Avant de parler projet BI, un petit rappel de définition : la business intelligence (BI), que l’on appelle aussi informatique décisionnelle et parfois decision support system (DSS), consiste à placer un ensemble de ressources technologiques, méthodes et outils informatiques au service de la prise de décision au sein d’une entreprise.
Pour un pilotage “éclairé”, à savoir une approche qui permette réellement à l’entreprise de pouvoir se baser sur des données fiables et des analyses pertinentes pour prendre ses décisions tactiques, stratégiques et opérationnelles, bien encadrer son projet BI est fondamental.
Les fonctions essentielles de la chaîne décisionnelle d’un projet BI
Avant d’explorer les bonnes pratiques pour réussir son projet, il est important de rappeler qu’un projet de business intelligence doit respecter les étapes qui permettent de structurer la chaîne décisionnelle :
Une phase de collecte / alimentation : les données d’exploitation (internes à l’entreprise) doivent être collectées de manière pertinente par le biais d’un processus ETL (Extract Transport Load), c’est-à-dire récupérées auprès des différentes sources disponibles, filtrées et adaptées en vue d’une utilisation à vocation décisionnelle ;
Une phase de stockage et de modélisation : les données sont structurées, centralisées et rendues disponibles dans le datawarehouse; ce dernier doit être non volatile, orienté métier, historisé et intègre.
Une phase de restitution / distribution : il est nécessaire de pouvoir restituer les données et d’en proposer un accès aisé en prenant en compte chaque profil et besoin métier, d’où l’existence des datamarts. Cette étape inclut notamment les rapports, statistiques générés, outils de reporting ad hoc ou de masse, tableaux de bord, outils de navigation dans les cubes OLAP (ou hypercubes)…
Une phase d’analyse / d’exploitation : à partir des rapports générés et données, l’utilisateur final doit pouvoir analyser les informations et en tirer des conclusions. Cette phase peut inclure du datamining pour explorer d’éventuelles corrélations, des analyses multidimensionnelles, des analyses de performance…
Que signifie “réussir son projet BI”?
Concrètement, un projet BI réussi va permettre d’augmenter les revenus de l’entreprise ou du client, de prendre de l’avance sur la concurrence à différents niveaux, d’optimiser les métiers et processus en interne, mais aussi de faciliter la prise de décision et les choix de gestion tout au long de l’année.
4 étapes importantes pour mener à bien son projet décisionnel
1) Définir ses besoins, objectifs et le périmètre du projet BI
La réussite du projet BI va notamment reposer sur une stratégie clairement définie de l’entreprise. Cela implique d’avoir une vision précise de l’avenir et de pouvoir travailler sur la base d’objectifs réalistes, clairs à court, moyen et long termes, sans oublier la phase d’étude de l’existant.
Cette maîtrise stratégique va permettre d’anticiper et de bien encadrer les délais. La business intelligence doit s’adapter au rythme et aux projections de l’activité, et non l’inverse.
Il est également important à ce stade de bien identifier de quels types d’informations les décideurs, chefs de projet et autres rôles clés vont avoir besoin pour améliorer leur pilotage par la data.
Des indicateurs précis doivent être déterminés en gardant bien en tête le cadre stratégique du projet : la pertinence de ces KPI est fondamentale pour éviter de se lancer à l’aveugle en se basant sur des indicateurs de performance “globaux” ou propres à une industrie.
2) Choisir sa méthodologie, avec la possibilité d’opter pour une approche agile
Agile ou cycle en V? Le choix d’une méthodologie adaptée à la société est indispensable pour la réussite du projet. Il faut notamment prendre en compte la vitesse d’évolution des besoins et des priorités.
Trop souvent, les projets BI sont développés “à part” de la vie de la société, sans en engager toutes les strates impliquées aux différents moments de réflexion et d’implémentation , ce qui fait qu’un décalage aussi chronophage que contre-productif survient. Opter pour une approche agile va alors permettre de gagner en réactivité, d’opter pour des livraisons fréquentes et de limiter les itérations, là où une approche classique va impliquer d’arrêter dès le départ tous les détails du projet.
Pour d’autres acteurs économiques, le projet BI reposera sur une approche plus traditionnelle comme celle du cycle en V.
Quelle que soit la méthodologie adoptée, un processus de gouvernance de la qualité des données doit absolument être mis en place, pour s’assurer notamment que la data est fiable, bien triée et à jour. Une dimension d’autant plus importante que les écarts entre les données peuvent être fréquents.
