Decideo - Actualités sur le Big Data, Business Intelligence, Data Science

Abonnez-vous gratuitement à Decideo !


Decideo

 


Data Driven Culture, Quèsaco ?


Rédigé par le 7 Août 2013



Abed AJRAOU, Directeur Business Intelligence et Big Data chez SRD Conseil et Professeur à CEFAM
Abed AJRAOU, Directeur Business Intelligence et Big Data chez SRD Conseil et Professeur à CEFAM
Grâce au phénomène du Big Data, les entreprises commencent à prendre de plus en plus conscience que les données sont une richesse et, les exploiter un maximum, procure un gain concurrentiel dans la course à la compétitivité. Lors d’une récente analyse parue le 30 juillet 2013, cette prise de conscience a aussi été perçue par les analystes de McKinsey comme étant un levier pour faire remettre les États-Unis en croissance économique ! En prendre conscience est une bonne chose, mais comment réellement prendre le virage de la « data driven culture » et à juste titre, comment faire ? Cet article a pour vocation de démystifier le concept de « data driven culture» et de comprendre les différentes étapes qui permettent une exploitation efficace de la donnée au sein de l’entreprise.

De la donnée à l’information

Les données, qui sont la base même d’une data driven culture, vont être le socle de tous les principes et tendances vers un business futur plus prolifique. Lorsque nous parlons de données, de quoi parle-t-on au juste ? Au-delà des données dites structurées – base de données CRM, Facturation, Achats, Stock, Chaîne de production … mais aussi des données dans des bases de fichiers (Excel, logs) – d’autres données peuvent aussi servir à la quête d’information, comme les vidéos, les données textes, les données intranet et bien sûr les données externes telles que les données des réseaux sociaux – facebook, twitter, google – et les différents blogs.
La Business Intelligence permet d’extraire de ces données de l’information, mais encore faudrait-il parler de la nouvelle génération de BI qui permet au moins trois nouvelles fonctionnalités à savoir :

• Exploiter des données dites non structurées.
• Traiter les données à une vitesse répondant aux problématiques actuelles, c'est-à-dire nécessitant une réactivité accrue.
• Procurer des fonctionnalités de data visualisation avancées.
• Proposer un cycle de vie de la donnée pour s’assurer d’une bonne qualité et d’une bonne gouvernance.

Effectivement, une bonne visualisation des données est nécessaire pour présenter une grande quantité de données en une information efficace, lisible, simple d’utilisation et non chronophage.
L’information doit cependant être contextualisée pour pouvoir apporter à l’entreprise la connaissance nécessaire à tout processus d’amélioration.

De l’information à la connaissance

Sans mettre en relief les informations par rapport au business de l’entreprise, les efforts seraient vains, voire contre-productifs. En effet, il est nécessaire de faire appel à la mise en science des données, c'est-à-dire à la data science, qui consiste à trouver des corrélations, déduire de nouvelles segmentations clients plus fines et plus pertinentes, dégager des nouveaux axes d’orientation business, voire trouver des explications des gains, ou des pertes passées.
Le data mining et les statistiques permettent de comprendre le passé pour prévoir des tendances du futur. Sans forcément faire de l’analyse prédictive, analyser les informations au regard du contexte et de l’environnement où l’on intervient permet de dégager une très bonne connaissance de ses informations et de pouvoir ainsi réagir en conséquence.
Bien sûr les mathématiciens et les statisticiens sont les plus à même de réaliser cette tâche, mais il n’est pas rare de voir des statisticiens complètement déconnectés du monde réel et du business de l’entreprise. Aussi, dans la BI nouvelle génération, il n’est plus impossible d’explorer une volumétrie gigantesque de données alors que malheureusement, de nombreux statisticiens gardent encore de vieux réflexes d’échantillonnage, ce qui réduit le temps de réaction et induit un coût supplémentaire non négligeable.À travers ce constat, la nouvelle fonction de Data Scientist est née et permet de dégager de ces informations une connaissance qu’il va falloir partager au sein de l’entreprise, via une mise en récit !

De la connaissance à la sagacité

Comme disait Socrate : « Le savoir est la seule matière qui s'accroît quand on la partage ». Il est nécessaire pour l’entreprise, que la connaissance soit bien partagée et comprise afin que les conclusions soient acceptées et comprises.
Le principal obstacle provient du fait que la démarche de connaissance réalisée par le mathématicien ou le statisticien ne serait pas pertinente pour l’ensemble des entités métiers de l’entreprise. Ainsi, il est nécessaire de savoir mettre en récit les connaissances et de créer une sagacité au sein de l’entreprise. Ceci va induire très probablement un changement de processus, d’habitudes, de perception du business … Cette conduite du changement sera d’autant mieux acceptée et réussie dans le cas où le « Story Teller » sera efficace.
La Data Story Telling devient donc une composante de plus en plus essentielle dans l’exploitation des données de plus en plus diverses et dans ce monde de plus en plus digitalisé. La mise en récit ne sera réellement efficace que si elle répond aux critères d’une story telling classique qui sont : créer l’engagement, créer le contact et capter l’attention, préconiser une ou plusieurs solutions, stimuler le désir de changement …
Cet art, si peu enseigné dans nos écoles, est pourtant une pièce maitresse dans la découverte et la compréhension des notions les plus difficiles.

