Transformez vos données en connaissances, puis en actions

L'utilisation optimale des informations représente désormais un avantage commercial majeur ainsi qu'un élément différenciateur sur le marché. Selon une estimation, les entreprises centrées sur l'analyse multiplient leurs performances par 12 et observent un chiffre d'affaires supérieur d'un tiers par rapport aux entreprises qui n'en font pas.

Ce document est destiné à toute personne au sein de l'entreprise, souhaitant exploiter de manière optimale ses données lors de la prise de décisions avisées et de leur mise en œuvre. Il s'avère particulièrement utile pour les cadres et responsables des petites et moyennes entreprises (PME). Nombre de ces derniers ne sont pas encore prêts à déployer un logiciel d'entreprise complet, mais savent qu'ils doivent adopter une meilleure stratégie de développement que celle qu'ils suivent actuellement. Ainsi, nous étudierons en détail :

• la majorité des sources actuelles et potentielles de vos données et les avantages engendrés par chacune d'entre elles ;
• une méthodologie permettant d'établir un lien entre les données clients et les indicateurs opérationnels générés en interne, afin que votre entreprise puisse clairement identifier sa position et les actions à mener ;
• les avantages éprouvés d'une évolution au-delà de votre zone de confort classique en termes d'analyse de données afin d'obtenir ces « pépites d'informations critiques » et résoudre les principales problématiques métier. Ces informations engendreront le plus d'avantages ;
• une méthodologie à suivre pour comprendre le niveau de maturité de vos stratégies d'analyse ainsi que les méthodes à suivre pour évoluer ;
• la valeur temporelle de la mise en œuvre de décisions commerciales. Ces décisions sont basées sur des informations que vous collectez actuellement, mais vous éprouvez des difficultés à les comprendre totalement afin de transformer ces connaissances en actions.

Ce livre blanc offre un aperçu de la manière dont l'analyse de liens entre les données peut vous aider à les exploiter pour une meilleure prise de décisions basée sur les faits. Cela va engendrer de meilleurs résultats commerciaux et vous permettre de prendre des décisions rapides et pertinentes.

Nous vous invitons à partager ce livre blanc avec vos équipes. Nous sommes certains que vous atteindrez ainsi des résultats exceptionnels.

Dans le monde interconnecté d'aujourd'hui, le défi majeur auquel les dirigeants d'entreprise sont confrontés consiste à disposer d'informations adéquates pour prendre des décisions commerciales rapides et avisées. Le problème ne réside pas dans le manque de données. La plupart des entreprises suivent de nombreux points de données, allant des données financières de base aux données issues de systèmes ERP et CRM et, plus récemment, des données issues des médias sociaux.

Actuellement, les entreprises de toutes tailles sont submergées de données et recherchent parallèlement les connaissances (ou informations) essentielles à une prise de décisions basée sur les faits. Par ailleurs, nombre d'entre nous devant faire face à l'immense effort engendré par le maintien du rythme et le traitement du volume quotidien de données collectées, nous perdons de plus en plus pied.

Cette situation est aujourd'hui si présente qu'il existe désormais un acronyme pour la décrire : DRIP : Data Rich, Insight Poor (Riches en données, mais pauvres en connaissances).

(Dernièrement, la recherche de l'expression « Data Rich Insight Poor » sur Google engendrait 2 610 000 résultats.) Il est important d'intégrer ce concept, car les données seules ne résolvent pas les problèmes, et ne développent pas l'activité.

La croissance provient de l'exploitation des connaissances issues de l'analyse des données et de leur utilisation pour créer et mettre en œuvre des stratégies uniques. En bref, vous devez vous poser les bonnes questions pour extraire des informations exploitables à partir de vos données.

Pour les entreprises de toutes tailles, l'analyse métier accorde un certain répit au concept DRIP. Les outils d'analyse et de découverte de données sont des logiciels d'analyse spécialisés et très performants. Ils sont conçus pour évaluer (et combiner) des volumes massifs de données, répondre aux saisies humaines, prévoir les modèles comportementaux et présenter des relations précises entre les variables sélectionnées par des personnes très intelligentes. Il s'agit des « Big Data » : des ensembles de données à la croissance si importante qu'il devient délicat de les exploiter à l'aide d'outils classiques de gestion de base de données. Certaines de ces difficultés comprennent la capture, le stockage, la recherche et l'analyse.

TIBCO Spotfire, un fournisseur de logiciels d'infrastructure pour les entreprises (sur site ou dans le cadre d'un environnement de cloud computing), a récemment annoncé l'obtention d'une vue avancée sur l'utilisation de ces données pour générer des résultats opérationnels optimisés.

