Keeping Up with the Quants

1. Les compétences analytiques, indispensables dans un monde saturé de données

Si nous ne parvenons pas à transformer ces données en décisions éclairées grâce à une analyse quantitative, nous gaspillons non seulement les données, mais risquons aussi de produire des résultats sous-optimaux.

Décisions fondées sur les données. Aujourd’hui, les données abondent, et la capacité à les analyser quantitativement est essentielle pour prendre des décisions éclairées, que ce soit en entreprise, dans le secteur public ou dans la société. Sans compétences analytiques, les organisations risquent de gaspiller des données précieuses et de faire des choix inefficaces. L’essor de l’analyse est visible dans de nombreux domaines, du sport (moneyball) aux jeux en ligne, en passant par les recommandations de films (Netflix).

Au-delà des données transactionnelles. Les organisations accumulent d’énormes volumes de données qu’elles doivent interpréter pour améliorer leurs décisions internes. Cela inclut l’exploration des données relatives aux ressources humaines, afin de répondre à des questions telles que les prévisions de départ à la retraite ou le lien entre les congés et les évaluations de performance. L’analyse permet de résumer les données, d’en extraire du sens et d’identifier des tendances.

Un avantage concurrentiel. Des entreprises basées sur Internet comme Google, Facebook ou Amazon exploitent le big data issu des transactions en ligne pour créer de nouveaux produits et fonctionnalités destinés à leurs clients. Qu’il s’agisse d’améliorer les décisions internes ou d’offrir plus de valeur aux clients, l’analyse est indispensable pour extraire la valeur des données et gagner un avantage compétitif.

2. Les classifications de l’analyse : descriptive, prédictive et prescriptive

Par analyse, nous entendons l’utilisation extensive des données, des analyses statistiques et quantitatives, des modèles explicatifs et prédictifs, ainsi que la gestion factuelle pour orienter les décisions et créer de la valeur.

Trois types d’analyse. L’analyse se divise en trois catégories : descriptive, prédictive et prescriptive, chacune répondant à un objectif spécifique. L’analyse descriptive consiste à collecter, organiser et résumer les données pour décrire les caractéristiques de ce qui est étudié, ce que l’on appelait autrefois le reporting. L’analyse prédictive utilise les données passées pour anticiper des résultats futurs en identifiant des associations entre variables. L’analyse prescriptive propose des actions à entreprendre via la conception expérimentale et l’optimisation.

Qualitatif vs quantitatif. L’analyse peut être qualitative ou quantitative selon le processus et le type de données. L’analyse qualitative vise à comprendre en profondeur les raisons et motivations sous-jacentes, en utilisant des données non structurées issues d’un petit nombre de cas. L’analyse quantitative repose sur une investigation empirique systématique, utilisant des techniques statistiques, mathématiques ou informatiques, et collectant des données structurées sur un grand nombre de cas.

Diverses techniques analytiques. Plusieurs types d’analyses répondent à des besoins variés : statistiques (collecte, analyse, interprétation et présentation des données), prévision (estimation de variables futures), exploration de données (extraction de motifs dans de grands ensembles), analyse de texte (dérivation de schémas à partir de textes), optimisation (recherche de solutions optimales) et conception expérimentale (étude des relations de cause à effet). Ces techniques se recoupent souvent dans leur application.

3. L’impact et le potentiel du big data dans tous les secteurs

Le big data et les analyses qui en découlent promettent de transformer quasiment tous les secteurs et fonctions d’entreprise dans la décennie à venir.

Informatique omniprésente. L’essor du big data est rendu possible par l’informatique omniprésente et les dispositifs de collecte de données, avec des capteurs et microprocesseurs de plus en plus répandus. Presque tous les appareils mécaniques ou électroniques laissent une trace décrivant leur performance, localisation ou état. Ces données, combinées à celles issues d’Internet et d’autres médias, créent des sources d’informations colossales.

Transformation des industries. Le big data et l’analyse ont le potentiel de transformer presque tous les secteurs et fonctions d’entreprise dans les années à venir. Les organisations qui s’y engagent tôt peuvent acquérir un avantage concurrentiel significatif. La fabrication, le marketing grand public, voire les voitures autonomes, sont de plus en plus considérés comme des problématiques liées au big data.

Pensée analytique. Des PDG comme Gary Loveman (Caesars Entertainment), Jeff Bezos (Amazon) ou Reid Hoffman (LinkedIn) prônent publiquement la pensée analytique et la prise de décision fondée sur les données comme voie vers le succès organisationnel. Toutes les organisations, dans tous les secteurs, devront apprendre à gérer le flot massif de données, nécessitant à la fois des analystes pointus (quants) et des décideurs capables d’agir sur la base d’analyses quantitatives.