3) Choisir ses outils de business intelligence et partager son plan d’action
Bien mener son projet décisionnel nécessite des outils BI adaptés, mais aussi des échanges et une formation conséquente des équipes de travail qui vont être impliquées, pour une adoption optimale au sein de l’entreprise : utilisateurs des outils en question, détail des actions à venir, identification des ressources et des infrastructures nécessaires.
Là encore, le chef de projet va jouer un rôle important. Il va notamment contribuer à guider le choix des solutions BI en fonction de la stratégie et des attentes précises de l’entreprise… et non pas l’inverse !
Le plan d’action doit aussi préciser la hiérarchie et les tâches de chacun en matière de suivi et d’implémentation du projet BI.
4) Organiser le reporting et (bien) transmettre l’information
Pour que les personnes en charge des décisions puissent réellement décider, justement, avoir accès à des informations clairement organisées et présentées. Ce n’est pas un caprice esthétique : des tableaux de bord clairs, des diagrammes, des chiffres lisibles et autres formats de reporting vont permettre de s’y retrouver et d’éviter que le projet BI n’aboutisse à un amas de données peu ou mal consultées.
Cela implique plusieurs choses : une perspective à garder en tête lors du choix de l’outil, une formation technique adéquate des personnes amenées à l’utiliser et le consulter, ainsi qu’un design clair qui donne du sens au contenu des rapports.
Par exemple, construire un tableau de bord fonctionnel est une question d’équilibre. Du plus simple au plus complexe (qui va par exemple agréger les données issues d’une multitude de sources, CRM, Google Analytics, ERP, etc.), il doit être suffisamment fourni pour donner accès aux chiffres et informations nécessaires à la prise de décision, sans tomber dans le trop plein de complexité. Pour décider de manière éclairée et passer à l’action, ce type de rapport peut aussi inclure des commentaires, des recommandations pour l’action et une estimation de l’impact de cette dernière.
Au final, cette étape de l’accès à des données pertinentes et organisées est donc crucial, faute de quoi le projet BI ne pourrai déboucher que sur des décisions peu ou mal informées, sur l’absence d’action ou sur des mésinterprétations qui peuvent directement menacer les objectifs recherchés, et avec eux les performances.
Chez Alphalyr, nous mettons la donnée au coeur des problématiques clients. Nous ajoutons aux KPIs classique des données de contexte comme la météo, les opérations commerciales, le carnet numérique, la concurrence, les objectifs. Le contexte est indispensable pour rendre un reporting de ventes actionnable. Chaque matin, chaque manager reçoit un reporting actionnable et personnalisé. Nos reporting off et online permettent à chaque manager de se consacrer aux ventes chaque jour.
Pour en savoir plus, demandez une démo !
Echangez avec Bertrand, fondateur & CEO d’Alphalyr
Avant, il y avait 2 périodes de soldes dans l’année.
Mais ça, c’était avant.
(et c’était déjà galère pour les directeurs d’achat et d’approvisionnement).
Aujourd’hui, votre calendrier d’opérations commerciales relève du marathon. Parce en ligne ou offline, les écoulements, c’est le nerf de la guerre…
Ventes privées, soldes, jours privilèges, boosters et de manière générale, opérations commerciales régulières : écouler votre stock est une mission à mener tout au long de l’année, avec comme défi principal la préservation de vos marges.
Quelle stratégie mettre en place pour trouver ce juste équilibre entre écoulement, accélération des démarques et atteinte des objectifs de marge ?
Nous allons voir ensemble comment créer différents scénarios de décote et augmenter le ROI de vos opérations commerciales.
Petit quizz avant de commencer
Êtes-vous capable de définir en amont les différentes stratégies de démarques (stratégie d’écoulement, de chiffre d’affaires et/ou de marge) qui optimisent votre objectif de marge ciblé en amont ?
Êtes-vous capable de quantifier l’impact d’un changement de stratégie sur les marges ?
Êtes-vous sûr que les discounts que vous fixez aujourd’hui optimisent vos marges ?
Êtes-vous capable de connaître en amont les taux d’accélération par démarque et produit (identifier par exemple en amont qu’en DM1 tel produit aura un discount de 20%, puis de 30% en DM2 et ensuite 50%, là où le même produit d’une autre couleur aura en DM1 un discount de 20% en DM1, restera à ce taux en DM2 et passera en DM3 à 50%) ?
Connaissez-vous aujourd’hui les taux d’écoulement par taille par produit (dans le cas par exemple où un pantalon en velours noir taille S s’écoule mieux que le même pantalon en taille M) ?
… si ces questions vous parlent, cet article est fait pour vous.
On continue 👇
Pourquoi il faut sortir d’Excel
Excel est un outil fantastique, on ne va pas le nier.
