Comment une organisation peut-elle tirer parti des données en tant qu'actif stratégique ? Les données coûtent cher. Vous devez investir dans la capture et le nettoyage des données, l'hébergement et la maintenance, les ingénieurs de données, les analystes de données, les risques, la qualité des données, la présentation des informations, etc.
Si cela est bien fait et de manière ordonnée, une organisation peut exploiter les informations pour prospérer dans ses activités. Du MIT, Erik Brynjolfsson, commente que les organisations basées sur les données obtiennent une productivité de 5% à 6% supérieure à la concurrence. Ils ont également rendu leurs actifs, le rendement du capital et la valeur marchande plus efficaces.
Pour devenir efficace, il faut une culture globale des données qui combine qualité, accès, connaissances et processus décisionnels appropriés.
source de données unique
Une source de données unique, centralisée et dont la qualité est contrôlée doit être le point unique d'extraction des données d'entreprise. Lorsque des métrixas sont extraites de différents systèmes, des résultats différents sont inévitablement générés.
Cela provoque des décalages qui ralentissent la prise de décision et des visions opposées dans les scénarios, en plus de l'absence d'une certitude unique et fidèle sur la réalité.
De plus, des résultats peuvent apparaître sur la base de données obsolètes, inexactes ou généralement inappropriées, qui sont exploitées par de bons professionnels mais produisent de faux résultats.
Lorsque cette source unique existe, elle offre une valeur supérieure à l'organisation : les décideurs. Les temps de recherche des données sont rationalisés dans toute l'organisation et des investissements sont réalisés dans leur utilisation.
De plus, les sources de données sont mieux organisées, documentées, liées et enrichies. Par conséquent, les utilisateurs sont mieux placés pour tirer parti des données et trouver les informations.
Savoir où obtenir les données et fournir des résultats de qualité est essentiel pour la prise de décision finale
Pour le gestionnaire de données, une source unique est également préférable. Il facilite la documentation, évite les conflits de nomenclature dans la structure (tables, champs), contrôle la charge et la qualité des données et assure la cohérence des identifiants dans toutes les tables. Il est également plus facile de fournir des vues plates et exploitables des relations clés et des entités qui peuvent provenir de différentes sources.
Dans les grandes organisations, il existe souvent des raisons historiques pour lesquelles les données sont stockées dans des silos.
Par exemple, les grandes organisations sont plus susceptibles d'acquérir des systèmes de données par le biais d'acquisitions interentreprises, ou en achetant des fournisseurs de données complémentaires, ou pour des problèmes de réglementation entraînant des systèmes autonomes en plus du système d'exploitation principal.
Ainsi, une source unique, bien qu'il s'agisse d'un investissement important et complexe, permet à l'équipe centrale des données de fournir des conseils officiels, répertoriant ce qui est disponible, où il se trouve, où il existe plusieurs sources, le meilleur endroit pour l'obtenir et d'autres résultats qui produisent un grand avantage pour l'organisation.
Dictionnaire de données
Avoir un bon dictionnaire de données permet aux utilisateurs de savoir facilement ce que signifient les champs de données et les mesures.
Cet aspect est souvent un obstacle insurmontable pour de nombreuses organisations. Lorsque vous ne disposez pas d'une liste claire de mesures et de leurs définitions, les gens font des hypothèses, qui peuvent différer de celles des autres et entraîner des divergences dans les résultats et les opinions.
Une entreprise a besoin de générer un glossaire avec des définitions claires, sans équivoque et convenues. Cela nécessite une collaboration avec toutes les parties prenantes clés et les experts commerciaux.
Tout d'abord, vous devez accepter ces définitions officielles ; empêcher les équipes de se tromper avec leur propre version distincte d'une métrique.
Deuxièmement, ce n'est souvent pas la définition de base où les compréhensions des gens diffèrent, mais la façon de gérer les cas extrêmes. Par exemple, alors que tout le monde peut avoir une compréhension commune de ce que signifie une métrique « commandes passées », ils peuvent différer dans la façon dont ils veulent ou s'attendent à gérer les annulations, les commandes fractionnées ou la fraude.
Ces scénarios doivent être présentés, discutés et résolus. L'objectif ici est de parvenir à un consensus de deux manières possibles : soit de combiner plusieurs métriques similaires en une seule métrique commune, soit d'identifier les situations dans lesquelles il est vraiment nécessaire de diviser une métrique en deux ou plusieurs métriques distinctes pour obtenir des perspectives différentes.
