Comment transformer des montagnes de données en informations utiles et significatives (Guide 2021)

Êtes-vous submergé par toutes les données devant vous?

Il existe une richesse sans précédent de données, mais comment pouvez-vous les transformer en informations exploitables ?

Vous voyez, le voyage des données aux informations est parsemé de défis. Vous aurez besoin d'un puissant ensemble d'étapes pour les combattre.

Ici, nous allons vous montrer comment extraire des informations à partir de tas de données , éliminer les informations inutiles et prendre des décisions plus rapides basées sur les données dans votre organisation.

Que sont les données et les informations ?

Avant d'entrer dans le vif du sujet, définissons ce que nous entendons par données et informations.

• Les données sont des faits et des statistiques recueillies par l'observation. Il peut s'agir de chiffres, de texte, d'images, d'audio, etc.
  
  Mettons cela en perspective :
  
  En supposant que vous possédiez une boutique de commerce électronique et que Google Analytics (GA) soit activé, chaque utilisateur qui navigue dans votre boutique en ligne laisse des empreintes numériques qui sont récupérées par GA.
  
  Cela couvre les données démographiques, les appareils, les navigateurs, etc. Si vous voyez ces faits bruts, cela semblerait probablement du charabia car ils sont parfois non structurés et sans contexte.

  

• L'information est un produit du raffinement de ces données et de leur donner une structure et un contexte. De cette façon, les données ont un peu plus de sens à l'œil nu.
  
  Dans le cas de votre boutique de commerce électronique, un exemple serait votre tableau de bord GA. Lorsque toutes les données sont rassemblées et présentées dans leur contexte, elles sont consommables et vous pouvez en tirer des enseignements.

  

• La perspicacité est une connaissance précieuse acquise à partir d'une compréhension de l'information. Lorsque vous consommez des informations (ou des données) et que vous les interprétez avec précision dans leur contexte et dans les autres informations disponibles, vous obtenez un aperçu.
  
  Dans le monde des affaires, les informations sont l'objectif principal de la collecte de données. Considérez les informations comme un examen du fonctionnement interne de l'opération que vous observez. Ils racontent une histoire significative à partir de données.

Exemple d'Insight

Identifier, grâce à une analyse efficace des données, que 97 % de vos clients vous trouvent lorsqu'ils planifient leur mariage est un exemple de perspicacité.

En soi, il ne s'agit que d'informations intéressantes à connaître.

Mais si cela est utilisé pour élaborer un plan qui apporte une valeur tangible à votre marque et à vos clients, il s'agit d'informations exploitables. Par exemple, vous pouvez utiliser ces informations pour planifier une campagne publicitaire destinée aux personnes sur le point de se marier.

Vous savez déjà que ce public est attiré par vous ; ainsi un ROAS élevé (Retour sur les dépenses publicitaires) ne serait pas trop surprenant.

Avant que les données ne soient transformées en informations comme celle-ci, elles doivent d'abord être collectées puis analysées.

Diverses méthodes de collecte de données

La plupart des entreprises collectent des données à partir de plusieurs sources en utilisant différentes méthodes. Et chaque méthode est accompagnée de son propre ensemble de règles.

Google Analytics, par exemple, collecte des données à l'aide de JavaScript et d'un code de suivi.

Une fois le code de suivi ajouté à votre page, le script envoie des données aux serveurs de Google. Cela inclut les données de la page (URL, titre), les données du navigateur (fenêtre d'affichage, résolution d'écran), les données de l'utilisateur (emplacement, langue) et bien d'autres.

C'est similaire à l'analyse des médias sociaux sur Facebook, Twitter, Instagram et d'autres sites. Vous pouvez également collecter des données auprès de :

• enquêtes
• statistiques de croissance du marché
• suivi des données transactionnelles
• analyse des retours clients
• données d'abonnement et d'enregistrement, etc.

À partir de là, les données passent à l'étape suivante.