Mais en matière de gestion des soldes et opérations commerciales, y avoir recours est douloureux ET contre-productif (en temps et en argent).
ça vous évoque quelque chose ?
A chaque temps fort commercial de l’année, c’est la même chose : vous vous retrouvez avec des fichiers très lourds, compliqués à mettre à jour, sur fond de formules compliquées que personne n’ose vraiment remettre en question, et qui impliquent de l’analyse ligne par ligne (😱).
Au-delà des migraines provoquées et des lourdeurs de fichiers Excel qui rament pour la moindre modification ou tout aller-retour entre les équipes, avoir recours à cet outil provoque des erreurs qui coûtent cher et empêche de créer de vrais scénarios en amont.
Le résultat ?
Des produits reconduits qui n’auraient pas dû être soldés (hello le gouffre sur la marge!), des processus lents, l’impossibilité à identifier si les discounts appliqués sur chaque produits optimisent réellement l’écoulement sans menacer les objectifs de marge…
Et en matière de stratégie, eh bien…
Hum (***silence gêné***)
Il n’y a pas de stratégie réellement anticipable et quantifiable par ce biais.
Vous ne pouvez par exemple pas facilement définir en amont différentes stratégies d’opérations commerciales, par catégories de produits pour ne citer qu’elles.
Illustration de ce qu’Excel ne vous permet pas de calculer facilement :
Stratégie 1 : j’optimise mon CA sur la catégorie ROBE tout en respectant l’objectif de marge
Stratégie 2 : j’optimise ma marge sur la catégorie ACCESSOIRES tout en respectant l’objectif de marge
Stratégie 3 : j’optimise mon écoulement sur la catégorie LINGERIE tout en respectant l’objectif de marge
Un autre exemple : parvenez-vous avec votre méthode actuelle à calculer l’impact réel d’un changement de taux sur une stratégie de marge/ l’écoulement/ le chiffre d’affaires ?
L’alternative : Revenue Studio (+15% de marge additionnelle)
Pour pallier tous ces problèmes, nous avons développé Revenue Studio, un logiciel qui permet de mettre en place les stratégies de démarques qui optimisent vos objectifs de marges tout en maximisant l’écoulement.
Comment ?
Grâce à un modèle algorithmique qui s’ajuste à vos spécificités produits et qui détermine les taux d’accélération et les discounts optimaux par produit et ou catégorie de produit.
A la différence d’autres outils qui utilisent des modules d’Intelligence Artificielle pour prédéterminer les taux, Revenue Studio permet de réellement prendre en compte l’expertise métier et de ne pas dépendre de l’historique très flou des épisodes comme la crise sanitaire.
Aujourd’hui, nos clients dégagent 15% de marge additionnelle grâce à notre solution.
Revenue Studio permet par exemple de répartir par produit, par pays, mais aussi par taille pour une optimisation maximale des taux de décote et trains de démarques.
Envie de tester un scénario ?
L’outil vous permet (entre autres) de projeter en amont l’impact d’une modification (ex X% en S2 vs X% en S3 sur tel produit) sur votre stratégie globale.
La plupart des rapports de performance commerciale ne sont… pas lus. Autant dire que l’on est loin du reporting de vente actionnable dont ont besoin l’écrasante majorité des retailers !
Quelles en sont les raisons principales ? Peu voire pas adaptés aux besoins concrets des personnes qui les reçoivent, trop fréquents, incomplets ou submergés de données non hiérarchisées, incapables de fournir une vision complète et claire de la situation, de trop nombreux rapports sont loin d’être des supports efficaces de décision et finissent donc très vite dans un dossier d’archive (pour ne pas parler de corbeille…).
Ce n’est pas tout : sans perspective contextualisée, sources de données complètes ni ponts entre les pipelines online et offline, l’évaluation réelle des efforts de marketing sur les ventes et des actions de transformation digitale reste très limitée.
Plusieurs actions permettent de sortir de cette approche : le choix d’un outil intelligent de reporting, la sélection et l’analyse de sources fiables de données, le choix de rapports adaptés aux réels besoins de l’utilisateur (idéalement en personnalisant le rapport selon la fonction de son destinataire), un suivi précis de KPIs hiérarchisés… et surtout, la prise en compte du contexte, les éléments exogènes permettant de mieux comprendre pourquoi le chiffre d’affaires a pu augmenter ou baisser à un moment particulier.
