Apprenez à aligner les initiatives de big data avec la stratégie de votre organisation, et à valider vos efforts avec des indicateurs clés de performance.

Principaux sujets de l’article :

• Qu’est-ce que le big data ?
• Défis du Big Data
• KPI et Big Data
• Focus Big Data
• Rendre le Big Data mesurable
• Automatisation avec BSC Designer

.

Sign…Inscrivez-vous avec un plan gratuit pour accéder à Big Data Scorecard ainsi qu’à 28 autres modèles de scorecard.
La fin de l’année est un bon moment pour parler des tendances émergentes : voitures à conduite autonome, intelligence artificielle, réalité virtuelle et Internet des objets. Quel effet ces tendances auront-elles sur votre entreprise ? Comment pouvez-vous prendre en compte un éventuel impact de ces idées qui changent la donne ? Toutes les tendances mentionnées méritent une analyse détaillée, mais il y en a une qui semble être liée à toutes les autres. Il s’agit du Big Data. L’IA en aura besoin, les voitures à conduite autonome sont basées dessus, et bien sûr, il est déjà utilisé par de nombreuses entreprises.

À BSC Designer, nous parlions beaucoup des KPI et de la stratégie. Dans cet article, je propose de discuter de la façon dont une stratégie bien décrite et des KPI sur mesure peuvent aider à se concentrer sur les efforts en matière de big data. Voici notre plan pour cet article:

• Le big data. Qu’est-ce que c’est ? Quels sont les principaux défis ?
• KPIs pour le big data. Les 4 niveaux de KPI et la réalisation d’un alignement stratégique.
• Plan d’action. Mise en œuvre mesurable du big data.

Qu’est-ce que le big data ?

Le big data concerne l’analyse de grands ensembles de données non structurés.

Le big data peut être caractérisé par 3 Vs:

• Volume. Les ensembles de données sont censés être volumineux. Selon certaines estimations, ils devraient être d’au moins 10 Go ou 1 To, mais un meilleur critère serait probablement de dire que les big data sont quelque chose qui doit être distribué (en termes de stockage ou de calculs). Si vous avez dû passer à Hadoop ou à un cadre similaire, c’est qu’il devient gros.
• Variété. Pensez aux différentes sources de données structurées et non structurées. Elles peuvent être extraites de textes, de vidéos, de données de vente, de médias sociaux, de prévisions météorologiques ou de tout ce qui a du sens dans votre contexte.
• Vélocité. Le volume élevé des données est le résultat d’une génération rapide de données. Pensez à des milliers d’éléments d’aéronefs qui sont constamment surveillés, ou à un flux constant de commentaires dans les médias sociaux, ou encore aux données en temps réel que fournissent les dispositifs portables.

Souvent (prenez IBM ou EY comme exemple), il y a aussi un quatrième “V” qui signifie “véracité” :”

• Véracité. Lorsque nous parlons de données, nous avons toujours affaire à un certain niveau d’incertitude. Comment les données ont-elles été obtenues ? Avons-nous analysé tous les facteurs ? Ont-elles été manipulées ? Pouvons-nous faire confiance à ces chiffres ?

Comment les données sont-elles utilisées ?

Les big data sont utilisées pour un large éventail d’analyses prédictives et comportementales. Les organisations appliquent le big data pour réduire les coûts, mieux comprendre les besoins des clients et atténuer les risques. Pensez à une entreprise qui utilise le big data pour offrir une expérience sur mesure aux clients ; pensez à la vérification de la fraude d’un fournisseur de commerce électronique.

Au début de l’article, j’ai mentionné certaines tendances émergentes – le big data est impliqué dans toutes ces tendances. Pour en savoir plus sur l’utilisation pratique du big data, je vous recommande de poursuivre avec “7 Amazing Companies That Really Get Big Data” par l’expert internationalement reconnu Bernard Marr.

Main Challenges of Big Data

La vision décrite du big data semble très ambitieuse. Pourquoi alors les entreprises tardent-elles à adopter cette nouvelle tendance ? Quels sont les principaux défis du big data ?

Le data mining n’est plus un défi principal

Plus tard en octobre, je suis intervenu lors d’une conférence organisée par SCIP (Strategic and Competitive Intelligence Professionals). Les membres de cette organisation traitent du big data dans les domaines de l’intelligence économique. Le thème principal de la conférence ne portait pas sur l’exploitation de certaines données de CI/BI, comme on pourrait s’y attendre, mais sur l’alignement des efforts de veille stratégique sur la stratégie d’une entreprise. En d’autres termes, une fois qu’une entreprise connaît les questions qu’elle veut poser, le reste est relativement facile (voir les sondages ci-dessous pour quelques données).

Si l’extraction de données n’est plus un problème, quels sont les principaux défis ?