Analyse de données vs analyse de données

Contrairement à l'usage courant, ces termes ne signifient pas la même chose.

• L'analyse de données est la science de la collecte et de l'utilisation des données. C'est tout, entre la collecte de données brutes et l'action à partir de celles-ci. Cela comprend la collecte, l'organisation, le stockage et l'analyse de données à l'aide de l'apprentissage automatique, de statistiques et de modèles informatiques.
• L'analyse des données est une sous-composante de l'analyse des données. L'analyse des données est un processus d'examen, de nettoyage, de transformation et d'organisation des données dans le but final d'extraire des informations précieuses et de les utiliser pour éclairer les décisions et agir.

Dans une organisation typique, les scientifiques des données, les cadres et les gestionnaires sont généralement les seuls à utiliser l'analyse des données pour en tirer des informations.

Une organisation efficace axée sur les données devrait distribuer l'accès aux données et la compréhension des données à tous ses membres.

Cela nous amène à un concept qui change la donne : la démocratisation des données .

Qu'est-ce que la démocratisation des données ?

La démocratisation des données signifie rendre les données accessibles à tous au sein de l'organisation sans les barrières de l'expertise ultra-spécialisée . Cela signifie que n'importe qui dans votre organisation peut accéder aux données, les comprendre et les utiliser pour prendre des décisions et des recommandations.

L'idée est que plus il y a de mains sur le pont (en termes de données), plus l'entreprise adopte rapidement une culture de prise de décision basée sur les données de haut en bas.

Mais il y a un hic.

Avec ce niveau d'accès, il devient plus difficile de maintenir la sécurité et l'intégrité des données. Il y a aussi la possibilité que des données soient mal interprétées par quelqu'un sans l'expertise d'un analyste qualifié.

Pourtant, la démocratisation des données est un moteur clé pour prendre des décisions plus intelligentes et plus rapides basées sur les données et améliorer l'expérience client .

Les spécialistes du marketing de la Royal Bank of Scotland ont montré à quel point il pouvait être efficace d'impliquer leurs collègues non marketing dans le processus d'optimisation de l'expérience client.

Défis liés à la génération d'informations à partir des données

Le chemin qui mène des données aux informations est semé d'embûches. A tel point que les alternatives aux actions data-driven semblent plus attractives.

Les spécialistes du marketing, les scientifiques des données, les dirigeants d'entreprise et d'autres professionnels qui travaillent quotidiennement avec des données semblent être d'accord.

J'ai lancé un sondage rapide (ici et ici) qui a révélé que la validation des données est le plus grand défi pour 39 % d'entre eux. Seuls 11% attribuent leurs difficultés au volume de données. 28 % ont opté pour l'intégration de données provenant de diverses sources, tandis que 22 % citent le temps et les efforts nécessaires.

En dehors de ces quatre, d'autres défis liés à la transformation des données en résultats exploitables incluent :

• Inaccessibilité des données
• Mauvaise qualité des données et
• La pression pour fournir un retour sur investissement

Pour Steven Alexander Young, fondateur de Challenger Digital, le plus grand défi consiste à isoler la variable derrière un changement de performance. Les données d'analyse ne racontent pas toujours toute l'histoire :

Lorsque le trafic a chuté ici, était-ce parce que quelqu'un a apporté des modifications à la page (et si oui, lesquelles) ? Si la page n'a pas changé, est-ce qu'un concurrent a renforcé le référencement et vous a dépassé (et si oui, qui) ? (…) Même quand je peux joindre un client au téléphone pour qu'il donne des détails et écarte les choses, il doit souvent se lancer lui-même à la chasse aux oies au sein de son équipe pour trouver des réponses. Bien sûr, parallèlement à cela, il y a la possibilité toujours présente de mises à jour de l'algorithme de Google.

Thom Ives (Ph.D.), Lead Data Scientist chez UL Prospector, a comparé les données au pétrole brut qui doit être raffiné et nettoyé. Il prévient que les données "pourraient être dangereuses si elles sont mal gérées".

