Comment l'Operational Analytics va transformer les organisations "data-driven" ?
En rendant vos données internes actionnables directement depuis vos applicatifs métiers, l'Operational Analytics marque un réel tournant dans l'histoire (courte) des organisations "data-driven". Le concept fait référence à un ensemble de process, d'outils, de règles visant à exploiter les données d'un DWH à des fin opérationnelles.
Cette évolution est rendue possible par l'avènement des Datawarehouse cloud (Snowflake) & et par les "Reverse ETL" comme Hightouch qui vient de lever $40M.
La façon dont les organisations exploitent leurs données internes est en train de basculer, et cette révolution a un nom : l'Operational Analytics. En rendant vos données internes actionnables directement depuis vos applicatifs métiers, cette approche marque un réel tournant dans l'histoire (courte) des organisations “data-driven”.
Vous utilisiez hier des tableaux de bords afin de comprendre les forces et les faiblesses de vos process, afin de les améliorer par la suite ? Vous exploiterez demain, en temps réel, des données vous permettant d'être plus performant opérationnellement.
Quelles sont les applications concrètes de cette nouvelle approche ? En quoi est-elle si différente de l'approche traditionnelle ? Sur quelles solutions technologiques est-elle basée ? On répond à toutes ces interrogations légitimes dans cet article :)
Comprendre la notion d'Operational Analytics
Une rupture avec l'Analytics traditionnel
La nécessité de prendre des décisions basées sur les données, ou "data-driven", ne date pas d'aujourd'hui. Depuis maintenant plusieurs dizaines d'années, les organisations analysent leurs données et celles de leurs clients pour comprendre et améliorer leurs process internes et leur approche commerciale notamment. Jusqu'à présent, ces analyses se traduisent par l'utilisation d'outils de reporting mis en place à partir de solutions de Business Intelligence (BI) et/ou de visualisation de données.
Ainsi, l'approche traditionnelle de l'analytics se limitait à éclairer et à rendre plus pertinentes les prises de décisions stratégiques. Plus concrètement, cette approche permettait de comprendre si telle ou telle gamme de produits était rentable ou encore si le service client était suffisamment réactif... Sans donner les clés aux équipes métiers concernées afin d'actionner des leviers en temps réel et devenir plus performants.
Vous commencez à comprendre ce qui oppose l'operational analytics de l'approche traditionnelle ? Il s'agit avant tout d'un enjeu d'actionnabilité. L’Operational Analytics se caractérise par sa capacité à transmettre aux équipes métiers (support, marketing, vente ou encore customer success) les données dont elles ont besoin pour prendre des décisions en temps réel.
Pour reprendre notre exemple, avec l'operational analytics, un membre du support client voit une note de "risque" associée à chaque client, ce qui lui permet de prioriser les tickets et in fine de réduire le taux de churn. Cette nouvelle approche se démarque par son instantanéité : rendre la donnée actionnable au bon endroit, au bon moment et par les bonnes personnes afin d'être plus performant d'un point de vue opérationnel.
Pourquoi mettre en place cette approche ?
Cette nouvelle façon d'exploiter les données internes permet de renvoyer des données transformées et propres dans les systèmes opérationnels afin que les utilisateurs non techniques puissent les exploiter pour générer de la valeur pour l'organisation.
Si rares sont les utilisateurs métiers qui vont comprendre le changement au niveau de l'infrastructure data de leur organisation, ils en mesureront en revanche rapidement les bénéfices dans leur travail quotidien :
Prise de décision plus rapide - Traditionnellement, les entreprises ajustent leurs opérations sur la base d'un examen trimestriel ou annuel des données. Désormais, les organisations peuvent apporter des ajustements aux processus et aux flux de travail en temps réel. Elles sont donc mieux placées pour accroître la rentabilité et détecter rapidement les frictions et y répondre rapidement.
Expérience client améliorée - Parfois, il faut des semaines, voire des mois, avant qu'une organisation puisse déterminer exactement la cause de la baisse de la satisfaction client. Il y a tout simplement trop de facteurs à prendre en compte. Avec l'analyse opérationnelle, vous pouvez trouver la cause profonde d'un problème de performance et le résoudre immédiatement.
Meilleure productivité - L'augmentation des marges passe par l'augmentation des revenus mais également par la réduction des coûts. L'operational analytics facilite l'identification des postes de dépense à rationaliser.
Quelques arguments qui devraient vous permettre de convaincre plus facilement votre direction ! Si cela n'est pas encore suffisant, rentrons un peu plus dans le concret à travers la partie suivante.
Une approche rendue possible par les outils de la stack data moderne
Une rupture rendue possible par les évolutions technologiques
Bien sûr, il ne s'agit pas uniquement d'un concept que personne n'aurait imaginé jusqu'à présent ! Cette évolution est avant tout liée à des innovations majeures en matière d'infrastructure data.
En un peu plus d'une dizaine d'années, l'ensemble des process de collecte, d'extraction, d'acheminement, de stockage, de préparation, de transformation et d'activation des données ont été complètement transformés. Parmi les nombreuses évolutions, celle qui a eu le plus d'impact est sans aucun doute l'arrivée du Data Warehouse Cloud qui est devenu le point central de toute stack data moderne.
Représentation de la stack data moderne, Octolis
L'émergence, ou plutôt la prise de pouvoir des Data Warehouse Cloud s'est traduite par une augmentation considérable de la puissance de calcul ainsi qu'une chute significative des coûts liés au stockage des données, rendant plus simple et surtout moins cher que jamais l'exploitation des données en temps réel.
