La face cachée de l'analytique

La sagesse de Stephen Dubner de Freakonomics.

Collaborateurs   |   Melissa Burroughs   |   30 août 2022 TEMPS DE LECTURE : 14 MINUTES
TEMPS DE LECTURE : 14 MINUTES

Melissa Burroughs et Stephen Dubner

 

J'ai récemment interviewé Stephen Dubner, auteur de « Freakonomics », pour l'événement Alter.Next Virtual Summit : accélérer la maturité analytique pour réussir. Stephen Dubner a non seulement écrit la série de livres à succès « Freakonomics », mais il est également l'animateur du podcast « Freakonomics Radio » et un journaliste maintes fois récompensé. Il a passé une grande partie des deux dernières décennies à étudier « la face cachée » de centaines d'entreprises, et possède une vaste expérience des enquêtes sur les entreprises de toutes tailles et de tous types. Il partage ses enseignements, qui vont des travaux universitaires ésotériques aux bonnes pratiques des grandes entreprises mondiales, d'une manière dynamique et simple à comprendre.

 

Au cours de notre entrevue, Stephen et moi avons discuté des défis et de la valeur générés par les données et l'analytique dans le milieu des affaires. Il nous a fait part de conseils qui s'appliquent à toute entreprise moderne. Stephen a identifié des domaines surprenants où l'analytique stimule la réussite des entreprises, crée des avantages concurrentiels et développe une résilience au sein de l'entreprise. Il a ajouté que chacun pouvait tirer le meilleur parti des données qui l'entourent. Vous trouverez ci-dessous mes conclusions sur cette conversation. Je vous invite à lire l'entretien complet sur Alter.Next.

 

 

La révolution analytique, ou la métaphore de l'éléphant

 

J'ai demandé à Stephen comment il a perçu l'évolution des données et de l'analytique au fil du temps. Pour lui, la révolution analytique était comme l'allégorie de l'éléphant dans la fable « Les aveugles et l'éléphant ». Pour le paraphraser :

 

La révolution analytique est totalement différente selon les personnes. Ceux qui génèrent, analysent et tentent de donner un sens exploitable aux données voient « l'éléphant » analytique dans son ensemble et savent ce qu'ils font. Mais en général, les cadres supérieurs d'une entreprise ne disposent pas d'une compréhension approfondie de l'analytique et peuvent mal comprendre son message. Pour les clients de l'entreprise, la révolution analytique peut être bien différente, mais pour beaucoup, elle peut être synonyme d'atteinte à la vie privée.

 

En effet, la révolution analytique a bouleversé le rapport de nombreuses personnes aux données. Dans son témoignage, Stephen souligne un truisme moderne : personne ne peut complètement se soustraire aux données. Dans un monde où les entreprises utilisent le Big Data et où les décisions quotidiennes d'une personne lambda sont influencées par des algorithmes de machine learning, le fait de dire « Je ne suis pas expert en données » vous expose à un désavantage certain, que vous soyez un particulier ou un chef d'entreprise. Au fil de la conversation, Stephen a exprimé sa conviction que nous pouvons tous devenir des « experts en données » dans certains domaines, et que c'est plus facile et plus amusant que ne le pensent certains.

 

 

Analytique et technique sont deux concepts différents

 

Stephen a parlé de ses observations des personnes et des organisations réelles qui ont réagi à cette révolution analytique et a mis en évidence une méprise très répandue : on confond souvent esprit d'analyse et vision technique. Il a affirmé qu'il n'était pas nécessaire d'être matheux pour être doué de raisonnement analytique, et qu'à choisir entre les deux, il privilégie l'esprit d'analyse. Il a expliqué, encore une fois, en paraphrasant :

 

Les gens se rendent compte que les données constituent un outil fantastique, même s'il est indispensable de les utiliser en posant les bonnes questions pour réussir. Ils sont également conscients que l'analytique est un moyen extrêmement utile pour raconter des histoires à partir de données. Les histoires sont essentielles car la plupart des gens traitent mieux les informations lorsqu'elles se présentent sous forme d'histoires.