La Data Driven, une vraie culture d’entreprise

Pour finir, je ne reviendrai pas sur le cas de Walmart, ou encore ceux d’Amazon et de Target qui sont des exemples bien connus de la performance d’une data driven culture. Je citerai, plus modestement, l’exemple de Crawn Audio qui a transformé sa chaîne de production via une « data driven » et ceci, pendant la crise de 2008 !
Souvenez-vous de l'automne 2008, l'économie était en chute libre. Les institutions financières telles que Lehman Brothers s'effondrait. Et, au milieu de cette tempête, Crown Audio a lancé une initiative d’amélioration de collecte de données et d'analyse des données pour ainsi retravailler l’ensemble de l'organisation de sa chaîne de production.
Crawn Audio a construit un système complet de collecte de données basée sur onze processus.
Après la capture, les données sont stockées de façons centralisées et accessibles aux ingénieurs de production, et à l’ensemble du personnel en charge de la qualité. Le système construit a permis de suivre les différentes informations et KPI comme les niveaux de défauts (DPMO) au fil du temps, et a fourni une analyse de forage de cette information via l'analyse Pareto pour permettre aux opérateurs d'obtenir la cause des défauts.
Au final, suite à l’optimisation de la production et la baisse des pannes, Crawn Audio n'a pas supprimé tous les emplois après ce projet. « L’organisation a dû être changée et le personnel a été réaffecté sur des activités plus productives. Ils sont donc passés de l'état de non-valeur ajoutée à une réelle valeur ajoutée de personnel de production » a mentionné Andy Stump, vice-président des opérations de Crawn Audio.

Les résultats ont été impressionnants. Sept mois après l'achèvement du projet, une étude a démontré qu'ils avaient payé l'investissement initial en moins de trois mois, avec un rendement total sur investissement (ROI) après sept mois de 171%.

Dans une économie en récession, il est passionnant de voir un projet rentabilisé en seulement trois mois. C'est ainsi la preuve spectaculaire de la puissance de la transition vers une culture de data-driven !




Commentaires

1.Posté par Vallaud le 14/08/2013 20:24
On ne peut être que globalement d'accord avec un discours si fédérateur
Sauf deux points :
- les données les plus importantes nécessitent souvent de l'échantillonage, au contraire et cela réduit les couts de mise au point des modèles même dans des bases les plus importantes et les temps de déploiement même avec les outils de big data les plus puissant. Je crois savoir de quoi je parle.
- la plupart des statisticiens/data miners ne sont pas déconnectés du monde réel, c'est une carricature même si il doit exister quelques spécimens de ce type.
Après les business cases US me laissent toujour un peu dubitatif, cf Le prix de l'exellence ou autre Océan Bleu ou les sociétés citées en exemple périclites ensuite, Story telling !!

2.Posté par Abed Ajraou le 21/08/2013 17:14
Merci Thierry pour ce commentaire qui n’est pas inintéressant.
J’ai tout de même quelques commentaires à apporter.
Tout d’abord, je vois bien que la maladie de l’échantillonnage n’est pas guérie et ce n’est pas faute d’avoir expliqué à plusieurs reprises le potentiel du Big Data.
Ensuite, lorsqu’on explique à des fonctionnelles que les résultats sont meilleurs parce que, dans le cas de ces données, le « cosine similarity » fonctionne mieux que le coefficient de corrélation de Pearson, le décideur reste au final sceptique …
Enfin, il faut arrêter de faire un égocentrisme à la française. Les bonnes pratiques peuvent venir de toute part dans le monde. Il est important de prendre le meilleur des Américains par exemple, mais pour bien sûr faire mieux :)

Nouveau commentaire :
Twitter

Vous pouvez commenter ou apporter un complément d’information à tous les articles de ce site. Les commentaires sont libres et ouverts à tous. Néanmoins, nous nous réservons le droit de supprimer, sans explication ni préavis, tout commentaire qui ne serait pas conforme à nos règles internes de fonctionnement, c'est-à-dire tout commentaire diffamatoire ou sans rapport avec le sujet de l’article. Par ailleurs, les commentaires anonymes sont systématiquement supprimés s’ils sont trop négatifs ou trop positifs. Ayez des opinions, partagez les avec les autres, mais assumez les ! Merci d’avance. Merci de noter également que les commentaires ne sont pas automatiquement envoyés aux rédacteurs de chaque article. Si vous souhaitez poser une question au rédacteur d'un article, contactez-le directement, n'utilisez pas les commentaires.


Twitter
Rss
LinkedIn
Facebook
Apple Podcast
App Store
Google Play Store