Que signifie être data-driven ?

De nombreuses entreprises se disent être data-driven. Dans cet article, nous allons creuser ce que signifie ce concept et voir quelles sont les étapes pour y parvenir. 

Data driven : Définition

Il y a plusieurs courants permettant de définir ce qu’est être data-driven. Mais ce que ces courants ont en commun est qu’on va parler de maturité de l’entreprise au niveau de la donnée. Une entreprise data-driven est donc une entreprise qui a mis la donnée à tous ses échelons et va notamment prendre toutes ses décisions à l’aide de la donnée. 

Nous allons définir la maturité data à plusieurs niveaux. Une entreprise au niveau 1 sera data-driven au niveau basique tandis qu’une entreprise au niveau 5 sera à 100 % data-driven. Voici les 5 niveaux de maturité data qu’une entreprise peut avoir. Il y a une hiérarchie entre ces niveaux : 

• Reporting : Capacité à visualiser les données 
• Analyser : Capacité à rentrer plus en profondeur dans la donnée pour comprendre pourquoi tel phénomène se produit
• Optimiser : Optimiser les processus business en apportant des connaissances grâce à la data
• Empower : Donner le pouvoir aux employés en fournissant les outils et la connaissance pour effectuer des analyses
• Innover : Utiliser la data pour innover dans des produits et transformer l’organisation

1- Reporting

Le reporting est la première étape d’une entreprise data-driven. Cette étape va permettre de poser les fondations futures d’une entreprise data-driven. 

A ce moment, on acte qu’on veut construire une organisation data-driven : Excel et Google sheets doivent disparaître. La prolifération des feuilles de calcul crée plus de confusion qu'autre chose. La première étape va donc être de mettre en place des outils de reporting.

Faire des dashboards

On va donc devoir mettre en place des premières récupérations de données de manière plus processée. On va donc choisir quelle donnée on collecte, comment on la collecte et où on la stocke. Le but va être de construire des tableaux de bord, appelés par tous des dashboards permettant d’identifier des premières tendances.

Pour créer des dashboards, on va devoir déterminer quels sont les métriques principales dont on a besoin, qu’on appelle KPI. Ces KPI devront être pertinents et avoir de la valeur. C’est ce qui va conduire le management ou non à investir en profondeur dans la data. 

Commencer à insuffler une culture data

A cette étape là, si les décisions prises sont largement basées sur l’intuition, certains interlocuteurs ne seront que peu sensibles aux chiffres donnés dans les rapports. Certains seront même sceptiques face aux métriques présentées et effrayés de passer à une organisation où le rationnel prévaut là où précédemment c’était la personne avec le plus haut salaire ou le plus haut échelon hiérarchique. 

Il est important aussi à ce moment-là de bien définir les questions auxquelles on souhaite répondre. C’est une tâche qui paraît simple mais qui nécessite en fait de passer beaucoup de temps : de manière générale en data, il est important de bien définir le problème pour que l’on puisse choisir les meilleurs outils pour y répondre. Et à ce stade de maturité, cela servira surtout à définir les bonnes métriques.
‍

2- Analyser

Une fois qu’on a construit les premiers dashboards, à ce moment on va vouloir aller plus loin dans l’analyse. On va sûrement avoir besoin de collecter plus de données pour faire des analyses plus pertinentes.

A ce moment-là, la donnée collectée commence à être de différentes sources. La question de la qualité de la donnée va commencer à se poser. Il faut donc commencer à mettre en place des outils de suivi de la qualité de la donnée. 

Une “professionnalisation” de la collecte de la donnée

La difficulté apportée par le fait d’avoir de nouvelles sources fait que la collecte de données va maintenant devoir être plus processée. L’infrastructure data sera mieux définie. La manière d’intégrer les données, la stocker sera standardisée. De plus, les data scientists devront aller chercher plus d’outils pour améliorer leurs analyses. 

Dans le même temps, les dashboards deviennent de plus en plus sophistiqués.

Commencer à diffuser une culture data dans l’entreprise

A ce stade, certains employés ne faisant pas partie de l’équipe data - les employés les plus intéressés par la data - pourront commencer à apprendre des connaissances basiques en data. Le management quant à lui commence à être convaincu qu’il faut insuffler à toute l’entreprise une culture data-driven mais n’a pas encore tous les outils, la connaissance et les méthodes pour le faire. 

La réussite dans la partie reporting doit servir de moteur pour convaincre le reste de l’organisation, notamment ceux qui n’ont pas cette culture là et pour qui “cela a toujours fonctionné comme cela” et qui ne veulent pas changer leur manière de travailler. 

Là où le reporting se focalise uniquement sur le passé, on utilise l’analyse pour commencer à mieux comprendre le passé et en déduire des actions pour prédire comment va se passer le futur. 

3- Optimiser

A cette étape, on va commencer à optimiser les processus business à l’aide de la data. 