Cela rend les décideurs nerveux.

Il s'avère que même si 74 % des entreprises conviennent qu'elles veulent être axées sur les données, selon un rapport de Forrester, seules 29 % pourraient agir sur la base des résultats d'analyse.

Autant les décisions fondées sur les données sont excellentes pour la croissance des entreprises, autant les erreurs peuvent être dévastatrices. Peut-être que la possibilité de faire des erreurs a dissuadé la majeure partie des 71% restants qui prennent des décisions par expérience ou par intuition, ou qui suivent simplement le statu quo.

Souvent, cela se produit au détriment de l'exploitation de nos 59 zettaoctets de données (c'est-à-dire 59 suivis de 21 zéros !) pour générer des informations qui transforment l'entreprise.

Peep Laja, PDG de Wynter, le résume bien : "Nous sommes riches en données, mais pauvres en informations."

10 étapes concrètes pour transformer les données en informations

Les métriques sont faciles ; la perspicacité est difficile - c'est une chose de rassembler beaucoup de données, mais c'en est une autre d'en faire un atout précieux. Heureusement, il existe une méthode éprouvée pour obtenir des réponses.

Cue dans la méthode scientifique.

Ce n'est pas un moment d'eurêka, cependant. Les scientifiques utilisent cette méthode depuis des siècles pour obtenir des informations à partir de données.

Les 10 étapes que nous allons vous montrer s'inspirent de la méthode scientifique et ouvrent la voie à des idées et des recommandations exploitables.

Allons droit au but :

1. Commencez par les bonnes questions

Poser les bonnes questions avant de fouiller dans les données garantit que vous ne perdez pas de temps sur les mauvaises choses.

C'est comme fixer une destination claire avant de se lancer dans un voyage.

Avant de parcourir des montagnes de données, déterminez les questions auxquelles vous voulez que vos données répondent. De cette façon, vous évitez de proposer des informations qui n'ont aucun impact sur les objectifs de l'entreprise.

Pour une entreprise SaaS, quelques questions pour commencer sont :

• Combien de lecteurs d'articles de blog sont passés à d'autres éléments de contenu ?
• Quel pourcentage du trafic de mon site Web correspond à ma personnalité d'acheteur ?
• Quelle étape de l'entonnoir de vente fuit le plus ?

2. Suivez les bonnes métriques (pas de métriques de vanité !)

Les informations qui orientent l'entreprise dans la bonne direction ne proviennent pas de l'examen des mauvais indicateurs.

Métriques de vanité, en particulier. Ils vous font bien paraître mais n'ajoutent rien à votre cadre de perspicacité. Exemple : pages vues et nombre de clics.

De plus, les mauvaises mesures peuvent être gênantes. Puisque vous avez décidé d'une question à laquelle il faut répondre à l'étape 1, identifiez les mesures que vous devriez suivre.

Aniekan Inyang, Data Scientist chez Stears Business, met en garde contre la non prise en compte des nuances spécifiques à l'industrie :

Cela peut conduire à choisir une mauvaise fonctionnalité pour suivre une métrique, à ne pas suivre une métrique pertinente ou à l'interpréter de manière erronée.

Utilisez-le pour vous frayer un chemin vers une hypothèse que vous pouvez tester.

3. Énoncez vos objectifs finaux

Vous avez très probablement pré-testé certains objectifs commerciaux. Ceux-ci doivent être étroitement alignés sur vos objectifs de test.

À partir des questions avec lesquelles vous avez commencé, vous avez déterminé ce que vous voulez suivre. Mais qu'est-ce que vous visez à atteindre avec cela?

Notez-le car cela vous aide à développer une hypothèse spécifique et mesurable.

4. Intégrez vos sources de données

Les ensembles de données dont vous disposez ne représentent qu'une partie de la population et ne racontent pas toujours toute l'histoire.