L’importance d’un reporting contextualisé
Un bon reporting de ventes doit pouvoir permettre d’effectuer des actions correctives, mais aussi d’anticiper un minimum ce qui arrive. Or sans prendre en compte le contexte dans lequel le rapport s’inscrit, cette anticipation va être faussée, car elle se base sur l’idée que la situation devrait se reproduire à l’identique, ce qui a peu de chances d’être le cas.
Grèves, attentats, météo, rupture de stock, fermeture ou ouverture d’une boutique, évolution de la législation, influence des réseaux sociaux, données spécialisées spécifiques à certains secteurs, événements sportifs, culturels et populaires sont autant de facteurs qui peuvent jouer sur le chiffre d’affaires à instant T, avec potentiellement un effet inversé sur la période suivante…
Comment apporter une perspective contextuelle à votre reporting de ventes ?
Pour atteindre un bon niveau de reporting actionnable, il va donc être fondamental d’identifier les données contextuelles pertinentes au regard de l’activité, et être en mesure de les agréger dans un seul et même rapport de manière cohérente et complète.
Obtenir une vision passée et future des opérations commerciales
S’il y a quelques années encore, se baser sur le calendrier officiel des soldes et 1 ou 2 grands événements marketing bien installés pouvait suffire à ajouter du contexte à l’examen de ses ventes, ce n’est plus du tout le cas aujourd’hui.
Ventes privées sur des sites tiers ou sur son propre site, opérations de destockage, promotions flash, animations du programme de fidélité, variations entre les territoires, langues, sites Web et réseau de boutiques… le calendrier des opérations commerciales est désormais très riche.
Il est important de pouvoir obtenir un aperçu global précis et organisé des données de ce calendrier, en l’intégrant au reporting de ventes.
Centraliser les événements dans un “carnet numérique” partagé
Pour que l’ensemble des équipes concernées (business, digitales ou encore terrain) puissent se pencher sur les performances par rapport à la période équivalente passée, il ne suffit pas de prendre en compte les variations météorologiques, les pannes informatiques, les grèves, les boutiques en travaux ou encore les ruptures de stock. Il faut que ces événements soient connus de tous et puissent être aussi bien consultés que transmis lorsque quelqu’un change de poste.
Une approche efficace pour éclairer le reporting est de les compiler automatiquement dans un carnet numérique collectif (et non pas dans un fichier Excel géré par une seule personne et seulement accessible sur son ordinateur).
Suivre et mesurer l’impact des opérations des concurrents
Lorsque des concurrents lancent des opérations commerciales, ces dernières impactent de manière plus ou moins appuyée votre chiffre d’affaires. Campagnes digitales, en magasin voire les deux, publicités, offres spéciales via newsletters, ventes privées, destockage… il est important d’intégrer ces opérations au reporting de vos propres ventes, afin de voir et mieux comprendre dans quel contexte concurrentielle elles ont été amenées à fluctuer.
Il est important de garder en tête qu’il existe plusieurs types de concurrents :
Les concurrents “directs”;
Les concurrents “indirects”;
Les concurrents susceptibles de récupérer le budget qui vous était dédié (un exemple facile à comprendre serait celui d’un budget cadeau ou maquillage, mais cela peut bien sûr être beaucoup plus subtil que cela);
Le plus difficile ensuite va être de sélectionner et lister ces concurrents, puis ce que vous devez monitorer : newsletters, influenceurs qui les mentionnent, actions sur les réseaux sociaux, campagnes d’affichage, suivi régulier de leur site Web… un bon outil de reporting vous permettra d’agréger automatiquement ces données pour générer vos rapports de vente.
Prendre en compte l’impact de la météo
“Chute des températures = chute des ventes de rosé
Canicule = plus de glaces vendues”
Clichés ? Peut-être, mais symboliques de l’influence du temps sur les consommateurs.
On le sait déjà, les variations de temps impactent la plupart des secteurs. Plus de 70% des domaines seraient d’ailleurs sensibles à la météo (source). Il est essentiel d’intégrer les données météo au reporting pour prendre en compte son influence.
Par exemple, le comportement des internautes et des clients potentiels varie avec la température. Les taux de clics et les ventes ne seront pas toujours les mêmes en fonction du beau temps qu’il fait dehors ou, à l’inverse, d’une vague de froid qui s’installe.
Ces données vont permettre de comprendre ce qu’il s’est passé, mais aussi de mieux gérer ses stocks et actions. Changements de mises en avant et de têtes de gondole, adaptation de l’offre, des heures d’envoi des messages ou encore des canaux publicitaires… il est même possible d’anticiper des prix de produits qui varient en fonction de la météo.