 

Il a ensuite souligné combien il est essentiel de pouvoir lire, comprendre, créer et communiquer des données sous forme d'informations, c'est-à-dire un ensemble de compétences communément appelé « datalphabétisation » (data literacy). C'est ce qui nous permet d'aborder les idées, les défis et le monde dans son ensemble de manière analytique. Notez que la datalphabétisation ne nécessite pas l'apprentissage d'une technologie, d'un cadre ou d'un langage de codage spécifique. Au contraire, elle est similaire à la pensée critique.

 

À quoi ressemble la data literacy dans un contexte professionnel ? Un professionnel avec un niveau élevé de data literacy :

 

Comprend quelles données sont pertinentes pour son équipe et son organisation. Par exemple, si vous essayez de comprendre le comportement des clients sur votre site Web australien, vous ne devez pas vous contenter d'étudier les données sur les préférences de vos clients allemands en matière de produits hors ligne.

 

Pose des questions sur le résultat des algorithmes. Vous avez deux clients potentiels et votre système CRM a signalé que l'un d'eux a une plus forte propension à l'achat que l'autre ? À quoi est-ce dû ? Quels comportements, données démographiques et autres facteurs l'algorithme a-t-il pris en compte ? Pourquoi un client potentiel est-il plus prometteur que l'autre ?

 

Sépare les indicateurs secondaires des indicateurs principaux. Si vous surveillez la sécurité sur un chantier de construction, il y a une différence entre le pourcentage de travailleurs portant des casques de sécurité (indicateur principal que vous pouvez contrôler directement) et le nombre d'accidents sur le chantier au cours d'un mois donné (indicateur secondaire de l'efficacité de vos interventions).

 

Conçoit et conduit des expériences structurées pour tester les théories. Si vous gérez un site Web, vous pouvez tirer parti des tests A/B, à savoir deux configurations différentes de votre site Web qui sont proposées de façon aléatoire à différents visiteurs du site, en créant un groupe de référence et un groupe témoin. Lorsque vous observez les différents comportements des groupes (le temps de consultation du site, les liens sur lesquels ils cliquent, s'ils font un achat, etc.), vous savez quel groupe, témoin ou de contrôle, génère le résultat escompté.

 

Communique les données aux chefs d'entreprise par le biais d'histoires et d'analyses de rentabilité. Si vous concevez un nouveau produit et que vous souhaitez partager les résultats des tests utilisateur avec la direction, vous pouvez souligner que 80 % des utilisateurs ont aimé la conception C et que 50 % sont frustrés par la conception D. Lorsque vous ajoutez les récits des utilisateurs, par exemple la manière dont l'un se sert du produit dans la journée, pourquoi il a conseillé à ses amis de l'acheter et ce qu'il a dit lors de l'utilisation du produit, vous créez une vue détaillée qui aide les dirigeants à prendre des décisions plus éclairées.

 

 

Comme vous pouvez le voir ci-dessus, la data literacy a de nombreuses applications précieuses dans l'entreprise. De plus, elle ne nécessite pas de formation technique.

 

 

Pourquoi un monde plus axé sur les chiffres est un monde meilleur

 

Stephen a évoqué la valeur pratique de la data literacy dans la vie quotidienne et dans les affaires. Il a également expliqué que nous pourrions créer un monde meilleur si nous étions tous plus à l'aise avec les données. Il a déclaré :

 

« Une petite dose supplémentaire de chiffres est importante, ne serait-ce que lorsque vous voyez une publicité pour une campagne politique manifestement pleine d'approximations, car ils vous permettent de comprendre précisément d'où viennent ces approximations. Par exemple, si une valeur a été multipliée par deux l'année dernière alors que la valeur de départ était d'une unité, ce n'est pas nécessairement un changement significatif. »

 

Comme nous l'avons vu plus haut, la data literacy permet une résolution objective de problématiques. Dans une entreprise qui maîtrise les données, les décisions métier sont basées sur les faits démontrables d'une situation plutôt que sur l'intuition, les stéréotypes, l'expérience anecdotique ou les impressions.

