Capitaliser sur la "Richesse" de vos données [Partie 1/4]
Les technologies de Big Data, de l'analyse de données et des modèles prédictifs sont devenues maintenant les "must-have" de toutes les entreprises dans le monde.
Les CEO et directeurs observent avec admiration comment Google, Facebook, Airbnb et d'autres sociétés sont entrain de révolutionner leur domaines avec les algorithmes d'intelligence artificielle ,de machine learning et du "Deep Learning".
Toutes ces innovations sont basées sur des notions complexes et approfondies. Mais la base de toutes ces technologies reste toujours la même: l'optimisation de l'exploitation des données existantes dans l'entreprise.
Le grand problème avec les directeurs et les décideurs ces jours est la compréhension de leurs besoins. Il est vrai que l'homme ne peut pas demander quelque chose qu'il ignore son existence .
Et c'est ça le dilemme de l'innovation et de la révolution technologique: le premier à adopter cette innovation aura un avantage et une avance sur le marché.
Je fourni dans une séries d'articles quelques points qui sont tirés de mon expérience en travaillant sur plusieurs projets 'non-classiques', où le besoin n'était pas définit au préalable, et où l'expertise du Statisticien ou data scientist était l’étincelle de démarrage de la procédure d'amélioration.
Cette série est composées de 4 parties :
Les "Bonnes" data?
Chaque entreprise considère que les données qui doivent être analysées sont les données liées à leur activité principale uniquement.
Mais avec un peu d'expérience on peut conclure que La valeur ajoutée ne réside pas uniquement dans les données transactionnelles ou les données de ventes..etc.
Il existe une mine d'or inexploitée dans toute table de données générés par l'entreprise.
Je cite deux exemples pour expliquer mes arguments:
Exemple 1: Une chaîne de magasins croit toujours que l'analyse leur base de données de ventes et le croisement avec leur CRM va leur fournir une compréhension claire du comportement de leurs clients et avec cette analyse simpliste, ils vont pouvoir faire des promos et augmenter leur chiffre d'affaires.
Exemple 2: Un opérateur téléphonique ne s'intéresse parfois qu'aux scores de churn et à faire des contre-offres et des contre-promos afin de réagir à une réalité du marché. Tout en ignorant les changement des préférences internes de ses clients et sans faire une corrélation entre ses revenus et ces actions marketing sur le moyen et le long terme.
Les sociétés commerciales de nos jours ont un soucis énorme quant à leur croissance et à l'élargissement de leurs activités.
La croissance est liées principalement à un indicateur global qui est le revenu, autrement dit le chiffre d'affaire. cet indicateur qui donne une image sur la taille de l'activité de l'entreprise donne aussi , en faisant son analyse temporelle, une idée sur la santé de l'entreprise.
Un chiffre d'affaire qui évolue positivement d'une année à une autre reflète une évolution souhaitée de l'activité de l'entreprise.
Mais est-ce que cet indicateur analysé tout seul, peut nous indiquer sur la profitabilité des activités de cette entreprise?
La réponse est non, les propriétaires des entreprises, qui sont généralement appelés "actionnaires" ne s'intéressent qu'à un seul indicateur corrélé avec le CA, il s'agit des revenus nets, ou profits nets.
Donc maintenant un autre indicateur entre dans l'équation qui est le coût, le coût de l'activité de l'entreprise qui peut englober le coût de production, de la commercialisation et de vente des produits ou des services de ces sociétés.
Les modèles probabilistes ou statistiques sont bon à prédire le future, tout en tenant compte qu'il existe des marges d'erreurs liées au choix du modèle et à sa paramétrisation .
Comment ces sociétés peuvent utiliser les statistiques pour optimiser leur revenus?
La théorie économique donne une réponse simple à ce problème :
"Maximiser le chiffre d'affair et minimiser le coût"
Très simple! n'est ce pas??
Mais ici la technicité et l'expérience du statisticien ou de celui qui va utiliser ces outils mathématiques entre en jeu...
Nous détaillons les aspects d'analyse de données dans la deuxième partie..
Suite:
L'analyse des données dans le contexte Business.