Pondérer chaque élément pour évaluer sa contribution
Après avoir recueilli, “nettoyé” et agrégé les données estimées pertinentes, il est important de les hiérarchiser en leur attribuant un poids particulier illustrant leur impact sur la vente. Tous les éléments n’ont pas le même impact !
Dans tous les cas, il est fondamental de bénéficier d’un outil de reporting capable d’agréger et de fiabiliser ces données issues de différentes sources et, bien souvent, aux formats loin d’être uniformes.
Découvrez dès maintenant comment le reporting intelligent et actionnable d’Alphalyr vous permet d’affiner votre pilotage par la data en prenant rdv avec nous :
L’informatique décisionnelle (Business Intelligence, BI) et le big data permettent tous les deux de récupérer et traiter des données pour atteindre de meilleures performances.
Pour autant, leur degré de similitude s’arrête quasiment là : nous allons voir dans cet article ce qui les différencie profondément et s’il est possible de les combiner plutôt que de les opposer.
Pourquoi les associe-t-on si souvent?
Leur confusion est fréquente pour une raison : le Big Data et les outils de Business Intelligence servent à utiliser les données pour aider les entreprises dans leur prise de décision.
Néanmoins, ils diffèrent sur plusieurs points, tant dans la manière de procéder (outils, process, technologies) et d’être implémentés qu’au niveau du type de données qu’ils traitent (sources et formats), de leur périmètre et de leurs objectifs finaux.
Ce n’est pas tout : les champs d’application de la BI et du Big Data varient souvent de secteur à secteur et en fonction du besoin de changement(s) de la structure qui y a recours.
Les principales différences entre BI et Big Data
La BI aide à prendre des décisions en trouvant des réponses aux questions que pose le business “connu” de l’entreprise, là où le Big Data permet de dénicher des questions, réponses et perspectives qui pouvaient être insoupçonnées jusque-là.
Une visualisation simplifiée des différences entre BI et Big Data par Intraway
De manière simplifiée, la Business Intelligence va s’intéresser à des questions du type “quoi et où”, là où le Big Data analytics permet de répondre à “pourquoi et comment”.
Dans le cadre de la BI, l’information est stockée sur un serveur central (Data Warehouse), alors que le Big Data implique un système de fichiers distribués, ce qui rend les opérations plus souples mais aussi la préservation des données plus sûre.
Le Big Data traite des données structurées et non structurées (issues de différentes sources notamment celles externes à l’entreprise, tels que les réseaux sociaux), ce qui n’est pas le cas de la Business Intelligence qui analyse des données structurées ou semi-structurées , centralisées… et pour la plupart internes à la société. Les formats sont donc mécaniquement moins variés.
Ci-dessous et avant de poursuivre avec les différences principales entre BI et Big Data, une présentation intéressante sur l’évolution entre les deux :
La BI utilise des données historiques (même proches) pour prendre des décisions futures, là où les solutions Big Data peuvent non seulement aller chercher du côté de la data passée, mais aussi des sources de données en temps réel. Cela apporte un côté agile à la réflexion.
Beaucoup de données ne peuvent être gérées par la BI via un Dataware house. Avec le Big Data, on va donc se tourner vers une utilisation des données qui ne vise pas seulement à piloter par la data, mais également à optimiser l’ensemble des processus au sein de l’entreprise.
Si les Big data se rapprochent de la BI au sens où ils apportent l’un des V “attendus” (la Valeur), ils vont plus loin en développant les 3 V théorisés par Gartner : la Variété (données structurées, semi-structurées, non structurées – vidéos, data audio, réseaux sociaux, objets connectés, Opendata…), le Volume et un solide niveau de Vélocité (possibilité de quasi temps-réel et agilité, là où la BI fonctionne par traitement par lots – batch processing).
Le Big Data utilise une approche MPP (massively parallel processing ou traitement massivement parallèle) qui, entre autres, accélère le traitement et l’analyse des données.
Les solutions Big Data amènent les fonctions de traitement vers la data plutôt que l’inverse. L’analyse est orientée information, ce qui n’est pas l’orientation des outils d’informatique décisionnelle, ces derniers ayant plutôt tendance à porter la data vers le traitement.
Injecter du big data dans la BI pour évoluer vers le Smart Data ?
A l’heure actuelle, la Business Intelligence concerne à 95% les données internes à l’entreprise (source). Or dans un contexte où les sources de data se multiplient de manière considérable, il apparaît de plus en plus nécessaire d’avoir recours au Big Data dans de nombreux cas de figure.