Le Dr Thom Ives a partagé :

Il peut avoir des biais que nous ne connaissons pas et sera plus faible que toutes les données.

Plus vous collectez de données exploitables, plus vous vous rapprochez d'histoires précises.

Votre interprétation des données se rapproche de la cible lorsque vous rassemblez toutes vos sources. Assurez-vous d'utiliser les bons outils pour intégrer des sources disparates afin de ne pas manquer la collecte d'informations significatives sur les clients.

5. Utiliser le contexte et les visuels pour simplifier les ensembles de données

Les visuels sont assez courants avec les données aujourd'hui. Vous ne rencontrez presque jamais de données brutes incompréhensibles. Pourtant, sans le bon contexte, soit vous n'obtenez pas toute l'histoire, soit vous vous trompez.

Pour le contexte, disséquez vos données en utilisant les 5 W :

• Qui (audience, leads, prospects)
• Quoi (objectifs, événements, observations)
• Quand (délai, horaires)
• Où (page Web, médias sociaux, page de destination) et
• Pourquoi , (pourquoi est-ce arrivé?)

Le contexte fait sauter vos données de l'écran avec plus de sens derrière. Cela réduit les chances de faire une erreur.

Ajoutées à des visuels précis, ces chances deviennent encore plus faibles. Mais des erreurs sont également commises sur les visuels.

Par exemple, il est courant de faire une erreur coûteuse avec les graphiques à bulles. Faire varier le rayon au lieu de la zone de la bulle aux valeurs correspondantes conduit à une narration de données inexacte comme dans l'image ci-dessous.

Utilisons la bulle orange en haut à gauche et la verte à côté pour souligner. La bulle orange semble 4 fois plus grosse que sa voisine verte.

Sans les valeurs réelles étiquetées à l'intérieur, cela peut être trompeur. La valeur de la bulle orange (1,84 G$) n'est que 2 fois celle de la bulle verte (0,92 G$).

Voici une erreur amusante de Fox News :

6. Segmentez vos données

Découper les données en segments peut vous aider à mieux les comprendre. Google Analytics, par exemple, a des fonctionnalités intégrées qui rendent cela facile à faire.

Divisez le trafic Web en fonction de certaines similitudes et cela simplifiera le processus d'extraction des informations. Les segmentations peuvent approfondir votre compréhension de votre public cible.

De plus, lors de la segmentation, pensez au-delà des segments de l'âge scolaire et du sexe. Il y a beaucoup plus de détails avec lesquels vous pouvez regrouper les visiteurs Web.

Une façon d'y parvenir consiste à segmenter les clients en fonction de leur valeur transactionnelle (segmentation de la valeur), c'est-à-dire du montant qu'ils sont susceptibles de dépenser pour des produits. Vous devrez utiliser les données de transaction passées pour y parvenir. Des données telles que le montant qu'ils ont dépensé, la fréquence à laquelle ils l'ont dépensé et la valeur des produits qu'ils ont achetés.

Une fois que vous avez expérimenté cette simplicité une fois, cela devient rapidement un processus de base dans votre stratégie d'insights.

Voici un autre exemple qui illustre l'importance d'une bonne segmentation des données :

7. Afficher les données dans les bons délais

Prendre des décisions basées sur des informations tirées d'une tranche de temps peut être désastreux. Ne regarder que la petite image sans aucune référence aux données historiques est une erreur courante.

Les données ont généralement une trame de fond.

Il est important de vérifier cela pour donner un sens au présent. Parfois, des événements se sont produits dans le passé en réponse à des influences externes comme les vacances, les saisons, les cycles économiques, etc.

Tenez-en compte lorsque vous explorez le spectre complet d'une tendance pour obtenir une lecture plus précise des choses.

8. Repérez les bons modèles

Montée et chute - deux des tendances les plus faciles à observer sur un graphique linéaire. C'est généralement ainsi que les pages vues et les données d'engagement sont affichées sur GA.

