7 raisons pour lesquelles vos analyses de données ne génèrent aucun ROI

Nous avons suffisamment fait l’autruche en ce qui concerne la question : pourquoi est-il si compliqué de dégager un retour sur investissement (RSI ou ROI en anglais pour return on investment) sur des analyses de données ? S’il est certes difficile d’en quantifier la valeur, même les avantages qualitatifs des analyses de données semblent souvent échapper aux entreprises. Après des décennies passées à accompagner, dans le domaine analytique, des entreprises du monde entier opérant dans divers secteurs, nous sommes en mesure de partager avec vous les 7 principaux motifs d’échec en matière d’analyse de données et de vous proposer quelques pistes d’amélioration.

1. Aucun alignement entre la stratégie et la fonction analytique

Malheureusement, les analyses de données sont rarement alignées sur la stratégie commerciale. Ceci pour deux raisons principales.

D’abord, l’analyse de données est souvent déléguée aux départements Finance et Informatique, où elle est à nouveau déléguée à des niveaux inférieurs de gestion. Si vous souhaitez aligner vos analyses sur votre stratégie, au lieu de déléguer, il faut au contraire un leadership actif exercé par le plus haut niveau de gestion.

Ensuite, on confond souvent stratégie et objectifs. Bien qu’occuper une position prédominante sur le marché, atteindre l’excellence en matière de produit et de service, le développement à international, la diversification produit, etc. soient des objectifs valables, ils ne constituent en aucun cas une stratégie.

Les objectifs représentent ce que vous souhaitez accomplir, tandis que la stratégie équivaut à comment y arriver. Il ne faut donc pas s’étonner du fait que la plupart des initiatives en matière d’analyse de données soient limitées au suivi des objectifs commerciaux, ce qui est loin d’être suffisant dans un monde hautement concurrentiel.

Michael Porter, théoricien de la stratégie dont la crédibilité n’est plus à prouver, soutient qu’il « n’existe que deux stratégies génériques :

• la domination par la différenciation,
• la domination par les coûts ».

Afin de réaliser des bénéfices exceptionnels, soit vous vous démarquez suffisamment de la concurrence pour pouvoir dicter vos prix, soit vous faites mieux que vos concurrents en étant le fournisseur à bas coût, en cas d’absence de différenciation importante.

Imaginez une banque générique. La majorité des services qu’elle offre sont des produits de base et strictement réglementés. Comme aucune réelle différenciation n’est possible, les critères de sélection des clients sont généralement le prix et le côté pratique.

Pour réaliser des bénéfices exceptionnels, la banque doit faire trois choses :

• Être le fournisseur à bas coût ;
• Rendre les choses faciles pour les clients ;
• Gérer les risques.

Parmi les plus gros générateurs de coûts dans les banques, on trouve les coûts associés au capital, au personnel, à l’informatique et à la conformité.

• Pour réduire les coûts en capital, les banques doivent attirer des dépôts clients à moindre coût. De plus, elles doivent gérer les risques de manière plus efficace afin de pouvoir emprunter des capitaux à des conditions avantageuses.
• Pour réduire les coûts associés au personnel, à la conformité et à l’informatique et rendre leurs services faciles à utiliser, des produits simples, des économies d’échelle et l’automatisation sont indispensables.

Toute banque qui fait des efforts continus pour simplifier la vie de ses clients à travers des services essentiels faciles à comprendre, gérer et utiliser et dont le service clients est convivial est en excellente position pour devenir le fournisseur à bas coût et le rester. Et ce, car elle peut attirer des clients à moindre coût, réaliser des économies d’échelle, et en répartissant les coûts essentiellement fixes associés à l’informatique et à la conformité sur toujours plus de clients, les réduire davantage.

Cet avantage bas-coût est également bénéfique pour la gestion des risques. D’une part, plus les produits sont simples, moins ils comportent de risques opérationnels. D’autre part, disposer d’une structure bas-coût permet à la banque d’être plus flexible et de ne pas s’exposer à des risques mal évalués, et de ne prendre que des risques dont le coût est raisonnable.

2. Prendre comme point de départ vos données plutôt que vos questions

Comment aligner ma stratégie et mes analyses de données d’entreprise de manière plus efficace ? En raison du manque d’alignement entre la stratégie et la fonction analytique, la quasi-totalité des entreprises tendent à commencer par ce dont elles disposent (leurs données) au lieu de ce dont elles ont besoin (les questions auxquelles elles doivent répondre pour mettre en œuvre leur stratégie). Ces dernières années, par exemple, ont vu un énorme, et souvent peu judicieux, engouement pour le Big Data qui a mobilisé des ressources, rendu les entreprises autocentrées au lieu d’orientées-marché et les a détournés de l’essentiel.

