"La data, c’est le pétrole du 21ème siècle" - Phrase entendue à un énième afterwork par un Hipster du digital.
Bien, mais à quoi cela nous avance-t-il ? Et surtout : en quoi cela me concerne ?
J’ai accès à une multiplicité de sources de données inexploitées dans mon entreprise, mais il est compliqué d’aboutir à un fichier commun mis à jour régulièrement et opérationnel.
Excel c’est chouette, mais je ne suis pas un expert des tableaux croisés dynamiques et autres formules magiques spécifiques à l’outil. Et accessoirement, cela me donne rapidement des migraines.
J’ai peut-être conscience des bénéfices d’une stratégie d’entreprise axée sur la data, mais c’est trop abstrait, et je ne suis pas certain de m’y retrouver entre le temps passé à traiter ma donnée et le bénéfice que j’en tire par la suite.
En plus, j’entends parler data partout, mais pour moi, c’est un peu comme quand Nabilla commence à parler de Bitcoin : je me dis qu’il y’a quelque chose de louche et que la bulle de la hype ne va pas tarder à exploser.
En 1889, Nikola Tesla présentait sa bobine à l’Exposition Universelle de Paris. Aujourd’hui, combien de personnes pensent au mot électricité en allumant la lumière d'une pièce dans laquelle elles viennent d’entrer ?
Cette technologie est pourtant la clé de voûte du monde que l’on construit, mais à part une poignée de spécialistes, le reste du monde peut se permettre de ne plus y penser.
Si on suit le même principe pour la data, il en sera de même pour cette dernière, ça l’est même déjà un peu. Pourtant, la transition électrique ne s’est pas faite en un jour.
Bien loin de révolutionner le concept du traitement de donnée, cet article a pour vocation de présenter quelques conseils afin d’éviter tout stress post-traumatique lors du traitement de la data de votre prochain reporting annuel.
Raconter une histoire : les objectifs de mon reporting
Dans un premier temps, il est nécessaire de prendre du recul et de définir les objectifs souhaités de notre reporting : son intention première est avant tout de raconter une histoire.
Par exemple, je souhaite définir les prochains axes de développement de ma Politique Voyage. Je connais dans les grandes lignes la direction que je souhaite prendre, mais j’aimerais définir les points d’amélioration possibles afin de prioriser mes actions et d’identifier les leviers sur lesquels j’ai le plus de marge de progression possible.
Disons que j’aimerais connaître le niveau de compliance de mes voyageurs grâce aux outils technologiques mis en place au sein de mon entreprise afin de discerner les éléments sur lesquels je dois accentuer ma politique de change management de manière à obtenir le plus gros impact possible : je cherche donc à discerner et hiérarchiser la faisabilité ainsi que l’impact potentiel des projets que j’envisage d’entreprendre.
Pour ce faire, je vais avoir besoin de données sur le comportement de réservation de mes voyageurs, à savoir si la dépense a été réalisée par le biais d’un outil de réservation ou si elle a été réalisée en offline.
Les personnages du roman
Comme dans toute histoire, y apparaissent des personnages principaux, secondaires et des figurants. Il faut donc faire un tri dans nos variables, définir lesquelles sont nécessaires et lesquelles sont inutiles. Un conseil : mieux vaut suivre une poignée de champs qualitatifs qui vont vous permettre de calculer des indicateurs ciblés que de chercher à récupérer le plus de data possible pour l’unique raison qu’il est possible de le faire.
À titre d’analogie, prenons l’exemple d’un écran numérique : au microscope, les pixels affichés ne sont ni plus ni moins qu’une base de données composée uniquement de trois variables (rouge, vert et bleu) ayant des valeurs différentes en chaque point du système. En prenant du recul à l’œil nu, les pixels ne sont plus visibles, ils se mêlent entre eux pour nous délivrer une information beaucoup plus riche : un film, un logiciel, une conversation …
Lire un roman
D’autre part, comme pour tout dialogue dans une histoire, il faut s’assurer que tous les personnages utilisent le même langage.
Si je travaille sur l’avis des collaborateurs après leur participation à un évènement, idéalement, j’ai créé un champ de participation à l’évènement dans mon CRM, et je peux ainsi directement cibler les participants lors d’une campagne de mailing. En utilisant un outil comme Formstack, je peux automatiquement pré-remplir certains champs (nom, prénom, fonction…) afin d’éviter aux collaborateurs de réaliser des fautes de frappes et ainsi m’éviter un travail supplémentaire de nettoyage de donnée lorsque je souhaite intégrer cette nouvelle donnée dans mes bases de données.
De la même manière, il peut être intéressant, lors du choix d’un prestataire technologique (booking engine, solution de notes de frais, etc.), d’étudier la manière dont ils gèrent leurs flux de données.
Si un outil donne la possibilité à mes collaborateurs de remplir à la main le champ de destination de leur séjour professionnel, je suis sûr de trouver une dizaine de manières différentes d’écrire Paris dans mes bases de données. D’une manière générale, on essaie donc de favoriser une liste déroulante lorsque cela est possible (pour un choix de pays par exemple), pour la récolte de données.
Il en va de même pour la communication entre différents outils. Un défi fréquent à ce niveau est le recoupement de différentes sources de données hétérogènes. Par exemple, je souhaite faire communiquer mes reporting Travel et Expense entre eux afin d’en dégager un coût complet par mission et par collaborateur. Pour ce faire, je peux utiliser des méthodes de recoupement par date/collaborateur, mais la mise en place d’une clé d’identification unique par mission me permettrait d’éviter toute manipulation superflue de la donnée et ainsi obtenir un reporting de meilleure qualité.
Le contexte : entre analyses et vérité
Enfin, comme pour toute histoire, le contexte a son importance.
Nous sommes attirés par les choses certaines. Lorsque l’on construit un graphique, notre cerveau est donc tenté de le considérer comme vérité absolue. Mais la donnée est rarement parfaite, et les choses que nous en faisons ne le sont jamais. L’objectif est donc de diminuer cette incertitude au maximum.
On tombe pourtant toujours sur des modèles d’analyse qui fonctionnent à merveille sur un ensemble et sont moins précis lorsque l’on rentre dans une analyse plus granulaire, où des courbes anticipatives ne tiennent pas en compte d’absolument tous les facteurs existants dans le monde réel.
Visuel et data : comprendre l’histoire en un clin d’œil
C’est le moment où la visualisation de la data entre en jeu. Il faut établir une grille de lecture visuelle afin que le lecteur puisse comprendre en un clin d’œil l’histoire ce que l’on cherche à raconter, comme la planche illustrée d’une bande dessinée.
Afin de discerner les courbes descriptives, qui représentent la data du passé, des courbes anticipatives qui sont une prédiction des tendances futures basée sur la data historique (à interpréter avec un niveau de confiance qui n’est pas de 100%), je peux utiliser une représentation visuelle caractéristique de chaque type de courbe : par exemple courbes pleines pour les statistiques descriptives et en pointillé pour les résultats prédictifs.
Pour raconter une histoire, il faut utiliser les bons protagonistes, le bon format de communication ainsi que des illustrations simples et claires.
Le métier du reporting s’apparente-t-il au final à celui d’un auteur ?
N’hésitez pas à contactez nos consultants par ici : contact@cbtconseil.fr, afin d’en avoir le cœur net !