La courbe de maturité de TIBCO Spotfire couvre cinq niveaux d'utilisation de plus en plus sophistiquée des données et de l'analyse : du reporting d'historique à l'automatisation des processus métier basée sur des règles en temps réel. Il est intéressant de constater que la phase exploratoire ou descriptive constitue ce que l'on appelle « analyse de liens ». Celle-ci s'avère idéale pour les PME ne disposant pas de volumes de données ni de ressources pour les gérer. Ainsi, ce livre blanc poursuit deux objectifs :

1. Permettre aux PME de gérer aujourd'hui leurs données ;
2. Préparer les entreprises et les organisations plus importantes et plus riches en données à évoluer et mettre en œuvre une stratégie telle que suggérée par la courbe de maturité.

Pour les entreprises dans la phase exploratoire, la solution aux problèmes de données ne doit pas être complexe, décourageante, ni coûteuse. En fait, il existe de nombreuses techniques manuelles et ponctuelles pouvant être mises en œuvre avec une feuille de calcul ou une solution logicielle à un prix raisonnable. Dans ce livre blanc, nous aborderons les différents types de données collectées par la majorité des entreprises (ou qu'elles devraient collecter), les manières de les exploiter et de les utiliser dans le cadre du développement d'une base solide de support opérationnel afin de servir vos intérêts.

Le besoin d'une analyse approfondie de données n'est pas toujours évident. Par exemple, un indicateur Net Promoter élevé (l'indicateur de fidélité client le plus communément utilisé) peut masquer le fait que certains comptes ou clients clés (les personnes vous consacrant beaucoup d'argent ou payant leurs factures dans les délais) présentent des besoins auxquels vous n'avez pas encore répondu. Ou bien qu'un produit fonctionnant selon vos attentes en termes de fiabilité rencontre un problème avec une fonctionnalité moins utilisée, mais cruciale pour certaines applications. Cependant, vous ne pourrez jamais prendre conscience de ces faits sans observer les données plus attentivement et sans reconnaître les informations exploitables qui se tiennent devant vos yeux.

Dans ce livre blanc, nous avons décidé de concentrer notre réflexion sur un seul domaine : comment les entreprises peuvent se développer à l'aide des données de retour client (Feedback client) et, le cas échéant, en les combinant avec d'autres données financières et opérationnelles disponibles afin de générer des connaissances exploitables. Voici notre définition de l'analyse de base. Nous comprenons bien que cette méthode descriptive s'apparente à observer la route dans un rétroviseur, car elle offre des indications uniquement sur les évènements passés. Pour de nombreuses entreprises cependant, il s'agit d'un bon début pour démarrer leur aventure dans le monde de l'analyse.

La principale raison pour laquelle nous nous sommes concentrés sur ce domaine est que nous pensons que l'optimisation de l'expérience client est la clé d'une croissance soutenue du chiffre d'affaires. De nombreuses entreprises perdent de vue les clients qui sont la source de tous les revenus et profits et non pas les produits ni les services. Nous ne sommes pas les seuls à avoir noté cela. La société EMC a constaté qu'un accroissement de 2 % de la fidélité client se traduit par une augmentation de 1 % de la part de marché. Des avantages similaires ont été notés dans de nombreux secteurs en termes de trésorerie, de rentabilité, de croissance et de valeur actionnariale.

Toute personne et tout service disposent de données utilisées pour effectuer des tâches spécifiques. Les données opérationnelles d'un centre de support peuvent s'apparenter à la figure 2 en termes de nombre d'incidents mensuels et de leur source. Bien que ces chiffres soient d'une ampleur que la plupart d'entre nous peuvent gérer, ils n'atteignent pas encore le point où les informations sont exploitables. Observer ce graphique n'offre aucun indice quant à la marche à suivre pour résoudre les problématiques et les défis auxquels l'équipe de support est confrontée.

La figure 2 provient d'une étude menée en 2010 par le cabinet TSIA. Elle montre le volume d'incidents par canal constatés par les centres de support.

Imaginez ce que vous pourriez apprendre en observant chaque canal séparément et pensez aux éléments manquants. Qu'aimeriez-vous savoir ?

Quelles questions poseriez-vous pour en savoir plus ? Les sources de données organisationnelles sont en général classées dans les catégories suivantes :

Bien que ces catégories soient souvent considérées comme des sources de données ou des informations discrètes, notre expérience nous indique que les réels avantages proviennent d'une combinaison créative de données de diverses sources, qu'on peut transformer en connaissances exploitables reflétant les évènements de votre environnement.

Il est important de comprendre que certains types de données sont bien plus sensibles au temps que d'autres. Par exemple, il est essentiel d'agir rapidement suite à une vague de retours en ligne négatifs ou à un problème de sécurité d'un produit. Vous pouvez par ailleurs prendre davantage votre temps par rapport aux indicateurs opérationnels de base, à moins qu'ils n'indiquent une situation ayant un impact important et immédiat sur votre activité. Cependant, nous vivons aujourd'hui dans l'ère du client. Nous nous attendons donc tous à une gratification instantanée et toute durée significative pour résoudre un problème engendrera une réduction de la satisfaction globale. Nous vous présentons de nouveau un graphique (figure 3) démontrant ce phénomène.

