L'importance des données

• Tous les secteurs utilisent les données : e-commerce, santé, finance,

marketing, etc.
• Elles permettent d'améliorer les processus, d'identifier des tendances
et d'optimiser la prise de décision.
Qu'est-ce que les données ?

• Collection de faits (chiffres, textes, images, vidéos, mesures).

• Exemples : Avis clients, statistiques d'activité physique, historiques de
navigation.
Qu'est-ce que l'analyse de
données
• Définition : Collecter, transformer et organiser les données pour en
tirer des conclusions.
• Objectifs : Faire des prédictions, identifier des opportunités et
optimiser les performances.
Pourquoi les données sont
essentielles ?
• Explosion des données :

• “Les données sont la ressource la plus précieuse” (The Economist).

Le rôle d'un analyste de
données
• Missions : Collecter, transformer et organiser les données.
• Opportunités de carrière : Marché en forte demande, divers secteurs
d'activité.
L’analyse des données en entreprise
• Les entreprises génèrent une immense quantité de données chaque
jour. Elles doivent les organiser et les exploiter pour :
• 📊 Améliorer leurs processus
• 📈 Identifier des tendances et opportunités
• 🚀 Lancer de nouveaux produits
• 🎯 Mieux servir leurs clients
• 💡 Prendre des décisions stratégiques
• C'est là qu'interviennent les analystes de données : ils transforment
les données brutes en insights exploitables.
Les 6 étapes de l'analyse de
données
• Le processus d’analyse des données suit six étapes clés :
• Poser les bonnes questions
• Préparer les données
• Traiter les données
• Analyser les résultats
• Partager les insights
• Passer à l’action
🔎 1. Poser les bonnes questions
(Ask)
• Définir précisément le problème à résoudre
• Comprendre les attentes des parties prenantes
• Se concentrer sur l’essentiel et éviter les distractions
• Maintenir une communication ouverte avec les parties prenantes
• Prendre du recul pour voir la situation dans son ensemble
💡 Questions clés :
✔️Quels problèmes les parties prenantes expriment-elles ?
✔️Comment puis-je les aider à y répondre efficacement ?
📋 2. Préparer les données
(Prepare)
• Identifier les données nécessaires pour répondre à la problématique
• Déterminer les métriques à analyser
• Localiser les sources de données pertinentes
• Mettre en place des mesures de sécurité pour protéger les données
💡 Questions clés :
✔️De quelles informations ai-je besoin pour résoudre ce
problème ?
✔️Quelle recherche préalable dois-je mener ?
🛠 3. Traiter les données
(Process)
• Nettoyer les données pour éliminer erreurs et incohérences
• Utiliser des fonctions Excel ou SQL pour corriger les anomalies
• Supprimer les doublons et s’assurer de la cohérence des données
• Identifier et minimiser les biais éventuels
• 💡 Questions clés :
✔️Quels problèmes dans les données pourraient fausser mon
analyse ?
✔️Comment rendre mes données plus fiables et cohérentes ?
📈 4. Analyser les données
(Analyze)
• Trier et structurer les données pour faciliter l’analyse
• Effectuer des calculs et regrouper des données provenant de
différentes sources
• Présenter les résultats sous forme de tableaux et graphiques
• 💡 Questions clés :
✔️Quelle histoire mes données racontent-elles ?
✔️Comment mes données peuvent-elles m’aider à résoudre le
problème ?
📢 5. Partager les résultats
(Share)
• Présenter l’analyse de manière claire et convaincante
• Utiliser des outils de visualisation (graphiques, tableaux de bord)
• Adapter la communication pour rendre les résultats accessibles aux
parties prenantes
• Favoriser une prise de décision basée sur les données
• 💡 Questions clés :
✔️Comment rendre ma présentation engageante et compréhensible ?
✔️Si j’étais dans l’audience, comment aimerais-je recevoir ces
informations ?
🚀 6. Passer à l’action (Act)
• Transformer les insights en décisions concrètes
• Proposer des recommandations aux parties prenantes
• Utiliser les retours reçus pour affiner l’approche et améliorer les
décisions
• 💡 Questions clés :
✔️Comment puis-je m’assurer que mes recommandations répondent
aux besoins des parties prenantes ?
exemple
• Voyons comment une équipe d’analystes RH a appliqué ces étapes
pour résoudre un problème d’entreprise.
Problématique : Améliorer la rétention des nouveaux employés
• Une entreprise faisait face à un taux de turnover élevé chez les
nouvelles recrues. Beaucoup quittaient leur poste avant la fin de leur
première année.
Comment améliorer la rétention des nouveaux employés ?
1️⃣Poser les bonnes questions
• Les analystes ont collaboré avec les managers pour identifier les
facteurs de succès et les freins à la rétention des employés. Voici
quelques questions posées :
🔹 Quelles compétences les nouveaux employés doivent-ils acquérir
pour réussir ?
🔹 Dispose-t-on déjà de données sur les anciens employés ?