 

Il n'est donc pas surprenant qu'elle soit aujourd'hui devenue une compétence professionnelle standard. Les données sont le moteur de l'innovation sur le marché moderne. Les entreprises tirent parti du machine learning et de l'IA pour obtenir des insights et suivre le rythme des changements technologiques permanents. En effet, il existe des algorithmes de machine learning dans presque tous les systèmes d'entreprise. À mesure que les entreprises collectent des données, l'ensemble des membres du personnel (et pas seulement les personnes chargées des données) doivent devenir des spécialistes des données pour s'acquitter de leurs rôles et renforcer l'avantage concurrentiel de leur entreprise dans une économie mondiale agressive. Selon un professeur de la MIT Sloan :

 

« Dans un monde dominé par les données, les entreprises qui les maîtrisent le mieux sont destinées à réussir. »
Si vous êtes capable d'analyser de manière critique l'information, ses limites et les conclusions que vous pouvez en tirer, il sera plus difficile de vous induire en erreur avec des données incomplètes ou des données manipulées pour servir les desseins d'une autre personne. C'est important dans le monde des affaires, car les knowledge workers qui savent comment les données ont été créées et qui peuvent contester le résultat des algorithmes peuvent mieux protéger et développer l'entreprise que ceux qui supposent qu'une décision prise par un système est toujours juste.

 

Découvrez comment les grandes entreprises du monde entier placent cette compétence au cœur de leurs priorités dans l'enquête d'IDC sur l'importance de la data literacy.

 

 

Chaque entreprise est une entreprise de données

 

J'ai demandé à Stephen de quelle façon son travail pour Freakonomics Radio se rapporte aux données et à l'analytique. Il m'a répondu :

 

« Avec Freakonomics, j'ai essayé de raconter des histoires vraies. Il s'agit de journalisme, de non-fiction, et d'une grande quantité de données issues d'entretiens avec des universitaires et d'autres experts. »

 

Depuis que son livre original « Freakonomics » a mis en lumière des phénomènes économiques obscurs, Stephen a développé le sujet en déclarant (propos paraphrasés) :

 

Pour moi, l'économie est généralement vue, à tort, comme l'étude de l'argent. L'économie est davantage l'étude des motivations et de la façon dont les gens obtiennent ce qu'ils veulent et ce dont ils ont besoin, surtout lorsqu'ils sont en concurrence avec d'autres personnes qui peuvent vouloir et avoir besoin de la même chose. Autrement dit : comment optimiser notre approche ? Comment optimiser notre approche pour obtenir ce que nous voulons chacun individuellement, mais le faire de manière à renforcer la résilience de la société ? C'est la grande question.

 

Considérer l'économie comme un type spécifique de problématique d'optimisation nous a ouvert les yeux. En effet, dans l'ensemble des secteurs et des unités métier nous essayons tous différents types d'optimisation. Dans la chaîne d'approvisionnement, la question de l'optimisation revient à se demander comment amener les marchandises là où elles sont requises, rapidement et à moindre coût, sans sacrifier la sécurité ou l'auditabilité ? Pour un CFO, la question de l'optimisation se pose en ces termes : comment obtenir le meilleur retour sur les actifs, le capital et les capitaux propres tout en contrôlant les coûts et en préservant la conformité financière ?

 

Bien que la formulation varie selon les activités et les fonctions, toutes les problématiques d'optimisation des activités doivent être résolues avec des données, et plus précisément, en analysant les données. Donc, le fait de disposer de données et de capacités analytiques plus importantes et de meilleure qualité génère-t-il de meilleurs résultats pour l'entreprise ? L'expérience montre que oui. Selon l'International Institute of Analytics, plus les pratiques analytiques d'une organisation sont développées, plus ses performances sont élevées.