Nous constatons ici que lorsque les données sont inutilisées ou non exploitées, c'est-à-dire statiques, elles perdent constamment de leur valeur. Et chaque étape particulière signifie une augmentation du temps de traitement de bout en bout ainsi que la diminution prévue de la valeur commerciale.

Selon nous, les données opérationnelles sont semblables à une tortue : elles manifestent rarement une urgence. Les données de retour des clients sont, quant à elles, comme le lièvre : si vous ne les collectez pas à la volée et si vous n'agissez pas rapidement, elles perdent de la valeur. Certains retours client doivent être traités immédiatement (visionnez la vidéo sur United Airline en suivant le lien) et certains seront encore utiles pendant des jours ou des semaines. Soit dit en passant, le jour de la diffusion de la vidéo « United Breaks Guitars » (United Airline casse les guitares), l'action UAL a perdu 10 % de sa valeur sur le marché !

Ainsi, lorsque vous décidez que vous devez transformer les données en actions et au-delà, vous devez être conscients de la durée de l'analyse et, surtout, de la durée du processus décisionnel et de la mise en œuvre d'un plan d'action qui fera une véritable différence pour vos clients. Les différents outils et méthodes d'analyse de données décrits ici vous offrent diverses manières pour atteindre vos objectifs. Bien que toutes les situations d'analyse ne nécessitent pas d'analyse ultrarapide, l'automatisation des décisions commerciales offre une analyse exploitable accélérée lorsqu'elles le requièrent.

La majorité des données avec lesquelles nous travaillons quotidiennement sont initialement collectées dans un format non structuré, tel qu'un fichier plat de réponses issues d'une étude client ou des commentaires des clients. Ainsi, les points de données individuels doivent être organisés dans un format et une structure intelligibles afin de générer une analyse significative. Nous observons cela lorsque nous transformons un fichier plat en un tableur Excel, puis en un simple graphique à barres, tel que le graphique « Volume mensuel moyen d'incidents par canal » (figure 2).

Il s'agit d'ensembles de données structurées qui constituaient effectivement notre univers de données jusqu'à il y a encore quelques années. Mais les données non structurées, telles que les paroles et les textes, représentent aujourd'hui des sources de données cruciales en termes de retour client. Il n'est pas surprenant de constater les avancées effectuées dans le domaine de l'analyse de texte et de la parole pour simplifier le processus de tri de connaissances exploitables au sein d'un flux de données non structurées.

Les outils d'analyse analysent le texte non structuré des clients issu des médias sociaux, des e-mails et des autres contenus écrits. L'analyse de texte vous permet de comprendre le « pourquoi » à l'origine des données client. Par exemple, de nombreuses études offrent une réponse numérique à une question, puis demandent ou souhaitent demander « pourquoi » ? Avant d'exploiter l'analyse de texte, les analystes n'avaient tout simplement pas le temps pour lire mot à mot toutes les réponses des études contenant des dizaines de milliers de réponses. Ils recueillaient plutôt un échantillon de réponses au hasard, développaient des catégories communes de réponses, les classaient par type et en fonction du sentiment associé (positif ou négatif), puis suivaient leur fréquence. L'analyse de texte diminue le coût associé au codage de grands volumes de commentaires et augmente la qualité de cette analyse.

Vous décidez de la fréquence et du volume de données à analyser. Outre l'utilisation de l'analyse de texte comme outil de nettoyage des données, les entreprises peuvent l'utiliser pour identifier et mettre fin à une problématique ou pour dupliquer les données client.

L'analyse de la parole est une expression utilisée pour décrire les méthodes automatiques permettant d'analyser la parole pour extraire des informations utiles d'un contenu oral. L'une des utilisations de l'analyse de la parole consiste à identifier des mots clés ou des phrases ainsi que leur sentiment associé, sous forme d'alertes en temps réel lors d'un contenu audio en direct ou en tant qu'étape de posttraitement lors d'un discours enregistré.

L'analyse de la parole dans les centres de contact peut être utilisée pour extraire des analyses métier qui, autrement, auraient été perdues. En analysant et en classant les conversations téléphoniques enregistrées entre les entreprises et leurs clients, des informations utiles peuvent être collectées.

Notre première tentative pour identifier la manière dont nous pouvons combiner plusieurs éléments de données discrètes afin d'obtenir un aperçu optimal, consiste à modifier notre objectif interne et à placer le client, et non l'entreprise, au centre de l'univers. Figure 4.

Deux points se distinguent dans ce diagramme :

1. Vous pouvez soudainement visualiser la manière dont les processus internes affectent le client en termes de sources de motivation et de comportements ;
2. Vous disposez d'une vue bien plus holistique à mesure que les services internes ou les silos deviennent relativement peu importants.