🔹 Les managers ayant un faible turnover offrent-ils un
accompagnement particulier ?
🔹 Quelles sont les causes présumées de l'insatisfaction des nouveaux
employés ?
🔹 Quel objectif de rétention souhaitons-nous atteindre sur un an ?
2️⃣Préparer les données
• L’équipe a défini une méthodologie claire :
📅 Durée du projet : 3 mois
📊 Collecte des données via un sondage en ligne
📜 Accès restreint aux données brutes pour garantir la confidentialité
📈 Définition des indicateurs clés et des méthodes de visualisation
3️⃣Collecter et traiter les données
• ✅ Respect des principes éthiques : consentement des employés et
protection des données
✅ Nettoyage des données pour assurer leur fiabilité
✅ Stockage sécurisé dans un data warehouse interne
4️⃣Analyser les résultats
• L’analyse des réponses a révélé deux éléments clés :
🔸 Un processus de recrutement long et complexe augmentait le
risque de départ.
🔹 Un processus d’évaluation efficace et transparent favorisait la
rétention.
5️⃣Partager les insights
• L’équipe a soigneusement communiqué les résultats :
📌 Rapport partagé avec les managers concernés
📌 Présentation détaillée des conclusions
📌 Communication des résultats aux équipes via leurs managers
• Cette approche a permis d’engager un dialogue constructif sur
l’amélioration de l’expérience des employés.
6️⃣Passer à l’action
• Sur la base des résultats, l’entreprise a mis en place plusieurs mesures
:
✅ Standardisation des processus de recrutement et d’évaluation
✅ Suivi annuel via un sondage récurrent pour mesurer les progrès
• Un an plus tard, une nouvelle enquête a montré que ces actions
avaient permis d’améliorer significativement la rétention des
nouveaux employés.
l’approche des analystes de
données
• montré comment un problème complexe peut être décomposé en tâches
gérables en suivant les six étapes du processus d'analyse de données :
11️⃣ Poser les bonnes questions : Définir le problème et les critères de
succès
2️⃣ Préparer les données : Construire un planning et collecter
des données pertinentes
3️⃣ Traiter les données : Nettoyer et organiser les informations
4️⃣ Analyser les résultats : Identifier des tendances et des
insights clés
5️⃣ Partager les conclusions : Communiquer les résultats aux
décideurs
6️⃣ Passer à l’action : Implémenter des solutions basées sur les
données
• L’analyse des données ne se limite pas à entrer des informations dans
une plateforme pour en extraire des insights. C’est avant tout un
processus de résolution de problèmes qui fait appel à la pensée
analytique et créative. La première étape essentielle est de bien
comprendre le problème, puis d’adopter une approche méthodique
pour identifier les données nécessaires, les transformer et les
exploiter efficacement.
Les 6 types de problèmes en
analyse de données
 1
• 1️⃣ Faire des prédictions
📌 Exemple : Une entreprise souhaite identifier la meilleure méthode
publicitaire pour attirer de nouveaux clients.
✅ En analysant les données sur la localisation, le type de média et le
nombre de clients acquis grâce aux campagnes précédentes, les
analystes peuvent prédire les placements publicitaires les plus
efficaces.
• 2️⃣ Catégoriser des éléments
📌 Exemple : Une entreprise cherche à améliorer la satisfaction client.
✅ Les analystes classent les appels du service client selon des mots-
clés ou des scores afin d’identifier les représentants les plus
performants et de corréler certaines actions à une satisfaction
élevée.
• 3️⃣ Détecter des anomalies
📌 Exemple : Une entreprise de montres connectées souhaite intégrer
une alerte en cas de problème de santé inhabituel.
✅ En analysant des données de santé agrégées, les analystes peuvent
aider les développeurs à créer des algorithmes capables de détecter
des anomalies et d’émettre des alertes.
• 4️⃣ Identifier des thèmes
📌 Exemple : Des designers UX analysent les interactions des
utilisateurs avec une application.
✅ Les analystes regroupent les retours des utilisateurs pour prioriser
les améliorations de fonctionnalités en se basant sur des tendances
récurrentes.
• 💡 Différence entre catégoriser et identifier des thèmes ?
• Catégoriser = Regrouper des éléments dans des catégories précises
• Identifier des thèmes = Aller plus loin en regroupant ces catégories
sous des thématiques plus larges
• 5️⃣ Découvrir des connexions
📌 Exemple : Une entreprise logistique veut optimiser la ponctualité
des livraisons.
✅ En analysant les temps d’attente dans les centres de distribution,
les analystes peuvent recommander des ajustements d’horaires pour
réduire les retards de livraison.
• 6️⃣ Détecter des schémas et tendances
📌 Exemple : Une entreprise cherche à minimiser les pannes de
machines.
✅ En étudiant les données de maintenance, les analystes remarquent
