Tribune d'expert
Data analytics: Boostez la démocratisation de vos données grâce au Design Thinking
Comment le design thinking et l'analytics oeuvrent en faveur d'une nouvelle expérience utilisateur ? Clément, Practice Manager Data Analytics & DataViz, vous explique tout
Leur renommée n’a cessé de croître ces 8 dernières années : Power BI, Tableau, Qlik Sense, etc. Ces outils dits Self-BI (centrés sur l'expérience utilisateur) ont insufflé l’air de la Data Analytics d’aujourd’hui en réponse aux limites posées par les outils d’ancienne génération :
1. Manque de gouvernance dans la donnée et inadéquation avec les règles fonctionnelles existantes, ce qui accroît les biais de lecture sur la véracité des tendances observées.
2. Interface homme-machine (IHM) monotone et trop détaillée (reporting figés sous la forme de tableaux, ce qui amène à passer davantage de temps au déchiffrement de l’information plutôt qu’à l’analyser).
3. Distribution de la donnée centralisée au sein de la DSI (aucune préparation de la donnée flexible et agile pilotée par l’utilisateur).
4. Exploration collaborative de la donnée très limitée, ce qui aboutit à une culture de la donnée quasi-inexistante au sein de l’organisation (frein au développement d’une culture d’entreprise réactive basée sur les données et la recommandation opérationnelle).
La data analytics au service des sociétés pour une stratégie data driven
Nous le savons, la data analytics aide les organisations à comprendre leurs données dans l’optique d’une stratégie data-driven, mais encore faut-il savoir accompagner le métier dans ce changement d’approche. Bien souvent, l’objectif tient plutôt à reproduire l’existant via un nouvel outil en partant des contraintes techniques côté bases de données. C’est là s’affranchir des contraintes métiers rencontrées quotidiennement par vos utilisateurs. Acquérir le dernier outil du marché est une chose, mais parfaire sa crédibilité auprès du métier, et ce, de façon continue en est une autre.
- Comment parvenir à augmenter la valeur perçue de vos données au sein de votre organisation ?
- Pour quelle raison devriez-vous plutôt orienter vos utilisateurs vers les meilleures pratiques en termes d’analyses visuelles ?
- En quoi cette démocratisation des données améliorera votre capacité à prendre les bonnes décisions dans le bon timing ?
Design thinking et analytics en faveur d’une nouvelle expérience utilisateur
Plutôt que de partir d'un panel de solutions standards pour imaginer une solution à une problématique donnée, il conviendra au contraire d’explorer de nouvelles idées jusqu’alors inconnues pour aboutir à une nouvelle expérience utilisateur. C’est ce que le design thinking se propose d’accomplir en 2 points :
1. Comprendre les individus (besoins explicites et implicites) et recadrer les problématiques de manière créative de sorte à générer des solutions et services sur-mesure dans un temps court.
2. L’exploration et l’analyse des données se centre sur l'humain (encodage de l’information dans la mémoire). Cette prise en compte des biais cognitifs et le respect de certaines règles d’ergonomies, vous permettront de libérer le potentiel de la donnée au sein de votre organisation.
Gestion de projet selon un cycle itératif en 5 étapes clés :
Chacune de ces étapes doit s’imprégner de l’objectif suivant : permettre à votre organisation de gagner du temps dans ses prises de décisions. Il est donc nécessaire de tenir compte de notre façon d’interagir avec l’information. En effet, la mémoire visuelle représente 80% de la totalité des informations transmises au cerveau et une image se traite 60 000 fois plus vite qu’un texte.
Pour garantir une transcription optimale de l’information dans le cerveau, il est nécessaire de maîtriser les standards de l’analyse visuelle (bonne utilisation des visualisations et attributs pré-attentifs). Illustrons nos propos en partant de pratiques visuelles non-optimales pour aboutir à des suggestions de correction simples et efficaces.
Mémoire visuelle et encodage de l’information :
Libérez le potentiel de vos données par l’analyse visuelle : cas d’usage
Bien souvent, les données sont manipulées puis affichées sans objectifs préalables. C’est pourquoi, le graphique ci-dessous aborde un jeu de couleurs inapproprié, ce qui apporte de la surcharge visuelle et accentue la difficulté dans la synthèse de l’information reçue. Ce constat est renforcé par l’usage des étiquettes de repère par défaut (arrondis au centième près).
Quels enjeux se dessinent derrière l’usage d’un indicateur plutôt qu’un autre ? Sous quel angle souhaitons-nous l’analyser ? Un tel graphique serait plus pertinent pour distinguer en un coup d’œil les valeurs supérieures à la moyenne (ligne de référence) voir extrêmes et celles dites « standards », c’est-à-dire inférieures ou égales à la moyenne. Il en résulte une amélioration sensible des capacités de synthèse de l’utilisateur. La propagation du code couleur aux intitulés de colonnes (quartiers) facilite la correspondance avec la catégorie de CA/quartier.
Cependant, la disposition graphique pourrait être améliorée sur 2 points :
- Passer à une lecture plus efficace par un balayage de l’information vertical plutôt qu’horizontal
- Etablir un classement entre les quartiers en fonction de l’écart à la moyenne
L’astuce dans la représentation qui suit consiste à :
1. Intégrer dans la vue l’écart relatif du CA moyen/quartier à la moyenne de l’échantillon pour renforcer la différence entre 2 catégories (inférieur et égal à la moyenne ou supérieur à la moyenne ?), tout en affichant la valeur du CA moyen/quartier en étiquette de repère.
2. Appliquer un code couleur par quartier en fonction de la règle suivante :
Nous l’avons vu, bâtir une stratégie data-driven n’est pas uniquement liée à une mise à jour technologique. Il convient en parallèle de gagner l’adhésion du métier tout en l’amenant progressivement à changer ses us et coutumes dans l’utilisation et la visualisation de ses données.