Le big data ne remplacera pas les systèmes de BI, d’autant que l’un des développements (et challenges) actuels de ces derniers est de se rendre capable de traiter des volumes de données de plus en plus importants. Autre point important : leur niveau de maturité et la diffusion des compétences est aussi plus avancé que celui des outils Big Data. Mais on peut supposer qu’en combinant les deux approches et technologies de manière étroite, le pilotage à la performance par la donnée n’en sera que plus précis, détaillé, complet et riche en perspectives.
Les programmes BI peuvent par exemple intégrer des analyses Big Data, du data mining, des analyses prédictives… les systèmes Hadoop sont aussi de plus en plus utilisés, ce qui permet de gérer des données non structurées (entre autres fonctionnalités).
Le tout au sein d’outils uniques demain ? L’avenir nous le dira.
Plusieurs thèses s’opposent : Big Data et Business intelligence seraient complémentaires, en opposition, ou encore l’un s’apprêtant à remplacer l’autre dans les années à venir… d’autres personnes pensent à l’inverse que le Big Data n’apporte pas grand chose à l’analyse BI.
Plutôt que de prendre part au débat, on peut plutôt les voir comme des approches à forte valeur ajoutée, en particulier en intégrant les apports du big data aux architectures BI déjà puissantes des entreprises actuelles.
En conclusion, ce qui ressort de la cohabitation de ces technologies et systèmes est que se reposer sur des données fiables et pertinentes pour améliorer les performances de son activité est aujourd’hui indispensable.
Pour finir, voici un tutoriel vidéo qui illustre bien les différences présentées dans cet article :
Prenez RDV avec nous pour échanger sur vos problématiques Data & BI
Votre Business Intelligence (BI) ne vous apporte pas les résultats escomptés ?
Au-delà des éventuels problèmes de technologie dépassée et d’une faible adoption par vos employés, ces 3 signes devraient vous alerter sur le besoin de dépoussiérer votre approche.
1-Le reporting et les données arrivent (trop) en décalé et ne fournissent pas de vision d’ensemble
Bien que la prise de décision ne se fasse pas à la seconde dans le cadre d’une stratégie BI, la rapidité de l’accès aux données et de leur compréhension fait la différence.
Si le reporting est peu ou pas organisé, et que la phase de restitution laisse à désirer, les données sont non seulement décalées (donc potentiellement rapidement obsolètes), mais elles risquent en plus de ne pas livrer d’image d’ensemble compréhensible de la situation.
Pour pallier ce risque, il est important de générer des dashboards:
Ces derniers permettent de bien lier les données aux KPI, là où le reporting a tendance à fournir de la data brute
Les tableaux de bord sont plus synthétiques et visuels, ce qui permet de faciliter et d’accélérer la compréhension et la prise de décision
Les points importants sont clairement mis en avant
Ils permettent de faire le pont entre l’IT et les décideurs/utilisateurs finaux.
Pour aller plus loin en efficacité et en vision “big picture”, injecter de la big data dans la BI peut vraiment être utile.
Ce point en soulève un autre, souvent négligé par les entreprises : l’un des principaux problèmes en matière de BI est de ne pas identifier les problèmes clés à solutionner, ni les besoins futurs à anticiper. Si cette étape n’est pas maîtrisée (et régulièrement mise à jour), le reste des efforts est vain, car la consultation des données se fait à l’aveugle et sans perspective.
2- La Direction des Systèmes d’Information (DSI) croule sous les demandes de rapports qui deviennent obsolètes une fois reçus
La Business Intelligence doit faciliter la transmission des données à la bonne personne et au bon moment. Si la DSI voit se multiplier les demandes de rapports, il y a de fortes chances que votre organisation BI soit dépassée et que les rapports soient obsolètes une fois générés et transmis.
Tout le monde n’a pas le même profil ni les mêmes besoins au sein de l’entreprise pour prendre les décisions adaptées à son métier. Il faut penser en amont le reporting et les tableaux de bord de manière automatisée et personnalisée, afin d’éviter que la DSI ne croule sous les demandes.
La phase de restitution des données, cruciale au sein d’un projet BI, doit prendre en compte chaque profil et besoin métier, d’où l’existence des datamarts.
L’accès à la data pertinente doit idéalement être automatisé, collaboratif et personnalisé, faute de quoi l’accès rapide et efficace aux données stratégiques du business est compromis.
3- Les données ne sont pas “actionnables” car elles manquent de contexte et de perspective
Avoir une vision multicanale et contextuelle des performances est fondamental pour comprendre ce qu’il se passeet agir en conséquence.
