Les télécoms sont en effet parmi les secteurs d’activités théoriquement les plus riches en données.
Coralie Muratet
Les organisations se trouvent parfois confrontées à des innovations technologiques dont la diffusion questionne en profondeur leurs stratégies et leurs modes de fonctionnement. Comme le digital avant elles, la (Big) Data et l’IA sont parmi les innovations qui changent les règles du jeu et poussent les entreprises à se réinventer. Si les opérateurs télécoms se sont pour la plupart engagés dans cette voie, ils ne sont pourtant pas nécessairement parvenus à modéliser avec un degré de confiance élevé la valeur, au sens de bénéfices financiers, liés à la Data et à l’IA.
Un contexte favorable à la création de valeur
Bien qu’aucune de ces deux technologies ne soit particulièrement nouvelle, leurs progrès continus et la baisse concomitante des coûts associés à leur usage, marqués par une accélération depuis la fin de la dernière décennie, ont rendu possible leur démocratisation. Les algorithmes d’IA ont en effet gagné en performance en se nourrissant des volumes et de la variété toujours plus importants de données digitales, non-structurées notamment, couvrant quasiment tous les domaines des activités humaines.
Les gains d’efficience des écosystèmes matériels et logiciels permettant les traitements Big Data sont désormais accessibles aux entreprises ce qui autrefois était réservé au monde de la recherche : une puissance de calcul à la (dé)mesure de l’IA, à la fois de moins en moins chère et de plus en plus performante. Si le coût pour entraîner un réseau de neurones à reconnaître des images atteignait 1000 dollars sur un cloud public en 2017, il n’était plus que de 10 dollars à peine 2 ans plus tard, en 20191.
Et ce mouvement se poursuit. L’explosion des données non plus n’est pas prête de s’arrêter : d’ici à 3 ans, davantage de données devraient être créées qu’au cours des 30 dernières années2.
Dans les télécoms, l’opportunité est grande
Les télécoms sont en effet parmi les secteurs d’activités théoriquement les plus riches en données. Selon IDC, 9% de toutes les données d’entreprise stockées dans le monde ont été créés par les télécoms et les utilities3. Au même titre que les acteurs de l’énergie ou de l’eau, les opérateurs télécoms fournissent des services essentiels.
Leurs parcs de clients peuvent donc représenter des fractions significatives de la population et des entreprises à l’échelle d’un territoire. Leurs données sont par conséquent susceptibles d’avoir une certaine représentativité statistique.
Convergence fixe-mobile, omnicanalité et diversification dans de nouveaux services obligent, elles sont également de plus en plus variées : les clients des opérateurs peuvent souvent utiliser tout à la fois leur mobile ou internet, regarder l’IPTV, utiliser des services financiers mobiles et contacter leur service client par de multiple biais (sur internet, en boutique ou par téléphone, notamment) ; à chaque fois, ils génèrent des données.
Toutefois, c’est surtout parce que les réseaux et leurs équipements sont les points de transit de l’ensemble des échanges numériques, que les volumes et la variété des données à la main des opérateurs sont potentiellement gigantesques. Bien sûr, toutes ces données ne sont pas interceptées ni stockées, et celle qui le sont subissent bien souvent anonymisation et agrégation.
Mais les méthodes qui en permettent la collecte et l’analyse poussée – fort heureusement très encadrées dans la plupart des pays – existent depuis longtemps, telle l’inspection profonde de paquet (IPP). Ajoutons à cela l’arrivée de la 5G et sa promesse de développement des données IoT, et les perspectives de valorisation de données par les opérateurs deviennent vite vertigineuses.
La question éludée : celle de la destruction de la valeur
Certes, la Data et l’IA éveillent la crainte de voir certains métiers devenir obsolètes, y compris – et c’est la nouveauté – des métiers dits « qualifiés », mais les opérateurs ont bien vite été soulagés de s’apercevoir qu’elles étaient de bien moindres menaces pour eux que ne l’a été le digital : elles n’entraînent pas de risque de désintermédiation, d’apparition de nouveaux entrants over-the-top et au final, de perte de revenus. Cette différence pourrait être majeure dans la rapidité avec laquelle les opérateurs se saisiront de la Data et de l’IA.