 

Ce concept est appelé « maturité analytique » et se mesure généralement en cinq étapes. Les entreprises à l'étape 1 de la maturité analytique peuvent avoir du mal à organiser et à comprendre leurs données. De ce fait, elles prennent des décisions métier stratégiques basées principalement sur les opinions et l'instinct des équipes dirigeantes. À l'inverse, les entreprises à l'étape 5 de la maturité analytique optimisent leurs décisions métier avec des données et l'analytique, utilisent l'analytique pour obtenir des avantages concurrentiels et peuvent même avoir un impact sur l'ensemble de leur secteur.

 

Il est essentiel pour votre entreprise de savoir clairement où elle se situe sur cette échelle de la maturité analytique afin d'être compétitive et de planifier les investissements à court et à long terme appropriés. Si vous souhaitez évaluer votre entreprise, rendez-vous sur le site d'évaluation de la maturité d'Alteryx Analytics. En 15 minutes maximum, vous recevrez un rapport personnalisé décrivant les points forts et points faibles de votre entreprise en matière de données et d'analytique, ainsi que les ressources que vous pouvez utiliser pour favoriser le passage de votre entreprise à la prochaine étape de maturité.

 

 

Comment vous approprier votre parcours d'analytique personnel

 

Les entreprises ne sont pas les seules entités qui effectuent des parcours analytiques. Stephen a souligné que chacun peut rapidement mieux comprendre et exploiter les données grâce à quelques questions simples. Il a déclaré :

 

« Il y a tout un ensemble de questions à poser, et tout le monde peut le faire, en commençant par se demander quelle est la meilleure façon de démontrer que votre argument est vrai. C'est un excellent moyen de connaître votre jeu de données. Quelle est la taille de votre jeu de données ? En quoi est-il représentatif ? Vos données représentent-elles suffisamment de personnes et sur une durée suffisante pour que nous puissions tirer une conclusion valable ? »

 

Stephen a exploré ce sujet en partageant des questions sur les données manquantes, la façon dont elles sont acquises, les types de données et la façon dont elles sont utilisées. Si vous souhaitez découvrir toutes les questions essentielles de Stephen sur les données pour tous, je vous invite à regarder l'entretien sur Alter.Next.

 

Pour améliorer votre data literacy, commencez par poser des questions, mais sachez que vous pouvez faire plus pour développer vos compétences analytiques. Tout d'abord, explorez les données disponibles dans votre propre entreprise. Votre entreprise propose peut-être des programmes de formation sur les données et l'analytique ? Existe-t-il des fonds d'apprentissage et de développement pour suivre des cours en dehors du travail ? Y a-t-il des mentors disposés à partager leurs connaissances analytiques ?

 

Même si votre entreprise ne dispose pas d'analystes ou de data scientists en interne, adressez-vous à quelqu'un qui travaille avec les données. Explorez les sites Web de mise en relation, comme LinkedIn ou des groupes locaux.L'établissement de contacts dans le monde des données vous donne l'opportunité de collaborer sur un projet d'analytique partagé ou de demander à quelqu'un de vous guider sur un projet d'analytique de votre choix. La Communauté Alteryx vous permet de démarrer rapidement. Il s'agit d'un espace où les super-héros de l'analytique seront heureux d'échanger, de partager des histoires et de vous prêter main forte. Vérifiez s'il existe des groupes d'utilisateurs Alteryx ACE et Alteryx dans votre région. Avec les groupes d'utilisateurs Alteryx, vous pouvez participer et apprendre, même si vous n'utilisez pas Alteryx. Après tout, n'importe quel analyste vous dira que ce qui procure du plaisir avec les données et l'analytique, c'est la résolution collaborative des problématiques et l'apprentissage.