Le rôle clé du Reverse ETL
L'approche moderne repose sur le rôle fondamental du Data Warehouse, mais également sur une nouvelle famille d'outils que l'on voit émerger depuis quelques années : les Reverse ETL. En grossissant le trait, le Data Warehouse stocke vos données, et le revers ETL les fait remonter vers vos applicatifs métiers.
Le rôle clef des Reverse ETL
Les Reverse ETL sont loin d'être les premiers à faire la promesse de devenir "l'unique source de vérité" de votre organisation. Si vous avez derrière vous quelques années d'expérience, vous avez certainement vu passer les CDP, les RCU et même avant ça les CRM avec plus ou moins les mêmes revendications.
Les Reverse ETL seraient la première d'outils à y parvenir ? Effectivement, ces outils partent du constat très pragmatique que la démocratisation des Data Warehouse, symbolisée par l'avènement de Snowflake, en fait désormais le référentiel principal des organisations.
Les Reverse ETL tirent un trait sur les process utilisés jusque-là : Extraction - Transformation - Chargement (ETL) à l'ELT, où les données brutes sont copiées du système source et chargées dans un Data Warehouse ou un data lake, puis transformées. Pour le remplacer par le process qui consiste à déplacer les données du Data Warehouse vers des systèmes tiers pour les rendre opérationnelles.
Operational Analytics : les cas d'usage concrets
Il existe une quantité presque illimitée de situation ou de cas d'usages métiers que les Operational Analytics permettent de rationaliser ou de résoudre. Cependant, la plupart de ces cas les plus significatifs concernent les équipes de vente et de marketing, car des données précises et fréquemment mises à jour sont extrêmement pertinentes pour leurs décisions quotidiennes.
Les cas d'usage marketing
L'accessibilité des données est l'un des plus grands défis du marketing dans tous les secteurs. L'immense majorité des entreprises stockent leurs données dans des Data Warehouse, qui jouent également le rôle de transformation et de consolidation.
Les données sont disponibles pour les équipes data, mais il est difficile pour les responsables marketing d'y accéder sans une connaissance approfondie en SQL. Un langage qui, vous en conviendrez, n'est que rarement utilisé/compris par les marketers.
Pour contourner ce problème, les analystes fournissent souvent divers ensembles de données aux équipes de marketing sous la forme d'un CSV. Ceux-ci sont téléchargés manuellement dans les différents systèmes, qu'il s'agisse d'une plateforme de gestion de la relation client (CRM) comme Hubspot ou de leur outil de marketing automation comme Sendinblue, pour mettre en place des campagnes et scénarios.
Pire encore, le traitement des demandes de l'équipe marketing est loin d'être la priorité de l'équipe data qui a bien d'autres responsabilités. Le traitement de ces tâches peut prendre un temps considérable, rendant ainsi les données inexploitables par l'équipe marketing. Le temps qu'elles soient utilisables, le client ou le prospect se trouve à un autre stade de son parcours. Un process est à risque car il peut entraîner l'activation de campagnes basées sur des données obsolètes, qui peuvent être mal perçues par vos clients ou prospects.
Grâce à l'Operational Analytics, les équipes marketing peuvent améliorer considérablement l'expérience client en actionnant les différents leviers à leur disposition avec beaucoup plus de précision :
Augmenter le ROAS en "reciblant" les clients qui ont visité une page de prix et exclure les clients qui ont déjà acheté.
Créer des audiences similaires et envoyer les événements de conversion à différents réseaux publicitaires pour optimiser le ciblage et les coûts d'acquisition des clients.
Tout cela... sans l'intervention du SI, ce qui leur permet d'implémenter plus rapidement leurs actions, mais aussi de multiplier les expérimentations, les itérations, éléments essentiels de toute stratégie marketing performante.
Les cas d'usage pour les équipes commerciales
Pas de jaloux ! Cette nouvelle approche en matière d'exploitation des données internes est une révolution en B2C mais également en B2B.
Imaginons une entreprise commercialisant un Saas et proposant une version gratuite de son logiciel. Comme tout bon commerçant, cette entreprise sait susciter en nous la frustration en nous permettant d'utiliser l'outil gratuitement jusqu'à une certaine limite, que ce soit une limite temporelle ou en termes d'actions réalisées. Ensuite, il faut passer à la caisse.
Dans le cadre de l'approche traditionnelle de l'Analytics, l'équipe commerciale de cette entreprise utilise des outils de BI, comme Tableau, pour suivre :
L'évolution du nombre d'inscriptions
La part des utilisateurs gratuits qui deviennent des utilisateurs payants
L'efficacité des commerciaux à convertir ces clients
En règle générale, cette efficacité est très liée à la capacité des commerciaux à personnaliser leur approche auprès des utilisateurs gratuits. Malheureusement, pour ces commerciaux, cette personnalisation se révèle pénible : ils doivent identifier les informations clés sur leurs prospects et ces informations sont disséminées à travers divers applicatifs métiers : outils de support client, solutions de VoIP, ou encore leur CRM.
Ce n'est qu'une fois ce tour d'horizon de la situation du client avec les différents points de contacts de l'entreprise réalisé, que le commercial aura suffisamment d'éléments pour personnaliser son approche et envoyer l'email le plus percutant.
Grâce à l'Operational Analytics, les mêmes données qui alimentent un tableau de bord de BI sont automatiquement synchronisées avec le CRM commercial. Cela signifie que l'équipe commerciale a désormais accès à l'intégralité des interactions d'un individu mais également à celle de l'ensemble de l'entreprise cible. Un accès à plus d'informations pertinentes en un temps réduit, une équipe commerciale plus performante.