Juvénal CHOKOGOUE, Consultant Business Analytics & Big Data
L’évolution dans les disciplines qui constituent l'Analytics a permis l'émergence d’algorithmes si puissants que, intégrés à des infrastructures techniques appropriées et appliqués à la "bonne question", ils permettent d'expliquer et d'anticiper. L'enjeu pour les entreprises est d'améliorer leurs processus métiers et décisionnels. Cependant, sur le marché, on assiste à une désinformation totale sur la façon dont l'Analytics peut et doit être utilisée, la surestimation du pouvoir de l'Analytics, de sa place dans la boîte à outils des décideurs, et l'émergence de concepts nouveaux tels que le Self-Service Analytics.
Mon objectif lors de la rédaction de cet article est d'attirer l'attention des lecteurs sur les principes qui fondent l'utilisation efficace de l'Analytics.
Soyez conscient que l'efficacité de l'analytics dépend fondamentalement de 2 choses :
- la question à laquelle vous souhaitez apporter une réponse
- la qualité de données
On a souvent entendu dire que pour faire de l'Analytics (du Data mining en particulier), il n'est pas nécessaire d'avoir défini un problème en amont, que l'algorithme va découvrir par un processus automatique les tendances. C'est une grosse erreur de le penser ! Le succès d'une étude d'Analytics dépend fondamentalement de la question à laquelle on souhaite répondre.
Si vous n'avez pas défini clairement ce que vous recherchez dans les données, ne vous attendez pas à ce qu'un algorithme miracle le fasse. La Question à laquelle répondre guide l'étude toute entière et l'Analyste dans la conduite de ses travaux. IL EST DONC IMPERATIF LORS DE LA PHASE DE CADRAGE DU PROJET que vous définissiez la question à laquelle répondre et que toutes les parties impliquées dans l'étude soient d'accord avec cela. Il est également IMPERATIF que la question à laquelle vous souhaitez répondre soit la plus plus claire possible, car si vous appliquez un algorithme (aussi puissant soit-il) à la "mauvaise" question ou si vous définissez mal le problème que vous souhaitez résoudre à l'aide de l'analytics, vous aurez ultimement des réponses qui vous conduiront à de mauvaises décisions.
La problématique de qualité des données est le deuxième fondement de l'efficacité d'une étude Analytics. La qualité de donnée doit être traitée au préalable avant application de toute technique d'Analytics. En effet, grand nombre de techniques d'Analytics ne fonctionnent pas avec des données non-complètes. Avec le Big Data, la qualité de données prend une importance sans précédent, et bien que certains auteurs pensent que la qualité de données n'est plus un problème parce que les volumétries de données actuelles compensent les défauts liés à la qualité de données, il est vraiment CRUCIAL de vous assurer de la bonne qualité de données avant de penser Analytics. Si possible, mettre en place à travers un projet dit de MDM un référentiel de données maître qui assure que les données arrivent en aval corrigées de toute erreur et toute incohérence, car comme on le dit dans notre jargon, "Garbage In, Garbage Out".
Une autre considération avant de penser Analytics c'est le facteur humain. En effet, les éditeurs de logiciels actuels parlent tous de Self-Service Analytics, c'est-à-dire de la démocratisation de l'analytics et la mise à disposition de celle-ci entre les mains des utilisateurs finaux. C'est un objectif fabuleux et je le partage, mais ne soyez pas dupes ! La maitrise des techniques statistiques, d'algorithmes d'intelligence artificielle et d'autres disciplines qui constituent l'Analytics demande une formation poussée et exigeante. Ainsi, si vous avez l'intention d'aller au delà des tableaux croisés ou des diagrammes à bâtons, alors je vous suggère fortement de faire appel à des spécialistes reconnus dans l'Analytics qui sont même si possible certifiés ou alors de suivre vous-même un cursus dans le domaine.
Ne vous laissez pas tenter par le fait que l'outil soit clic-bouton, L'analytics est une affaire de spécialiste !