La météo, les campagnes des concurrents, le contexte commercial d’ensemble, les performances historiques, les tendances du moment, les prévisions à connaître, les objectifs à garder en tête par période sont autant d’éléments cruciaux à la bonne compréhension des données… qui les rend de ce fait “actionnables”. Cela étant dit, il est important de croiser et consolider les données multi-sources pour en extraire du sens : par exemple, des données météo peuvent ne pas avoir de valeur intrinsèque pour la prise de décision avant d’être mises aux côtés des données compilées en magasin, sur les réseaux sociaux ou encore au niveau de la boutique en ligne ! Donner de la perspective aux données, c’est aussi s’ouvrir les portes d’opportunités d’analyse prédictive.
Pour ce faire, votre stratégie BI doit être accompagnée de tableaux de bord (dashboards) personnalisés et précis, qui contextualisent la donnée et sont tournés vers un objectif : faciliter la prise de décision et le pilotage par la data.
Dans le cadre d’un projet BI, la phase d’analyse / d’exploitation est de ce point de vue fondamentale. A partir des rapports et données obtenus, l’utilisateur final doit être en mesure d’analyser les informations et d’en tirer les bonnes conclusions.
C’est pourquoi cette phase peut inclure du datamining destiné à mettre en lumière certaines corrélations, mais surtout mettre l’accent sur le choix d’un bon outil permettant de construire et consulter un tableau de bord fonctionnel et efficace.
Au final, la pertinence est clé. D’un département à un autre, d’une fonction à une autre, les besoins ne vont pas être les mêmes.
Enfin, sur le plan de la perspective et comme déjà abordé un peu plus tôt dans cet article, être en mesure d’anticiper les besoins business à venir de l’entreprise fait toute la différence, en particulier sur le choix d’un outil capable d’évoluer avec elle.
Alphalyr édite une solution Saas de Business Intelligence Agile. Chaque manager reçoit tous les matins son reporting de ventes avec des données consolidées issues de plusieurs sources, des données de contexte comme la météo ou la concurrence. Son reporting personnalisé et automatisé lui permet de prendre de meilleures décisions dès le matin. Notre système d’alerting Alphy, remonte des anomalies détectées sur un grand nombre d’indicateurs. Ces informations précieuses sont indispensables pour piloter efficacement l’activité.
Le reporting de ventes fait partie intégrante de la business intelligence et du pilotage par la data. Il s’agit en effet de collecter, filtrer et donner du sens aux données afin de pouvoir prendre les bonnes décisions pour l’activité, et obtenir une vue d’ensemble claire et contextualisée de l’activité : comparaison d’une période à l’autre, segmentation et regroupement des données, présentation lisible des résultats, analyse de KPIs dont la pertinence a été prouvée…
Pour être efficace, un reporting de ventes doit donc être actionnable. S’il ne permet pas d’agir rationnellement et concrètement, c’est que le processus doit être repensé et ne constitue pour l’instant qu’une perte de temps et d’argent pour l’ensemble des collaborateurs concernés, des commerciaux aux cadres dirigeants. Voici plusieurs pistes de réflexion pour y parvenir.
1. Un reporting de ventes efficace répond à des besoins spécifiques
Se comparer au passé en se basant sur des données comparables
Faire le point sur ses performances en se basant sur les périodes précédentes est pertinent à condition de respecter deux principes. Le 1er est d’utiliser des données comparables (chiffre d’affaires en euros, nombre de clients fidélisés, etc.); le deuxième est de baser sa comparaison sur une période passée pertinente.
Ainsi, dans de nombreux cas, on ne comparera pas les performances de vente du 4e trimestre avec celles du 3e trimestre de l’année, mais bien avec les résultats de l’année précédente à la même période. Cela vaut notamment pour les périodes très spécifiques que sont les soldes, Noël, Black Friday, ou encore celles liées à la saisonnalité de produits précis. Attention toutefois à ne pas systématiquement garder les yeux sur les saisons : ce sont les écarts avec les prévisions et le plan initial qui doivent d’abord être observés.
La pertinence et la similarité des données dans le temps permettent ainsi un reporting qui offre réellement la possibilité de comparer ses résultats avec les performances passées.
Se situer face au futur
Un bon reporting de ventes doit aussi servir à pouvoir calculer un atterrissage de fin de mois ou de fin d’année. Ce type de projection permet d’anticiper d’éventuels problèmes et challenges, mais aussi de piloter rationnellement l’activité à venir et d’ajuster les actions si les prévisions ne sont pas à la hauteur.
Le reporting établit un pont entre la réalisation actuelle des objectifs au regard des attentes précédemment fixées, tout en établissant un “forecast” de la période à venir. La data (fiable) permet aussi d‘anticiper les grandes évolutions du marché, ainsi que la baisse ou la hausse éventuelle de la demande. Cela constitue notamment des insights précieux pour les commerciaux et collaborateurs en charge du marketing.