4. Définir le problème : la base d’une analyse efficace

Une analyse quantitative commence par la reconnaissance d’un problème ou d’une décision à prendre, puis par la recherche de sa résolution.

Reconnaissance du problème. L’analyse quantitative débute par l’identification d’un problème ou d’une décision à prendre, puis par sa formulation claire. Cela implique de définir la question à laquelle l’analyse doit répondre et la décision qui en découlera. Cette étape peut être motivée par la curiosité, l’expérience professionnelle, un besoin décisionnel, des enjeux actuels, des théories existantes ou des propositions de projet.

Analyse des parties prenantes. Identifier et gérer les parties prenantes est crucial pour la réussite de tout projet d’analyse quantitative. Il s’agit de comprendre leurs besoins, d’évaluer leur intérêt et leur influence, de gérer leurs attentes et de fournir un retour régulier. Cette analyse permet de repérer les décideurs principaux et la manière dont ils seront le plus susceptibles d’être convaincus par les résultats.

Se concentrer sur les décisions. Se focaliser sur les décisions spécifiques qui découleront de l’analyse aide à clarifier l’objectif dès la phase de reconnaissance du problème. Cela permet aux participants de comprendre le but de l’analyse, d’identifier les parties prenantes clés et de déterminer si l’analyse mérite d’être réalisée. Cela aide aussi à définir le type de récit analytique à construire.

5. Résoudre le problème : modélisation, collecte et analyse des données

Un modèle est une représentation volontairement simplifiée du phénomène ou du problème étudié.

Modélisation et choix des variables. Résoudre un problème passe par le choix des variables à inclure dans le modèle, la collecte des données correspondantes, puis l’analyse proprement dite. Un modèle simplifie volontairement la réalité en isolant les caractéristiques importantes, utiles et déterminantes. Les hypothèses sont des suppositions éclairées sur les variables réellement pertinentes.

Collecte et mesure des données. L’étape suivante consiste à collecter et mesurer les variables sélectionnées. Mesurer une variable revient à lui attribuer un nombre ; les données sont simplement un ensemble de ces nombres. Les données peuvent être structurées (facilement organisées en lignes et colonnes) ou non structurées (texte, images, audio, vidéo). Les données secondaires (collectées par d’autres) permettent de gagner du temps, tandis que les données primaires doivent être mesurées par le chercheur.

Techniques d’analyse des données. L’analyse consiste à identifier des motifs cohérents ou des relations entre variables présentes dans les données. On peut utiliser des techniques allant des analyses simples (graphiques, pourcentages, moyennes) à des méthodes statistiques plus complexes. Le type de modèle dépend du nombre de variables, de l’objectif (description ou inférence) et du niveau de mesure disponible.

6. Communiquer les résultats : raconter une histoire avec les données

La manière dont vous communiquez les analyses est déterminante pour que celles-ci soient effectivement utilisées.

L’importance de la communication. La communication autour des analyses est cruciale pour que les résultats soient pris en compte. Si un décideur ne comprend pas les analyses réalisées ni leur signification, il ne sera pas à l’aise pour fonder sa décision dessus. Il est donc essentiel de présenter les résultats de façon captivante et claire.

Raconter une histoire. Les analystes les plus efficaces sont ceux qui savent « raconter une histoire avec les données ». Une bonne histoire possède une narration forte, présente les résultats en termes compréhensibles et conclut par des actions à entreprendre ainsi que leurs conséquences prévues. Les représentations visuelles sont particulièrement adaptées à ce type de récit.

Méthodes modernes. Les méthodes modernes de communication incluent l’analytique visuelle, les présentations dynamiques et interactives, voire des supports tangibles comme des modèles 3D. Jeux et simulations peuvent aussi illustrer les interactions complexes entre variables. L’objectif est d’engager l’audience et de rendre les résultats mémorables et exploitables.

7. Créativité et analyse quantitative : une alliance puissante

Les usages les plus réussis de l’analyse sont souvent très créatifs…

Synergie entre créativité et analyse. La créativité et l’analyse ne s’opposent pas, elles sont souvent étroitement liées. Les usages les plus fructueux de l’analyse sont hautement créatifs, et la créativité est un élément clé des approches analytiques efficaces. La créativité seule, sans données ni analyse, ne suffit généralement pas à prendre les meilleures décisions.

Créativité dans le processus analytique. La créativité est essentielle lors de la reconnaissance et de la formulation du problème, de l’identification des résultats antérieurs pertinents, du choix des variables et de la présentation des résultats. En revanche, elle est moins appropriée lors de l’analyse des données, où le respect des méthodes statistiques établies est primordial.