que la plupart des pannes surviennent si l’entretien est retardé de
plus de 15 jours. Cette information permet d’optimiser la
planification de la maintenance.
Poser les bonnes questions en
analyse de données ( ASK)
• En analyse de données, tout commence par des questions
pertinentes. La qualité des réponses dépend directement de la
qualité des questions posées. Savoir poser des questions efficaces
permet d’obtenir des insights précis et exploitables pour résoudre
divers problèmes.
• Les bonnes questions doivent être :
✅ Claires et précises
✅ Pertinentes par rapport à l’objectif d’analyse
✅ Neutres pour éviter les biais
Les erreurs courantes à éviter
• 1️⃣ Les questions suggestives (biaisées)
📌 Exemple : "Ces sandwiches sont les meilleurs, n'est-ce pas ?" 🍔
🚨 Problème : Cette question influence la réponse et ne permet pas un
avis objectif.
✅ Solution : "Que pensez-vous de ces sandwiches ?"
• 2️⃣ Les questions fermées
📌 Exemple : "Avez-vous aimé grandir en Malaisie ?" (Oui/Non)
🚨 Problème : La réponse est trop courte et n'apporte pas assez
d’informations.
✅ Solution : "Quelles ont été vos expériences en grandissant en
Malaisie ?"
• 3️⃣ Les questions vagues
📌 Exemple : "Préférez-vous le chocolat ou la vanille ?" 🍫🍦
🚨 Problème : Manque de contexte. S’agit-il de glace, café, gâteau ?
✅ Solution : "Quelle saveur de glace préférez-vous entre chocolat et
vanille ?"
La méthode SMART
• Critère : Spécifique
• Définition : La question est claire, précise et ciblée sur un sujet unique
• Exemple : ❌ "Les enfants font-ils assez d'exercice aujourd’hui ?", trop
vague 👉 ✅ "Quel pourcentage d’enfants pratique au moins 60 minutes
d’activité physique 5 jours par semaine ?"
La méthode SMART
• Critère : Mesurable
• Définition : La question permet de quantifier les réponses
• Exemple : ❌ "Pourquoi notre vidéo est-elle devenue virale ?", trop
subjectif 👉 ✅ "Combien de fois notre vidéo a-t-elle été partagée la
première semaine ?"
La méthode SMART
• Critère : Actionnable
• Définition : La question encourage une prise de décision ou une
amélioration
• Exemple : ❌ "Comment inciter les clients à recycler ?", trop vague 👉 ✅
"Quels éléments de design rendent notre emballage plus facile à
recycler ?"
La méthode SMART
• Critère : Relevante
• Définition : La question est en lien direct avec le problème à résoudre
• Exemple : ❌ "Pourquoi cette espèce de grenouille est-elle
importante ?", pas directement utile 👉 ✅ "Quels changements
environnementaux entre 1983 et 2004 ont contribué à la disparition
de cette grenouille ?"
La méthode SMART
• Critère : Temporellement défini
• Définition : La question précise une période d’analyse
• Exemple : ❌ "Quels facteurs influencent la productivité ?", trop large 👉
✅ "Quels facteurs ont influencé la productivité dans notre entreprise
entre 2020 et 2023 ?"
Étude de cas : Amélioration du taux
de conversion d’un site e-commerce
• Une entreprise de e-commerce spécialisée dans la vente de
vêtements souhaite augmenter son taux de conversion (le
pourcentage de visiteurs qui réalisent un achat). L’équipe marketing
soupçonne que le processus de paiement pourrait être un facteur
limitant, mais elle a besoin d’une analyse approfondie pour en être
sûre.
🎯 Objectif :
• Formuler une question d’analyse SMART pour identifier et résoudre
le problème.
• Votre mission : Vous êtes analyste de données pour un site e-
commerce et votre directeur marketing vous demande de trouver
une solution pour réduire l’abandon de panier.
11️⃣ Formulez une question SMART qui guidera votre analyse.
2️⃣ Décrivez les données dont vous aurez besoin (ex. : taux
d’abandon du panier, nombre de clics à chaque étape du paiement, délai avant
abandon, etc.).
3️⃣ Proposez une méthodologie pour analyser ces
données.
4️⃣ Recommandez trois actions concrètes basées sur votre
analyse.
• 11️⃣ Spécifique
• ❌ Mauvais exemple : "Pourquoi les ventes sont-elles faibles ?", trop vague.
• ✅ Bon exemple : "Quel est le taux d’abandon du panier sur notre site et quelles sont les
étapes du processus de paiement où les utilisateurs quittent le site ?".
• 2️⃣ Mesurable
• La question doit permettre une quantification.
• ✅ "Quel pourcentage de visiteurs abandonnent leur panier avant de finaliser l’achat ?".
• 3️⃣ Actionnable
• La question doit aider à prendre une décision.
• ✅ "Quels sont les principaux freins identifiés dans le processus de paiement et
comment les optimiser ?".
• 4️⃣ Pertinent
• La question doit être en lien avec l’objectif (améliorer le taux de
conversion).
• ✅ "L’ajout d’un mode de paiement supplémentaire pourrait-il réduire le
taux d’abandon du panier ?".
• 5️⃣ Temporellement défini
• La question doit inclure une période d’analyse.
• ✅ "Quelle évolution du taux d’abandon de panier avons-nous observée
entre janvier et décembre 2024 ?".