Aller au contenu
Calculer le prix

Lacunes dans les données: comment les identifier et les combler

Les données permettent à la direction de prendre de meilleures décisions, d’identifier les tendances et les opportunités, de promouvoir des plans d’action à faible risque fondés sur des données et d’accroître l’efficacité et l’engagement du personnel dans la gestion des tâches et des problèmes essentiels.

La collecte de données et la mise en place de processus permettant de les interpréter et d’agir sur la base de ces informations doivent être un processus permanent dans votre entreprise. Dans cet article, nous examinerons les différentes formes de lacunes dans les données et la manière de les combler.

Quelles sont les lacunes en matière de données ?

Voici les différents types de lacunes en matière de données reconnus par e-tailize. Nous examinerons chacune d’entre elles en détail et vous donnerons des indications pour les remplir.

1. Données manquantes

Votre organisation ne recueille pas toute l’étendue des informations disponibles.

2. Disparité des données

La disparité entre l’importance que la direction accorde à une mesure ou à un indicateur.

3. Mauvaise interprétation des données

Comme nous l’avons écrit dans notre article sur l’ analphabétisme des données, cela peut nuire à votre entreprise si la personne qui analyse les données n’a pas les connaissances et les compétences nécessaires pour interpréter ou nettoyer les données. Cela conduit à tirer une conclusion erronée et à prendre éventuellement une décision néfaste.

1. Données manquantes

Savoir ce que l’on ne sait pas est essentiel pour identifier les données manquantes. Identifier le manque est la partie la plus difficile, il est moins difficile de le combler. Les solutions logicielles ou les outils d’analyse vous permettront souvent de le faire. La façon dont vous recueillez les données dépend du fait que vous ayez besoin de données qualitatives ou quantitatives. Voici d’excellentes façons de collecter les données manquantes :

  • Enquêtes
  • Site web de suivi en ligne (Google Analytics ou pixels de placement)
  • Analyse du marketing en ligne
  • Données transactionnelles
  • Données clients
  • Outils logiciels

2. Disparité des données

Se concentrer sur un seul dénominateur économique

Dans le livre « Good to Great », Jim Collins traite de ce qui distingue les grandes entreprises des bonnes. Une chose que toutes ces grandes entreprises font, c’est concentrer leurs efforts stratégiques sur un seul dominateur économique.

Pour déterminer votre dénominateur économique, vous devez vous poser la question suivante : 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, Walgreens avait l’habitude de se concentrer sur le bénéfice par magasin, mais est passé au bénéfice par visite de client. Les décisions stratégiques s’en sont trouvées radicalement modifiées, ce qui s’est traduit par des revenus et des bénéfices beaucoup plus élevés dans l’ensemble de son système pour les années à venir.

Paramètres fantaisistes ou exploitables

Un autre excellent livre, « Lean Analytics », décrit la différence entre les mesures de vanité et les mesures exploitables. Comprendre la différence et utiliser ces connaissances à votre avantage vous aidera à prendre de meilleures décisions sur la base de données. La plupart des analyses standard sont inutiles pour prendre des décisions. C’est pourquoi, chez e-tailize, nous nous attachons à vous fournir des indicateurs exploitables pour la gestion de votre marché. Nous avons résumé ci-dessous les différences entre les indicateurs de vanité et les indicateurs exploitables.

Vanité métrique Mesures à prendre
Utilisez facteur de bien-être et orientation générale peuvent être utilisées pour prendre des décisions commerciales éclairées et exploitables
Indique la taille de quelque chose comportement individuel
Types quantités brutes ratios et économie des unités
Exemples (il y en a beaucoup d’autres) utilisateurs expérimentés

pages consultées

Les « likes » des médias sociaux

Abonnés au courrier électronique

prospects dans les ventes

dépenses de marketing

total des clients acquis

revenu mensuel par client

convertir les utilisateurs

taux de conversion

engagement/référencement sur les médias sociaux

taux de conversion des opt-in par courriel

analyse de cohorte de l’entonnoir de vente

retour sur investissement du marketing

coût d’acquisition du client (CAC)

la valeur de la vie du client (LTV)

La conclusion est la suivante : concentrez-vous sur la bonne métrique actionnable pour votre moteur économique et communiquez-la clairement à votre organisation.