Défi 1. Concentrer le big data

Le principal défi est de concentrer le big data sur ce qui compte, puis de le livrer entre les bonnes mains. En d’autres termes, il doit y avoir quelqu’un dans l’organisation qui doit commencer à poser les bonnes questions.

Pour illustrer cette idée, prenons une histoire de Target qui a fait la une des journaux en 2012. Ce détaillant a utilisé avec succès les données analytiques des acheteurs pour prédire que certaines de ses clientes étaient enceintes. Examinons l’histoire (sans tenir compte de la partie liée à la vie privée) et voyons ce qui s’est réellement passé. Andrew Pole, un statisticien qui travaillait pour Target ne se contentait pas de fournir toutes les données possibles, il a reçu une tâche très spécifique de ses collègues du marketing : identifier les clientes enceintes au cours de leur deuxième trimestre.

Il y avait un objectif et, une énorme valeur commerciale associée à cet objectif, car les nouveaux parents ont tendance à changer leurs habitudes d’achat et à tout acheter dans un seul magasin de détail. Il ne s’agissait pas de simplement jouer avec les données, il s’agissait de trouver des données qui aideraient à répondre à une question très spécifique.

Défi 2. Alignement sur la stratégie commerciale

Les big data changeront la donne lorsqu’elles apporteront une valeur commerciale tangible. En d’autres termes, il devrait être clair comment les initiatives de big data soutiennent la stratégie d’une entreprise. Dans son enquête auprès des dirigeants sur le big data, NewVantage Partners a interrogé les répondants sur les obstacles culturels à l’adoption du big data par les entreprises. 42,6 % des répondants ont choisi la réponse “alignement organisationnel insuffisant”. Les autres options comprenaient un manque d’adoption, un manque de stratégie de données cohérente et un manque de vision partagée.

Pour en revenir au cas de Target, ils ont réussi à aborder deux composantes importantes :

1. Le Big Data s’est concentré sur une requête spécifique : On a demandé à un data scientist d’identifier les acheteuses enceintes dans leur deuxième trimestre.
2. Alignement avec une stratégie commerciale : Il y avait une valeur commerciale claire pour les données – les familles où un enfant est né deviennent des clients d’un magasin de détail pendant une longue période.

Défi 3. Sécurité et confidentialité des données

Ce défi n’est pas encore d’usage courant, mais je pense qu’il est évident pour tout le monde que la collecte et l’analyse des données doivent être éthiques et légales. Le règlement général sur la protection des données (RGPD) est devenu exécutoire à partir du 25 mai 2018 en Europe et il existe des réglementations similaires dans d’autres pays. Les entreprises doivent être beaucoup plus sérieuses pour suivre les politiques de données lorsqu’elles traitent des données personnelles.

Discutons des KPI dans le contexte du big data.

KPI et big data

Le big data va-t-il remplacer les KPI ? Pas exactement. Le big data va alimenter les KPI avec des informations plus précises et plus récentes.

Prenons l’exemple du NPS (Net Promoter Score) :

• NPS maintenant. Comment le NPS (Net Promoter Score) est-il calculé dans votre organisation aujourd’hui ? Vous réalisez probablement une sorte d’enquête client sur une base trimestrielle. Ainsi, cet indicateur est en retard sur le temps. Si quelque chose arrive à votre entreprise, le NPS le montrera quelques mois plus tard.
• Le NPS alimenté par le big data. Maintenant, imaginez que vous utilisez un outil de big data qui analyse les émotions des clients en temps réel (voir la référence Heedbook ci-dessous). Dans ce cas, votre NPS deviendra un indicateur clé de performance en temps réel. Fondamentalement, vous serez en mesure de voir la réaction d’un client spécifique à une offre spécifique et à une approche de vente spécifique.

Dans certains cas, vous serez intéressé à creuser plus profondément dans les données et à obtenir les situations spécifiques, et dans certains cas, vous aurez besoin de voir les données agrégées pour la semaine, le mois ou l’année.

KPI pour le big data

Dans le cas du big data, nous parlons d’investissements importants dans les nouveaux outils et l’architecture, il est donc logique de surveiller ces initiatives avec des données concrètes. Les initiatives big data doivent également être quantifiées et mesurées. Nous pouvons le faire à plusieurs niveaux différents.

Niveau 1. Métriques 3-V

Les 3V (Volume, Variété, Vélocité) du big data peuvent être facilement quantifiés :

• Le volume de données est une mesure en soi (GB, TB, etc.)
• La variété peut être quantifiée comme le nombre de différents types de sources de données
• La vélocité est définie par le volume de données générées/analysées par période de temps

Le quatrième V – la véracité pourrait être plus difficile à quantifier. Vous devrez définir ce que votre équipe qualifie de données exactes et cela dépend du contexte. Par exemple, pour les voitures à moteur à combustion, la mesure de la vitesse actuelle avec un niveau d’erreur de +-5 km/h peut être considérée comme une donnée précise, alors que pour les voitures électriques, ce n’est pas acceptable. Définissez 1-2 métriques qui donnent une idée de la précision des données dans votre cas.

