La Business Analysis à l’âge de la Data Science

Aujourd’hui, les données sont devenues un élément vital pour les entreprises. Sans « data », difficile de prendre des décisions dans un contexte international toujours plus rapide et concurrentiel. Que ce soit pour développer ou améliorer son avantage concurrentiel, réduire ses coûts, créer de nouveaux services, trouver de nouvelles sources de revenus et ou encore améliorer l’expérience client, les entreprises ont désormais besoin de s’appuyer et de tirer parti des données. Dès lors, il devient nécessaire de développer de nouvelles technologies pour collecter, exploiter, et consommer ces informations provenant d’un nombre croissant de sources hétérogènes.  L’intelligence artificielle, le « Learning Machine » ainsi que les Data Sciences sont devenus incontournables, et ouvrent la voie vers des utilisations qu’on n’aurait pas pu imaginer il y a quelques années encore.

L’IIBA® et Accenture se sont associés pour faire un état des lieux exhaustif. Je vous propose dans cet article de découvrir les éléments clé de leur analyse commune (titre du rapport : « Business Analysis in the data science age – Driving Industry Transformation », 02/2019).

Tout d’abord, regardons ensemble quelques chiffres édifiants :

American Customer Satisfaction index

Chaque jour, ce sont 2,3 trillions de bytes qui sont créés dans le monde. Un trillion, c’est un 1 suivi de 18 zéros. Mais ce qui est encore plus énorme, c’est le taux auquel croît ce chiffre (+40%), et le fait que 90% de cette « data » ait été créé au cours des 2 dernières années… Et la tendance n’est pas près de s’arrêter ; on prévoit par exemple qu’il y aura 50 milliards de services et capteurs connectés à l’horizon 2020 !

Enfin, du côté des entreprises :

  • 82% des dirigeants affirment que leurs organisations utilisent de plus en plus les données pour prendre des décisions critiques et automatisées, et ce, à une échelle sans précédent
  • 89% des entreprises pensent que le Big Data va révolutionner leurs activités de la même manière que l’Internet l’a fait en son temps
  • 79% des entreprises qui n’adoptent pas le Big Data perdront leur position concurrentielle et risquent même de disparaître.

Après les entreprises, regardons du côté de leurs clients. Là aussi, le score est sans appel, comme le montre l’American Customer Satisfaction index :

Data_chiffres

Regardez par exemple comment les « géants » digitaux comme Amazon, Google ou Netflix utilisent les données à des fins de personnalisation pour améliorer l’expérience client.

Plus de 80 % des émissions de télévision regardées sur Netflix sont découvertes grâce au système de recommandation de la plate-forme.

Mais il n’y a pas que dans les produits numériques que les data sciences améliorent le taux de satisfaction client. D’autres secteurs, comme la santé, les voyages et le tourisme, les technologies de pointe, les services financiers ou encore le secteur de l’énergie en tirent profit d’une manière sans précédents.

Dans le domaine de la santé, les médecins peuvent utiliser la Data Science pour soigner leurs patients à l’aide de traitement personnalisés au lieu d’utiliser un médicament qui, par exemple, fonctionne 80% du temps. La Data Science peut également jouer un rôle-clé dans le processus de découverte de médicaments, qui est à l’heure actuelle un processus long et coûteux avec un degré élevé d’incertitude – jusqu’à 90 % des médicaments potentiels ne parviennent pas jusqu’au marché. Certaines entreprises l’utilisent d’ailleurs déjà avec succès.

Dans le domaine des voyages et du tourisme, les entreprises utilisent les nombreuses informations dont elles disposent, provenant par exemple des demandes de renseignements et des réservations, pour créer des offres personnalisées selon des segments de marchés. Et vous avez également sans nul doute déjà eu affaire aux tarifications dynamiques, de plus en plus utilisées par les sociétés aériennes et les hôtels.

Du côté des technologies de pointe, l’explosion des données, combinée au passage d’écosystèmes matériels à des écosystèmes basés sur des plates-formes que traverse l’industrie, a conduit à l’émergence de business models de type ” As-a-Service “. Le DaaS (Device-as-a-service) en est un exemple : les utilisateurs peuvent se procurer un produit matériel (mobile, ordinateur portable, ordinateur de bureau ou tablette) ainsi que des services et des logiciels qui sont maintenus et gérés par un seul fournisseur de services dans le cadre d’un contrat par abonnement. Ce modèle n’a pas d’incidence sur les dépenses en immobilisations puisqu’il est géré davantage comme une dépense administrative et opérationnelle.

Les services financiers ne sont pas en reste. Les traders manipulent d’énormes quantités de données, et les algorithmes, toujours plus puissants et précis, se basent non seulement sur les données historiques et des modèles mathématiques complexes pour maximiser le rendement des portefeuilles, mais également sur le comportement des utilisateurs et du réseau en temps réel pour améliorer le système de surveillance. C’est l’exemple du géant Alibaba, qui détecte ainsi les fraudes et renforce sa gestion des risques grâce au Learning Machine et l’analyse prédictive.

Enfin, les compagnies du secteur énergétique utilisent les analyses prédictives pour améliorer leur politique de maintenance et contrôler les processus de production afin de réduire leurs coûts opérationnels.

L’analyse de l’IIBA® et d’Accenture fait ensuite le point sur ce que peut apporter la Business Analysis à la Data Science.

