Lacunes dans les données: comment les identifier et les combler
Une lacune dans les données est un écart entre les informations dont vous disposez et celles qu'il vous faudrait pour décider correctement. On distingue trois formes principales : des données manquantes, une disparité entre les indicateurs suivis et ceux qui comptent vraiment, et une mauvaise interprétation des données existantes. Pour les combler, repérez d'abord la lacune, puis collectez les bonnes données, suivez les bons indicateurs et interprétez le tout avec rigueur.
Les données aident la direction à prendre de meilleures décisions, à repérer les tendances et les opportunités, à lancer des plans d'action peu risqués et fondés sur des faits, et à renforcer l'efficacité et l'engagement des équipes. La collecte des données et la mise en place de processus pour les interpréter et agir doivent rester une démarche permanente dans votre entreprise.
Quelles sont les lacunes en matière de données ?
Une lacune de données apparaît dès que les informations disponibles ne suffisent pas à éclairer une décision. e-tailize reconnaît trois types principaux de lacunes. Nous les examinons plus bas et indiquons comment les combler.
1. Données manquantes
Votre organisation ne recueille pas toute l'étendue des informations disponibles. Il vous manque des données utiles que vous pourriez collecter mais que vous n'enregistrez pas encore.
2. Disparité des données
Il existe un décalage entre l'importance que la direction accorde à une mesure ou à un indicateur et la valeur réelle de cet indicateur pour votre moteur économique. Vous suivez parfois ce qui rassure plutôt que ce qui éclaire.
3. Mauvaise interprétation des données
Si la personne qui analyse les données n'a pas les connaissances ni les compétences nécessaires pour les interpréter ou les nettoyer, l'analyse en souffre. Cela conduit à des conclusions erronées et, potentiellement, à des décisions néfastes pour votre entreprise.
1. Données manquantes
Savoir ce que l'on ne sait pas est essentiel pour identifier les données manquantes. Repérer la lacune est la partie la plus difficile ; la combler l'est moins, car les solutions logicielles et les outils d'analyse vous y aident souvent. La façon de recueillir les données dépend de votre besoin, qualitatif ou quantitatif.
Voici d'excellentes façons de collecter les données qui vous manquent :
- Enquêtes
- Suivi de site web en ligne, par exemple Google Analytics ou pixels de placement
- Analyse du marketing en ligne
- Données transactionnelles
- Données clients
- Outils logiciels d'analyse
2. Disparité des données
La disparité des données vient d'un mauvais choix d'indicateurs : vous mesurez beaucoup de choses, mais pas forcément celles qui pilotent votre performance. Pour la corriger, gardez le cap sur un seul dénominateur économique et privilégiez les mesures exploitables aux mesures de vanité.
Se concentrer sur un seul dénominateur économique
Dans son livre « Good to Great », Jim Collins explique ce qui distingue les grandes entreprises des bonnes. Un trait commun à ces grandes entreprises est de concentrer leurs efforts stratégiques sur un seul dénominateur économique.
Pour déterminer le vôtre, demandez ce qui suit : si vous ne pouviez choisir qu'un seul ratio à augmenter systématiquement au fil du temps, quelle mesure aurait l'impact le plus important et le plus durable sur votre moteur économique ?
Par exemple, l'enseigne Walgreens se concentrait sur le bénéfice par magasin, puis est passée au bénéfice par visite de client. Ses décisions stratégiques en ont été profondément modifiées, ce qui s'est traduit par des revenus et des bénéfices nettement plus élevés dans l'ensemble du réseau pour les années suivantes.
Mesures de vanité ou mesures exploitables
Le livre « Lean Analytics » décrit la différence entre les mesures de vanité et les mesures exploitables. Comprendre cette distinction et l'utiliser à votre avantage vous aide à décider sur la base de données. La plupart des analyses standard sont peu utiles pour décider. C'est pourquoi, chez e-tailize, nous nous attachons à vous fournir des indicateurs exploitables pour la gestion de vos marketplaces.
Une mesure de vanité sert surtout de facteur de bien être et d'orientation générale. Elle indique la taille de quelque chose et s'exprime en quantités brutes. Quelques exemples : utilisateurs, pages consultées, mentions « j'aime » sur les réseaux sociaux, abonnés à la newsletter, prospects commerciaux, dépenses marketing ou nombre total de clients acquis.
Une mesure exploitable permet de prendre des décisions commerciales éclairées. Elle reflète un comportement individuel et s'exprime souvent en ratios ou en économie unitaire. Quelques exemples : taux de conversion des utilisateurs, engagement et référencement sur les réseaux sociaux, taux de conversion des inscriptions par courriel, analyse de cohorte de l'entonnoir de vente, retour sur investissement marketing, coût d'acquisition client (CAC) et valeur vie client (LTV).
La conclusion est simple : privilégiez la bonne mesure exploitable pour votre moteur économique et communiquez la clairement à toute votre organisation.
3. Mauvaise interprétation des données
Il est facile de mal interpréter des données, surtout si votre organisation manque de culture analytique. Pour prendre une bonne décision à partir des données, deux éléments sont nécessaires : du contexte associé à une connaissance du domaine, et une véritable compétence statistique.
1. Contexte et connaissance du domaine
Statistiquement, un modèle pourrait suggérer qu'une baisse de prix entraîne une hausse des recettes. En réalité, rien ne le garantit. Comprendre le domaine, votre marché et votre concurrence, ainsi que le contexte, est essentiel pour décider correctement. Ici, le contexte revient souvent à disposer de davantage de données. Ces données peuvent être qualitatives ou quantitatives, et elles doivent rester pertinentes et actualisées.