Cette notion d'association ouverte représente l'un des concepts fondamentaux à l'origine de l'analyse de liens, tel que décrit dans les sections suivantes.

La prochaine étape consiste à réfléchir à la manière dont les éléments de données pourraient éventuellement être interconnectés et au fait que l'observation de plusieurs ensembles de données associée à d'autres informations pour extraire les « pépites d'informations critiques », pourrait engendrer des aperçus précieux.

La suite de ce livre blanc explorera certaines techniques majeures d'analyse de données et fournira des exemples décrivant la manière dont de telles analyses peuvent engendrer une prise de décisions basée sur les faits.

Voici un rappel de certaines techniques d'analyse pouvant engendrer un aperçu approfondi qui n'est pas immédiatement évident dans l'observation des indicateurs de performances comme les tableaux de bord ou les fiches d'évaluation équilibrées.

IX-A. Segmentation▲

IX-B. Le filtrage▲

La corrélation est une technique statistique pouvant afficher le degré de relation de paires de variables et comment celles-ci sont liées. L'analyse de corrélation peut engendrer une compréhension approfondie de vos données.

De nombreux spécialistes des sondages utilisent les corrélations avec des échelles d'évaluation, car leurs résultats reflètent habituellement le monde réel.

Le problème de la corrélation entre les indicateurs de satisfaction et autres indicateurs de fidélité réside dans la manière dont les données sont collectées et analysées. Par exemple, selon Walker, « il est beaucoup plus difficile d'isoler les effets de la fidélité sur les résultats d'une entreprise que de déclarer qu'il existe une corrélation entre ces deux éléments ». La fidélité et la rentabilité, par exemple, pourraient être deux éléments résultant d'une autre action.

Voici un exemple démontrant la manière dont deux indicateurs peuvent être liés à un troisième indicateur. Une marque d'automobile spécifique présente un haut niveau de fidélité ainsi qu'une haute rentabilité. Cependant, ces deux facteurs résultent de l'excellence des produits et services offerts par l'entreprise. Ainsi, les facteurs responsables des résultats de l'entreprise sont l'excellence des produits et services. La fidélité et la rentabilité s'ajoutent simplement à ces facteurs. En d'autres termes, ne confondez jamais corrélation et lien de causalité !

Une analyse de tableaux croisés permet de déterminer les corrélations possibles entre les différentes manières dont des sondés répondent à deux questions ou davantage. Elle nous permet d'identifier une répartition entre des variables spécifiques.

Nous l'utilisons, car elle est facile à comprendre. En règle générale, le groupe de contrôle ou la variable indépendante se trouve sur l'axe X (comme l'âge, le sexe, le niveau d'éducation, etc.) et la variable dépendante ou le groupe étudié sur l'axe Y. Dans l'exemple numéro 3 ci-dessousExemple numéro 3 - transformer les données des enquêtes de satisfaction client en connaissances exploitables pour procéder à une évolution significative, nous démontrons comment cette analyse engendre des actions spécifiques.

Le Data Mining vous permet d'étudier en profondeur de grands volumes de données disparates. Il permet de classer l'ensemble de données complet, car ce travail est automatisé. Vous pouvez observer les informations de différentes manières, comme identifier les évènements présentant une faible fréquence, noter certaines occurrences très rares qui auraient été perdues, éviter les erreurs de l'analyse manuelle, etc. Le Data Mining peut également être utilisé avec les résultats de l'analyse de texte ou de la parole, car ces deux applications transforment des données non structurées (texte ou paroles, verbalismes) en données structurées. Le Data Mining réduit les coûts de l'analyse de grands volumes de données et offre une flexibilité supérieure pour adapter les modifications des données. L'analyse en temps réel offre la vitesse et la profondeur requises pour proposer des applications davantage axées sur les détails. Le Data Mining prenant en charge les différences de format entre les ensembles de données, il permet de comparer des données non comparables, comme des pommes et des oranges, ce qui constitue un énorme avantage pour cette seule fonctionnalité.

Mitch Kramer, analyste spécialisé dans les systèmes CRM et l'analyse au sein du groupe Patricia Seybold Group de Boston, convient que les algorithmes et outils de Data Mining s'appliquent aujourd'hui bien plus efficacement au traitement du marketing et aux centres d'appels qu'il y a quelques années.

