Data & Analyse: Les règles clés pour des résultats concrets.

 
Résultat d’une étude de McKinsey&Co. 2018.

Résultat d’une étude de McKinsey&Co. 2018.

 

La data régit notre vie, aujourd’hui plus que jamais. De celle que nous sommes amené à créer, à celle que nous utilisons pour optimiser et créer des solutions toujours plus pertinentes, il est essentiel d’avoir une approche claire et structurée de notre collecte à nos analyses, en particulier dans un environnement B2B.

Qu’elles soient quantitatives ou qualitatives, les données auxquelles nous avons accès aujourd’hui permettent de générer un avantage concurrentiel sans précédent dans toutes nos démarches. Elles sont la structure qui supporte nos process, de l’identification des opportunités commerciales, en passant par la validation des attentes et problématiques de nos prospects, à l’établissement d’une stratégie globale.

Comprendre l’importance d’une data qualifiée et de protocoles d’analyse structurés est essentiel au succès de vos démarches professionnelles.

Data

Au-delà des notions de quantitatif vs qualitatif, penchons-nous sur l’approche de Tricia Wang, ethnographe spécialisée dans les technologies globales, qui a introduit la notion de thick data. Cette approche permet une collecte de données comportant plus de profondeur avec moins d’interactions, venant apporter un validateur centré sur une perspective humaine, complémentaire à la big data utilisée. Au cours de sa collaboration avec Nokia en 2009, cette approche lui a ainsi permis de découvrir un élément pouvant bouleverser leur business model.

En effet, au cours de son immersion dans la communauté chinoise à faible revenu, elle a pu identifier, grâce au thick data, l’émergence d’une demande consistante pour des smartphones low-cost, ce que contredisait à l’époque la big data utilisée par Nokia. Sa conclusion a été que la marque devait repositionner sa stratégie de développement, et passer de l’espace hyper compétitif du smartphone high-end où elle était positionnée, à des produits plus abordables pour répondre aux besoins de ce nouveau marché asiatique.

Nokia n’a cependant pas suivi le rapport de Tricia Wang, et a continué de se baser sur le sample size plus large de ses clients existants. Nous connaissons la suite de l’histoire pour Nokia…

Bien que le suivi de données d’un panel plus large comparé à celui d’un panel réduit semble sensé, il faut comprendre que ce qui est mesurable n’est pas nécessairement ce qui est important. Et c’est bien là où la distinction la plus importante doit avoir lieu lors de la collecte de données dans l’ère du Big Data : D’où vient la donnée, et quelle est sa valeur réelle par rapport aux problématiques que l’on cherche à résoudre ?

Analyse

Vos datas sont bénéfiques pour valider une hypothèse, la soutenir et vous accompagner dans la formulation d’un plan d’action pour la concrétisation de celle-ci. C’est pourquoi les points suivants sont indispensables pour garantir une analyse sans faille :

  1. Établir une hypothèse claire, spécifique et concise avant d’entamer votre analyse.

  2. Se rappeler qu’il n’y a pas de mauvais résultats, seulement des validateurs.

  3. Vérifier vos présomptions avant d’analyser votre data.

  4. Accepter le fait que vous ne trouverez peut-être aucune signification à l’issue de votre analyse.

  5. Baser votre hypothèse sur une théorie et non sur une intuition.

  6.  Élaguer votre data en amont de votre analyse afin de gagner en temps et en pertinence.

L’analyse en elle-même peut s’avérer complexe, mais il existe 5 techniques d’analyse - quantitatives et qualitatives - qui sauront vous épauler dans vos démarches :

Les analyses de régression

Les études de régression sont d'excellents outils lorsque vous devez faire des prévisions et anticiper les tendances futures. Elles mesurent la relation entre une variable dépendante (ce que vous voulez mesurer) et une variable indépendante (les données que vous utilisez pour prédire la variable dépendante). Bien que vous ne puissiez avoir qu'une seule variable dépendante, vous pouvez avoir un nombre presque illimité de variables indépendantes. Les régressions vous aident également à découvrir des zones de vos opérations pouvant être optimisées, en mettant en évidence les tendances et les relations entre les facteurs.

Les tests d’hypothèses

Également appelée «T Testing», cette méthode d’analyse vous permet de comparer vos données avec des hypothèses existantes, ainsi que des hypothèses que vous avez formulées concernant vos opérations. Cela vous aide également à prévoir l'impact de vos décisions sur votre organisation. Le test T vous permet de comparer deux variables pour trouver une corrélation et fonder les décisions sur les résultats. Par exemple, vous pouvez supposer que plus d'heures de travail équivaut à une productivité accrue. Avant de mettre en place des heures de travail plus longues, il est important de créer un lien réel pour éviter une politique impopulaire.

La simulation Monte Carlo

Un des moyens les plus populaires de calculer l'effet de variables imprévisibles sur un facteur spécifique, les simulations de Monte Carlo utilisent la modélisation de probabilité pour aider à prévoir le risque et l'incertitude. Pour tester une hypothèse ou un scénario, une simulation de Monte Carlo utilisera des nombres et des données aléatoires pour mettre en scène divers résultats possibles dans n'importe quelle situation, en fonction des résultats. Il s’agit d’un outil extrêmement utile dans de nombreux domaines, notamment la gestion de projet, les finances, l’ingénierie, la logistique, etc. En testant un éventail de possibilités, vous pouvez comprendre comment des variables aléatoires peuvent affecter vos plans et projets.

L’analyse de contenus

Cette méthode aide à comprendre les thèmes généraux qui se dégagent de données qualitatives. L'utilisation de techniques telles que le codage, par couleur de thèmes et d'idées spécifiques, permet d'analyser des données textuelles afin de rechercher les thèmes les plus courants. Les analyses de contenu peuvent fonctionner efficacement pour traiter des données telles que les commentaires d’utilisateurs, les données d’interviews, les enquêtes ouvertes, etc. Cela peut aider à identifier les domaines les plus importants à traiter.

L’analyse narrative

Ce type d'analyse met l'accent sur la manière dont les histoires et les idées sont communiquées au sein d'une entreprise et peut vous aider à mieux comprendre la culture organisationnelle. Cela peut inclure l'interprétation du point de vue des employés sur leur travail, de la perception d'une organisation par les clients et de la manière dont les processus opérationnels sont perçus. Elle peut être utile lorsque vous envisagez de modifier la culture d'entreprise ou de planifier de nouvelles stratégies marketing.


Une fois ces notions acquises, et votre analyse établie, il vous appartient d’en interpréter les résultats pour soutenir l’objectif. Cette étape, évidente mais cruciale, reste le “why” de votre démarche. Elle saura garantir le succès de vos démarches.