Animées par l’ambition d’atteindre l’objectif, souvent insaisissable, de devenir pilotées par les données, de nombreuses organisations accumulent des données, bâtissent des infrastructures et attirent des talents hautement qualifiés. Puisque la donnée est souvent présentée comme la solution miracle à une multitude de problèmes, ces entreprises vont dans la bonne direction.
Cependant, disposer des bons outils et des bons talents ne suffit pas à qualifier une entreprise de data-driven. Le principal obstacle réside dans la création d’une culture des données, où la data science est perçue par tous comme une méthode pour résoudre des problématiques métier. Toute organisation qui ambitionne d’être data-driven doit d’abord instaurer cette culture en diffusant une culture des données à l’échelle de l’entreprise et en dotant chacun des compétences nécessaires pour accomplir les tâches liées aux données requises par son rôle. Ce changement de paradigme représente un défi de taille pour qui veut devenir data-driven. D’ailleurs, selon la Gartner Chief Data Officer Survey 2018, 35 % des CDO estiment que la faible maîtrise des données constitue le principal frein à l’extraction de valeur à grande échelle.
Les bénéfices d’une approche data-driven et de l’adoption de la data science à grande échelle sont nombreux et bien documentés. Voici quatre domaines de la data science que les organisations peuvent rapidement mettre en œuvre pour commencer à extraire de la valeur de leurs données, illustrés par des cas d’usage précis.
1. Partager des insights complexes grâce à la visualisation de données, rapidement et avec clarté
Les tableaux de bord interactifs se généralisent, car ils permettent aux parties prenantes d’accéder facilement à une information à jour.
Les dashboards sont d’une grande polyvalence. Ils peuvent servir de télescope pour suivre des indicateurs stratégiques de long terme, ou de microscope pour zoomer sur les détails opérationnels de court terme. Dans les deux cas, ils permettent de déployer la prise de décision basée sur les données à l’échelle de l’organisation. Aujourd’hui, de nombreux outils de business intelligence no-code comme Tableau et Power BI proposent des interfaces intuitives en glisser-déposer pour créer des tableaux de bord puissants. Par ailleurs, des bibliothèques open source fondées sur des langages populaires, comme plotly pour Python et Shiny pour R, offrent une barrière d’entrée faible pour concevoir des visualisations interactives hautement personnalisables.
2. Prendre de meilleures décisions en analysant les données historiques
Une entreprise data-driven décrit, résume et comprend ses performances passées, puis s’appuie dessus pour guider ses décisions, afin d’accentuer ce qui fonctionne et de corriger le tir quand cela ne fonctionne pas. Une étude de Deloitte montre qu’environ la moitié des entreprises estiment que le principal avantage de l’analytique est de favoriser une meilleure prise de décision basée sur les données. Par ailleurs, 62 % des entreprises déclarent que la donnée est essentielle pour définir la stratégie. Clairement, la donnée devient un instrument incontournable de la boîte à outils des organisations.
La prise de décision basée sur les données permet de préserver et de renforcer l’avantage concurrentiel. Par exemple, l’analyse de panier aide les distributeurs à optimiser l’aménagement de leurs espaces et à améliorer l’expérience d’achat. Les équipes marketing peuvent analyser les taux de clics historiques de leurs emails pour évaluer la performance des campagnes. Les analystes financiers peuvent appliquer l’analyse de séries temporelles à leurs données passées pour optimiser la planification budgétaire.
Lorsque le volume de données est limité, ces analyses peuvent être menées efficacement dans des tableurs tels que Microsoft Excel et Google Sheets. À mesure que les volumes augmentent, il est plus efficace d’utiliser des langages open source comme R et Python.
3. Enrichir l’expertise métier par une approche statistique
La statistique permet de résumer de grands volumes de données de manière concise. À sa base, on trouve des indicateurs de synthèse qui représentent des valeurs moyennes (comme la moyenne, la médiane et le mode) et la dispersion autour de cette moyenne (comme l’écart type et la variance). Ces statistiques descriptives sont les fondations d’outils comme la boîte à moustaches et de mesures comme le coefficient de corrélation (qui évalue l’intensité de la relation entre deux variables). Par exemple, les distributeurs peuvent calculer la corrélation entre l’achat de différents produits afin d’optimiser les campagnes de vente croisée. Les instituts d’études peuvent recourir à l’analyse conjointe pour déterminer la combinaison idéale de préférences clients avant de lancer une nouvelle fonctionnalité ou d’ajuster un prix.
Les expérimentations contrôlées aident à isoler l’effet d’un changement, à établir un lien de cause à effet clair entre deux métriques et à prendre de meilleures décisions. Ancrées dans les statistiques, elles fournissent une méthode à la fois simple et rigoureuse pour valider ou invalider l’intuition des experts métier. Un exemple courant consiste à tester en A/B des objets d’email et à retenir celui qui génère le meilleur taux de clics. Chez AirBnB, un changement du filtre de prix maximal n’a été déployé à tous les utilisateurs que lorsque les expérimentations ont montré de manière concluante qu’il entraînait une hausse du taux de conversion. Chez Shutterstock, l’idée de supprimer les filigranes sur la page de recherche a été abandonnée lorsque les tests ont apporté la preuve qu’une telle modification réduisait la conversion.
4. Prédire et découvrir de nouveaux insights grâce au machine learning
Les entreprises peuvent exploiter leurs données passées pour prédire l’avenir grâce au machine learning. Par exemple, en s’appuyant sur l’apprentissage supervisé, une technique qui entraîne des algorithmes à classifier des données ou à prédire des résultats à partir de données étiquetées, toute organisation peut prédire quels clients risquent le plus de se désabonner à partir de leur historique d’activité. Une société de trading peut utiliser les cours historiques d’une action pour prévoir ses cours futurs dans le cadre d’une modélisation financière.
À l’inverse, l’apprentissage non supervisé est une technique qui permet à une entreprise disposant de peu de connaissances sur un jeu de données brut d’explorer ses données, même sans hypothèse préalable. Le clustering en est un exemple : il regroupe des données en catégories non prédéfinies. Par exemple, un opérateur télécom qui possède des données précieuses sur ses clients mais n’a pas encore trouvé de méthode de segmentation peut recourir à l’apprentissage non supervisé pour identifier des groupes de clients aux caractéristiques distinctives.
L’apprentissage non supervisé est également très efficace pour révéler des associations. En e-commerce, les recommandations du type « les personnes qui aiment le produit X aiment aussi le produit Y » résultent souvent de techniques non supervisées qui mettent au jour ces liens cachés. De telles recommandations peuvent constituer l’épine dorsale d’une stratégie de vente croisée performante.
Construire une organisation data-driven
Faire évoluer son organisation vers une approche data-driven ouvre manifestement de nombreuses opportunités. Il existe de nombreux cas d’usage à fort impact que les équipes peuvent activer ensemble, à condition de disposer des compétences nécessaires pour démarrer. C’est pourquoi DataCamp for Business propose une plateforme d’apprentissage interactive pour les entreprises qui doivent assurer la montée en compétences et la reconversion de leurs équipes sur les compétences data. De la culture des données et la data science au data engineering et au machine learning, plus de 1 600 entreprises font confiance à DataCamp for Business pour développer les compétences de leurs talents.