En effet, détenir et utiliser la « data » n’est pas du tout synonyme de succès…

De nombreuses erreurs et échecs mettent en exergue le besoin des entreprises de :

  • Définir un objectif clair : les initiatives autour de l’exploitation des données doivent être en phase avec les impératifs métier.
  • Résoudre le bon problème : se concentrer sur les vrais problèmes, se concentrer sur les bonnes questions et s’assurer qu’elles disposent des « bonnes » données sur lesquelles travailler.
  • Faire appel aux bons profils : pour dégager de la valeur à partir des données de l’entreprise, les entreprises doivent faire appel aux bonnes personnes possédant les compétences requises pour mener leurs initiatives.

C’est là qu’intervient le Business Analyst, dans son nouveau rôle de partenaire et de conseiller avisé aux côtés du data scientist. Le Business Analyst joue un rôle crucial pour :

  • S’assurer que les données sont vérifiables, qu’elles proviennent de la bonne source, et qu’elles sont pertinentes pour le périmètre métier concerné.
  • Donner un sens aux données, notamment en raison de l’ambiguïté et de la complexité résultant d’une surcharge d’information.
  • Aligner les résultats obtenus sur les indicateurs clés de l’organisation, afin de permettre aux décideurs de comprendre l’impact de leurs décisions.
  • Extraire les informations significatives à partir des données, pour générer une plus grande valeur ajoutée.
  • Remettre les « data » dans leur contexte, comme par exemple justifier le traitement des données manquantes en raison du manque d’implication commerciale.

Le Nouvel Age de la Business Analysis

Pour jouer un rôle significatif dans la transformation de l’industrie axée sur les données, les professionnels de la BA doivent d’abord se transformer eux-mêmes.

Traditionnellement, l’analyse métier était concentrée sur la gestion des exigences, c’est-à-dire la collecte d’information auprès de contributeurs, l’analyse des exigences et la conception d’une solution. Aujourd’hui, les Business Analyts doivent apprendre à travailler en collaboration avec l’entreprise et avec l’équipe de Data Scientists pour en extraire de la valeur.

Alors, quelles sont les compétences requises pour y arriver ? Voici la synthèse que proposent conjointement l’IIBA® et Accenture :

the BA new age

Ce qui signifie que le Business Analyst doit :

  • Comprendre la photo globale et le contexte dans lequel les connaissances des données sont nécessaires.
  • Être un expert dans le domaine métier et rester au courant des tendances et des business modèles en constante évolution.
  • Tirer des enseignements des « data » et intuitivement comprendre l’histoire qui se raconte au-delà des chiffres.
  • Savoir visualiser.
  • Être capable de raconter des histoires et de construire des récits sur la base des données fournies.
  • Savoir communiquer les résultats des analyses aux parties prenantes, quand bien même ils seraient très techniques.

L’IIBA® et Accenture proposent également un aperçu des nouvelles techniques à maîtriser en analyse métier, notamment au travers du modèle OSEMN :

  • Obtain : collecter des données utilisables
  • Scrub : nettoyer les données pour en obtenir un format exploitable
  • Explore : visualiser, regrouper les données
  • Models : modéliser
  • Interpret : faire de l’analyse prédictive et savoir l’interpréter.

Dans le modèle OSEMN, les activités traditionnelles de Business Analysis continuent d’être utilisées, mais d’une autre manière puisqu’elles alimentent et intègrent les résultats de la Data Science. Il est en effet essentiel de comprendre les objectifs de l’organisation et de les traduire en un « problème de Data Science » au moyen de diverses techniques d’analyse et de s’assurer que le bon problème est traité. En outre, il est essentiel de fournir le contexte commercial nécessaire pour découvrir les bonnes données qui permettront aux décideurs d’obtenir les renseignements dont ils ont besoin et de communiquer les tendances et les modèles, découverts grâce aux algorithmes de la Data Science, sous la forme d’une histoire visuelle qui sera facilement comprise par un large éventail d’intervenants.

Le concept BACCM™ est un autre modèle permettant d’intégrer la Business Analysis et la science des données (Note de bestofbusinessanalyst.fr : il est à parier que beaucoup de méthodologies et de techniques vont fleurir dans l’environnement du Business Analyst, ces prochaines années. Comme j’ai souvent eu l’occasion de le répéter, tout cela doit faire partie de la boîte à outils du BA, et ne pas devenir un dogme… Restons pragmatiques et indépendants des schémas et modes, en gardant à l’esprit que l’outil utilisé, quel qu’il soit, doit servir un objectif de qualité et apporter de la valeur aux organisations).

Vous l’aurez compris, avec l’avènement de la Data Science, les professionnels de l’analyse métier doivent presque tout voir sous un angle “données”. Ils ont besoin d’un changement de paradigme dans leur façon d’aborder la gestion des exigences. Ils devront comprendre les technologies, telles que le Machine Learning ou le Deep Learning, et comprendre comment elles peuvent être appliquées pour résoudre des problèmes spécifiques.

Source : IIBA® et Accenture, « Business Analysis in the data science age – driving Industry Transformation », 02/2019

Cet article vous a plu? Partagez-le et suivez-moi sur les réseaux sociaux!

Alice Svadchii
Alice Svadchii
Auteure du blog et Business Analyst enthousiaste
0 0 votes
Évaluation de l'article
Image de Alice Svadchii

Alice Svadchii

Formatrice, coach, conférencière et productrice de contenus enthousiaste !

Cet article vous a plu? Partagez-le et suivez-nous sur les réseaux sociaux!

Découvrez des articles similaires