Transformer les capacités et le potentiel du business
Utiliser des outils simples
Les CEO et directeurs observent avec admiration comment Google, Facebook, Airbnb et d'autres sociétés sont entrain de révolutionner leur domaines avec les algorithmes d'intelligence artificielle ,de machine learning et du "Deep Learning".
Toutes ces innovations sont basées sur des notions complexes et approfondies. Mais la base de toutes ces technologies reste toujours la même: l'optimisation de l'exploitation des données existantes dans l'entreprise.
Le grand problème avec les directeurs et les décideurs ces jours est la compréhension de leurs besoins. Il est vrai que l'homme ne peut pas demander quelque chose qu'il ignore son existence .
Et c'est ça le dilemme de l'innovation et de la révolution technologique: le premier à adopter cette innovation aura un avantage et une avance sur le marché.
Je fourni dans une séries d'articles quelques points qui sont tirés de mon expérience en travaillant sur plusieurs projets 'non-classiques', où le besoin n'était pas définit au préalable, et où l'expertise du Statisticien ou data scientist était l’étincelle de démarrage de la procédure d'amélioration.
Cette série est composées de 4 parties :
- Choisir les "Bonnes" data.
- L'analyse des données dans le contexte Business.
- Transformer les capacités et le potentiel du Business.
- Utiliser des outils simples.
Partie 1: Choisir les "Bonnes" data:
Les "Bonnes" data?
Chaque entreprise considère que les données qui doivent être analysées sont les données liées à leur activité principale uniquement.
Mais avec un peu d'expérience on peut conclure que La valeur ajoutée ne réside pas uniquement dans les données transactionnelles ou les données de ventes..etc.
Il existe une mine d'or inexploitée dans toute table de données générés par l'entreprise.
Je cite deux exemples pour expliquer mes arguments:
Exemple 1: Une chaîne de magasins croit toujours que l'analyse leur base de données de ventes et le croisement avec leur CRM va leur fournir une compréhension claire du comportement de leurs clients et avec cette analyse simpliste, ils vont pouvoir faire des promos et augmenter leur chiffre d'affaires.
Exemple 2: Un opérateur téléphonique ne s'intéresse parfois qu'aux scores de churn et à faire des contre-offres et des contre-promos afin de réagir à une réalité du marché. Tout en ignorant les changement des préférences internes de ses clients et sans faire une corrélation entre ses revenus et ces actions marketing sur le moyen et le long terme.
Construire des modèles qui peuvent prédire et optimiser les revenus
Les sociétés commerciales de nos jours ont un soucis énorme quant à leur croissance et à l'élargissement de leurs activités.
La croissance est liées principalement à un indicateur global qui est le revenu, autrement dit le chiffre d'affaire. cet indicateur qui donne une image sur la taille de l'activité de l'entreprise donne aussi , en faisant son analyse temporelle, une idée sur la santé de l'entreprise.
Un chiffre d'affaire qui évolue positivement d'une année à une autre reflète une évolution souhaitée de l'activité de l'entreprise.
Mais est-ce que cet indicateur analysé tout seul, peut nous indiquer sur la profitabilité des activités de cette entreprise?
La réponse est non, les propriétaires des entreprises, qui sont généralement appelés "actionnaires" ne s'intéressent qu'à un seul indicateur corrélé avec le CA, il s'agit des revenus nets, ou profits nets.
Donc maintenant un autre indicateur entre dans l'équation qui est le coût, le coût de l'activité de l'entreprise qui peut englober le coût de production, de la commercialisation et de vente des produits ou des services de ces sociétés.
Les modèles probabilistes ou statistiques sont bon à prédire le future, tout en tenant compte qu'il existe des marges d'erreurs liées au choix du modèle et à sa paramétrisation .
Comment ces sociétés peuvent utiliser les statistiques pour optimiser leur revenus?
La théorie économique donne une réponse simple à ce problème :
"Maximiser le chiffre d'affair et minimiser le coût"
Très simple! n'est ce pas??
Mais ici la technicité et l'expérience du statisticien ou de celui qui va utiliser ces outils mathématiques entre en jeu...
Nous détaillons les aspects d'analyse de données dans la deuxième partie..
Suite:
L'analyse des données dans le contexte Business.
Transformer les capacités et le potentiel du business
Utiliser des outils simples