C’est la grande tarte à la crème du moment. Toutes les entreprises proclament leur volonté de devenir « data driven », autrement dit d’être pilotées par les données. Est-ce une rupture si profonde avec le passé et pourquoi insister tellement sur cet objectif ?

Les entreprises ont toujours été data-driven

Aussi surprenant que cela puisse vous sembler, on a toujours piloté les entreprises à la donnée. Ou en tout cas au chiffre. Principalement en fonction d’indicateurs de performance et de rentabilité. Croire ou faire croire qu’on a pendant plus d’un siècle pris des décisions à l’instinct et au doigt mouillé est sans doute une manière facile de vendre des approches nouvelles. A la limite on reprochait justement trop aux entreprises de ne regarder que ces indicateurs et donc de prendre des décisions biaisées car pas assez informées. Donc, non, la donnée n’est absolument pas quelque chose de nouveau et ce qu’on présente comme une révolution aujourd’hui a pu être vu comme un travers hier.

Quand l’indicateur brut s’enrichit de la compréhension du contexte

C’est là que l’on reparle du Big Data. Enfin, remarquez que depuis un an on dit davantage data que big data car, là encore, en matière de donnée on a toujours fait aussi big que possible. Quand on se souvient qu’au milieu des années 80 un PC doté de 128ko de RAM et d’un lecteur de disquette 5″1/4 était une machine performante et qu’aujourd’hui le plus simple des smartphones est infiniment plus puissant que l’ordinateur de bord de la capsule Apollo qui a emmené l’Homme sur la lune, on voit bien les progrès faits en termes de capacité de stockage et de traitement et que si le big d’hier n’a rien à voir avec celui d’aujourd’hui il était quand même le big du moment.

Les capacités de stockage et de traitement du moment nous permettent deux choses nouvelles. La première est, justement, de prendre en compte des sources et des quantités de données infiniment plus variées et et plus grande quantité qu’avant. La seconde est de traiter ces données pour identifie des corrélations, des « patterns », entre des données de nature très diverses.

In fine cela permet de lever le nez de l’indicateur brut final pour s’intéresser à son contexte et à ce qui l’impacte.

Quelques exemples.

En matière de suivi de la performance commerciale on avait le chiffre et le pipeline. Parfois en lien avec l’effort marketing mais comme ces deux fonctions se parlent encore trop rarement il était déjà compliqué de penser piloter les deux de concert. Aujourd’hui on peut prendre en compte une foules de données relatives à, par exemple, le climat, les taux de change, des facteurs RH propres aux commerciaux et une infinité de choses en fonction de leur pertinence relativement à un secteur et un marché donné. In fine cela permet de prendre des décisions en termes de production, de pricing, de promotions etc en se basant sur des signaux faibles situés parfois à des années lumières de votre business.

Idem en matière RH pour anticiper le risque d’attrition. Le risque de voir un collaborateur partir peut parfois dépendre d’éléments managériaux ou RH mesurés et identifiables, parfois d’éléments contextuels totalement extérieurs. Par exemple il a pu être démontré qu’une des motivations d’un salarié sur le départ est un certain nombre de départs chez ses proches et que la notion de proche ne s’estimait pas pas nécessairement aux niveau des membres de son équipe mais des personnes avec qui il avait les interactions les plus fréquentes sur le réseau social d’entreprise.

Bref l’intérêt de la data n’est pas tant dans l’indicateur clé qui est souvent simple et connu mais dans la compréhension du contexte, des facteurs exogènes parfois très éloignés du business qui conditionnent cet indicateur. Un peu comme l’effet papillon.

La valeur de la data n’est pas d’améliorer les indicateurs existants mais d’en fournir d’autres qui aident à les comprendre.

Cela peut sembler évident mais encore faut il en tirer les conséquences. Il faudra aller chercher les données souvent dans un périmètre extérieur au sujet concerné, parfois hors de l’entreprise voire hors du business. Et donc être inspiré car on ne peut pas tout traiter : il faut donc chercher et sélectionner judicieusement ce qu’on désire traiter et améliorer le dispositif de manière empirique.

La data n’est pas la fin du jugement

Ceci dit il ne faut pas croire non plus que basculer dans une logique « data-driven » va sonner le glas du jugement et de l’appréciation individuelle. Comme le montre clairement cet article de chez McKinsey, data et humains sont complémentaires. Aussi puissante soit-elle, la data ne donne qu’une compréhension parcellaire du contexte. Ce que la donnée ne donne c’est c’est le récit d’un contexte humain. ([What] I don’t think the data did do, was [have] an understanding of human story and human narrative. The data isn’t going to produce that for you ».). La solution n’est ni dans l’expertise humaine ni dans la donnée mais dans la manière dont on arrive à articuler les deux.

D’une certaine manière je serai tenté de dire que certaines disciplines comme le marketing voire les RH vont, dans un monde piloté par la donnée, devenir davantage des arts que des sciences ou expertises rationnelles.

A ce stade une question me passe quand même par l’esprit. Quand une entreprise clame sa volonté de devenir data-driven je l’interprète (à tort ou à raison) comme :

  • une volonté d’affichage « moderne » en utilisant le buzzword du moment?
  • une volonté de rassurer le marché et les investisseurs sur l’orientation business des projets digitaux à coté des initiatives estampillées « expérience » dont la dimension qualitative et hors process ne convainc pas toujours les addicts du ROI.
  • une volonté de supprimer tout biais des décisions business (quitte à négliger le bon sens) ou en tout cas d’envoyer un message en ce sens pour rassurer.

J’entends donc beaucoup parler de décider, pas de comprendre. Mauvaises formulation ou tendance à négliger une partie essentielle de la contribution des données au pilotage de l’entreprise ?