 

Si le côté technique de l'analytique vous intéresse, pensez à explorer des sites open source comme Stack Overflow et GitHub. Ils vous permettent d'accéder gratuitement à des communautés de développeurs, qui partageront volontiers leur expertise et leurs insights sur ce que le code peut vous offrir.

 

Enfin, explorez les MOOC proposés par Coursera, Udacity, DataCamp et bien d'autres encore. Les programmes de data literacy en ligne sont légion ! L'apprentissage en ligne vous permet de vous lancer et d'étudier à votre propre rythme tout en interagissant et échangeant avec les autres apprenants. Par exemple, Udacity s'est associé à Alteryx pour proposer un programme de diplômes ciblés : Predictive Analytics for Business.

 

 

Comment conduire votre entreprise sur son parcours analytique<br>

 

Si vous pouvez orienter les stratégies et les priorités de votre entreprise, vous pouvez choisir parmi de nombreuses tactiques pour améliorer rapidement le niveau de data literacy dans l'entreprise. Tout d'abord, définissez les objectifs en matière de data literacy. Comme les différentes fonctions présentent différents niveaux de maîtrise des données et d'analytique, discutez-en avec d'autres intervenants et dirigeants clés.

 

Une fois que les objectifs sont définis, évaluez les niveaux de compétence actuels de votre personnel. Développez une évaluation personnalisée pour votre entreprise ou tirez parti de l'évaluation de la maturité d'Alteryx Analytics pour obtenir une image claire des capacités de l'entreprise.

 

Ensuite, mettez en place les parcours d'apprentissage appropriés en fonction de vos résultats et de vos objectifs. Le développement d'un programme interne peut être principalement mené par les employés, ou vous pouvez faire appel à une aide extérieure. Dans ce contexte, de nombreux dirigeants tournés vers l'analytique s'appuient sur la plateforme Alteryx Analytics Automation pour former et donner aux équipes les moyens de fournir des résultats métier qui font la différence grâce aux données.

 

Puis vient la mise en œuvre. Proposez des formations sur la data literacy dans votre entreprise, idéalement sous plusieurs formats. Tout le monde apprend différemment ; certains de vos employés excelleront dans les exercices pratiques, tandis que d'autres préféreront suivre des cours à leur rythme. Assurez le succès du programme en associant la formation à des projets pratiques et importants qui comportent des indicateurs mesurables. De cette façon, vous obtiendrez des résultats et une vue claire du bilan à valeur ajoutée de la formation.

 

Découvrez comment les équipes de direction d'entreprises de toutes tailles ont mené à bien des initiatives de data literacy en lisant l'article sur les 4 conseils pour former vos effectifs à la data literacy.

 

Enfin, transformez les progrès de votre entreprise en matière de maturité analytique en une pratique continue, au lieu d'une activité unique, en favorisant une culture d'apprentissage au sein de l'entreprise. Créez un environnement qui récompense la curiosité au lieu de punir un manque de data literacy. De cette manière, vous mettrez un terme aux mauvaises pratiques en matière de données, comme leur masquage ou leur manipulation via des métriques non pertinentes. De plus, veillez à convaincre d'autres dirigeants et obtenir leur soutien, car tous les cadres supérieurs doivent adhérer à votre projet et façonner les comportements et les résultats souhaités.

 

Plongez au cœur de stratégies efficaces qui améliorent l'utilisation des données et de l'analytique par votre entreprise et qui permettent d'obtenir des résultats optimaux en lisant Automatisation de l'analytique : une approche centrée sur l'humain pour des résultats disruptifs. Vous y trouverez des dizaines d'études de cas et des exemples de la façon dont le déploiement de l'automatisation analytique avec une philosophie axée sur la data literacy conduit rapidement à des résultats mesurables.

 

Balises
  • Responsable Analytique
  • Responsable Business
  • Professionnel(le)