Collecter encore et toujours de la data

Il va être important de continuer à collecter de la donnée à ce stade. On commence à arriver à de l’aide à la personnalisation de l’expérience. Donc ce qui va être important c’est de collecter de la donnée de comportement et d’achat pour être capable de proposer cette personnalisation. 

De plus, pour choisir ou non de collecter de nouvelles données, il faut maintenant systématiquement se poser la question de son utilisation. On ne va plus chercher à seulement apporter de la connaissance avec ces données, mais plutôt chercher à en déduire des actions directes venant de ces données. 

Une évolution des compétences

Là où avant il n’y avait besoin principalement que de data engineering et de data mining - pour récupérer la donnée et l’analyser, les nouveaux besoins nécessitent de nouvelles compétences, notamment en machine learning. Avec cela, on va pouvoir utiliser les données passées pour faire des modèles pour mieux prédire le futur. On passe de l’analyse à la prédiction. Les personnes qui détiennent les compétences en analyse et celles qui détiennent les compétences en prédiction ne sont généralement pas les mêmes. Il faut aussi se préparer techniquement pour être capable de faire ces prédictions. 

On va aussi essayer de se rapprocher de plus en plus du temps réel.

Sortir la donnée de l’équipe data

A ce stade, on se pose la question de comment faire en sorte que la data ne soit plus une affaire seulement de l’équipe data mais qu’elle concerne le quotidien de tous. La data doit alors devenir une composante intégrale de la stratégie de l’entreprise. 
‍

4- Empower

Maintenant qu’on sait visualiser la donnée, l’utiliser pour faire des analyses, faire des prédictions, qu’on a convaincu le management et une partie employés que la donnée devait être au cœur des processus et des décisions de l’entreprise, on pourrait avoir envie de se dire que ça y est l’entreprise est totalement data-driven. Mais non, c’est en fait à ce moment qu’il faut accélérer. En commençant par collecter de plus en plus de données provenant de sources externes et les analyser, les utiliser pour améliorer les modèles de prédiction. 

La question à se poser maintenant est : comment faire pour que tout le monde dans l’entreprise utilise la donnée ? Plusieurs éléments : 

• Techniquement, être capable d’ouvrir facilement la donnée pour qu’elle se diffuse mieux dans l’entreprise
• Former tous les employés à utiliser les outils de base d’analyse de la donnée, qu’elle puisse ce qu’on appelle du self-service business intelligence. Les questions basiques ne devraient plus arriver chez l’équipe data, les personnes doivent avoir les outils pour y répondre par elles-même.
• Vérifier que les outils produits par l’équipe data puissent bien être utilisables par tout le monde dans l'entreprise. Et ensuite, vérifier que tout le monde les utilise effectivement
• Trouver les bonnes compétences pour aligner les personnes ayant un emploi business et les personnes ayant un emploi technique.

A ce stade, tout le monde dans l’entreprise devrait prendre la plupart de ses décisions en se basant sur de la donnée. La plupart des personnes devraient maintenant être optimistes vis-à-vis de son utilisation au quotidien. 
‍

5- Innover

C’est lorsqu'on en est à cette étape là qu’une entreprise est totalement data-driven. Le fait d’avoir tout optimisé dans l’entreprise lui donne un avantage compétitif sur ses concurrents. La donnée est devenue l’actif le plus important de l’entreprise si bien que dans certains cas, le business model de l’entreprise peut se retrouver transformé axé sur la donnée. 

Si on prend l’exemple d’un Google, la donnée sera essentielle pour adresser les publicités les plus pertinentes aux utilisateurs. Google va donc pouvoir vendre sa publicité plus chère car elle rapporte plus à ceux qui paient cette publicité. 

A ce stade tout passe par la data, on va se servir de cette data pour innover de la bonne manière

De nouvelles sources de données

A ce stade, on continue toujours de collecter de nouvelles sources de données. Cela peut être par exemple des données non structurées : image, son, vidéos, … 

De nouvelles compétences

De nouvelles compétences vont devoir émerger. Pour innover, il y a besoin en interne de personnes avec un mindset d’entrepreneur. Pour innover, il faut être au niveau, voire en avance, de la recherche académique. Il va donc être pertinent de recruter des chercheurs, avec un doctorat en Data Science ou en informatique. 

Pour aller sur de nouveaux business, la data sera au cœur de la décision. Racheter un concurrent, aller sur un nouveau marché ? La data permettra de répondre à cela. 

Automatiser une partie de l’équipe data

Maintenant qu’une grosse partie de l’entreprise a été automatisée par l’équipe data - pour que chacun travaille sur son corps de métier de base - pourquoi ne pas automatiser l’équipe data ? L’intérêt : passer le moins de temps possible sur les tâches répétitives et intéressantes pour se concentrer sur la tâche la plus importante. Souvenez vous-en, on en a parlé au début : définir correctement les problèmes qu’on souhaite résoudre en posant les bonnes questions.

‍