Une autre considération très importante, l'utilisation de l'Analytics ne garantit pas que vous allez extraire de l'information pertinente de vos données. Je sais que c'est douloureux à entendre, mais c'est la vérité ! Ce que je veux dire c'est qu'il peut arriver que l'Analytics révèle des informations qui soient déjà connues par les utilisateurs ou même aucune information significative (et du coup cela réduira l'utilité perçue de l'Analytics aux yeux du business). Je sais, c’est très décevant, devez-vous être en train de penser.
Dans ce paragraphe, je tiens juste à attirer votre attention sur le fait que l'Analytics est un outil parmi l'ensemble des outils que vous avez dans votre boîte pour la prise de décision éclairée. Ce n'est pas une "silver bullet", ou une panacée miraculeuse qui détectera systématiquement les tendances inconnues dans vos données. Vous devez accepter ce risque avant de penser à adopter l'Analytics.
Autre considération, le fait que l'Analytics vous fournit des informations pertinentes ne garantit pas le fait que vous ayez le pouvoir d'agir avec. En d'autres termes, l'Analytics peut révéler des informations significatives, mais transformer ces informations en action concrète pour améliorer l’entreprise peut demander des changements que l'entreprise ne peut/veut pas faire ou n'est pas prête à faire. Par exemple, Havard Business Review a exploré un cas dans lequel l'Analytics a permis de ressortir que : « c'est possible d'accroître les profits de l'entreprise de façon substantielle en allongeant le temps que chaque article passe dans le rayon avant d'être escompté ».
Cependant, implémenter ce changement aurait requis une redéfinition complète de la chaîne logistique, chose que l'entreprise était réticente à faire".
Source : https://hbr.org/2013/12/you-may-not-need-big-data-after-all/ar/1
Dernière considération : même si je prône un processus de prise de décision basé exclusivement sur les faits, c'est-à-dire une décision qui s'appuie sur des analyses de données, ne soyez pas dupe une nouvelle fois ! L'Analytics ne remplace pas et n'a pas l'intention de remplacer votre intuition du métier. L'Analytics attire simplement votre attention sur les détails que vous n'avez pas forcément remarqués, et vous guide dans votre intuition afin que vous prenez une décision 360°. Il vous aidera soit à confirmer soit à infirmer votre intuition !!!
Mon objectif lors de la rédaction de cet article est d'attirer l'attention des lecteurs sur les principes qui fondent l'utilisation efficace de l'Analytics.
Soyez conscient que l'efficacité de l'analytics dépend fondamentalement de 2 choses :
- la question à laquelle vous souhaitez apporter une réponse
- la qualité de données
On a souvent entendu dire que pour faire de l'Analytics (du Data mining en particulier), il n'est pas nécessaire d'avoir défini un problème en amont, que l'algorithme va découvrir par un processus automatique les tendances. C'est une grosse erreur de le penser ! Le succès d'une étude d'Analytics dépend fondamentalement de la question à laquelle on souhaite répondre.
Si vous n'avez pas défini clairement ce que vous recherchez dans les données, ne vous attendez pas à ce qu'un algorithme miracle le fasse. La Question à laquelle répondre guide l'étude toute entière et l'Analyste dans la conduite de ses travaux. IL EST DONC IMPERATIF LORS DE LA PHASE DE CADRAGE DU PROJET que vous définissiez la question à laquelle répondre et que toutes les parties impliquées dans l'étude soient d'accord avec cela. Il est également IMPERATIF que la question à laquelle vous souhaitez répondre soit la plus plus claire possible, car si vous appliquez un algorithme (aussi puissant soit-il) à la "mauvaise" question ou si vous définissez mal le problème que vous souhaitez résoudre à l'aide de l'analytics, vous aurez ultimement des réponses qui vous conduiront à de mauvaises décisions.
