KPI pour les initiatives du big data

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

Thèmes clés de l’article :

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

S'inscrire avec un forfait gratuit pour accéder à Fiche d'évaluation du Big Data ainsi qu'à 31 d'autres modèles de fiche d’évaluation.

La fin de l’année est un le moment idéal pour évoquer les 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 révolutionnent le monde ? Toutes les tendances mentionnées méritent une analyse détaillée, mais il y en a une qui semble être liée à toutes les autres. C’est le 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.

Chez BSC Designer, nous avons beaucoup parlé de KPI et de stratégie. Dans cet article, je propose de discuter de la façon dont une stratégie bien décrite et des KPIs sur mesure peuvent aider à se concentrer sur les activités de big data. Voici le plan de cet article :

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

Qu’est-ce que le Big Data ?

Le big data consiste en l’analyse de grands ensembles de données non structurées.

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 le big data est une donnée qui a besoin d’être distribuée (en termes de stockage ou de calculs). Si vous avez dû passer à Hadoop ou à un outil similaire, c’est qu’il s’agit de données volumineuses;
• 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 autre élément utile dans votre contexte;
• Vélocité. Le volume élevé des données est le résultat d’une génération rapide de données. Prenez l’exemple de milliers d’éléments d’aéronefs qui sont surveillés en permanence^[1], ou d’un flux constant de commentaires dans les médias sociaux, ou encore des données en temps réel fournies par les dispositifs portables.

Souvent (prenez IBM ^[2] ou EY ^[3] à titre d’exemple), on trouve également 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 ?

Le big data est utilisé 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 quelques tendances émergentes – le big data est impliqué dans chacune d’entre elles. Pour en savoir plus sur l’utilisation pratique du big data, je vous recommande de poursuivre avec l’ouvrage : « 7 entreprises étonnantes qui s’approprient vraiment le big data^[4]« , rédigé par Bernard Marr, expert internationalement reconnu.

Les principaux défis du big data

La vision décrite du big data semble très ambitieuse. Alors, pourquoi les entreprises tardent-elles à adopter cette nouvelle tendance ? Et quels sont les principaux défis du big data ?

L’exploration des données n’est plus un défi majeur

Au mois d’Octobre, je suis intervenu lors d’une conférence organisée par SCIP^[5] (Professionnels de l’intelligence stratégique et concurrentielle). 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 d’intelligence économique avec la stratégie d’une organisation. En d’autres termes, une fois qu’une entreprise connaît les questions qu’elle veut poser, le reste est relativement facile (voir les enquêtes présentées ci-dessous).

Si l’exploitation des données n’est plus un problème, quels sont les principaux défis à relever ?

Défi 1. Focalisation du big data

Le principal défi consiste à focaliser le big data sur ce qui compte, puis à le remettre entre les bonnes mains. En d’autres termes, il devrait y avoir quelqu’un dans l’organisation qui devrait commencer à poser les bonnes questions.

Pour illustrer cette idée, prenons l’histoire de Target^[6] 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 s’est pas contenté de fournir toutes les données possibles, mais il a eu une tâche très spécifique de ses collègues du marketing : identifier les clientes enceintes dans leur deuxième trimestre.

Il y avait un objectif et une valeur commerciale énorme 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 permettraient de répondre à une question très précise.

Défi 2. Alignement avec la stratégie commerciale

Le big data changera la donne lorsqu’il apportera une valeur commerciale tangible. En d’autres termes, il doit être clair comment les initiatives de big data soutiennent la stratégie de l’entreprise. Dans son enquête sur l’utilisation des données (Big Data Executive Survey)^[7], NewVantage Partners a interrogé les participants sur les obstacles culturels à l’adoption du big data par les entreprises. 42,6 % des participants 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.

En revenant au cas de Target, ils ont réussi à aborder deux composantes importantes :

1. Le big data axées sur une requête spécifique : On a demandé à un spécialiste des données pour identifier les acheteuses enceintes au cours de leur deuxième trimestre;
2. Alignement avec une stratégie commerciale : Il y avait une valeur commerciale claire des données – les familles avec un nouveau né deviennent clientes d’un magasin de détail pour une longue durée.

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.

Allons discuter 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 données plus précises et plus récentes.

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

• Le NPS aujourd’hui. Comment le NPS (Net Promotor Score) est-il calculé actuellement dans votre organisation ? Probablement que vous faites une sorte d’enquête client sur une base trimestrielle. Ainsi, cet indicateur est retardé dans le temps. Si quelque chose arrive à votre entreprise, le NPS le révélera quelques mois plus tard.
• Le NPS alimenté de big data. Maintenant, imaginez que vous utilisez un certain outil de big data qui analyse les émotions des clients en temps réel (voir la référence de Heedbook ci-dessous). Dans ce cas, votre NPS deviendra un KPI 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 par une analyse plus approfondie des données et des situations spécifiques, et dans d’autres 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 raisonnable de suivre ces initiatives avec des données concrètes. Les actions en faveur du Big Data doivent également être quantifiées et mesurées. Nous pouvons le faire à plusieurs niveaux différents.