La question épineuse : celle de la rentabilité
Les exemples d’applications fructueuses de la Data et de l’IA dans des domaines critiques pour les opérateurs sont nombreux : depuis la détection de fraude jusqu’à la planification des déploiements de réseaux, pour s’assurer d’investissements les plus rentables possibles, en passant par la gestion optimisée des ressources réseaux et celle des campagnes de marketing direct, toujours plus personnalisées.
Mais ces exemples concrets ne suffisent pas à estimer la rentabilité de la Data et de l’IA à l’échelle de l’entreprise dans son ensemble. Et pour cause : une fois que les opérateurs ont identifié les cas d’usage Data et IA prioritaires pour leurs différents métiers, ils doivent dans l’idéal réaliser plusieurs dépenses transverses pour créer les conditions du déploiement de ces usages.
Il leur faut notamment se doter d’une infrastructure permettant la collecte et l’intégration (parfois en temps réel), le stockage (sinon centralisé, du moins évitant la duplication et favorisant le croisement des sources) et le traitement suffisamment rapide (de plus en plus déporté en périphérie des réseaux, voire embarqué).
Cette infrastructure doit être adaptée à la gouvernance de leurs données et de leur sécurité, dans le respect des réglementations, notamment celles concernant la confidentialité et la souveraineté. Ces investissements bénéficient potentiellement à tous les cas d’usage Data et IA des opérateurs, et leurs coûts doivent donc idéalement être mutualisés entre tous les projets et entités qui en bénéficient. Or, les dépenses d’infrastructure peuvent représenter une part importante des dépenses Data et IA totales des opérateurs, d’autant que les modèles doivent être continuellement entraînés avec de nouvelles données pour rester performants.
En parallèle, les opérateurs doivent engager des dépenses dans la transformation de leur organisation, allant bien souvent jusqu’à créer des entités dédiées à la Data et à l’IA. Ils doivent notamment financer l’accompagnement au changement de leurs salariés, leur acculturation, leur montée en compétence ou leur évolution vers de nouveaux métiers, et recruter les compétences qui leur font défaut et sont souvent chères, car le contexte est à la pénurie.
Qui-plus-est, la nature exploratoire d’une partie des projets autour des données, l’incertitude d’obtenir des résultats exploitables, le temps fluctuant de l’apprentissage et la qualité elle-même des données rendent le coût de ce socle technique commun et la valeur escomptée difficilement prévisibles.
Enfin, les dépenses des opérateurs sont rarement cantonnées à une technologie ou technique : l’utilisation de l’IA est souvent couplée à celle de l’automatisation, notamment dans les télécoms. De plus, la technologie n’est qu’un levier parmi d’autres pour expliquer la création de valeur : au-delà de la machine, il y a bien sûr et surtout l’humain, les interactions entre l’un et l’autre, les données sans lesquelles la machine ne pourrait apprendre et bien d’autres facteurs explicatifs encore. Détourer ce qui relève de l’IA ou de la Data seules pour valoriser leur contribution individuelle aux bénéfices d’une entreprise ou d’un projet spécifique s’avère donc complexe, si ce n’est impossible.
La preuve de la valeur par l’exemple
Si les opérateurs internationaux communiquant sur le coût de leurs investissements dans le domaine de la Data et de l’IA, ainsi que sur les retours escomptés et effectifs de ces investissements, se comptent sur les doigts d’une main, il semble que les efforts commencent à porter leurs fruits chez certains. C’est en tout cas ce que rapportent les premiers d’entre eux à avoir investi significativement dans le domaine.
Ainsi Vodafone met-elle en avant des gains d’efficacité opérationnelle équivalents à 3 500 ETP au cours des 2 dernières années grâce à la robotique et à l’IA4, ce qui n’est pas rien pour un groupe qui compte 93 000 employés.