Il déclare : « Dans le passé, les rapports clients n'étaient accessibles qu'en utilisant des algorithmes appliqués aux données. Désormais, les entreprises observent les données en exécutant simplement un rapport intitulé, par exemple, « trouvez votre meilleur client ». Les fournisseurs se sont emparés des algorithmes obscurs du passé et les ont simplifiés », explique M. Kramer. « Les entreprises n'ont pas accès à la nouvelle technologie, mais au rapport qui utilise cette technologie. Ainsi, vous n'avez pas besoin d'être statisticien pour le comprendre. »

Les exemples suivants illustrent la manière dont les éléments de données appropriés, explorés à l'aide des techniques d'analyse adéquates, peuvent engendrer des décisions qui ne sont pas immédiatement évidentes avec les indicateurs de performances seuls. Dans chacune de ces situations, un élément paraissant insignifiant a eu un impact négatif majeur sur plusieurs clients clés. Le problème a pu être identifié et les mesures correctives prises uniquement lorsque le retour du client a été examiné avec les données opérationnelles adéquates.

Les deux premiers exemples représentent des situations ponctuelles classiques réclamant une analyse de liens. Il s'agit de problèmes spécifiques qui, une fois résolus, n'ont que peu de chances de se reproduire. D'autre part, l'exemple 3 présente un problème se reproduisant continuellement jusqu'à ce que des actions spécifiques soient mises en place pour déployer des mesures correctives ainsi que des mesures de surveillance continues.

XII-A. Exemple numéro 1 - résoudre un problème de fonctionnalité dans un produit mature▲

XII-B. Exemple numéro 2 - les clients internationaux ont des exigences uniques en termes de support▲

XII-C. Exemple numéro 3 - transformer les données des enquêtes de satisfaction client en connaissances exploitables pour procéder à une évolution significative▲

La société A, de même que la majorité des entreprises, collecte de grands volumes de données issues d'enquêtes clients. Dans ce cas, les données proviennent des études transactionnelles lancées dès la réalisation d'interactions client spécifiques.

La société A offre à ses clients une maintenance sur site. À la fin de la visite de maintenance, le système de gestion de maintenance est mis à jour avec les particularités de l'évènement. Le système envoie ensuite une invitation par e-mail au représentant du client et l'invite à participer à une courte enquête sur le Web. Traditionnellement, les résultats étaient traités de deux façons :

1. Ils étaient partagés avec les personnes directement impliquées dans la maintenance pour fournir un retour rapide et ainsi corriger les problématiques non résolues des clients et optimiser le processus suivi par la personne sur site ;
2. Tous les résultats d'une période définie étaient combinés et utilisés pour étudier le processus global et, de nouveau, pour identifier et mettre en œuvre des améliorations.

Les limites de cette stratégie résident dans le fait qu'il n'existe pas de données opérationnelles sur les éléments à améliorer. À partir des études transactionnelles, la société A a déduit que les clients n'étaient pas satisfaits de leur expérience de maintenance sur site. Toutefois, elle n'avait aucune idée des causes particulières de cette insatisfaction. L'entreprise n'utilisant pas l'analyse de texte, elle ne pouvait pas facilement poser des questions de suivi telles que : Pourquoi ? Comment procéder ?

Voici comment la société A peut obtenir des connaissances précieuses à partir des données collectées.

Étape 1 - Séparer les données en deux segments : les clients engagés dans des prestations payantes (garantie ou contrat) et les clients fonctionnant dans le cadre d'un modèle de paiement à l'usage. Étudier les résultats de l'étude de satisfaction client pour chaque groupe et identifier la présence de différences significatives. Passer à l'Étape 2 pour chaque groupe indiquant un problème plus important.

Étape 2 - Sélectionner un nombre facile à gérer de faibles résultats et observer, à l'aide de données générées en interne, les détails de la transaction déclenchant l'invitation à l'enquête :

1. En connaissant le numéro de la transaction, observer d'abord les méthodes de traitement de l'appel initial :

   1. à partir du service de Distribution Automatique des Appels (ACD), étudier le temps de réponse à l'appel, l'agent assigné et la durée de l'appel,
   2. à partir du système de journalisation des appels (système CRM ou gestion de maintenance), observer la durée pendant laquelle l'agent est resté au téléphone et les étapes traitées. Combien d'appels ont été émis ? Quelle était leur durée ? Quand un technicien de maintenance a-t-il été envoyé sur site ? Des pièces furent-elles envoyées ?
   3. à partir du système de gestion de maintenance, de nouveau, quand le technicien a-t-il contacté le client ? Quel fut le délai de son arrivée promise ? Les pièces ont-elles été abordées dans la conversation ?
   4. quand le technicien est-il arrivé ? Le délai était-il proche de celui promis ? Qu'en est-il ressorti ? Des pièces étaient-elles nécessaires ? Étaient-elles disponibles dans le stock du technicien ou dans le dépôt ? Les problèmes ont-ils été résolus ?
2. Lorsque les pièces ont été commandées auprès du dépôt, quand furent-elles expédiées ? Sont-elles arrivées dans le délai promis au client ? Quand le technicien est-il de nouveau arrivé sur site ? Les pièces étaient-elles correctes et fonctionnaient-elles ;