Les métriques 3-V sont-elles utiles ? Cela dépend de votre contexte. Prenons l’exemple de la voiture autopilotée de Google. La voiture produit 1 Go de données de capteurs par seconde. Ce chiffre semble impressionnant ! Nous pouvons estimer la taille du big data, mais ces chiffres ne nous aideront pas à relever les 3 défis mentionnés précédemment.

S’inscrire avec un plan gratuit pour accéder au Big Data Scorecard ainsi qu’à 28 autres modèles de tableau de bord.

Niveau 2. Métriques du processus big data

Passons au niveau d’abstraction suivant et examinons le processus big data. Le modèle simplifié est le suivant :

• Query
• Collection
• Analysis
• Reporting

Les métriques les plus utiles dans ce cas sont liées au temps :

• Fréquence de la collecte des données
• Temps nécessaire pour que les données soient disponibles pour l’analyse
• Temps nécessaire pour que les données soient rapportées sous une forme d’indicateurs clés de performance

Les repères pour le temps dépendent de votre contexte d’affaires. Par exemple :

• La voiture autopilotée doit collecter et analyser les données en temps réel, et les millisecondes de la différence comptent, mais
• Dans le cas du NPS, les gestionnaires pourraient être intéressés par l’examen des données hebdomadaires agrégées

En termes d’efficacité du processus, nous pouvons suivre le :

• Quête pour rapporter le taux de conversion, %. Dans ce cas, nous devons d’abord définir le concept de requête qualifiée, puis suivre le pourcentage de requêtes qualifiées auxquelles nos data scientists ont pu répondre
• Capacités de capture des données. Le niveau de précision des données que nous capturons (les idées abordées ci-dessus dans Veracity). Pour certaines entreprises, ces capacités définissent leur avantage concurrentiel durable.

Les métriques de ce niveau nous donnent une meilleure idée de l’efficacité du big data, mais nous n’avons toujours pas d’indice sur l’impact du big data sur les objectifs commerciaux réels.

Niveau 3. KPIs à la traîne. KPIs pour valider le succès du big data.

Une autre question est de savoir comment valider le succès des initiatives big data dans l’entreprise. D’une part, il y a des investissements importants dans l’infrastructure, d’autre part, le big data devrait être rentable sous la forme de perspectives commerciales. Comment pouvons-nous mesurer la valeur monétaire de ces connaissances ?

Dans ce cas, nous devons suivre les améliorations qui peuvent être attribuées à l’utilisation du big data :

• Quelles leçons avons-nous tirées du big data ? Quelle économie de coûts a été réalisée après la mise en œuvre de ces idées ?
• Comment le taux de rétention des clients a-t-il changé en raison de la fourniture d’une expérience sur mesure ? Comment la valeur à vie des clients évolue-t-elle ?
• Le big data aide-t-il le service client à être plus efficace ? Comment le taux de résolution au premier appel a-t-il changé ?
• Comment les processus d’embauche ont-ils changé après avoir commencé à utiliser le big data ? Comment la métrique RH du temps de performance a-t-elle changé ?

Comme vous pouvez le voir à ce niveau, nous utilisons des KPI classiques que nous utilisions auparavant. Ce que nous essayons de faire est de créditer certaines améliorations à la mise en œuvre du big data.

Cette approche pourrait être biaisée :

• Nous avons tendance à compter les changements positifs comme nos réalisations et
• Nous voyons les changements négatifs comme des fluctuations normales qui se produisent toujours.

La solution est de viser des objectifs plus grands et plus tangibles.

De nombreuses organisations habile cette partie mesure et achètent simplement “quelques grosses données”. Selon le rapport de Capgemini Consulting, 67% des entreprises interrogées ne disposent pas de critères bien définis pour mesurer le succès de leurs initiatives big data. Compte tenu du montant de l’investissement, les entreprises devraient être plus systématiques dans la définition des objectifs et des critères de réussite de la mise en œuvre du big data.

S’inscrire avec un plan gratuit pour accéder au Big Data Scorecard ainsi qu’à 28 autres modèles de scorecard.

Niveau 4. Leading KPIs. Assurer le succès du big data.

Nous savons maintenant comment mesurer la partie résultat des initiatives big data, mais qu’en est-il de la partie leader ? Que devons-nous faire pour assurer la réussite de la mise en œuvre du big data ?