Quatre étapes de la pensée analytique créative. Le processus créatif suit quatre phases : préparation (travail préparatoire), immersion (engagement intense), incubation (intériorisation) et insight (déclic). Ces étapes correspondent aux six phases de la pensée analytique : la préparation correspond à la reconnaissance du problème et à la revue des résultats antérieurs, l’immersion à la modélisation, la collecte et l’analyse des données, et l’insight à la présentation des résultats et à l’action.

8. Cultiver un esprit quantitatif : attitudes et habitudes

Votre attitude quantitative habituelle forge vos habitudes quantitatives.

Attitude quantitative. Pour devenir un analyste quantitatif compétent, il est essentiel de cultiver une attitude quantitative, c’est-à-dire être ouvert à l’apprentissage des chiffres et exiger un haut niveau de preuve. Cela implique de dépasser la peur des nombres et de se sentir à l’aise face à eux.

Habitudes quantitatives. Développer des habitudes quantitatives est crucial pour progresser. Ces habitudes incluent l’exigence de chiffres, la méfiance envers les chiffres, la suspicion particulière envers les arguments de causalité, et l’habitude de poser des questions.

Connaissances quantitatives. Pour acquérir des connaissances quantitatives, il est important d’étudier les bases des statistiques et des méthodes de recherche, que ce soit via des cours en ligne, des manuels ou des formations diplômantes. L’essentiel est de pratiquer des analyses quantitatives et de les appliquer à des problèmes concrets.

9. L’importance du questionnement et du scepticisme dans l’interprétation des données

Il utilise les statistiques comme un homme ivre utilise un lampadaire, plus pour s’appuyer que pour s’éclairer.

Ne jamais faire confiance aux chiffres aveuglément. Il est crucial d’aborder les données avec scepticisme et esprit critique. Les chiffres peuvent être trompeurs, obsolètes ou inexacts, et être interprétés à tort pour servir des agendas cachés. Il faut toujours interroger la pertinence, la précision et la bonne interprétation des chiffres.

Causalité vs corrélation. Soyez particulièrement méfiant envers les arguments de causalité. Le fait que deux variables soient corrélées ne signifie pas que l’une cause l’autre. Il faut vérifier si les individus ont pu être assignés aléatoirement aux conditions d’un facteur. Sinon, l’inférence causale n’est pas justifiée.

Poser des questions approfondies. Adoptez l’habitude de poser des questions pour mieux comprendre le problème et le processus. Cela inclut d’interroger la source des données, la représentativité de l’échantillon, les hypothèses sous-jacentes à l’analyse et la possibilité d’interprétations alternatives.

10. Construire des relations efficaces entre analystes quantitatifs et décideurs

Les décisions quantitatives efficaces ne dépendent pas des mathématiques, mais des relations humaines.

Accommodation mutuelle. Les décisions quantitatives efficaces nécessitent une accommodation mutuelle entre décideurs et analystes quantitatifs. Cela passe par le respect mutuel, la compréhension des compétences de chacun et l’usage d’un langage commun. L’objectif est de prendre des décisions analytiques tout en préservant l’intuition du dirigeant.

Ingénierie de la décision. Le groupe d’ingénierie de la décision d’Intel souligne l’importance des relations entre analystes et décideurs. L’analyste doit comprendre le problème métier, parler le langage du décideur et impliquer les sceptiques dans le processus.

Construction du modèle. L’étape suivante consiste en une collaboration entre décideurs et analystes pour bâtir le modèle de base. La personne clé en analyse conduit ces séances de brainstorming pour recueillir les données d’entrée (éléments, sources, idées pour détecter et corriger les données erronées), les résultats attendus (les découpages et présentations les plus pertinents pour les utilisateurs métier), les variables clés et leurs relations.

11. Les responsabilités analytiques des décideurs d’entreprise

Ce n’est pas mon rôle d’avoir toutes les réponses, mais c’est mon rôle de poser beaucoup de questions pénétrantes, dérangeantes, et parfois presque offensantes dans le cadre du processus analytique menant à l’intuition et à l’amélioration.

Apprendre les mathématiques et les statistiques. Les décideurs ont la responsabilité d’acquérir des connaissances en mathématiques et statistiques, notamment sur les mesures de tendance centrale, la probabilité, l’échantillonnage, la corrélation, la régression, la conception expérimentale et l’analytique visuelle.

Questionner les hypothèses. Les dirigeants doivent comprendre et remettre en question les hypothèses sous-jacentes aux modèles analytiques. Cela implique de vérifier si le contexte a évolué au point de remettre en cause la validité du modèle.

Savoir dire non. Il est important de faire preuve de vigilance et de demander des clarifications lorsque quelque chose n’est pas compris. Cela inclut de réclamer des données et des analyses plutôt que des anecdotes ou opinions. En posant des questions et en défiant les hypothèses, les dirigeants s’assurent que les modèles analytiques sont pertinents, précis et bien compris.

Dernière mise à jour: February 26, 2025