D'autres types de graphiques, tels que les séries chronologiques et les nuages ​​de points, nous aident à visualiser les modèles dans les données. Vous pouvez repérer une tendance à la hausse ou à la baisse, visualiser une corrélation entre deux variables, etc.

Ils sont tous conçus pour révéler les histoires derrière les données. Un mot d'avertissement : ne jamais considérer les modèles isolément de leur contexte.

Lors de l'analyse de vos parcelles, le professeur du MIT, le Dr Rama Ramakrishnan, suggère de faire correspondre votre parcelle aux attentes préliminaires :

Y a-t-il quelque chose qui ne correspond pas ? Tout ce qui vous fait dire 'C'est bizarre' ou 'Ça n'a aucun sens.'? Zoomez et essayez de comprendre ce qui, dans votre entreprise, fait apparaître cette chose étrange dans les données comme ça. C'est l'étape critique. (…) Vous venez peut-être de découvrir l'entreprise et d'approfondir votre compréhension. Ou vous pouvez découvrir qu'il y a un bogue dans la façon dont vos données ont été collectées ou calculées (loi de Twyman).

9. Élaborez une hypothèse gagnante

Lorsque vous avez analysé vos données et tiré des conclusions précises, il est temps de proposer une hypothèse que vous pouvez tester.

En élaborant une hypothèse, vous trouvez une solution à un problème que vous pouvez vérifier par l'expérimentation.

Une hypothèse mesurable se compose de 3 parties :

• Observation,
• Exécution, et
• Résultat

Voici un exemple concret provenant d'un partenaire Convert :

Observation : À partir des données d'analyse, nous avons observé un taux de rebond élevé sur la page de notre produit phare. Nous avons également réalisé des enquêtes, des sondages et des recherches sur la convivialité et avons découvert que les utilisateurs ne comprenaient pas la valeur de notre produit et ne lui faisaient pas confiance. De plus, la plupart des visiteurs n'ont pas fait défiler la page plus bas.

Exécution : Nous voulons ajouter une meilleure copie à la zone de pliage pour retenir plus de visiteurs de la page, résoudre les problèmes de confiance et augmenter les conversions sur la page.

Résultat : Cela devrait amener davantage de visiteurs Web à parcourir la page, à souhaiter notre produit phare et à l'acheter. Nous mesurerons cela par un taux de rebond plus faible, des taux de conversion plus élevés et des revenus.

Une fois que vous avez atterri ici, la prochaine étape consiste à tester .

Cet exemple est une hypothèse réelle qui a conduit à des résultats impressionnants. Pour plus de détails sur les expériences, consultez le premier exemple d'informations exploitables ci-dessous.

10. Préparez-vous à expérimenter

Avec l'hypothèse ci-dessus, vous pouvez faire ce que font les optimiseurs de taux de conversion experts et effectuer un test.

Jusqu'à présent, vos hypothèses - même si elles sont fondées sur des données - ne valent que l'intuition.

L'expérimentation vous rapproche de la création d'un fait solide comme le roc.

C'est là que vous commencez à obtenir le retour sur investissement de votre analyse de données.

L'approche scientifique nous a aidés à transformer nos données brutes et incompréhensibles en quelque chose de lisible. Ensuite, nous avons appliqué la puissance de l'analyse des données pour dévoiler les informations juteuses qu'elles contenaient.

Nous avons développé des hypothèses mesurables à partir de ces informations et avons franchi l'étape logique suivante : l'expérimentation.

Il existe des centaines d'outils qui nous guident à travers ces étapes. Mais Convert les relie tous à la fin et nous amène à notre objectif ultime : des informations exploitables.

Convert s'intègre à des dizaines d'outils afin que vous puissiez expérimenter et découvrir des informations incroyablement puissantes qui mènent directement à des revenus plus élevés. Essayez l'intégration de Convert dans l'essai gratuit

Aller au-delà des insights : comment transformer les insights en stratégie

Les informations ne sont pas utiles pour atteindre les objectifs commerciaux si elles ne sont pas traduites en stratégie et mises en œuvre.

