Mesurer les Big Data : exemples de KPI

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

Sujets principaux de l’article :

• Qu’est-ce que le Big Data ?
• Défis du Big Data
• KPIs et Big Data
• Cibler le Big Data
• Rendre le Big Data mesurable
• Automatisation avec BSC Designer

Carte des processus du big data avec des indicateurs de performance alignés. Source : Tableau de bord Big Data.

La fin de l’année est un bon moment pour parler des tendances émergentes : voitures autonomes, intelligence artificielle, réalité virtuelle et Internet des objets. Quel effet ces tendances auront-elles sur votre entreprise ? Comment prendre en compte l’impact possible de ces idées révolutionnaires ? Toutes les tendances mentionnées méritent une analyse détaillée, mais il y en a une qui semble être connectée aux autres. Je parle du Big Data. L’IA en aura besoin, les voitures autonomes s’y basent, et bien sûr, il est déjà utilisé par de nombreuses entreprises.

Chez BSC Designer, nous avons beaucoup parlé des KPIs et de la stratégie. Dans cet article, je propose de discuter comment une stratégie bien décrite et des KPIs sur mesure peuvent aider à se concentrer sur les efforts en big data. Voici notre plan pour cet article :

• Big data. Qu’est-ce que c’est ? Quels sont les principaux défis ?
• KPIs pour le big data. 4 niveaux de KPIs et 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 structurées.

Le big data peut être caractérisé par 3 V :

• Volume. Les ensembles de données sont censés être volumineux. Certaines estimations suggèrent qu’ils devraient être d’au moins 10 Go ou 1 To, mais un meilleur critère serait probablement de dire que le big data est quelque chose qui doit être distribué (en termes de stockage ou de calculs). Si vous devez passer à Hadoop ou à un cadre similaire, alors cela devient important.
• Variété. Pensez à différentes sources de données structurées et non structurées. Cela peut être extrait de texte, de vidéo, de données de ventes, 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 surveillés¹, ou à un flux constant de commentaires sur les médias sociaux, ou aux données en temps réel que fournissent les appareils portables.

Souvent (prenez IBM² ou EY³ comme exemple), il y a aussi un quatrième « V » qui signifie « Véracité » :

• Véracité. Lorsque nous parlons de données, nous traitons toujours 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 grandes données sont utilisées pour une large gamme d’analyses prédictives et comportementales. Les organisations appliquent les grandes données pour réduire les coûts, mieux comprendre les besoins des clients et atténuer les risques. Pensez à une entreprise qui utilise les grandes données pour offrir une expérience sur mesure aux clients ; pensez à la vérification des fraudes d’un fournisseur de commerce électronique.

Au début de l’article, j’ai mentionné certaines tendances émergentes – les grandes données sont impliquées dans toutes. Pour en savoir plus sur l’utilisation pratique des grandes données, je recommande de continuer avec “7 entreprises étonnantes qui comprennent vraiment les grandes données⁴” par l’expert internationalement reconnu Bernard Marr.

Principaux défis du Big Data

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

L’exploration de données n’est plus un défi principal

Plus tard en octobre, j’ai pris la parole lors d’une conférence organisée par SCIP⁵ (Professionnels de l’Intelligence Stratégique et Concurrentielle). Les membres de cette organisation traitent des mégadonnées dans les domaines de l’intelligence de marché. Le thème principal de la conférence n’était pas l’extraction de certaines données CI/BI comme on pourrait s’y attendre, mais l’alignement des efforts d’intelligence économique avec la stratégie d’une organisation. En d’autres termes, une fois qu’une entreprise connaît les questions qu’elle souhaite poser, le reste est relativement facile (voir les enquêtes ci-dessous pour certaines données).

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

Défi 1. Se concentrer sur les mégadonnées

Le principal défi est de concentrer les mégadonnées sur ce qui importe, puis de les remettre entre les bonnes mains. En d’autres termes, il devrait y avoir quelqu’un dans l’organisation qui commence à poser les bonnes questions.

Pour illustrer cette idée, prenons une histoire de Target⁶ qui a fait la une des journaux en 2012. Ce détaillant a réussi à utiliser les données analytiques des acheteurs pour prédire que certains de leurs clients étaient enceintes. Regardons l’histoire (sans prendre en compte la partie liée à la confidentialité) et voyons ce qui s’est réellement passé. Andrew Pole, un statisticien qui travaillait pour Target, ne se contentait pas de livrer toutes les données possibles, il a reçu une tâche très spécifique de ses collègues du marketing – identifier les acheteurs enceintes dans leur deuxième trimestre.

Il y avait un objectif et il y avait 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 seulement de jouer avec les données, mais de trouver des données qui aideraient à répondre à une question très spécifique.

