » ; etc.). Cette notion a récemment fondé, sous l’impulsion de Michel Callon (1998), puis d’autres auteurs, un important renouvellement de la sociologie économique, dans la mesure où elle permet d’écarter la vaine querelle qui prédominait jusqu’alors sur la vérité ou la fausseté des théories économiques et des sciences de gestion (leur caractère constatif) pour s’intéresser à la façon dont leurs énoncés contribuent, ou non, sous certaines conditions, à transformer le monde dont elles traitent.
9 Nous adoptons ici un angle de vue bien spécifique qui consiste à rechercher comment les discours des offreurs de solutions big data participent à orienter la pratique des marchands. Ce point de vue est bien entendu très discutable. Par exemple, il ne permet pas de rendre correctement compte du rôle des éléments matériels dans la dynamique du marché des dispositifs marchands big data. Or, il est clair que cette dynamique est façonnée par de nombreux enjeux sociotechniques. Et, les acteurs de l’offre élaborent leurs promesses en fonction de ces enjeux qu’ils connaissent souvent assez bien. Nous reviendrons toutefois sur ce point afin de souligner comment ce jeu promesses/pratiques peut former une sorte de boucle itérative qui comporte un certain nombre de risques sur le plan socio-économique.
10 La première version du Big Data Index EMC/IDC a été réalisée en 2012 et a pour objectif de mieux évaluer la perception que les entreprises françaises ont du Big Data et surtout de mieux mesurer les réalités des initiatives prises dans ce domaine. Le rapport repose sur une enquête conduite en France de juin à juillet 2012 auprès de 160 entreprises de plus de 200 salariés.
11 Cf. The Emerging Big Returns on Big Data. A TCS 2013 Global Trend Study.
12 TCS ne précise pas directement la question posée aux enquêtés. Néanmoins, le rapport stipule qu’il s’agissait ici de demander aux participants si leur(s) initiative(s) de développement big data leur avai(en)t permis d’améliorer leur prise de décision dans le domaine des affaires.
Auteurs
Le texte seul est utilisable sous licence Licence OpenEdition Books. Les autres éléments (illustrations, fichiers annexes importés) sont « Tous droits réservés », sauf mention contraire.
La pluralité interprétative
Fondements historiques et cognitifs de la notion de point de vue
Alain Berthoz, Carlo Ossola et Brian Stock (dir.)
2010
Korčula sous la domination de Venise au XVe siècle
Pouvoir, économie et vie quotidienne dans une île dalmate au Moyen Âge tardif
Oliver Jens Schmitt
2011
La mondialisation de la recherche
Compétition, coopérations, restructurations
Gérard Fussman (dir.)
2011
La prévention du risque en médecine
D'une approche populationnelle à une approche personnalisée
Pierre Corvol (dir.)
2012
Big data et traçabilité numérique
Les sciences sociales face à la quantification massive des individus
Pierre-Michel Menger et Simon Paye (dir.)
2017
Korčula sous la domination de Venise au xve siècle
Pouvoir, économie et vie quotidienne dans une île dalmate au Moyen Âge tardif
Oliver Jens Schmitt
2019