A l’ère du Big data, la Data intelligence et la Business Intelligence sont considérées comme des leviers majeurs de valeur ajoutée. Mais cet art de produire, classer, analyser et valoriser les données nécessite une bonne compréhension des différentes notions sous-jacentes et de leurs traductions techniques et opérationnelles. Petit tour au pays (rêvé) de la Data !
Data intelligence Vs Business Intelligence : quelles différences ?
La Data Intelligence consiste à produire, trier, gouverner, analyser et exploiter des données qualifiées « en vue de transformer les données en information, l’information en connaissance et la connaissance en valeur » (Satesh Rai). La Data Intelligence s’apparente à l’informatique décisionnel, car elle est utilisée pour améliorer la prise de décision des différentes parties prenantes stratégiques ou opérationnelles. Elle englobe l’exploration des données, l’analyse de performance et le traitement des événements.
Attention néanmoins aux raccourcis hâtifs : la traduction anglaise du terme « intelligence » ne signifie pas tant l’art de raisonner, mais davantage celui de renseigner, comme en témoigne le « I » de CIA (« Central Intelligence Agency ») et dont le cœur de l’activité renvoie davantage à la collecte, la vérification de l’intérêt et la véracité de renseignements qu’à la prise de décision en tant que telle. Alors que la Data Intelligence s’intéresse à la nature, à la structuration et à l’intérêt des données, la Business Intelligence s’intéresse principalement aux processus de l’activité autour de la data (production, applications, infrastructures, outils et pratiques) permettant d’analyser l’information pour améliorer et optimiser les prises de décisions et les performances d’une entreprise.
Une fois posé le cadre du débat, explorons les différentes notions sous-jacentes.
Data cleaning / data hygiène prérequis de la Data Intelligence
La data hygiène ou data cleaning est le prérequis de la Data Intelligence. Ce travail de data cleaning est incontournable pour fiabiliser les bases de données en amont de leur exploitation ou de leur enrichissement. Une « hygiène » de la donnée qui constitue un premier pas vers une analyse fiable et efficiente et qui peut représenter jusqu’à 80% du temps d’un analyste.
Concernant les data issues de l’univers du BtoB, on procédera en particulier à :
- l’identification des entreprises inactives
- l’identification des doublons
- l’identification et le redressement des adresses imprécises
- la détection des établissements secondaires radiés
- l’analyse de la complétude et de la qualité des données (origine, date de création / modification)…
D’autres travaux préparatoires sont envisageables à ce stade, comme la suppression de données jugées obsolètes ou incohérentes. Dans tous les cas, la phase de Sirenisation de la base permet d’affecter à chaque entreprise enregistrée son numéro d’immatriculation SIRENE. C’est également l’occasion de procéder à une phase d’enrichissement en données signalétiques utiles aux analyses à venir (secteur économique, tranche d’effectifs…).
A l’issue de ce « ménage », votre data est dépoussiérée, dédoublée, clarifiée, enrichie, bref… véritablement exploitable ! L’analyste dispose de bases de données propres, ordonnancées, liées à des référentiels métiers mis à jour régulièrement.
Data visualisation
Une fois la data nettoyée, référencée et ordonnancée, la data visualisation consiste à mettre en forme ces données pour une restitution visuelle, fonctionnelle et esthétique. La data visualisation est la clé pour assurer une compréhension rapide et intuitive des informations. De fait, la data visualisation est un outil fondamental de l’analyse, au même titre que le traitement mathématique des données. C’est un outil complémentaire en amont d’un travail d’exploration d’un data set (identification visuelle des « outlayers » ou variables aberrantes). La data visualisation est également un support de communication qui confèrent un fort impact visuel et assure la lisibilité du message souhaité (on parle alors de « Data Story telling »).
Les formats de restitution sont principalement de deux natures :
- Les Dashboards (ou « tableau de bord ») regroupent histogrammes, camemberts et autres graphiques en barre, compilés sur un même support pour proposer un ensemble de visualisations interdépendantes par des systèmes de filtres ; on peut envisager ici la réalisation de tableaux de bord dynamiques descriptif d’un marché.
- Les restitutions cartographiques à partir de données rattachées à des métadonnées de positions géographiques. La stylisation cartographique (agrégats territoriaux) et les compléments présentés dans leur environnement (infobulles, couches de données contextuelles…) révèlent le sens caché de données complexes par une mise en perspective facilitée. Les fonctionnalités d’affichage avancées et la possibilité d’intégrer des filtres permettent de sélectionner le type de données pertinentes.
Dans les deux cas, il est nécessaire de se poser les questions suivantes avant tout projet de Data visualisation :
- Quelles sont les données disponibles ?
- Quel est l’objectif de ce travail de restitution : stratégique, pilotage opérationnel, managérial ?
- Souhaite-t-on une restitution « temps réel » ou bien un data set « débranché » d’un système d’alimentation dynamique ?
- Où seront stockées les données : on premise ? sur le cloud ?
- Quel format d’affichage ? Quel niveau de granularité ?
- Qui va utiliser l’outil, dans quel environnement de travail, quel sera le profil des utilisateurs et leur droit (création / lecture) ?
Dans tous les cas, on ne saurait que trop recommander la mise en place d’un groupe de travail interne destiné à formaliser l’expression de besoin, à coconstruire la solution et la « béta-tester » avant de le déployer au reste des équipes.
Data mining et data science
Face à la profusion de données disponibles internes ou externes, le data mining ou data analyse concerne l’exploration des données. La data analyse est la mise en place d’indicateurs statistiques clés pour transformer la data en leviers d’action, exploitables par les opérationnels de l’entreprise. Elle vise dans un premier temps à mieux comprendre la donnée disponible en proposant des indicateurs statistiques descriptifs.
Elle permet également d’envisager les relations entre ces données ou de repérer des « patterns » caractéristiques et potentiellement reproductibles, permettant de mieux comprendre un marché et d’établir de meilleures stratégies marketing telles que :
- La classification de comptes clients ou prospects en fonction de dimensions comportementales : innovation, appétence à l’export, croissance, recherche de fonds…
- L’identification des sociétés similaires, de territoires similaires au regard de leur activité économique.
- La détermination de la cible optimale pour vos campagnes marketing.
- L’analyse du cycle de vie des entreprises.
- L’anticipation de la survenance d’événements stratégiques : déménagements, levées de fond, recrutements…
Les innovations récentes opérées dans les domaines du calcul informatique, du stockage, et des logiciels statistiques augmentent fortement la précision des analyses. Les démarches les plus abouties font appel à de puissants outils d’analyse couplés à des capacités de stockage et de calcul désormais disponibles dans le Cloud, permettant d’engager des démarches complexes de valorisation des données structurées ou non structurées, d’où l’émergence du terme « Data Science ».
Pour conclure, les différentes disciplines autour de la valorisation de la donnée ne doivent pas vous effrayer… mais au contraire engager vos organisations à se poser les bonnes questions et à envisager les opportunités rendues désormais accessibles au travers de ces nouvelles approches. Alors, n’hésitez pas à solliciter l’expertise des équipes d’EXPLORE pour vous guider !
Pour aller plus loin, un podcast à découvrir !
Podcast : la data intelligence au service du retail et de l’immobilier commercial
