#6.1 Valorisation et monétisation : quelles différences ?
Decideo - Data Science, Big Data, Intelligence Augmentée
Release Date: 02/17/2026
Decideo - Data Science, Big Data, Intelligence Augmentée
Assemblée nationale : le rapport sur la souveraineté numérique préconise la création de syndicats de données Un concept déjà largement étudié au Québec (Canada) sous le nom de fiducie de données, mais pas encore développé en France. Vous avez très certainement lu les 453 pages du rapport de la commission d’enquête de l’Assemblée nationale sur la souveraineté numérique , publié le 8 juillet… et donc, vous n’êtes pas passé à côté de la proposition n° 4 : créer un statut de syndicat de données… Les plus de 400 pages du rapport...
info_outlineDecideo - Data Science, Big Data, Intelligence Augmentée
Interdire ou empêcher : deux logiques de gouvernance à l’épreuve des données et de l’IA De passage sur TikTok pour y écouter parler de philosophie (si, si, on parle de philo sur TikTok… abonnez-vous par exemple au compte de @philo_sophia_) l’algorithme m’a conduit à une comparaison argumentée entre l’interdiction et l’empêchement. Faisant le parallèle avec les contextes de gouvernance des données et de l’intelligence artificielle, qui semblent si difficiles à faire accepter aux opérationnels, il m’a semblé porteur de poser quelques réflexions sur le...
info_outlineDecideo - Data Science, Big Data, Intelligence Augmentée
Intelligence artificielle : comment redéfinit-elle le métier de directeur financier Clôtures accélérées, prévisions en temps réel, détection de fraude, assistants conversationnels embarqués dans l’ERP : l’intelligence artificielle n’est plus un horizon lointain pour les directions financières. Selon Deloitte, 87 % des DAF estiment qu’elle sera « extrêmement ou très importante » pour leur fonction en 2026. Ce que l’IA apporte vraiment Il faut commencer par distinguer deux familles de technologies. L’IA dite « traditionnelle » repose sur...
info_outlineDecideo - Data Science, Big Data, Intelligence Augmentée
Nous recevons cette semaine les deux co-fondateurs de Dataloma, nouvel éditeur de progiciels spécialisé dans le context engineering encadrant les modèles d'IA générative : Laura Bonnafé, et Matthieu Fauchon. - Pourquoi la formalisation et la transmission d'un contexte sont indispensables pour améliorer les résultats de l'IA ? - Quelles sont les erreurs / risques diminués par la transmission d'un contexte ? - Pourquoi avoir lancé Dataloma ? Quelle stratégie souhaitez-vous déployer ?
info_outlineDecideo - Data Science, Big Data, Intelligence Augmentée
Le LLM va-t-il devenir l’interface unifiée de la gouvernance des données ? Récemment j’évoquais les raisons principales d’échec du déploiement de nombreux catalogues de données. En première ligne, l’absence d’adoption suffisante par les utilisateurs métiers. Doit-on refondre les interfaces utilisateurs ? Une nouvelle voie apparait : abandonner l’interface utilisateur ! Et la confier à un LLM qui interrogera, via un serveur MCP, la base de données du catalogue. L’habitude d’interroger un moteur de recherche pour obtenir une réponse a changé. Le...
info_outlineDecideo - Data Science, Big Data, Intelligence Augmentée
Un catalogue social de données, orienté utilisateurs Il y a quelques mois, j’ai travaillé pour une grande entreprise sur la formalisation des caractéristiques du catalogue de données idéal. « Social et orienté vers ses utilisateurs » sont ressorties comme les caractéristiques essentielles d’un catalogue efficace en 2026… ou 2027. Un catalogue social, c’est-à-dire conçu comme tous les outils que nous utilisons au quotidien, qui favorisent l’interaction, la création de contenu par l’utilisateur, la simplicité d’utilisation, et l’intégration aux applications...
info_outlineDecideo - Data Science, Big Data, Intelligence Augmentée
Pour parler d'IA, de ressources humaines et de données, nous recevons José Alberto Rodriguez Ruiz, Délégué à la protection des données (DPO) et responsable de la gouvernance de l’IA chez Cornerstone (Chief Data Protection & AI Governance Officer). - Comment les DRH utilisent-elles l'IA en 2026 ? A quelles étapes de la relation employeur-employé ? - Les données RH sont par essence des données personnelles. Comment s'assurer d'être conforme à la réglementation ? - Quels sont les risques liés aux usages de l'IA dans le domaine des RH et comment les éluder ? (discriminations,...
info_outlineDecideo - Data Science, Big Data, Intelligence Augmentée
Quelques semaines après la fermeture du Salon de l’Agriculture, une question centrale se pose : et si une partie de la réponse à la crise agricole se trouvait dans une ressource déjà produite par les exploitations, mais encore largement invisible ? Chaque jour, les fermes françaises génèrent des données sur les sols, l’eau, le climat, les cultures ou les rendements. Ces informations ont une valeur stratégique. Elles alimentent les outils d’aide à la décision, les modèles d’intelligence artificielle et les services développés par les acteurs de l’agritech. Pourtant,...
