Comment arrêter de faire des carabistouilles avec ses données ?

  • par

Arrêtez de faire des carabistouilles avec vos données, bon sang de bonsoir !!!

Big data, smart data, small data …

Faisons un test pour savoir si vous êtes concerné par la suite de cet article : aujourd’hui dans votre projet, quelles sont les données analysées ? Si quasiment aucune alors la suite de cet article devrait vous intéresser.

Analyser ses données est important. Non pas parce que c’est rendu possible en 2020, mais parce qu’il s’agit d’un moyen d’améliorer son rendement. Par rendement j’entends vitesse d’exécution. Or le timing et l‘exécution seraient les principaux responsables du succès/échec d’une entreprise.

On ne prend pas le temps de mesurer les process automatisés en place dans son projet. À tort parce que ce qui est mesurable est améliorable.

Choisir les bons indicateurs

Analyser les données sert à agir. Si l’indicateur ne permet pas d’arriver à un enseignement actionnable, changez d’indicateur. Le taux d’ouverture des mails est trop faible par rapport à la moyenne du marché alors je dois changer quelque chose. C’est intéressant comme indicateur parce qu’il me montre que je dois changer quelque chose. Des tests A/B permettront d’en savoir davantage sur la nature du problème …

(Le rôle du Data Scientist n'est pas de prendre des décisions ou résoudre des problèmes mais d'apporter des éléments de réponses supplémentaire en vue de prendre de meilleures décisions).

Questionner les résultats. Pourquoi c’est en baisse ? Qu’est-ce que l’indicateur nous indique réellement ? Et si, je prends en compte une autre variable pour lui donner davantage de sens ?

Les datas servent à progresser …

Plutôt que de tester et faire des hypothèses allez sur le terrain et demandez à la personne pourquoi elle n’a pas ouvert le mail. L’avantage est qu’aujourd’hui il est possible de recueillir ce type d’informations via un Typeform en rendant des champs obligatoires pour avoir une donnée homogénéiser.

Par ailleurs, l’utilisation de données externes est trop souvent sous-estimée ! Sans même jouer le hors-la-loi en scrapan des endroits peu recommandables des internets, c’est à la portée de n’importe quel plaisantin que de se servir des données publiques en libre accès sur des sites comme data.gouv.fr.

Les (futurs) clients sont de plus en plus connectés. Donc on sait tous d’eux.

… mais pas que

MAIS attention le rôle de la donnée ne se résume pas à de l’analyse et de l’aide à la décision. Il s’agit de valeur !

Dans de rares cas, la donnée produite dans un projet est exploitable en vue de prendre une place à part entière dans le business model. On ne compte plus les sites qui revendent nos données de navigation à notre insu. Et sans monétiser des données, elle peut permettre de personnaliser l’offre, apporter la valeur ajoutée qui permettra d’augmenter votre conversion !

En outre, partager les données (ce, quelque soit sa nature) peut permettre à tout à chacun -lié au projet- de se faire une opinion, apporter un regard nouveau ou extérieur et ainsi pourquoi pas mettre en évidence une corrélation entre des variables et des événements externes, par exemple. Les données sont souvent séparées sans raison apparente. Les données de vente, les données produit, etc. AirBnB suggère de les rassembler via leur outil Superset.

C’est pas tout !

Comment s’assurer que nous collectons bien toutes les data utiles à notre activité ?

En général on produit beaucoup de données sans les conserver ou même.y prêter attention. Car il est ardu de savoir si la donnée utile, redondante, etc. En réalité, pour améliorer la relation avec les clients, il faut TOUT collecter. Tout peut être important. Mettre en place des systèmes pour collecter ses données doit devenir une réflexe.

Une data, des dataux

Pour bien communiquer des chiffres, évitez les chiffres.

L’interprétation et la communication des données est un chantier à part entière. Une donnée comprise est une chose, une donnée utilisée en est une autre. Pour ce faire, la communication doit être pensée sous l’angle de l’émotion.

Tips

  • peu de datas de qualité > beaucoup de datas en mousse. Se demander à quel point c’est important d’être précis dans le résultat attendu.
  • cherchez-vous à prendre de meilleure décisions ou automatiser des actions ? Autrement dit, cherchez-vous à comprendre pourquoi c’est arrivé comme ça ou comment est-ce que ça arrivera la prochaine fois ? La réponse conditionne la méthode à appliquer.
  • friction et courbe d’apprentissage … l’humain est un point faible dans le maillon d’exploitation de la data. Attention à ne pas trop vite rejeter la faute sur les chiffres.

Si t’es intéressé par la data science, big data, IA alors ça peut t’intéresser de recevoir des trucs que je partage par mail :

(Votre mail n’est pas partagé. Désinscription en un clic)