Niveau 1. Les métriques 3V

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

• Volume des données est une mesure en soi (Go, TB, 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 peut être plus difficile à quantifier. Vous devrez définir ce que votre équipe qualifie de données fiables 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 ou 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^[8]. Ce chiffre est 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 forfait gratuit pour accéder à Fiche d'évaluation du Big Data ainsi qu'à 31 d'autres modèles de fiche d’évaluation.

Niveau 2. Métriques du processus du Big Data

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

• Requête;
• Collecte;
• Analyse;
• Rapport.

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 de KPI.

Les critères de référence des délais dépendent du contexte de votre entreprise. Par exemple :

• La voiture autopilotée a besoin de collecter et d’analyser des données en temps réel, et les millisecondes de différence comptent, mais…
• Dans le cas du NPS, les managers pourraient être intéressés par l’examen de données hebdomadaires agrégées.

En termes d’efficacité des processus, nous pouvons suivre :

• Taux de conversion des requêtes en rapports, %. Dans ce cas, nous devons d’abord définir le concept de requête qualifiée, puis suivre le pourcentage de requêtes qualifiées auxquelles nos experts en données ont pu répondre;
• Capacités de collecte des données. Le niveau de précision des données que nous collectons (les idées abordées ci-dessus dans la partie Véracité). 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 de l’impact du big data sur les objectifs commerciaux réels.

Niveau 3. KPI retardés. KPI pour valider le succès du big data.

Une autre question est de savoir comment valider le succès des initiatives du 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 format d’informations commerciales. Comment pouvons-nous mesurer la valeur monétaire 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 économie de coûts a été réalisée après la mise en œuvre de ces idées ?
• Comment le taux de fidélisation des clients a-t-il changé en raison de la fourniture d’une expérience sur mesure ? Comment la valeur à vie des clients évolue ?
• Le big data aide-t-il le service client à être plus efficace ? Comment le taux de résolution au premier contact a-t-il évolué ?
• Comment les processus d’embauche ont-ils changé après avoir commencé à utiliser le big data ? Comment a évolué la métrique RH temps de performance  ?

Comme vous pouvez le voir à ce niveau, nous utilisons des KPI classiques que nous avons utilisés auparavant. Ce que nous essayons de faire, c’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 considérons les changements négatifs comme des fluctuations normales qui sont toujours présentent.

La solution consiste à viser des objectifs plus grands et plus tangibles.

De nombreuses organisations négligent cette partie de mesure et se contentent d’acheter « quelques 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 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 forfait gratuit pour accéder à Fiche d'évaluation du big data ainsi qu'à 31 d'autres modèles de fiche d’évaluation.

Niveau 4. KPI Avancés. Assurer le succès du big data.

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

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

• Les fonds investis dans des initiatives liées au big data;
• Le temps consacré aux initiatives de big data.

Les objectifs de l’entreprise mettent l’accent 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 groupe Hadoop, et rien de mesurable ne s’est produit. Voila donc ce dont nous parlions dans le défi 1 : les big data ne sont pas de l’IA, elles ne peuvent pas communiquer, 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. 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 mesures seront liées à l’efficacité de la formation^[10];
• % des objectifs stratégiques avec des initiatives de big data. Nous pourrions suivre le nombre de requêtes de 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 de 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), et parfois nous trouvons un outil intéressant et nous essayons ensuite de le faire correspondre à nos objectifs. Voici quelques exemples :

• Quelqu’un dans votre équipe a trouvé Heedbook^[11], 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^[12] qui peut non seulement analyser les communications et les fichiers transmis, mais aussi 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, il est bon de faire correspondre les objectifs commerciaux spécifiques avec les exigences en matière de big data.

Plan d’action. Rendre le big data mesurable.

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

1. Examinez le big data. Comment les données sont collectées actuellement, quelles sont les capacités de capture de données dont vous disposez (utilisez les métriques du processus du big data comme outil de travail);
2. Faites vos devoirs. Faites formuler votre stratégie sur la carte stratégique, et faites-la circuler en cascade dans les unités opérationnelles. Passez en revue vos KPI actuels;
3. Améliorez vos 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. Ciblez vos 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 de big data;
5. Mise en œuvre. Analysez les aperçus délivrés par le big data, reflétez-les sous la forme de 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 de la stratégie et des KPI abordés dans cet article :

• Alignement stratégique et focalisation sur les 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;
• Propulser les KPI avec le big data. Suivez les mesures de performance pour les initiatives de big data ; utilisez l’API RESTFul pour incorporer des rapports big data en temps réel dans les indicateurs.

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

Plus d'exemples du Tableau de Bord Prospectif

Références