Comment pouvez-vous réellement utiliser les informations que vous obtenez pour générer des avantages positifs qui influencent directement les résultats de votre organisation ?

Partageons 3 exemples :

Transformer les données en exemples d'informations exploitables

Étude de cas n° 1 : Comment SplitBase a utilisé Google Analytics pour collecter des données pour une expérience qui a révélé une opportunité d'augmentation de 27 % des conversions

BestSelf Co. a découvert une fuite sur la page de son produit phare. Ils ont donc travaillé avec SplitBase pour le brancher.

Comment ont-ils fait ?

En utilisant divers moyens pour collecter des données telles que des sondages, des enquêtes et des cartes thermiques, ils ont trouvé le coupable.

L'avantage du produit n'était pas assez bien communiqué, de sorte que les gens ne dépassaient même pas la zone de pliage. À partir de là, ils ont élaboré l'hypothèse que nous avons partagée plus tôt.

Ils ont fait un test et ont trouvé qu'ils avaient raison. Le nouveau titre indiquant clairement le principal avantage du produit et la preuve sociale a considérablement stimulé les ventes du produit.

Étude de cas n° 2 : Cette promotion de livraison gratuite a-t-elle généré ou perdu de l'argent ?

C'était la question que se posait l'équipe qui dirigeait une boutique en ligne de luxe en verre fait main.

Ils ont lancé une promotion de livraison gratuite et constaté une augmentation des taux de conversion. Bien que cela signifiait plus d'argent, compte tenu des coûts d'expédition de ces produits aux clients, l'offre était-elle suffisante pour compenser les frais d'expédition ?

Maintenant, comment ils ont trouvé leur réponse…

Ils ont fait appel à Brave One, une agence d'optimisation du taux de conversion, qui a élaboré un plan pour savoir s'ils perdaient ou profitaient, et de combien.

Avec Google Analytics et Mixpanel pour collecter des données et Convert pour expérimenter, Brave One a comparé le site sans l'offre à une version de celui-ci avec l'offre.

Gérer l'entreprise avec l'offre a rapporté 16 000 $ de plus que de la gérer sans dans le même laps de temps.

Étude de cas n° 3 : Les données ont aidé Nike à ajuster son ciblage et à toucher le cœur d'un public plus large

Lorsque Nike a voulu lancer une campagne intitulée "Find Your Greatness" au début des Jeux olympiques de 2012, ils ont fouillé dans leurs données et ont trouvé ceci :

La plupart de leur public cible n'était pas des athlètes professionnels. C'étaient des gens qui admiraient les pros et voulaient leur ressembler.

Qu'est-ce qu'ils ont fait avec ça ?

Ils ont ajusté leur ciblage.

Nike s'en prend généralement aux athlètes professionnels. Mais cette fois-ci, ils ont décidé d'inspirer tout le monde, quel que soit son niveau de forme physique, à repousser ses limites.

Une des vidéos de la campagne a eu plus de 3 millions de vues.

Et cela ne s'arrête pas là : Adidas a dépensé des millions de dollars pour obtenir un parrainage olympique, mais Nike a bénéficié du même niveau d'exposition avec moins de la moitié de ce budget marketing.

Résumé

L'expérimentation ne doit pas marquer la fin de votre parcours d'optimisation.

Cela devrait être un processus continu car nous ne sommes jamais toujours au fait de nos idées.

N'oubliez pas non plus que si vous n'avez pas les compétences nécessaires pour effectuer une analyse de données en interne, vous pouvez toujours compter sur le savoir-faire d'experts en données.

Le Dr Thom Ives suggère qu'à mesure que davantage de données arrivent, nous devons affiner les déductions que nous avons faites avec les anciennes données.

Et la bonne nouvelle ? De cette façon, nous continuons à approcher des informations plus représentatives de notre public et à faire des prédictions et des décisions beaucoup plus précises.