Comment définir le self-service en analytics ?
Permettre à tous les utilisateurs de se servir des outils d’analytics quel que soit leur niveau : voilà la promesse du self-service. Mais est-elle réalisable, ou même souhaitable ? Nous nous sommes penchés sur la question dans un ebook que vous pouvez télécharger ici.
Aujourd’hui, le mot de self-service est brandi comme un argument marketing par à peu près tous les éditeurs d’outils BI. Mais il est rarement défini de manière concrète. On aurait du mal à identifier les fonctionnalités indispensables pour considérer qu’un outil est bien un outil de self-service. De manière générale, la promesse est de permettre aux utilisateurs métiers de mieux exploiter leurs données sans l’intervention d’experts data ou IT, par l’intermédiaire d’une interface user-friendly.
Seulement, voilà : on n’entend jamais la même chose par « utilisateurs métiers », « exploiter les données » ou même « intervention ». S’agit-il de développeurs qui, certes, ne sont pas des experts data, mais savent formuler des requêtes SQL pour extraire les informations dont ils ont besoin ? Ou bien de chefs de rayon très sollicités qui ont besoin de voir leurs KPIs de manière claire et rapide sur leurs tablettes pendant qu’ils gèrent leurs magasins ? Et que veut-on dire quand on parle de minimiser l’intervention d’experts ? Est-ce que ceux-ci seront toujours disponibles en support lorsque l’outil de self-service atteint ses limites ? Est-ce qu’ils nettoient, formatent et mettent en place les jeux de données avant de les intégrer à la plateforme de self-service ? Est-ce que leur aide est nécessaire pour déterminer de nouvelles règles de calcul ou est-ce que les utilisateurs finaux peuvent modifier eux-mêmes le jeu de données?
Chez Toucan, nous distinguons 4 niveaux de self-service en analytics. Découvrez-les dans cet article ou plongez-vous dans notre ebook consacré au self-service.
Niveau 1 : Personnaliser son dashboard
Par quoi commence l’expérience d’un utilisateur face à l’analytics ? Par le tableau de bord qu’il a sous les yeux. La présentation et l’arrangement de ce dashboard dépendent des choix du product builder. Il peut décider de placer certaines visualisations avant d’autres, ou de mettre en valeur certains KPIs. Prenons l’exemple d’un logiciel de gestion du personnel utilisé par une chaîne d’hôtels. Le product builder peut avoir choisi de mettre au haut du tableau de bord un leaderboard des branches selon leur taux de présentéisme, puis un graphe qui résume le nombre d’heures supplémentaires accomplies par chaque employé. Il peut permettre d’appliquer un filtre géographique, en fonction de la région de la branche, ou de filtrer selon le type de postes (les employés du restaurant ou de la réception…)
Le problème ? Le product builder qui a livré ce tableau du bord ne connaît pas l’expérience quotidienne ni les habitudes du manager de la branche qui va l’utiliser. Il est donc judicieux de laisser à celui-ci la possibilité de déterminer l’arrangement du tableau de bord (quelles visualisations apparaissent avant les autres) et de régler ses filtres par défaut. Comme lorsque vous configurez vous-même votre page d’accueil sur votre navigateur, cela peut permettre de gagner du temps et de rendre l’expérience plus fluide. C’est le premier niveau du self-service en analytics.
Niveau 2 : Ajouter ou retirer des visualisations existantes
En business analytics, le comment compte autant que le quoi. C’est-à-dire que la manière dont on présente les informations est extrêmement importante. Si un chef de rayon veut savoir quels produits sont les plus vendus, il est possible qu’un graphe circulaire ne lui soit pas particulièrement utile, et qu’un histogramme fasse apparaître les différences entre produits de manière plus évidente. Tout cela, le product builder ne peut pas le savoir, car il ne connaît pas les préférences de l’utilisateur final. Il aura donc prévu plusieurs visualisations pour un même indicateur. L’utilisateur pourra choisir la visualisation la plus pertinente afin de l’intégrer à son tableau de bord. Il pourra aussi supprimer librement celles qui ne lui conviennent pas. C’est le deuxième niveau de self-service.
Ebook : le self-service en analytics
Niveau 3 : Créer de nouvelles visualisations
Que se passe-t-il lorsque le product builder n’a pas prévu la visualisation qu’il faut pour un indicateur en particulier ? Prenons le cas d’un logiciel d’appel à destination d’un service client. Le responsable de l’équipe a besoin de connaître la durée d’attente moyenne avant d’être pris en charge par un opérateur. Les règles de calcul pour cet indicateur sont claires et le jeu de données a déjà été traité par le data analyst. Seulement voilà : pour connaître l’évolution de cet indicateur au fil des semaines, le responsable a besoin de le voir représenté sur un diagramme linéaire. Lorsqu’on atteint le troisième niveau de self service, l’utilisateur sera capable de concevoir cette visualisation lui-même.
Si cela nécessite une simplification forte de l'UX pour que des utilisateurs peu techniques soient à l'aise avec la configuration de visuels - sur le modèle de référence comme Excel dans les grands groupes ou de Notion chez des SaaS - il est clair que l'IA générative apparaît comme une vrai débloqueur : tout comme les modèles peuvent créer une image à partir d’un prompt, ils peuvent créer des visualisations.
Niveau 4 : Créer de nouveaux indicateurs en manipulant directement les data sets
Jusqu’ici, lorsque nous parlons de self-service, nous avons surtout parlé de la manière de présenter le résultat de calculs déjà effectués, plutôt que des moyens d’effectuer le calcul en tant que tel. Par exemple : supposons que le manager d’une équipe de service client ait besoin de connaître le taux d’appels non décrochés car ils font des clients particulièrement mécontents. Il voudrait construire un nouvel indicateur pour surveiller le nombre d’appels quotidiens qui ne seraient pas pris en charge par un opérateur. Cet indicateur n’a jamais été prévu par les experts qui ont construit la plateforme, il faudra l’inventer.
Cela nécessiterait d’agir directement sur le jeu de données. Pour cela, il faut un niveau d’expertise que seuls les experts data possèdent. Ils sont garants de la qualité et de la sécurité des données : ils la nettoient, suppriment les duplicatas, et la formatent. Ils déterminent les règles de calcul pour chaque indicateur à partir des intitulés qu’ils ont eux-mêmes fixés.
Il est illusoire de penser qu’un jour, tout un chacun pourrait faire ce travail grâce au self-service, même sans expertise particulière. Il faudra toujours un expert qui soit garant de la qualité des données et des règles de calcul. C’est pour cela que, chez Toucan, nous considérons que le niveau 4 de self-service n’est pas un objectif à atteindre.
Pour découvrir les bénéfices et les risques du self-service, on vous conseille vivement notre ebook, à télécharger ici.