info_outlineDecideo - Data Science, Big Data, Intelligence Augmentée
Alain Garnier, co-fondateur de Jamespot, est un ardent défenseur de la souveraineté numérique; l'occasion d'aborder ce sujet avec lui, sans filtre, et de réfléchir ensemble aux solutions pratiques, et non-extrémistes, qui s'offrent à nous, pour faire un bout de chemin en direction d'un numérique moins dépendant de la grande puissance américaine aujourd'hui, ou peut-être chinoise demain. - Vous dites : "Nous sortons d’une approche théorique de la souveraineté numérique. Désormais, la question centrale devient : est-ce que l’organisation peut continuer à fonctionner si cette...
info_outlineDecideo - Data Science, Big Data, Intelligence Augmentée
L’observabilité : attitude et outil du data steward Observer vient de la racine latine observare, qui signifie « noter ou considérer », mais aussi « garder en sécurité ou protéger ». Quelle belle proximité avec la fonction de data steward ! Or aujourd’hui le rôle du data steward n’est plus simplement de se préoccuper de qualité des données, mais réellement de mettre en œuvre l’observabilité. Plutôt qu’un steward, il est plutôt d’ailleurs un contrôleur aérien de vos data. Il ne pilote pas mais surveille et organisme le trafic et reporte les...
info_outlineDifférences entre valorisation et monétisation
Collectées, stockées et analysées depuis tant d’années, les données sont enfin adultes. Il est maintenant temps de leur permettre d’accéder à leur indépendance financière. La prochaine décennie sera celle de la valorisation et de la monétisation des données.
Le phénomène a déjà commencé, il y a plusieurs années. Au travers des réseaux sociaux, nos données ont pris de la valeur, même si elle ne nous est pas toujours attribuée. Des règlements ont conduit, en particulier en Europe, à encadrer un peu l’usage de nos données personnelles. Et les techniques comptables et financières (IAS/IFRS) abordent maintenant le sujet de leur valorisation.
Valoriser, c’est donner une valeur
Établir la valeur d’une donnée, c’est lui adosser un chiffre et une unité de compte, qui permet de la comparer avec d’autres. L’unité de compte qui vient en premier à l’esprit c’est la monnaie, l’Euro, le dollar, le bitcoin… peu importe. Mais on pourrait en utiliser d’autres, en particulier pour mesurer des impacts sociaux ou environnementaux.
Définir la valeur de quelque chose dépend fondamentalement du cadre d’analyse que l’on adopte. Il n’existe pas une définition universelle et intemporelle de la valeur, mais un ensemble de définitions cohérentes selon les disciplines, les acteurs et les usages. Une définition générale pourrait en être la suivante : l’importance relative attribuée à un objet, une action ou une ressource par un acteur donné, dans un contexte donné, au regard d’un objectif donné. En entreprise, la valeur d’un bien ou d’un service pourrait être définie de la manière suivante : la contribution mesurable ou appréciable d’un actif à l’atteinte d’objectifs économiques, opérationnels, stratégiques ou réglementaires, pour un ensemble d’acteurs identifiés.
Combien valent vos données ? Combien vaut votre data warehouse ou votre data lake ? Comment les estimer, les valoriser ? C’est un sujet qui deviendra clef dans les prochaines années. Pourquoi ?
… parce que pour monétiser des données, je dois les valoriser !
Monétiser c’est transformer les data de centre de coût en centre de profit
La donnée est un actif, immatériel, qui a une valeur comme nous venons de le définir. Peut-on transformer cette valeur en espèces sonnantes et trébuchantes ? Oui, cela s’appelle la monétisation. Je ne vais pas vous faire vendre votre fichier client, ou vos données personnelles ! Mais croire que seules ces données ont de la valeur pour quelqu’un c’est très réducteur.
Un centre commercial qui analyse ses visiteurs… quel pourcentage d’hommes et de femmes, combien ont un chapeau, des enfants, un parapluie, un sac en cuir ou un sac en plastique ? Un péage d’autoroutes qui analyse les marques et modèles de voiture qui entrent et sortent, la présence d’un coffre de toit, de vélos, d’une remorque ? Si ces analyses statistiques n’ont pas de valeur pour lui, elles en auront pour quelqu’un, qui sera prêt à les acheter ou les louer. L’open data était un premier pas, l’économie de la donnée est le second. Cela passe par des produits de données, des contrats associés, des espaces de données, et des places de marché (data products, data contracts, data spaces et data marketplaces). Nous étudierons tout cela.
Monétiser c’est transformer la valorisation en réalité économique.