Avoir des données centralisées de haute qualité n'est pas efficace si elles ne sont pas compréhensibles par l'organisation
La spécificité dans les noms de table et de champ bien choisis et les définitions sans ambiguïté avec des exemples sont essentielles ici. Il vaut mieux pencher vers des noms longs mais descriptifs, comme « commandes_non_annulées » ou « % de conversion des trajets créés en trajets effectués » que des noms plus courts que les utilisateurs pensent comprendre et qui produisent des interprétations personnelles, peu communes ou acceptées par tous.
Accès à l'information
Disposer de données centralisées et de qualité, avec un descriptif clair et unifié, ne sert à rien à l'organisation si les personnes ne peuvent pas y accéder. Les organisations doivent assurer l'accessibilité aux données partout où elles peuvent être utiles.
Cela ne signifie pas donner accès à tout le personnel ou ne pas avoir de politiques conformes à la réglementation et aux contrôles. Cela signifie harmoniser la sécurité avec les besoins de l'organisation d'un point de vue holistique.
Favoriser une culture afin que les gens sachent quelles données sont disponibles et les critères de sécurité, de conformité et de réglementation qui les impactent
C'est le personnel de première ligne (le service client qui s'occupe par exemple d'un client insatisfait ou d'un magasinier qui trouve un stock endommagé) qui exploite immédiatement les données pour déterminer les actions à entreprendre ensuite. Avec une formation appropriée, ils sont les mieux placés pour résoudre une situation, déterminer des changements de flux de travail ou traiter une plainte d'un client.
Favoriser la culture chez les personnes implique la formation, un dictionnaire de données, l'accès et la compréhension des KPI, des critères unifiés pour comprendre les données, la disponibilité, des cas d'utilisation internes authentiques et tangibles, ainsi que les mettre à l'aise pour demander à la fois des processus de formation et d'accès internes.
Les procédures bureaucratiques doivent être simplifiées afin que, avec un processus d'approbation et de supervision adéquat, les personnes y aient accès sans trop de retards ni d'obstacles. Bien sûr, des systèmes de révocation sont également requis lorsqu'il est nécessaire de l'appliquer.
culture des données
Comme l'organisation est axée sur les données avec un large accès aux données, les gens seront confrontés à des rapports, des tableaux de bord, des analyses et des mesures clés, qu'ils auront peut-être l'occasion de comprendre et d'analyser par eux-mêmes.
Pour le faire efficacement, il doit y avoir une connaissance suffisante de l'information, d'où elle vient, ce qu'elle signifie et les impacts sur l'entreprise et sa fonction.
La culture des données est un effort à plusieurs volets. Il encourage également l'engagement des clients et des employés à différents niveaux de compétences et fonctions qui nécessitent une approche personnalisée pour chaque cas.
Le domaine le plus répandu est la formation en science des données. Cela comprend une introduction aux approches d'apprentissage automatique et d'exploration de données les plus avancées et informatiques pour extraire des informations à partir de données, ainsi que la création de produits de données tels que des moteurs de recommandation et d'autres modèles prédictifs. Cela implique de se concentrer sur le sommet de la pyramide des compétences pour les utilisateurs les plus avancés sur le plan technologique.
L'un des aspects les plus efficaces pour l'organisation et les clients est de former des personnes ayant des compétences standard en technologie utilisateur pour devenir des scientifiques des données.
Par exemple, les secteurs pharmaceutique et financier ont des analystes commerciaux qui connaissent bien les statistiques mais sont plus faibles en calcul. Les profils technologiques ont des profils de programmation talentueux qui manquent de rigueur statistique métier. La formation de statisticiens en programmation et de programmeurs en statistiques d'entreprises produit des bénéfices rapides pour l'organisation.
Les données ne sont pas là pour renforcer ou saper les décisions existantes, mais pour aider à éclairer les futures.
Commencer par améliorer les compétences de base en statistiques descriptives est souvent la méthode la plus simple et la plus efficace. C'est-à-dire que les formes de base pour construire des résumés de données : moyenne, centiles, intervalle, écart-type, etc., et détecter quand ces résultats sont appropriés ou non, donnent un sens aux données qui les composent.
Par exemple, lorsqu'il s'avère que les données sont très asymétriques, comme le prix des maisons ou le revenu, la médiane est la mesure appropriée pour résumer les données, et non la moyenne.
Permettre aux gens de moins se fier aux hypothèses et de se concentrer sur le traçage et l'examen des données et l'utilisation appropriée de mesures récapitulatives appropriées a un gain de temps important et une prise de décision appropriée.