3. Lorsque la ou les pièces défectueuses arrivent dans l'atelier de réparation, le technicien doit les réparer et consulter l'historique interne des pièces afin de déterminer :

   1. combien de réparations ont-elles subies ?
   2. quel était leur historique lors des processus de fabrication et de test ?
   3. la panne actuelle fait-elle partie d'un problème plus général nécessitant une étude de qualité ou d'ingénierie ?
4. Boucler la boucle avec le client : lui expliquer les recherches effectuées et leurs résultats et, surtout, les actions menées par votre entreprise afin d'éviter ce type de problème à l'avenir ;

5. Examiner les résultats de vos recherches pour déterminer les facteurs clés de l'insatisfaction.

   1. Si un point de contact s'avère extérieur à une fenêtre que vous trouveriez acceptable en tant que client, consultez alors toutes les transactions associées à la question concernée. Créez un diagramme de dispersion (similaire à celui de la figure 5) dans lequel l'axe X représente les performances internes et l'axe Y les résultats de l'étude de satisfaction client.
   2. Vous obtenez grâce à ce processus une bonne idée des performances attendues par vos clients. Vous pouvez alors mettre en œuvre des modifications de processus avec la formation appropriée afin de garantir le respect ou le surpassement des attentes du client.

En voici un exemple : un organisme fédéral tentait de déterminer la durée requise pour traiter une demande reçue par téléphone et par courrier traditionnel tout en atteignant un niveau défini de satisfaction client. Il a créé un diagramme de dispersion avec la durée de traitement représentée sur l'axe X et les résultats de l'enquête de satisfaction client sur l'axe Y. Il a ensuite analysé les résultats pour déterminer la durée maximale requise pour traiter une demande lui permettant toujours d'atteindre ses objectifs en termes de satisfaction client et a ensuite défini cette durée comme cible opérationnelle.

À long terme, les entreprises nécessitent une gamme complète d'options d'analyse pour rester compétitives sur le marché à la concurrence acharnée. Ces outils leur permettront de générer et de traiter des analyses à partir de leurs données d'entreprise et d'obtenir un avantage concurrentiel majeur. Il s'agit de la capacité à mesurer, diagnostiquer, prévoir, modéliser et capturer la recette secrète des « Data Scientists » que ces derniers ont disséminée dans les modèles d'analyse et remis entre les mains des décideurs opérationnels et, enfin, d'automatiser l'action en temps réel. Comme illustré dans la courbe de maturité d'analyse de la figure 1, Spotfire présente aujourd'hui ce niveau de compétence.

La majorité des entreprises n'obtiennent qu'une valeur minimale de leurs données, car elles analysent les données historiques en mode batch. Cela engendre en général la génération de rapports statiques issus de formulaires de demandes prédéfinies qui offrent des informations sur les tendances commerciales historiques et les KPI. Certaines entreprises tentent désormais de comprendre les causes sous-jacentes des ressentis découlant de leur activité.

Si votre objectif consiste à explorer les facteurs responsables d'une tendance commerciale, les outils traditionnels d'analyse décisionnelle manqueront pour vous de fonctionnalités. Les entreprises nécessitent plutôt un outil d'analyse de données haut de gamme permettant aux utilisateurs professionnels d'explorer les données à tous les niveaux de détail comprenant un support informatique accessible en cliquant simplement sur des points d'intérêt.

L'analyse commence à engendrer des avantages précieux et mesurables lorsqu'une entreprise peut tirer des enseignements de son expérience organisationnelle collective, anticiper des tendances émergentes en fonction d'une analyse prédictive et prendre des mesures préventives afin de minimiser les risques et prendre des décisions en toute confiance.

Une majorité d'utilisateurs professionnels ne disposant pas d'expérience en statistiques ou en mathématiques leur permettant d'interagir avec ces modèles, une source importante d'avantages concurrentiels reste à la disposition unique des statisticiens. Les utilisateurs professionnels nécessitent une intégration transparente des modèles statistiques et prédictifs dans les applications d'analyse pour explorer divers scénarios.

Rendre les analyses opérationnelles représente la prochaine évolution dans le cadre de la maturité d'analyse d'une entreprise. Une entreprise peut rendre son analyse opérationnelle en développant des règles métier liées aux connaissances issues de ses données lors de la phase exploratoire mentionnée ci-dessus.

Par exemple, un fournisseur de services de télécommunications peut détecter un problème avec un appareil téléphonique lorsque plusieurs appels avec un client provenant d'une région spécifique ont été interrompus. Dans cette situation, l'entreprise peut développer une règle métier afin de joindre de manière proactive les clients affectés, et ce, peu après une interruption d'appel, et tenter de résoudre cette problématique (comme recommander un appareil différent, etc.). Mais l'objectif ultime consiste à réduire la perte de clientèle.

