Comment une mauvaise gestion des parties prenantes ruine l’analyse

Une mauvaise gestion des parties prenantes ruine l'analyse.

Pourquoi prendre en charge de l’interface analyste-partie prenante peut instantanément améliorer votre vie et rendre votre travail plus impactant

Vous venez de commencer un nouveau rôle en tant qu’analyste. Vous êtes enthousiaste à l’idée d’avoir accès aux données sur, disons, les meubles pour chats – une industrie qui vous passionne profondément. Votre première demande arrive : un cadre souhaite savoir combien de types de litières ils proposent. Désireux de plaire, vous récupérez les données. “Parfait ! Pourriez-vous également récupérer le nombre de lits pour chats ?” Vous vous rendez compte qu’il serait plus efficace de lui créer un tableau de bord, donc vous en créez un. Le cadre est ravi et vous avez l’impression d’avoir bien fait, en avançant dans le credo axé sur les données.

Plus tard, vous découvrez que ces chiffres ont été utilisés pour soutenir un argument sur les catégories qui devraient être mises en avant sur la page d’accueil. Vous reculez. Ces chiffres n’étaient pas destinés à être utilisés de cette manière, et vous pouvez penser à une douzaine d’autres façons de trouver des catégories plus optimales. Vous avez récupéré ces chiffres pour… eh bien, vous n’avez jamais su pourquoi, mais vous ne pensiez pas que c’était pour ça. Vous voyez la description de l’initiative du cadre, et vous réalisez que vos données ont été utilisées de manière incohérente pour des analyses sans fondement. Elles sont là – vos données – à côté d’arguments tangentiels d’une manière non sensée. Vous êtes mal à l’aise avec le manque de cohérence logique, alors vous protestez auprès du cadre, mais elle vous assure que tout va bien.

“J’avais juste besoin de soutenir mes arguments, et personne ne regardera de si près de toute façon”.

Vous soupirez et vous retournez à la création de tableaux de bord. Cette fois-ci, vous vous concentrez plutôt sur ce que vous pouvez contrôler – les initiatives de qualité des données, la création de modèles de données plus élégants, l’optimisation de vos requêtes.

• Extensions Chrome d’IA pour la feuille de triche des scientifiques des données
• IPGirl News, 28 juin 10 plugins ChatGPT pour la fiche de triche de la science des données • Le plugin ChatGPT qui automatise l’analyse de données
• De l’évaluation à l’illumination Plonger dans les prédictions hors-échantillon lors de la validation croisée.

J’imagine que la plupart d’entre vous, comme moi, ont vécu cette histoire encore et encore. Et cela semble insoluble car les problèmes semblent si externes – nous repartons de ces transactions en pensant que les parties prenantes ne comprennent tout simplement pas comment fonctionnent les données. Nous attribuons les problèmes à une culture d’entreprise défaillante, et nous nous résignons à trouver un impact d’une autre manière – du moins, jusqu’à ce que nous trouvions notre prochain rôle dans une entreprise plus “axée sur les données”.

Mais dans cet article, je veux parler directement de la façon d’améliorer cette situation, et ainsi améliorer notre qualité de vie en tant qu’analystes en brisant ce cycle. En particulier, je soutiendrai que nos deux échecs au cœur de l’histoire ci-dessus sont :

1. Notre échec à prendre en charge la façon dont nos données sont utilisées.
2. Une mauvaise compréhension de la prise de décision.

Maintenant, parlons de chacun de ces problèmes.

Problème 1 : nous devons prendre davantage en charge la façon dont nos données sont utilisées.

L’analyse est un attracteur de Dunning-Kruger : la plupart des gens pensent comprendre comment interpréter les données, mais très peu le font bien. Après tout, les pièges sont nombreux . Cette dichotomie est un problème fondamental de notre industrie, et j’imagine que c’est pourquoi nous sommes souvent sous-évalués, incompris, et les premiers à être mis à la porte lorsque les cadres réduisent les effectifs.

Et malheureusement, nous, les analystes, favorisons cette illusion en étant simplement qui nous sommes : des chercheurs, des scientifiques, des ermites – aime : réflexion, flux, mathématiques, rigueur ; n’aime pas : répondre aux demandes ad hoc, persuasion. Lorsqu’un collègue ose nous demander de l’aide, au mieux, nous concocterons des analyses brillantes, puis nous lancerons les résultats ésotériques dans la direction générale des personnes qui en ont réellement besoin. Au pire, nous renverrons des données brutes sans offrir d’interprétation, laissant nos parties prenantes (à tort) naviguer elles-mêmes dans les biais.

Et voilà le problème. Ce genre de comportement trahit notre incompréhension de la façon dont l’analyse devrait fonctionner : ce n’est pas aux autres de rendre notre travail utile, mais à nous. J’ai déjà parlé du fait que l’analyse est une discipline interfaciale, mais une conséquence de cela est que nous devons prendre une certaine responsabilité de l’interface.