2. Compétence statistique
La compétence statistique repose sur votre connaissance des concepts associés et votre capacité à penser de manière critique. Plusieurs notions sont essentielles à maîtriser.
Corrélation n'est pas causalité
Le fait que deux choses soient corrélées ne signifie pas que l'une cause l'autre. Prenez l'affirmation : moins de sommeil vous rendra moins performant au travail. Elle pourrait s'avérer exacte, mais il faut des preuves issues d'une recherche correctement menée pour affirmer factuellement une relation de cause à effet entre les deux variables.
Pour votre entreprise, cela veut dire que lorsque vous analysez vos données, vous devez formuler une hypothèse en examinant les relations probables. Vous confirmez ensuite cette hypothèse à l'aide d'un test A/B ou d'une recherche. Si elle est menée correctement, vous pouvez exploiter les résultats et décider : vos décisions sont alors réellement fondées sur les données.
Certains entrepreneurs préfèrent l'approche instinctive. À nos yeux, l'intuition est un excellent moyen de formuler une hypothèse, que vous pouvez ensuite tester. Avec les résultats des tests, vous décidez. Cette démarche élimine l'émotion et l'ego, et profite à votre entreprise sur le long terme.
Interpréter les visualisations
Il existe de nombreuses façons de présenter des données visuellement, et chaque modèle de graphique a ses usages. L'analyse de cohorte mérite une attention particulière, car elle est souvent oubliée. Il vous revient aussi de choisir la bonne échelle et le bon alignement des données : à défaut, une visualisation peut devenir trompeuse.
Reconnaître les modèles
Votre capacité à reconnaître les modèles dépend de votre expérience d'analyse, de votre esprit critique et de votre connaissance du domaine.
Recherchez les valeurs aberrantes dans le jeu de données et comprenez pourquoi elles le sont : vous comprendrez du même coup pourquoi les autres points de données ne le sont pas. Cela facilite la reconnaissance des modèles dans l'ensemble des données. Comprendre les mathématiques et la structure du jeu de données qui est à la base de la visualisation vous aide aussi à prédire ou à reconnaître ces modèles.
Nettoyer les données
Nettoyez et filtrez toujours votre jeu de données pour éviter qu'il ne fausse votre analyse. Imaginez que vous possédiez une boutique en ligne et que vous y commandiez fréquemment des produits vous même. Si vous ne filtrez pas ces achats lors de l'analyse, vous travaillez sur un jeu de données qui ne correspond pas à votre clientèle et vous décidez sur des bases faussées.
Ce n'est qu'un exemple de nettoyage à effectuer. En voici d'autres :
- Doublons
- Erreurs
- Valeurs aberrantes indésirables, soit une valeur unique disproportionnée qui déséquilibre le reste du jeu de données
- Données manquantes
Le nettoyage des données vous aide à prendre de meilleures décisions, car vos données deviennent plus valides, précises, complètes, cohérentes et uniformes.
Combler la lacune de données sur les marketplaces
e-tailize est une solution logicielle pour gérer vos marketplaces. En plus de l'intégration de vos canaux de vente, notre logiciel intègre l'analyse de données. Nous proposons des mesures exploitables pour analyser la concurrence, le marché, les produits, les publicités et bien plus. Nous fournissons aussi de la documentation et des tutoriels pour exploiter pleinement nos visualisations et en tirer le meilleur parti.
Questions fréquentes
- En quoi consiste une lacune dans les données ?
- Une lacune dans les données est un écart entre les informations dont vous disposez et celles dont vous auriez besoin pour décider correctement. Elle prend trois formes principales : des données manquantes que vous ne collectez pas, une disparité entre les indicateurs que vous suivez et ceux qui comptent vraiment, et une mauvaise interprétation des données que vous possédez déjà.
- Comment identifier les données qui me manquent ?
- Commencez par savoir ce que vous ne savez pas, c'est l'étape la plus difficile. Une fois la lacune repérée, vous la comblez en collectant des données qualitatives ou quantitatives selon votre besoin : enquêtes, suivi de site web, analyse marketing en ligne, données transactionnelles, données clients ou outils logiciels d'analyse.
- Quelle est la différence entre une mesure de vanité et une mesure exploitable ?
- Une mesure de vanité indique la taille de quelque chose, comme le nombre de pages vues ou de mentions « j'aime », et sert surtout à se rassurer. Une mesure exploitable reflète un comportement précis et permet de décider : taux de conversion, coût d'acquisition client, valeur vie client ou retour sur investissement marketing. Privilégiez l'indicateur exploitable lié à votre moteur économique.
- Pourquoi la corrélation ne signifie pas la causalité ?
- Deux variables peuvent évoluer ensemble sans que l'une provoque l'autre. Avant de conclure, formulez une hypothèse à partir des relations probables, puis confirmez cette hypothèse par un test A/B ou une recherche menée correctement. Ce n'est qu'avec ces résultats que votre décision devient réellement fondée sur les données.
- Pourquoi nettoyer ses données avant de les analyser ?
- Des données non nettoyées faussent l'analyse. Par exemple, si vous commandez vous même des produits dans votre boutique en ligne sans filtrer ces achats, votre jeu de données ne reflète plus votre vraie clientèle. Supprimez les doublons, les erreurs, les valeurs aberrantes indésirables et comblez les données manquantes pour obtenir des décisions plus valides, précises et cohérentes.