L’analyse de données en temps réel doit se nourrir d’échecs pour être efficace

Pour les start-ups high-tech, la culture de l’échec est quasiment devenu un leitmotiv, exhortant les entrepreneurs en herbe à jeter la prudence aux orties, à accepter l’échec comme une étape incontournable sur la voie du succès et à comprendre que ce n’est pas l’échec en soi qui compte, mais la façon d’y faire face et de passer à autre chose.

Les exemples démontrant la sagesse de cette approche ne manquent pas. Ainsi, l’inventeur britannique James Dyson affirme avoir écarté 5 127 prototypes afin de perfectionner son aspirateur sans sac, chaque prototype ayant efficacement contribué à l’amélioration du suivant. Le PDG d’Amazon Jeff Bezos, lui-même, revendique une approche similaire : « Si l'on fait des paris audacieux, cela conduit à faire des expérimentations par nature souvent vouées à l'échec. »

En fait, dans un contexte d’évolution rapide des services cloud et des systèmes d’e-commerce, les entreprises de tous horizons doivent pouvoir agir et réagir promptement aux variations des conditions du marché, faisant de l’agilité un objectif majeur, quelles que soient la taille ou la nature de l’entreprise.

Malheureusement, toutes les entreprises n’ont pas les mêmes ressources qu’Amazon et le goût du risque se perd rapidement pour les dirigeants qui savent qu’une erreur mal maîtrisée peut entrainer leur affaire vers le fond. Cette menace permanente est le prix à payer pour poursuivre ses objectifs.

Utiliser les données pour mesurer sa capacité à échouer

Apprendre à échouer dans un contexte professionnel demande du temps.
La première condition consiste à dresser un état des lieux de la capacité de l’entreprise à mesurer les possibilités de succès ou d’échec. Ici, l’analyse des données a un vrai rôle à jouer pour permettre aux entreprises de mieux comprendre leurs processus métiers et l’impact qu’ils ont sur la performance générale.

En outre, il est également nécessaire d’appliquer des modèles statistiques appropriés, non seulement pour identifier les tendances actuelles, mais aussi pour prévoir les effets de changements potentiels. Certains modèles offrent la possibilité d’extrapoler et d’anticiper les effets de l’innovation sur les processus en fonction de schémas qui sinon resteraient cachés dans les données historiques.

Ces étapes sont un début nécessaire et incontournable. À ce stade, l’analyse des données peut vous aider à détecter les cas où le changement a conduit à l’échec. Le risque est cependant d’arriver trop tard pour corriger quoi que ce soit. Voilà pourquoi il faut aller plus loin, en procédant ensuite à une analyse des données en temps réel.

Transformer l’échec en opportunité

Même lorsqu’il est possible de le transformer en une expérience rapide et sans douleur, l’échec n’est pas une fin en soi et les entreprises ont tout intérêt à pouvoir analyser les données plus rapidement. Cela passe par un accès à la source et en temps réel à mesure que ces données sont générées, sans avoir à attendre qu’elles soient collectées et classées dans une banque de données.

C’est ce qu’on appelle l’analyse des données en temps réel, mais pas seulement.

L’analyse des données en temps réel implique également la capacité à traiter les informations provenant de tous les canaux et de multiples équipements tels que ceux composant l’Internet des objets.

De plus, elle nécessite de pouvoir agir en fonction des analyses obtenues en temps réel, de prendre des décisions en fonction des enseignements tirés de la modélisation des données et de communiquer ces analyses et décisions aux autres applications à même d’engager les actions appropriées.

Sur des marchés de plus en plus concurrentiels secoués par l’émergence de technologies disruptives, le rythme de création et de destruction des entreprises s’accélère. La faculté d’apprendre des succès comme des échecs en vue de s’améliorer est donc critique. En d’autres termes, il est temps d’apprendre à échouer efficacement. »