L’analytique et la data science au cœur de l’entreprise intelligente

Le Big Data a pris une telle place dans le langage des entreprises qu’il semble à présent faire référence à tout projet en rapport avec les données. Cette confusion présentait des avantages dans les premiers temps car elle permettait aux entreprises de comprendre la valeur de leurs données. Aujourd’hui, c’est un inconvénient. Les projets liés aux données sont associés à la complexité, un coût élevé ou l’incertitude d’un retour sur investissement.

Le Big Data ne transforme pas les données en informations exploitables. Il ne crée pas de valeur. La science des données, en revanche, fait tout cela sans même avoir besoin d’être complexe, coûteuse, ni même volumineuse.

La science des données n’est pas affaire de scientifiques. C’est une affaire d’intuition et de passion

Pour générer un maximum de valeur, la data science, ou science des données, s’appuie sur trois piliers : l’intuition, la manipulation des données et l’analytique. Se concentrer sur la science pure et dure telle que la méthode statistique est une erreur courante. Le développement des connaissances autour d’une activité particulière et l’analyse des données pertinentes sont en fait plus importants.

Savoir manipuler les chiffres est une chose, comprendre ce qu’ils révèlent sur l’entreprise et savoir quelles actions engager sur la base de ces enseignements en est une autre. L’expérience et la connaissance du métier ont leur rôle à jouer, tout comme la curiosité et la passion. Les meilleurs résultats viennent parfois de personnes inattendues, simplement en raison de leur motivation et de leur persévérance.

Transformer les informations en actions avec l’analytique

Tirer des informations des données puis transformer ces connaissances en actions nécessite plusieurs étapes :
1. Posez-vous la bonne question en décidant à quel problème vous attaquer. Assurez-vous de donner la priorité aux problèmes importants pour l’entreprise.
2. Obtenez les données auprès de sources appropriées. Les Big Data organiques sont peu chers et non intrusifs mais souvent non pertinents pour le problème de l’entreprise. La principale tâche initiale est donc de rechercher les données les plus pertinentes.
3. Epurez ces sources de données. La manipulation des données disponibles pour traiter le problème en question est une tâche longue mais cruciale. Les meilleures méthodes analytiques ne sauraient compenser des données de mauvaise qualité.
4. Définissez clairement les variables de réponse et les facteurs expliquant le problème considéré. Une définition très précise est essentielle pour en tirer des enseignements exploitables.
5. Etablissez des visualisations et des tableaux de bord mettant en évidence les principales variables de réponse et les facteurs clés de sorte que chacun puisse en dégager rapidement des enseignements sur les problématiques.
6. Créez des modèles prédictifs et des règles qui intègrent ces enseignements en vue d’une analyse et d’une action continues.
7. Publiez ces tableaux de bord, modèles et règles pour une utilisation au quotidien dans l’entreprise.
8. Réactualisez les données aussi souvent que possible pour le problème à traiter. Certaines données n’évoluent pas rapidement et/ou ne peuvent pas être exploitées immédiatement. Dans d’autres cas, il est possible d’agir dans la journée voire dans l’instant.
9. Définissez des alertes et des notifications de sorte que les acteurs concernés soient informés de l’existence d’opportunités ou de menaces pour l’entreprise.

Chacune de ces étapes est empreinte de bon sens et profondément axée sur le problème en question. C’est ainsi que la data science apporte de la valeur ajoutée à l’ensemble des secteurs d’activité et des domaines fonctionnels de l’entreprise. Les données dynamiques sont par exemple idéales pour améliorer l’engagement omnicanal des clients et leur proposer des offres adaptées alors même qu’ils sont en train de visiter un site Web. Une autre entreprise pourra, elle, se focaliser sur l’optimisation du traitement des commandes et du réapprovisionnement en fonction de la demande, du stock et des achats, voire optimiser les prix en fonction de l’évolution de la demande et des circonstances. Sans parler de tous les usages que nous n’avons pas encore inventés.