Affiner sa connaissance du client
Avec de bons indicateurs, le reporting permet d’affiner la connaissance du client et donc la performance de votre stratégie de vente : évaluation du taux d’activation, de clients actifs, d’attrition, de désabonnement, CA par client ou contact, taux de réaction aux campagnes… Ce type de data constitue un levier actionnable de décision et d’action à différents niveaux, au niveau notamment de la prospection commerciale et des actions marketing.
Fournir de la donnée accessible
Un reporting de ventes actionnable doit être… accessible ! C’est pourquoi on lui associe souvent un tableau de bord graphique et user-friendly, plutôt qu’un fichier Excel surchargé ou un e-mail non personnalisé que tous les collaborateurs concernés ne reçoivent pas forcément.
A l’heure actuelle, la data visualisationpermet de condenser les informations de manière compréhensible et orientée, tout en contextualisant les données, ce qui permet à chaque interlocuteur de réellement comprendre l’enjeu de ce que font ressortir les chiffres, prévisions, comparaisons, graphiques…
2. Les challenges courants à relever en matière de reporting
Pour les commerciaux comme les personnes en charge du marketing et de la stratégie, plusieurs difficultés se posent lorsqu’il s’agit de bien gérer le reporting.
Des reportings chronophages
Plus les volumes de données disponibles augmentent (ce qui est le cas d’année en année), plus le travail de reporting se complexifie et devient chronophage. 76% des managers interrogés considèrent que le reporting demande trop de travail, à hauteur de plus de 30 minutes par semaine (source). Pour garder l’essentiel, en retirer des conclusions actionnables et pouvoir agir sans y passer la moitié de la semaine, l’automatisation d’une partie du processus est de plus en plus recommandée. Elle permet aussi d’éviter les outils de reporting “explosifs” de type tableurs.
Des reportings non actionnables car il y a trop de “bruit” dans le reporting de ventes
Le fait d’avoir accès à énormément de données fait aussi que sans hiérarchisation précise des indicateurs à suivre et de la data à mettre en avant dans le reporting, ce dernier peut vite devenir illisible. Noyé dans les graphiques, nuages de points, chiffres et données qui sortent du périmètre utile, le reporting de ventes n’est plus un support d’information et de décision fiable. Pour éviter cette situation, il est important de ne pas chercher l’exhaustivité des données, mais bien leur pertinence et leur sens.
Un manque de confiance dans les données et leur qualité
Toutes les données ne se valent pas. En plus du nettoyage nécessaire permettant d’avoir de la data fiable à exploiter, il est crucial de pouvoir baser son reporting sur des données pertinentes au vu des objectifs de l’entreprise. Le travail ici est double : mettre en place un système bien encadré de sélection et d’analyse de données de qualité, mais aussi communiquer dessus en interne, afin que toutes les parties prenantes retrouvent confiance dans les chiffres et tendances qui en ressortent.
Des KPIs non contextualisés
Les indicateurs clés de performance, les fameux KPIs, doivent être actionnables pour que le reporting le soit aussi. Si ce n’est pas le cas, on se retrouve face à une série de chiffres et de KPIs inefficaces dont on ne sait plus trop en quoi ils impactent réellement le quotidien de la société. Cela signifie qu’il faut contextualiser les KPIs, à savoir les sélectionner et les hiérarchiser en fonction des actions et objectifs de l’entreprise. Pour cela, il faut éliminer ceux qui ne répondent pas à des besoins spécifiques et ne permettent pas d’agir.
Le “data driven” ne doit pas être le synonyme d’une collecte de chiffres à tout va sans efficacité éprouvée. On mettra donc de côté les indicateurs qui ne permettent pas l’action ni la prise de décision rationnelle, ainsi que les métriques d’ego qui n’impactent en fait pas les ventes ou performances marketing de l’entreprise.
En conclusion, la capacité à piloter par la donnée grâce notamment à un processus de reporting de vente actionnable est un objectif aussi souhaitable qu’atteignable, à condition de prendre le temps de choisir les bons outils, les sources de données et KPIs les plus pertinents… et d’être en mesure d’automatiser une partie du procédé pour se concentrer sur l’essentiel : l’amélioration stratégique des résultats de la société.
Dans ce cadre là, nous avons développé une solution de pilotage des ventes on et offline actionnable. Chaque manager reçoit un email personnalisé en début de journée. Concis et facile à lire, cet email apporte à chacun les informations dont il a besoin pour une journée de travail productive.