Considérez toute autre discipline interfaciale et vous verrez que les IC les plus efficaces fonctionnent de cette manière. Les grands designers, par exemple, construisent en tenant compte des considérations d’ingénierie. Les grands ingénieurs examinent attentivement les documents de spécifications du produit et collaborent étroitement avec les designers et les chefs de produit. Les représentants du service clientèle et les commerciaux rencontrent les clients là où ils se trouvent – imaginez l’efficacité d’un commercial s’il attendait que ses clients potentiels le contactent.

Mais c’est ce que nous faisons en analyse. Nous fonctionnons comme une organisation de services, plutôt que comme des partenaires réfléchis, et il n’est donc pas étonnant que c’est ainsi que nous soyons finalement traités. Et je pense que, en tant qu’industrie, nous le savons au fond de notre cœur. Nous avons collectivement imaginé toute une bibliothèque de sagesse opérationnelle au cours des dernières années, qui semble toutes pointer vers une cause profonde commune : nous ne prenons pas en charge l’interface :

• Nous devrions gérer nos équipes comme des équipes produit . … parce que les équipes produit pensent toujours au client, tout comme nous devrions nous soucier profondément de la manière dont nos analyses sont utilisées – l’interface.
• Nous devrions nous concentrer moins sur le travail technique . … parce que le travail technique est la moitié de la bataille. La livraison – l’interface – est l’autre moitié.
• Nous devrions être obsédés par la fourniture d’interprétation par le biais des analyses, et pas seulement des données brutes par le biais des tableaux de bord. … parce que l’interface entre les parties prenantes et les analystes est médiée par l’interprétation.
• Nous devons construire des écosystèmes en quête de vérité . … ce qui est, encore une fois, un modèle mental pour comprendre à quoi devrait ressembler l’interface des parties prenantes.

Il est donc dans votre intérêt de prendre en charge la façon dont votre travail est utilisé. Demandez l’accès, participez aux réunions, sortez de votre ermitage un instant et partagez votre philosophie renouvelée avec vos parties prenantes. C’est une porte d’entrée à la fois pour votre impact et le leur.

Problème 2 : nous ne savons pas comment fonctionne la prise de décision

Il est donc évident que la plupart d’entre nous essaient de gérer nos parties prenantes avec sincérité. Mais néanmoins, nous nous débattons, et cela me conduit à la deuxième grande chose qui nous empêche d’avancer : nous ne savons pas comment être impliqués dans le processus de prise de décision. Certains d’entre nous adoptent le rôle de la pédanterie, en avançant la rigueur pour la rigueur. D’autres fois, nous restons tranquillement dans un coin en attendant d’être appelés. Le problème ? Nous ne savons pas comment fonctionne la prise de décision et nous ne savons donc pas comment nous impliquer utilement dans ce processus. Parlons donc de la façon dont fonctionne la prise de décision.

Je suis moi-même un analyste chevronné, mais au cours des dernières années, j’ai eu la merveilleuse opportunité de diriger le produit chez Hyperquery. Et même si vous pourriez penser que construire un outil de données n’est pas si différent de faire du travail de données, j’ai ressenti une immense dissonance cognitive par rapport à ma façon de travailler en tant qu’analyste. Là où autrefois mon monde était entièrement quantitatif, je me suis soudain retrouvé à prendre des décisions où je n’avais en réalité que des données qualitatives à ma disposition. Et donc, je me suis adapté – j’ai progressivement appris à prendre des décisions raisonnables à partir d’un matériau hautement ambigu. Mais tout au long de cette expérience, ma révélation la plus stupéfiante a été la suivante : au cours des trois dernières années, aucune décision que j’ai prise n’était entièrement fondée sur les résultats d’une requête SQL.

Même avec des données facilement disponibles pour moi, et même avec des données dans mes veines, la vérité est que les données ne sont tout simplement jamais la chose principale. Et de cela, j’ai réalisé avec évidence que nous, en tant que praticiens des données, avons une incompréhension fondamentale du rôle des données dans la prise de décision. En termes simples : ce n’est tout simplement pas aussi important que je le pensais. Cela ne veut pas dire que ce n’est pas important, simplement que ce n’est pas la représentation infaillible et objective de la Vérité à laquelle je me suis autrefois trompé en croyant.

Les données ne racontent pas toute l’histoire. Les données sont un point de données.

Cela ne veut pas dire que ce n’est pas utile – les données peuvent être incroyablement puissantes en elles-mêmes. Elles ne vous disent pas quoi faire, mais elles peuvent fermer certaines voies. Elles ne sont jamais équivalentes à une décision, mais elles peuvent l’accélérer. Elles ne peuvent pas vous dire quoi faire, mais elles peuvent parler au nom de vos clients quand ils restent silencieux. Elles ne sont pas la réponse, mais elles peuvent simplifier la compréhension et apporter une clarté qui rend plus facile de voir une réponse. Les données m’ont aidé à naviguer dans l’ambiguïté de la même manière que les données qualitatives le font. Je vois les données, j’ajuste mes hypothèses en conséquence, et j’emprunte un chemin différent du labyrinthe des idées. Et dans cette capacité, elles ont été inestimables.