Défi 2. Alignement avec la stratégie d’entreprise

Les big data seront révolutionnaires 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. NewVantage Partners dans leur Big Data Executive Survey⁷ ont demandé aux répondants quels étaient les obstacles culturels à l’adoption des big data dans les entreprises. 42,6 % des répondants ont choisi la réponse « Alignement organisationnel insuffisant. » D’autres options incluaient un manque d’adoption, un manque de stratégie cohérente en matière de données et un manque de vision commune.

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

1. Big data axée sur une requête spécifique : Un data scientist a été chargé d’identifier les acheteurs enceintes dans leur deuxième trimestre.
2. Alignement avec une stratégie d’entreprise : Il y avait une valeur commerciale claire pour les données – les familles où un enfant naît deviennent clientes d’un même magasin de détail pendant longtemps.

Défi 3. Sécurité et confidentialité des données

Ce défi n’est pas encore d’usage courant, mais je pense qu’il est évident pour quiconque que la collecte de données et l’analyse doivent être éthiques et légales. Le Règlement Général sur la Protection des Données (RGPD) est devenu applicable 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 quant au respect des politiques de données lors du traitement des données personnelles.

Discutons des indicateurs clés de performance dans le contexte du big data.

KPI et Big Data

Les Big Data vont-elles remplacer les KPI ? Pas exactement. Les Big Data vont alimenter les KPI avec des informations plus précises et à jour.

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

• NPS actuellement. Comment le NPS (Net Promoter Score) est-il calculé dans votre organisation aujourd’hui ? Vous faites probablement une sorte d’enquête client sur une base trimestrielle. Ainsi, cet indicateur est en retard dans le temps. Si quelque chose arrive à votre entreprise, le NPS le montrera quelques mois plus tard.
• NPS alimenté par les 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 KPI en temps réel. Fondamentalement, vous pourrez 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 explorer plus en profondeur les données et à arriver aux situations spécifiques, et dans d’autres cas vous aurez besoin de voir les données agrégées pour la semaine, le mois ou l’année.

Indicateurs clés de performance 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 suivre ces initiatives avec des données concrètes. Les initiatives de Big Data devraient également être quantifiées et mesurées. Nous pouvons le faire à plusieurs niveaux différents.

Niveau 1. Mesures des 3-V

Les 3V (Volume, Variété, Vélocité) des mégadonnées peuvent être facilement quantifiés :

• Volume des données est une mesure en soi (Go, To, etc.)
• Variété peut être quantifiée comme le nombre de différents types de sources de données
• Vélocité est définie par le volume de données générées/analysées par période de temps

Le quatrième V – Véracité pourrait être plus difficile à quantifier. Vous devrez définir ce que votre équipe qualifie de données précises et cela dépend du contexte. Par exemple, pour les voitures à moteur à combustion, mesurer la vitesse actuelle avec un niveau d’erreur de ±5 km/h pourrait être considéré comme des données précises, tandis que pour les voitures électriques, ce n’est pas acceptable. Définissez 1 à 2 indicateurs qui donnent une idée de la précision des données dans votre cas.

Les mesures des 3-V sont-elles utiles ? Cela dépend de votre contexte. Prenons l’exemple de la voiture autonome de Google. La voiture produit 1 Go de données de capteur par seconde⁸. Ce nombre semble impressionnant ! Nous pouvons estimer l’ampleur des mégadonnées, mais ces chiffres ne nous aideront pas avec les 3 défis mentionnés précédemment.

La hiérarchie des KPI pour mesurer la performance des mégadonnées. Source : Tableau de bord des mégadonnées.

Niveau 2. Mesures du processus de big data

Passons au niveau suivant d’abstraction et jetons un coup d’œil au processus de big data. Le modèle simplifié est le suivant :

• Requête
• Collecte
• Analyse
• Rapport

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

• Fréquence de collecte des données
• Temps nécessaire pour que les données soient disponibles pour l’analyse
• Temps nécessaire pour que les données soient rapportées sous forme d’ICP

Les benchmarks pour le timing dépendent de votre contexte commercial. Par exemple :

• La voiture autonome doit collecter et analyser les données en temps réel, et les millisecondes de différence comptent, mais
• Dans le cas des gestionnaires NPS, ils pourraient être intéressés à examiner les données hebdomadaires agrégées

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

• Taux de conversion de requête en rapport, %. 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 discutées ci-dessus dans Véracité). Pour certaines entreprises, ces capacités définissent leur avantage concurrentiel durable.

Les mesures de ce niveau nous donnent une meilleure idée de l’efficacité du big data, mais nous n’avons toujours aucune idée de l’impact du big data sur les véritables objectifs commerciaux.