Non, les données ne sont pas le pétrole du 21e siècle ! Contrairement au pétrole au siècle dernier, la donnée n’est pas rare ; en fait, nous croulons littéralement sous les données.

Dans la majorité des cas, nous n’avons nullement besoin du Big Data. Ce qui est vraiment rare et ce dont nous avons réellement besoin, ce sont des questions essentielles !

Lorsque les entreprises ont comme point de départ les questions auxquelles elles doivent répondre, elles réalisent souvent qu’elles ne disposent même pas des données pertinentes pour ce faire. Ce type de données à forte valeur doit souvent d’abord être généré ou acquis, mais cela en vaut largement la peine. Chez Business & Decision, nous utilisons une approche rigoureuse et méthodique pour identifier les questions les plus importantes pour mener à bien votre stratégie. Vous mesurerez ainsi ce qui compte !

À ce stade vous êtes peut-être en train de vous dire que vous avez déjà bien assez de mal comme ça avec les données dont vous disposez, sans en plus vous préoccuper de celles dont vous manquez. Cela nous amène à la prochaine raison pour laquelle le ROI est si rare dans le monde de l’analyse de données.

3. Manque de précision – Loi de puissance vs Distribution uniforme

Trop souvent, nous supposons que les éléments pertinents (les questions pertinentes) sont uniformément distribués. Alors qu’en fait, c’est plutôt la loi de puissance qui caractérise le monde concurrentiel, avec une poignée de facteurs contribuant de façon majeure.

Dans le monde du business, cela signifie que la part du lion de la valeur commerciale est déterminée par un tout petit nombre de questions – souvent appelé le principe du 20/80 selon lequel 20 % des efforts génèrent 80 % de la valeur et les 20 % restants requièrent 80 % de la totalité des efforts déployés.

En matière d’initiatives analytiques, la prévalence de la loi de puissance fait également ressortir la nécessité de leadership par le plus haut niveau de gestion car les cadres sont les mieux placés pour juger de l’impact des questions pertinentes.

Reprenons notre exemple de banque. Les questions essentielles pourraient être les suivantes.

Clients cibles :

• Quels types de clients devons-on attirer et servir étant donné la stratégie bas-coût souhaitée ? 
• Quels types de clients devons-nous éviter étant donné notre stratégie ?
• Y a-t-il un moyen d’élargir notre marché au lieu de se disputer la même part du gâteau ?
• Quel est notre coût d’acquisition client (CAC) ? Comment pouvons-nous l’améliorer ?
• Quelle est notre valeur vie client (CLTV) ? Comment pouvons-nous l’améliorer ?

Produit : 

• Comment pouvons-nous simplifier nos produits et services de manière radicale pour nos clients ?
• Est-ce qu’au niveau de la perception client, nos objectifs de simplicité sont atteints ?
• Pouvons-nous penser hors des cadres à des fins d’innovation et tirer des leçons en observant les autres secteurs ?
• À quel point est-ce que nos clients nous font confiance ? Comment pouvons-nous gagner leur confiance pour réduire le CAC ?

Promotion : 

• Quelle est notre raison d’être ?
• Qu’est-ce qui nous rend unique ?
• Que peuvent nos clients attendre de nous ? Que ne devraient-ils pas attendre de nous ?
• Comment pouvons-nous communiquer notre raison d’être de manière efficace à nos clients ?

Localisation :

• Où, quand et comment atteindre nos clients cibles de manière efficace ?
• Où, quand et comment servir nos clients cibles de manière efficace ?

Prix :

• Quelle stratégie de tarification adopter pour attirer des clients et réaliser des économies d’échelle ?
• Comment rétrocéder les gains découlant de notre maîtrise des coûts aux clients existants, afin de les fidéliser et d’augmenter la valeur vie client, et aux nouveaux clients afin de diminuer le CAC ?

Partenaires :

• Avec qui devons-nous nous associer pour atteindre tous les objectifs mentionnés ci-dessus de manière plus efficace ?

La majorité de ces questions ne requièrent pas un volume important de données, ou ont besoin de données à propos du marché que les entreprises doivent d’abord générer ou acquérir.

Se concentrer sur les questions à plus fort potentiel en matière de valeur commerciale plutôt que sur des données existantes permet aux entreprises d’avoir une ligne de conduite claire, ciblée, d’éviter les distractions et de prioriser.

Comme le montre le diagramme suivant, on peut facilement commencer par les « Évidences » du quadrant 1 et totalement oublier le quadrant 4. Toutefois, de nombreuses entreprises investissent dans le quadrant 4 lorsqu’elles se lancent dans des initiatives Big Data. Mais là où la majorité des organisations échouent, c’est qu’elles se laissent distraire par les initiatives du quadrant 3 et ne disposent plus des ressources nécessaires pour s’occuper des questions essentielles du quadrant 2.