La problématique de qualité des données est le deuxième fondement de l'efficacité d'une étude Analytics. La qualité de donnée doit être traitée au préalable avant application de toute technique d'Analytics. En effet, grand nombre de techniques d'Analytics ne fonctionnent pas avec des données non-complètes. Avec le Big Data, la qualité de données prend une importance sans précédent, et bien que certains auteurs pensent que la qualité de données n'est plus un problème parce que les volumétries de données actuelles compensent les défauts liés à la qualité de données, il est vraiment CRUCIAL de vous assurer de la bonne qualité de données avant de penser Analytics. Si possible, mettre en place à travers un projet dit de MDM un référentiel de données maître qui assure que les données arrivent en aval corrigées de toute erreur et toute incohérence, car comme on le dit dans notre jargon, "Garbage In, Garbage Out".
Une autre considération avant de penser Analytics c'est le facteur humain. En effet, les éditeurs de logiciels actuels parlent tous de Self-Service Analytics, c'est-à-dire de la démocratisation de l'analytics et la mise à disposition de celle-ci entre les mains des utilisateurs finaux. C'est un objectif fabuleux et je le partage, mais ne soyez pas dupes ! La maitrise des techniques statistiques, d'algorithmes d'intelligence artificielle et d'autres disciplines qui constituent l'Analytics demande une formation poussée et exigeante. Ainsi, si vous avez l'intention d'aller au delà des tableaux croisés ou des diagrammes à bâtons, alors je vous suggère fortement de faire appel à des spécialistes reconnus dans l'Analytics qui sont même si possible certifiés ou alors de suivre vous-même un cursus dans le domaine.
Ne vous laissez pas tenter par le fait que l'outil soit clic-bouton, L'analytics est une affaire de spécialiste !
Une autre considération très importante, l'utilisation de l'Analytics ne garantit pas que vous allez extraire de l'information pertinente de vos données. Je sais que c'est douloureux à entendre, mais c'est la vérité ! Ce que je veux dire c'est qu'il peut arriver que l'Analytics révèle des informations qui soient déjà connues par les utilisateurs ou même aucune information significative (et du coup cela réduira l'utilité perçue de l'Analytics aux yeux du business). Je sais, c’est très décevant, devez-vous être en train de penser.
Dans ce paragraphe, je tiens juste à attirer votre attention sur le fait que l'Analytics est un outil parmi l'ensemble des outils que vous avez dans votre boîte pour la prise de décision éclairée. Ce n'est pas une "silver bullet", ou une panacée miraculeuse qui détectera systématiquement les tendances inconnues dans vos données. Vous devez accepter ce risque avant de penser à adopter l'Analytics.
Autre considération, le fait que l'Analytics vous fournit des informations pertinentes ne garantit pas le fait que vous ayez le pouvoir d'agir avec. En d'autres termes, l'Analytics peut révéler des informations significatives, mais transformer ces informations en action concrète pour améliorer l’entreprise peut demander des changements que l'entreprise ne peut/veut pas faire ou n'est pas prête à faire. Par exemple, Havard Business Review a exploré un cas dans lequel l'Analytics a permis de ressortir que : « c'est possible d'accroître les profits de l'entreprise de façon substantielle en allongeant le temps que chaque article passe dans le rayon avant d'être escompté ».
Cependant, implémenter ce changement aurait requis une redéfinition complète de la chaîne logistique, chose que l'entreprise était réticente à faire".
Source : https://hbr.org/2013/12/you-may-not-need-big-data-after-all/ar/1
Dernière considération : même si je prône un processus de prise de décision basé exclusivement sur les faits, c'est-à-dire une décision qui s'appuie sur des analyses de données, ne soyez pas dupe une nouvelle fois ! L'Analytics ne remplace pas et n'a pas l'intention de remplacer votre intuition du métier. L'Analytics attire simplement votre attention sur les détails que vous n'avez pas forcément remarqués, et vous guide dans votre intuition afin que vous prenez une décision 360°. Il vous aidera soit à confirmer soit à infirmer votre intuition !!!