Mais c’est une caractérisation des données qui est totalement différente de celle que je comprenais en tant que praticien des données. Lorsque tout votre monde est constitué de données, il est facile de penser que c’est tout ce qu’il y a. Mais il est important de comprendre le rôle de notre travail afin de mieux s’intégrer dans les conversations de prise de décision. Nous ne devrions jamais imposer des décisions, mais augmenter notre compréhension contextuelle peut nous aider à formuler des recommandations utiles. Vous êtes assis sur le siège passager, et si vous savez où vous allez, vous pouvez aider à trouver le chemin.

Commentaires finaux

Je sais que tout cela semble plus facile à dire qu’à faire – je suis sûr que l’ambiguïté de mes conseils jusqu’à présent est votre plus gros obstacle à ce stade. Pour rendre les choses un peu plus claires, réfléchissons à nouveau à l’histoire du début de cet article si les choses se passaient un peu différemment. Une fois de plus, votre intervenant souhaite savoir combien de types de litières vous proposez. Au lieu de vous précipiter pour poser une requête, vous demandez pourquoi. Il s’avère que le cadre souhaite choisir quelques catégories pour la page d’accueil. Vous lui proposez des suggestions concernant les systèmes de recommandation, mais elle se plaint que c’est trop. En réalisant qu’elle a une échéance serrée pour la livraison, vous lui dites que vous allez créer un tableau de bord rapide pour pouvoir regarder les données ensemble, puis prendre une décision cohérente basée sur ces informations. Elle est d’accord. Vous ajoutez des mesures supplémentaires en plus du simple nombre qu’elle a initialement demandé – taux de clic, taux de commande, notes moyennes. Vous définissez même une nouvelle mesure : % d’articles à faible exposition. Vous partagez les données avec votre intervenant, ainsi que vos recommandations.

Elle résiste, bien sûr. Mais au lieu de résister à son tour, vous essayez de comprendre les bases des objections de votre intervenant afin d’atteindre une décision optimale. Au cours d’une discussion approfondie, vous formulez ensemble des hypothèses qui mêlent vos résultats quantitatifs et son intuition qualitative, et celles-ci deviennent la base d’une création de catégories solide. Vous rédigez une analyse qui est liée au document de stratégie de produit. Les choix qu’elle a faits sont considérablement améliorés, et vous avez l’impression d’avoir réellement changé le cours de l’histoire des meubles pour chats.

C’est une histoire fondamentalement différente de celle avec laquelle nous avons commencé, mais son succès reposait sur seulement deux petits changements :

1. Vous vous êtes approprié la façon dont les données allaient être utilisées en demandant pourquoi.
2. Vous avez intégré les données dans son intuition, au lieu d’essayer de la surpasser. Cela était possible parce que vous aviez une compréhension claire de la manière dont les données devaient être impliquées dans le processus de prise de décision.

Nous avons une tendance à fournir des données aux intervenants, en laissant la synthèse entre leurs mains. Les meilleurs analystes, cependant, vont encore plus loin et plongent également dans les données qualitatives, comprenant profondément l’objectif qu’ils essaient d’atteindre. Ils assument la responsabilité de fusionner leurs idées dans le processus de prise de décision. Ils comprennent la fonction objective : une décision intellectuellement honnête. Et ils opèrent de manière à chercher à y parvenir, plutôt que de simplement accomplir ce qui leur est demandé, de se résigner à des modèles d’accès aux données dans lesquels leurs intervenants sont tombés, et de rester tranquillement dans une salle d’exécutifs jusqu’à ce qu’on fasse appel à eux.

J’espère que vous êtes convaincu que les changements comportementaux que je propose ne sont pas si drastiques. Je suis sûr que vous avez entendu cette voix vous disant de vous impliquer davantage – “peut-être devrais-je demander pourquoi ces données sont nécessaires” – mais eh bien, vous décidez de ne pas avoir le temps. Eh bien, la prochaine fois, écoutez simplement cette voix.

👋 Bonjour ! Je suis Robert, CPO de Hyperquery et ancien data scientist + analyste. Cet article a été initialement publié sur mon blog Win With Data, où nous parlons chaque semaine de maximiser l’impact des données. Comme toujours, vous pouvez me trouver sur LinkedIn ou Twitter – je suis toujours heureux de discuter. Et si vous avez aimé cet article, je vous serais reconnaissant de me suivre/aimer/partager. 🙂

We will continue to update IPGirl; if you have any questions or suggestions, please contact us!