4. Courir avant de marcher – de la donnée à la valeur

Il est tout à fait compréhensible que les entreprises souhaitent lancer des initiatives d’analyse de données aussi rapidement que possible pour obtenir des résultats. Néanmoins, l’expérience tend à démontrer que la réussite passe obligatoirement par une bonne préparation. Il est ainsi extrêmement important d’évaluer l’état de préparation de votre organisation, d’identifier les lacunes, et de les pallier ou combler avant d’investir des ressources importantes dans la démarche.

Chez Business & Decision, nous évaluons l’état de préparation des organisations en fonction de sept dimensions : l’humain, les définitions (métadonnées), les processus, l’architecture, la gouvernance et la technologie car ce sont là les domaines dans lesquels des lacunes peuvent faire échouer les initiatives d’analyse de données. Lorsque nécessaire, nous aidons les entreprises à combler ces lacunes avant d’investir dans de telles initiatives.

5. Absence de mesures incitatives/Mesures incitatives inappropriées

Lorsque l’intelligence artificielle n’exécute pas les processus de bout en bout (et sans doute même lorsque c’est le cas) les motivations jouent un rôle crucial. Sans les bonnes motivations, même les informations les plus utiles ne déboucheront pas sur les actions souhaitées. Il est donc impératif que les entreprises impliquent les destinataires de ces informations très tôt pour comprendre ce qui les motive et les encourager de manière adéquate. 

Nous sommes souvent témoins de situations dans lesquelles se crée un fossé, et donc des silos nuisibles, entre métier et SI et entre départements. Lorsque les gens sont encouragés à limiter le partage de données ou d’informations, ils le font. C’est aussi simple que ça. Des mesures incitatives appropriées motivent les gens à agir dans l’intérêt des clients et de l’entreprise, que ce soit à travers des contributions individuelles ou un travail d’équipe entre collègues, départements et divisions. Pour toutes ces raisons, les mesures incitatives sont un composant clé de notre solution d’évaluation de l’état de préparation.

6. Commencer trop grand

On ne saurait trop insister sur l’importance du « voir grand, commencer petit » dans le domaine de l’analyse de données. Cela ne coûte pas cher de voir grand, d’avoir de grosses ambitions et de vous focaliser sur l’essentiel mais l’analyse de données est une discipline complexe et pluridimensionnelle. Il est très difficile de prévoir le monde réel à l’avance et de nombreuses choses peuvent mal se passer malgré la meilleure des préparations.

Nous établissons souvent une analogie avec la découverte des médicaments ; en effet, tout comme dans le domaine de découverte des médicaments, cela semble logique de faire des expériences dans un environnement où on peut faire des erreurs tôt et à moindre coût. Vous obtenez ainsi un retour immédiat qui vous permet d’apprendre de vos erreurs et d’itérer rapidement jusqu’à obtenir une proposition qui réussit le test grandeur réelle d’un point de vue technique, organisationnel et, bien sûr, métier. Il faut également tester toute proposition qui fonctionne de bout en bout car, après tout, même la segmentation client la plus complexe pourrait s’avérer sans valeur si vous ne disposez pas de l’adresse e-mail des clients.

Nous avons fait le choix d’utiliser une approche Data Lab structurée pour aider nos clients à commencer petit et agile, afin d’atténuer les risques associés aux initiatives d’analyse de données.

7. Il suffit de la mettre en place pour qu’on l’utilise

Enfin, la dernière lacune constatée en matière d’analyse de données est le fait que les entreprises pensent qu’une fois qu’une solution d’analyse est mise en place, son utilisation survient tout naturellement. En fait, les solutions d’analyse de données sont rarement populaires. Les taux d’utilisation inférieurs à 10 % sont d’ailleurs plus fréquents que vous ne le pensez. 

De nombreuses raisons expliquent cela : généralement, nous n’aimons pas le changement et sommes réticents à apprendre de nouvelles choses. Nous avons également d’autres tâches et priorités. Souvent, les initiatives d’analyse de données ne consacrent pas suffisamment de temps et de ressources à la conception UX et à la facilité d’utilisation pour les utilisateurs finals, à la présentation d’informations claires et compréhensibles et aux temps de réponses rapides. Comme il est difficile d’effectuer des analyses, il arrive trop fréquemment que les utilisateurs décident finalement de laisser tomber.

Pour y remédier, nous impliquons les utilisateurs finals le plus tôt possible, lors de ce que nous appelons un atelier de conception de tableaux de bord, afin de prendre en compte leurs besoins et contraintes dès le départ et de réduire les obstacles à l’entrée auxquels ils seront confrontés tout au long de l’initiative d’analyse.

J’espère avoir pu vous aiguiller sur les écueils qui empêchent la majorité des entreprises de dégager un ROI sur leurs analyses de données. Nos équipes vous accompagneront avec plaisir dans la réalisation de vos objectifs si vous décidez de nous contacter.