Un autre domaine d'efficacité concerne les compétences en visualisation de données. Les graphiques sont souvent remplis d'informations non pertinentes, d'un encombrement inutile et d'annotations qui nuisent à l'objectif principal. Soit vous utilisez des types de graphiques inappropriés, tels que plusieurs graphiques à secteurs, chacun avec un grand nombre de segments, soit vous choisissez un jeu de couleurs qui le rend très difficile ou impossible à interpréter.
Cela produit une grande usure, au niveau personnel et organisationnel, de consacrer des efforts à la collecte et à l'analyse, d'échouer et de réduire l'impact au point final de la présentation. Une petite formation à la visualisation des données va très loin et rend les données plus claires, plus digestes et, en fin de compte, plus susceptibles d'être utilisées de manière appropriée.
Un autre niveau de complexité dans la culture est celui des statistiques inférentielles. Il s'agit des tests statistiques objectifs standard utilisés pour détecter, par exemple, si une tendance ou une différence dans le trafic du site Web d'une semaine à l'autre est probablement une variation réelle ou simplement aléatoire.
Le but n'est pas qu'un chef d'entreprise ou un agent du service client puisse effectuer ces tests, mais plutôt de leur faire prendre conscience de l'utilité des statistiques : pour comprendre la corrélation par rapport à la causalité et pour comprendre que les prévisions sont toujours accompagnées d'incertitudes. Pour les décideurs et les gestionnaires, cela leur donne également les compétences nécessaires pour corriger la qualité du travail ou repérer la motivation lorsque les données ne soutiennent pas leurs conclusions.
Prise de décisions
Surtout, les données ont un réel impact sur le processus décisionnel. À ce stade, l'organisation peut disposer de données pertinentes et de qualité, d'analystes formés et de rapports soigneusement élaborés et présentés. Si les rapports ne sont pas utilisés ou si des décisions sont prises sans les consulter, indépendamment de ce que montrent les données, alors tout l'investissement est gaspillé.
Les HiPPO, « opinion de la personne la mieux payée », sont l'antithèse de la gestion des données. Ils ne se soucient pas de ce que disent les données, surtout quand elles ne correspondent pas à leurs idées préconçues, et ils vont s'en tenir à leur plan parce que ils savent ce qui est le mieux. De plus, ils occupent généralement un poste de commandement élevé.
Les HiPPO sont préjudiciables aux entreprises, car ils fondent au mieux leurs décisions sur des mesures mal comprises ou sur de simples conjectures. Aucun outil intelligent pour tirer un sens de l'éventail complet des interactions avec les clients et évaluer comment, quand, où et pourquoi derrière les actions. L'approche HiPPO peut être paralysante pour les entreprises.
Financial Times
HiPPO est l'acronyme de "Highest Paid Person's Opinion" est un terme inventé par Avinash Kaushik. Il est utilisé pour décrire la tendance des employés les moins bien rémunérés à céder aux employés ayant des salaires plus élevés et des années d'expérience lorsqu'une décision doit être prise. Le terme est également souvent utilisé pour décrire la dépendance d'une organisation à l'instinct humain plutôt qu'aux données dans le processus de prise de décision.
Avec une certaine fréquence, les organisations ont une culture dans laquelle l'intuition, les commentaires libres sont valorisés ou il y a un manque de responsabilité. Dans une enquête, seuls 19 % des répondants ont déclaré que les décideurs sont responsables des actions liées à ces décisions. C'est dans ces environnements que les HiPPO prospèrent.
Une façon de contrer les HiPPO est de cultiver une culture d'expérimentation objective, telle que les tests A / B. Dans ces scénarios, qu'il s'agisse d'un changement de conception de site Web ou de messages marketing, les mesures de réussite peuvent être visualisées et les tailles d'échantillon minimales. La clé est d'avoir un plan d'analyse clair et d'établir les mesures de réussite et toutes les prédictions avant que les tests ne soient exécutés. En d'autres termes, empêcher les HiPPO de sélectionner les résultats après coup. Il en va de même pour tout pilote ou preuve de concept.
Conclusion
La culture data-driven s'inscrit dans un processus en plusieurs étapes pour consolider à la fois formellement et dans la durée dans les mentalités :
- Source de données unique et de qualité à partir de laquelle les analyses peuvent découler.
- Un dictionnaire de données convenu et assumé par l'ensemble de l'organisation sur la signification des données.
- Large accès aux données pour permettre l'application de l'expertise commerciale collective dans l'analyse des données.
- Bonne formation qui aide à promouvoir et à renforcer la littératie des données.
- Les rapports qui en résultent doivent être entre les mains de décideurs qui font confiance aux données et influent sur la prise de décision.