Le plus haut niveau de la courbe de maturité d'analyse est l'application des règles métier aux évènements métier, en temps réel et de manière automatisée, afin de garantir le comportement souhaité. Dans l'exemple des services de télécommunications mentionné ci-dessus, cela impliquerait l'envoi d'un e-mail automatique aux clients concernés, leur offrant un nouvel appareil à un tarif réduit après la détection par le système d'un certain nombre d'appels interrompus. L'automatisation implique également une fonctionnalité de surveillance pour déterminer si les règles métier sont optimisées pour les résultats souhaités ou si ces dernières doivent être reconfigurées, assurant ainsi une optimisation continue du processus.

L'exemple 3 se concentrant sur un processus continu d'interaction (les interactions avec un centre d'appels), ce processus se prête à avancer dans la courbe de maturité :

1. Le processus peut être modélisé ;
2. Des règles métier peuvent être établies. Par exemple, si un client de niveau supérieur est sensé attendre plus de X secondes pour joindre une personne réelle, l'urgence de l'appel est mise à jour afin que l'appel soit affecté au prochain opérateur disponible ;
3. Le processus peut être automatisé afin que le serveur vocal interactif (SVI) puisse prédire la durée d'attente en fonction du volume d'appels, du nombre d'opérateurs et de la durée moyenne par appel. Le serveur peut ensuite prendre automatiquement les décisions appropriées en termes de priorisation des appels.

Nous gérons tous une profusion d'informations. Cependant, la plupart des gens ne disposent pas d'une infrastructure pour organiser les informations rassemblées et leur donner un sens. Sans une méthodologie d'analyse de nos données, nous ne pouvons tirer profit de la principale raison de leur maintien : extraire les informations afin de prendre des décisions commerciales éclairées.

Comme nous l'avons observé dans les exemples précédents, les professionnels peuvent prendre de grandes décisions lorsqu'ils connaissent les faits.

Nous savons qu'il est bien plus simple d'agir lorsque les problèmes et leurs causes sous-jacentes sont clairement identifiés que lorsque nous n'avons qu'une idée confuse d'un probable problème.

L'une de nos convictions profondes est que les outils d'analyse décisionnelle facilitent l'exploration des données. Cependant, en l'absence d'une structure de sélection des éléments importants à observer, des questions à poser et des méthodes d'interprétation de ces observations, l'analyse décisionnelle amplifie la confusion au lieu de la réduire. Aucune technologie ne peut remplacer la compréhension de nos produits, processus et clients. Une fois encore, comment procéder ? Voici quelques conseils que nous vous avons prodigués dans ce rapport.

1. Démarrez sans conteste par les indicateurs de performance. Toutefois, nous pensons que leur utilisation seule peut s'avérer décevante. Nous devons alors observer les principaux moteurs de notre activité, particulièrement en termes de clients clés qui payent les factures et restent opérationnels. Cela signifie que nous devons nous assurer de comprendre les besoins les plus importants de ce groupe essentiel d'acteurs et d'y répondre.
2. Nous devons ensuite organiser cette mine de données en un ensemble compréhensible. Il sera sinon très difficile de comprendre ce qui revêt de l'importance aux yeux de nos clients. Traditionnellement, il s'agissait de feuilles de calcul et de graphiques. Avec l'introduction des outils de visualisation et de découverte des données, l'opportunité d'obtenir des connaissances exploitables n'est limitée que par votre imagination. Toutefois, l'analyse de texte et de la parole nous offre des méthodes nouvelles et performantes pour comprendre ce qui revêt de l'importance aux yeux de nos clients.
3. Nous devons utiliser l'analyse de liens pour combiner des éléments de données discrètes de différentes sources afin d'obtenir une vision globale. Cette approche établit un lien entre l'expérience client et les activités au sein de votre entreprise.
4. Nous devons organiser et analyser les données de manière à ce que les modèles et les « pépites d'informations critiques » apparaissent. Il s'agit de la solution pour vous permettre de relier l'expérience client aux mesures que vous devez mettre en œuvre. Vous y parvenez en général en combinant plusieurs éléments de données pour faire la lumière sur la situation actuelle et ses causes sous-jacentes.
5. À ce stade, nous devons convaincre les différents acteurs (les employés et souvent les clients) de mettre en œuvre cette solution. Ils représentent les experts pouvant identifier les correctifs et tester les solutions avant leur lancement ;
6. Une fois que nous avons compris les processus continus, nous devons mettre en œuvre des mesures afin de réduire leur impact sur les clients et sur l'entreprise. Cela implique de se déplacer sur la courbe de maturité et, finalement, d'automatiser les règles métier afin que le résultat final reflète les attentes des clients sans constater ni ressentir la complexité sous-jacente du traitement de larges ensembles de données. Rappelez-vous que le temps est synonyme d'avantages commerciaux réels et significatifs.
7. Les clients sont la source de revenus et non les produits ou les services. Le client est le juge ultime du fonctionnement d'une solution. Il est l'utilisateur final des produits et services qui doivent répondre à ses besoins et non le contraire. Les clients doivent être informés de tous les éléments les affectant directement et vous devez leur fournir le retour requis pour tous les problèmes soulevés.