Telefónica5, de son côté, a lancé dès 2016 Luca, une filiale Big Data adressant les clients Entreprise, devenue depuis filiale Big Data et IA. Elle s’est peu après engagée dans une stratégie ambitieuse de création d’une « quatrième plateforme » d’intelligence cognitive, Aura, basée sur le langage naturel et appelée alors à devenir le chef d’orchestre d’une organisation jusque-là articulée autour de trois composantes : infrastructure physique, systèmes d’information, et produits et services. Du coût marginal d’Aura, il ne sera pas dit grand-chose dans la communication financière de Telefónica, si ce n’est que 48 milliards d’Euros auront été dépensés de 2012 à 2017 pour financer les seuls prérequis à sa création. Des revenus ou économies de coûts qui pourraient lui être attribués, nous ne saurons guère plus, Telefónica préférant communiquer sur les bénéfices de la digitalisation en général, à laquelle elle associe Big Data et IA, entres autres technologies. Fin 2019, Aura revendiquait toutefois 3 millions d’utilisateurs actifs par mois et un déploiement au sein de 1000 cas d’usage.
Même si les exemples et les chiffres communiqués sont encore peu nombreux, ils constituent un précédent apparu assez récemment. Or, si les opérateurs pionniers de la Data et de l’IA commencent à percevoir un gain tangible, et savent l’exprimer à l’échelle de leur entreprise dans son ensemble et pas uniquement de projets singuliers, il est à parier que ceux qui sont moins avancés voudront suivre leurs traces.
Des dépenses Data et IA qui se poursuivent
Selon Omdia6, plus de 50% des opérateurs prévoient d’augmenter leurs dépenses dans le domaine des outils d’IA et des Data lakes en 2021, et ce, malgré (ou grâce à) la pandémie. De même que la digitalisation s’est accélérée à marche forcée en 2020 – venant compenser des années d’investissements prudents des opérateurs dans le domaine – l’utilisation de l’IA s’est également développée, pour renforcer l’engagement de clients grand-public entravés dans leur accès aux canaux humains traditionnels (boutiques et centres de contact, notamment).
Un mouvement commence également à s’amplifier parmi les opérateurs : la migration d’une partie de leurs données et SI vers le cloud et les quelques solutions du marché, principalement américaines. Pourtant, les questions de sécurité, de confidentialité et de souveraineté des données, pour ne citer qu’elles, ont longtemps constitué des freins très forts à ce mouvement. Mais à l’heure du développement de la Data et de l’IA, d’autres considérations semblent l’emporter.
Tout d’abord, les stratégies techniques adoptées plus tôt par les opérateurs pour valoriser leurs données, telles les architectures Hadoop on-premise, ont révélé leurs limites et leurs coûts cachés. Ensuite, le cloud et sa promesse de stockage et de calcul élastiques ont simplifié l’accès aux ressources et rendu variable une grande partie de leurs coûts.
Or, si le cloud contribue à la maîtrise des coûts associés à la Data et de l’IA, il est une question qui demeure entière : celle de la valeur exacte de ces technologies pour les opérateurs télécoms.
Extrait de notre livre blanc : Défis et progrès à l’ère des données et de l’intelligence artificielle
1 Exemple de classification par réseau de neurones à convolution ResNet50. Source : Ark Invest, The Cost of AI Training is Improving at 50x the Speed of Moore’s Law: Why It’s Still Early Days for AI, 2020
2 Source : IDC, Worldwide Global DataSphere Forecast, 2020–2024: The COVID-19 Data Bump and the Future of Data Growth, 2020
3 Source : IDC, Data Age 2025, 2018 14 Source : rapport annuel 2020, Vodafone Group Plc
4 Sources : communiqués de presse, rapport annuel et blog Telefónica, 2016 à 2019
5 Source : Omdia, ICT Enterprise Insights 2020/21 – Global Survey: Telecoms Survey, 2020
6 V. D. Blondel et al., “Data for Development: the D4D Challenge on Mobile Phone Data,” arXiv:1210.0137 [physics, stat], Jan. 2013, Accessed: Jan. 28, 2021. [Online]. Available: http://arxiv.org/abs/1210.0137.
Extrait de notre livre blanc : Défis et progrès à l’ère des données et de l’intelligence artificielle