La partie dure du big data est assez tangible, nous pouvons la mesurer par des mesures génériques telles que :

• Fonds investis dans les initiatives de big data
• Temps passé sur les initiatives de big data

Business Goals Focus Big Data

Voici un scénario réel : une entreprise a investi des millions de dollars dans l’infrastructure, les outils et la collecte de big data avec le cluster Hadoop, et rien de mesurable ne s’est produit. C’est ce dont nous parlions dans le défi 1 : le big data n’est pas l’IA, il ne peut pas parler, et votre équipe doit apprendre à poser les questions. Comment mesurer le rôle de l’équipe alors ?

Voici quelques idées pour commencer :

• Efficacité de la formation au big data. Assurez-vous que les membres clés de votre équipe ont suivi une formation sur le big data. Il n’est pas nécessaire qu’ils deviennent des data scientists, mais ils doivent savoir quelles questions ils peuvent poser et comment formuler ces questions. Dans ce cas, les métriques seront liées à l’efficacité de la formation.
• % d’objectifs stratégiques avec des initiatives big data. Nous pourrions suivre le nombre de requêtes big data formulées par chaque équipe, mais cette approche serait très formelle et moins utile. Une meilleure option consiste à suivre l’alignement entre les objectifs et les requêtes big data. Demandez à votre équipe d’examiner ses objectifs stratégiques, puis de discuter des données dont elle pourrait avoir besoin pour prendre de meilleures décisions dans le contexte de ces objectifs.

Les big data aident à formuler de nouveaux objectifs commerciaux

Le processus de mise en correspondance du contexte commercial et des big data est bidirectionnel. Parfois, nous avons un défi spécifique en tête et nous recherchons alors des outils de big data spécifiques (comme dans le cas de Target), parfois nous trouvons un outil intéressant et essayons ensuite de le faire correspondre à nos objectifs. Voici quelques exemples :

• Un membre de votre équipe a trouvé Heedbook, un service qui analyse les émotions des clients en temps réel. Le service est construit sur Azure de Microsoft et est disponible dans le Cloud. Votre équipe de service client pourrait avoir l’idée d’utiliser ce service pour mieux calculer son NPS.
• Votre personnel informatique a été mis au défi de trouver un logiciel DLP (prévention des pertes de données). Ils sont tombés sur SearchInform qui non seulement peut analyser les communications et les fichiers transmis, mais peut également appliquer des politiques de sécurité spécifiques. La stratégie informatique de votre organisation peut être mise à jour en tenant compte des possibilités de l’outil DLP.

Dans tous les cas, c’est une bonne idée de faire correspondre des objectifs commerciaux spécifiques avec les exigences du big data.

Plan d’action. Rendre le big data mesurable.

Formulons quelques points à retenir de cet article. Je préfère le faire sous la forme d’un plan d’action.

1. Réviser le big data. Comment les données sont collectées maintenant, quelles sont les capacités de capture de données dont vous disposez (utilisez les métriques du processus big data comme cadre).
2. Faites vos devoirs. Faites en sorte que votre stratégie soit formulée sur la carte stratégique, et transmise en cascade aux unités opérationnelles. Passez en revue vos indicateurs clés de performance actuels.
3. Améliorez les capacités. Planifiez les initiatives pour aborder les capacités de l’équipe en termes de big data. Les membres clés doivent comprendre quelles questions ils peuvent poser, et comment formuler ces questions.
4. Concentrez les efforts en matière de big data. Passez en revue votre carte stratégique, repérez les opportunités où le big data peut soutenir les objectifs commerciaux. Formulez des requêtes big data.
5. Mise en œuvre. Analysez les aperçus fournis par le big data, reflétez-les sous la forme d’indicateurs clés de performance (KPI) si nécessaire.

Un petit guide pour les utilisateurs du logiciel BSC Designer

En tant qu’utilisateur de BSC Designer, vous disposez d’un logiciel puissant qui automatisera de nombreux aspects de l’alignement stratégique et des KPI abordés dans cet article :

• Alignement stratégique et focalisation du big data. Créez une carte stratégique pour présenter vos objectifs commerciaux ; alignez les KPI sur les objectifs figurant sur la carte. Si vous n’avez pas encore de carte stratégique, alors utilisez un assistant de carte stratégique pour commencer.

• S’assurer qu’une équipe a des capacités de big data. Utilisez un tableau de bord de formation (vous pouvez commencer par cet exemple) pour vous assurer que votre équipe a les capacités nécessaires pour travailler avec le big data.
• Alimenter les indicateurs clés de performance avec le big data. Suivez les indicateurs de performance pour les initiatives big data ; utilisez l’API RESTFul pour entrer des rapports big data en temps réel dans les indicateurs.

Si vous n’êtes pas encore un utilisateur, alors vous pouvez commencer avec un plan gratuit de BSC Designer, qui est disponible en ligne.

Plus d’exemples de tableau de bord équilibré