TIBCO Spotfire reconnaît les personnes suivantes comme les auteurs principaux de cet article :

SAM KLAIDMAN, CONSEILLER PRINCIPAL, MIDDLESEX CONSULTING

Sam est un leader chevronné dans les domaines du marketing et de la stratégie de service. Sam a dirigé plusieurs sociétés de services de classe internationale et possède plus de 30 ans d'expérience dans les domaines des services et du support. Il a dirigé plusieurs organisations qui ont été reconnues pour l'excellence de leur service client. Sam est l'auteur de plusieurs articles publiés dans divers journaux techniques et est un orateur fréquent lors de conférences et réunions locales et nationales. Sam était membre du Conseil d'administration d'une société d'analyse et d'une société spécialisée dans les instruments de mesure nucléaire. Aujourd'hui, Sam travaille en collaboration avec des PME afin d'optimiser la rétention client, le chiffre d'affaires et les profits, ainsi que la fidélité client en se concentrant sur les interactions avec les clients et les aspects du service en fonction des activités de ses clients.

CLAIRE TINKER, DIRECTRICE, TINKER CENTRIC CONSULTING

Claire apporte au secteur des services technologiques sa riche expérience du monde réel, issue de sa longue carrière chez Xerox Corporation où elle s'est principalement concentrée sur l'optimisation de la productivité opérationnelle et le développement de la fidélité client. Plus récemment, elle a apporté son expérience dans les indicateurs organisationnels et leur lien avec la prise de décisions commerciales au plus vaste domaine de l'étude de marché. Domaine dans lequel elle applique son expérience sur le terrain à la résolution de problématiques métier. Claire est membre de l'association TSIA et ancienne présidente de section de l'AFSMI (Association professionnelle pour le développement et la promotion des responsables de services).

DENNIS GERSHOWITZ, DIRECTEUR, DG ASSOCIATES

Cadre dirigeant accompli, Dennis est reconnu pour ses postes de direction à succès et son alignement des stratégies commerciale et de développement.

Actuellement, Dennis est vice-président Services client chez Anthony & Alexander et directeur de son propre cabinet de conseil, DG Associates.

Dennis offre divers services de conseil aux entreprises souhaitant optimiser leurs programmes de fidélité client et comprendre davantage leurs clients.

Il permet aux entreprises de développer ou de renforcer leur stratégie de gestion de l'expérience client (CEM). Dennis a reçu des prix dans le domaine de l'excellence des services, notamment Service Professional of the Year (professionnel de services de l'année) de l'AFSMI, association pour laquelle il a été membre du Conseil d'administration pendant de nombreuses années.

Il est membre de l'équipe de dirigeants de l'AFSMI et membre fondateur du conseil consultatif des partenaires de la TSIA (Technology Services Industry Association). Il est également un partenaire de l'école de commerce Cameron School of Business de l'université UNCW (University of North Carolina at Wilmington) ainsi qu'un orateur et auteur accompli dans les domaines du support client et du Leadership.

TIBCO Spotfire est une plate-forme leader d'analyse et de découverte de données offrant un environnement à la rapidité et la flexibilité inégalées pour l'analyse de données critiques. Spotfire permet aux entreprises de bénéficier d'avantages concurrentiels soutenus en les aidant à prendre des décisions commerciales plus intelligentes et avisées. Plate-forme d'analyse pour entreprise, Spotfire propose des fonctionnalités allant du reporting, des tableaux de bord, des visualisations interactives et de l'analyse ad-hoc aux statistiques avancées et à l'analyse prédictive. Spotfire offre aux utilisateurs techniques et professionnels la possibilité d'explorer rapidement leurs données et d'identifier des connaissances clés, les dotant ainsi d'un avantage concurrentiel unique.

Spotfire a été reconnu par des analystes renommés du marché et des clients comme un leader sur le marché de l'analyse pour sa facilité d'utilisation et ses fonctionnalités d'analyse prédictive fiables et avancées. L'adaptabilité universelle de Spotfire garantit son utilisation par tous les types d'utilisateurs finals et fonctions métier, des responsables de divisions aux scientifiques des données accomplis en passant par les analystes métier. Spotfire constitue une plate-forme d'analyse unique pour l'ensemble de l'entreprise et les plus grandes entreprises internationales se fient à Spotfire pour découvrir des connaissances critiques masquées dans leurs données.(1)

Nous tenons à remercier Claude Leloup pour sa relecture orthographique et Malick SECK pour la mise au gabarit.