A travers sa capacité à rendre les données de la Datawarehouse actionnables directement au sein des outils métiers, l’Operational Analytics va donner une nouvelle dimension au rôle de la donnée au sein des organisations pour en faire un outil puissant au service de la performance opérationnelle.
C’est bien d’analyser la fréquence d’achat à travers un reporting, c’est encore mieux d’utiliser la fréquence d’achat directement depuis un outil d’emailing pour ajuster la fréquence d’envoi des messages, ou de l’utiliser pour cibler sur Facebook Ads des clients réguliers dont la fréquence d’achat a baissé !
En quoi s’agit-il d’une rupture forte avec l’approche traditionnelle, quelles sont les évolutions technologiques qui permettent cette révolution et quelle sont les applications concrètes ?
De l’analytics traditionnel à l’Operational Analytics
La volonté de prendre des décisions éclairées, basées sur des données tangibles est une volonté commune à toutes les organisations. Comprendre les aspirations de vos clients, fluidifier vos process internes ou encore affiner vos programmes relationnels, les objectifs ne manquent pas.
Si les organisations parviennent sans mal à percevoir le potentiel business que représente leurs données internes, elles peinent en revanche à l’exploiter pleinement. Il s’agit principalement d’une problématique d’approche. Le rôle des données internes a trop longtemps été réduit à l’alimentation des tableaux de bord et d’outils de BI permettant d’ajuster une stratégie commerciale ou marketing après coup.
En opposition à ce modèle traditionnel, l’Operational Analytics se distingue par une vision beaucoup plus pragmatique de l’utilisation des données clients : les données sont réellement utiles à une organisation lorsqu’elles sont actionnables en temps réel, par les équipes métiers. Il s’agit donc de faire remonter les données pertinentes vers les outils que vos équipes utilisent au quotidien afin de prendre de meilleures décisions.
De nouveaux outils au service de cette évolution
L’écosystème d’outils qui composent la « stack data » des organisations a connu au cours de ces 10 dernières années des transformations plus importantes qu’au cours des 30 précédentes.
L’évolution la plus marquante est sans aucun doute la place prépondérante occupée aujourd’hui par le DataWarehouse Cloud, comme en témoigne le développement considérable de Snowflake.
Associée à une diminution drastique des dépenses liées au stockage de données, l’augmentation significative de la puissance de calcul que permettent ces nouveaux Datawarehouse a considérablement simplifié l’accès à l’exploitation des données en temps réel.
Au sein d’une stack data moderne, le Datawarehouse cloud joue donc le rôle de référentiel principal, de “source unique de vérité”. En revanche, la mise en place de l’Operational Analytics au sein d’une organisation nécessite de le coupler à une autre nouvelle famille d’outils : les Reverse ETL.
En rupture avec le process traditionnel (ETL), les Reverse ETL font remonter les données du Datawarehouse vers les applicatifs métiers afin de les rendre actionnables en temps réel.
Appliquer concrètement l’Operational Analytics
Comment se traduit opérationnellement cette nouvelle approche en matière d’exploitation des données ?
Prenons un des exemples les plus parlant à travers une équipe de Customer Success. En basant sa réflexion sur une approche traditionnelle de l’Analytics, cette équipe va mettre en place des outils de monitoring et de reporting afin, par exemple, de suivre l’évolution du temps moyen de résolution d’un ticket client. Une métrique clé pour mesurer les performances de son équipe qui permet également d’évaluer la charge de travail de son équipe.
Le responsable de cette équipe de CS va donc tirer des enseignements de ces données pour adapter la taille de son équipe ou encore chercher des solutions pour renforcer ses process si résultats ne seraient pas satisfaisants. Cela va prendre du temps et, à court terme, cela ne permettra pas à son équipe de résoudre plus de tickets clients.
Une équipe de CS qui base sa réflexion sur l’Operational Analytics elle, réfléchira différemment. Si l’objectif est de résoudre plus de tickets clients, la question de la priorisation se pose. Comment prioriser plus facilement les tickets pour les Customer Success Manager ? En intégrant quelques champs issus de la base de données directement aux tickets :
- Le client a-t-il présenté des risques d’attrition ?
- Est-il ouvert à l’upsell ?
- Est-il membre d’un programme de fidélité ?
Concrètement, le CSM n’a même pas besoin de se poser ces questions, elles sont déjà synthétisées à travers un score associé au client, sur lequel est basé la priorisation des tickets !
Auteur : Hugo Le Bras, Growth Marketer chez Octolis
(c) Ill. têtière DepositPhotos
Recommandé pour vous
Commenter
Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.