Niveau 3. KPI en retard. KPI pour valider le succès du big data.

Une autre question est de savoir comment valider le succès des initiatives de big data dans l’entreprise. D’une part, il y a des investissements significatifs dans l’infrastructure, d’autre part, le big data devrait rapporter sous forme d’informations commerciales. Comment pouvons-nous mesurer la valeur en dollars de ces informations ?

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 réduction des coûts a été réalisée après la mise en œuvre de ces idées ?
• Comment le taux de rétention des clients a-t-il changé grâce à la livraison d’une expérience sur mesure ? Comment la valeur à vie du client 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 de recrutement ont-ils changé après le début de l’utilisation du big data ? Comment le métrique RH du temps à la performance a-t-il changé ?

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

Cette approche peut être biaisée :

• Nous avons tendance à considérer les changements positifs comme nos réussites 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 négligent cette partie de la mesure et achètent simplement « un peu de big data ». Selon le rapport ⁹ de Capgemini Consulting, 67 % des entreprises interrogées n’ont pas de critères bien définis pour mesurer le succès de leurs initiatives de big data. Compte tenu du montant de l’investissement, les entreprises devraient être plus systématiques dans la définition des objectifs et des critères de succès de la mise en œuvre du big data.

Un exemple de carte de processus de big data avec des indicateurs de performance alignés. Source : Big Data Scorecard.

Niveau 4. Indicateurs clés de performance. Assurer le succès des mégadonnées.

Maintenant que nous savons comment mesurer la partie résultats des initiatives de mégadonnées, qu’en est-il de la partie avant-gardiste ? Que devons-nous faire pour assurer une mise en œuvre réussie des mégadonnées ?

La partie difficile des mégadonnées est assez tangible, nous pouvons la mesurer par des indicateurs génériques tels que :

• Fonds investis dans les initiatives de mégadonnées
• Temps passé sur les initiatives de mégadonnées

Objectifs commerciaux axés sur le 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 pouvons-nous alors mesurer le rôle de l’équipe ?

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. Ils ne deviennent pas nécessairement des data scientists, mais ils doivent savoir quelles questions ils peuvent poser et comment formuler ces questions. Les indicateurs dans ce cas seront liés à l’efficacité de la formation¹⁰.
• % 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 est de suivre l’alignement entre les objectifs et les requêtes big data. Demandez à votre équipe de regarder leurs objectifs stratégiques puis de discuter des données dont ils pourraient avoir besoin pour prendre de meilleures décisions dans le contexte de ces objectifs.

Le big data aide à formuler de nouveaux objectifs commerciaux

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

• Quelqu’un dans votre équipe a trouvé Heedbook¹¹, 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 leur NPS.
• Votre personnel informatique a été mis au défi de trouver un logiciel DLP (prévention de la perte de données). Ils sont tombés sur SearchInform¹² 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 d’adapter des objectifs commerciaux spécifiques aux exigences pour le big data.

Plan d’action. Rendez les Big Data mesurables.

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

1. Réviser les big data. Comment les données sont collectées maintenant, quelles capacités de capture de données vous avez (utilisez les métriques du processus big data comme cadre).
2. Faites vos devoirs. Ayez votre stratégie formulée sur la carte stratégique et déclinée aux unités commerciales. Revoyez vos KPI actuels.
3. Améliorer 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. Centrer les efforts sur les big data. Revoyez votre carte stratégique, repérez les opportunités où les big data peuvent soutenir les objectifs commerciaux. Formulez des requêtes big data.
5. Mise en œuvre. Analysez les informations fournies par les big data, reflétez-les sous forme de KPI là où c’est nécessaire.

Un guide court 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 discutés dans cet article :

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

• S’assurer qu’une équipe a des capacités en big data. Utilisez un tableau de bord de formation (vous pouvez commencer avec cet exemple) pour vous assurer que votre équipe a les capacités nécessaires pour travailler avec les big data.
• Alimenter les KPI avec les 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 utilisateur, vous pouvez commencer avec un plan gratuit de BSC Designer, qui est disponible en ligne.

Utiliser le modèle Big Data Scorecard

BSC Designer aide les organisations à mettre en œuvre leurs stratégies complexes :

1. Inscrivez-vous pour un plan gratuit sur la plateforme.
2. Utilisez le modèle Big Data Scorecard comme point de départ. Vous le trouverez dans Nouveau > Nouveau tableau de bord > Plus de modèles.
3. Suivez notre Système de mise en œuvre stratégique pour aligner les parties prenantes et les ambitions stratégiques dans une stratégie globale.

Commencez dès aujourd'hui et voyez comment BSC Designer peut simplifier la mise en œuvre de votre stratégie !