Donne-nous ces chiffres électroniques. Vous ne le regretterez pas. Recevez les blogs hebdomadaires dans votre boîte de réception

3. Mauvaise interprétation des données

Il est facile de commettre l’erreur de mal interpréter les données, surtout si votre organisation est analphabète en la matière. Deux éléments sont nécessaires pour prendre une bonne décision sur la base de données :

1. Contexte et connaissance du domaine

Statistiquement, un modèle pourrait suggérer que si vous diminuez le prix de 20 %, cela entraînera une augmentation des recettes. En réalité, ce n’est pas garanti. Il est essentiel de comprendre le domaine (marché, concurrence, etc.) et le contexte pour prendre la bonne décision. Le contexte dans ce cas, devrait être plus de données. En outre, les données peuvent être qualitatives et quantitatives, et doivent être pertinentes et actualisées.

2. Compétence statistique

Les bases de la compétence statistique sont formées par votre connaissance des concepts connexes et votre capacité à penser de manière critique. Les concepts suivants sont essentiels à maîtriser :

Corrélation n’est pas causalité

Le fait que deux choses soient corrélées ne signifie pas nécessairement que l’une cause l’autre. Par exemple, l’affirmation : moins de sommeil va causer vous serez moins performant au travail. Cette affirmation pourrait être correcte, cependant, nous avons besoin de preuves provenant d’une recherche correctement menée pour affirmer de manière factuelle qu’il existe une relation de cause à effet entre les deux variables.

Ce que cela signifie pour votre entreprise, c’est que lorsque vous analysez vos données, vous devez formuler une hypothèse en examinant les relations occasionnelles probables. Ensuite, vous devez vérifier cette hypothèse à l’aide d’un test A/B ou d’une recherche. Si elle est menée correctement, vous pouvez utiliser les résultats et décider. Vos décisions sont désormais fondées sur des données !

Certains entrepreneurs préfèrent l’approche instinctive. À nos yeux, l’intuition est un excellent moyen de formuler une hypothèse, que vous pouvez tester. Avec les résultats des tests, vous devez décider. Cela élimine les émotions et l’ego, et à long terme, cela profitera à votre entreprise.

Interpréter les visualisations

Il existe de nombreuses façons d’afficher des données visuellement. Voici une liste des modèles que vous devez connaître. Un élément essentiel qui ne figure pas sur cette liste est l’analyse des cohortes, n’oubliez pas de la consulter. En outre, il vous incombe de sélectionner l’échelle et l’alignement corrects des données, sans quoi elles peuvent être trompeuses.

Reconnaître les modèles

Votre capacité à reconnaître les modèles dépend de votre expérience en matière d’analyse, de votre capacité à penser de manière critique et de votre connaissance du domaine.

Recherchez les valeurs aberrantes dans l’ensemble des données et comprenez pourquoi elles sont aberrantes, ce qui vous permettra de comprendre pourquoi le reste des points de données ne sont pas aberrants. Cela vous aidera à reconnaître plus facilement les modèles dans l’ensemble des données.

En outre, la compréhension des mathématiques et de la structure de l’ensemble des données qui sous-tendent la visualisation vous aidera à prédire ou à reconnaître des modèles.

Données de nettoyage

Vous devez toujours nettoyer et filtrer votre ensemble de données pour vous assurer qu’elles ne faussent pas votre analyse. Par exemple, vous êtes propriétaire d’une boutique en ligne et vous commandez fréquemment des produits vous-même. Si vous ne filtrez pas vos achats lors de l’analyse ou de la modélisation des données, vous utiliserez un ensemble de données qui ne correspond pas à votre clientèle et vous prendrez des décisions basées sur des données faussées.

Il ne s’agit là que d’un exemple de « nettoyage » incorrect de vos données, en voici d’autres :

  • Duplicates
  • Erreurs
  • Les valeurs aberrantes indésirables (une valeur unique disproportionnée, qui contrebalance le reste de l’ensemble des données).
  • Données manquantes

Le nettoyage des données vous aidera à prendre de meilleures décisions, car elles seront plus valides, précises, complètes, cohérentes et uniformes.

Combler le manque de données sur le marché

e-tailize est une solution logicielle pour la gestion de vos places de marché. Outre l’intégration, notre logiciel comprend l’analyse des données. Nous proposons des mesures exploitables pour analyser la concurrence, le marché, les produits, les publicités, etc. En outre, nous fournirons de la documentation et des didacticiels pour exploiter et tirer le meilleur parti de nos visualisations. Vous êtes intéressé par l’analyse de données sur les places de marché ? Vous pouvez lire tout cela ici.

En savoir plus
Analyse des données
Les 15 meilleures places de marché en Hongrie En savoir plus
Analyse des données
Vaincre la récession en 2023 En savoir plus
Analyse des données
Top 25 des places de marché pour la vente d’outils automobiles En savoir plus