Comprendre l’analytique des données efficacement: Cet article explore l’analytique des données, un processus essentiel pour transformer des données brutes en informations exploitables, en établissant des distinctions claires avec des concepts connexes. L’importance de l’analytique des données en décision: Découvrez comment l’analytique des données guide la prise de décision au sein des organisations, en transformant les informations en actions concrètes.
Prise de décision fondée sur les preuves en management: Découvrez comment la prise de décision fondée sur les preuves, selon les normes ISO 9000, assure des résultats de qualité inégalés grâce à l’analytique des données.
2.2 Analytique des données : de quoi parle-t-on ?
Pour tirer bon profit des données, il est indispensable de les collecter, de les organiser en des formes et formats exploitables, puis de les manipuler pour en extraire les informations et les insights. Ce processus robuste porte le nom d’analytique des données (Spalek, 2019).
2.2.1 Ce que l’analytique des données n’est pas
L’analytique des données est souvent confondue dans la littérature avec d’autres concepts familiers du domaine des Mathématiques, de l’Informatique et de la Gestion de projets. Ci-dessous, une distinction entre l’analytique des données et quatre autres concepts souvent utilisés à tort pour parler d’analytique des données.
Analytique des données et Statistique
La Statistique se définit comme la branche des Mathématiques qui s’intéresse à l’étude des phénomènes réels à travers les exercices de collecte, de traitement, d’analyse et de présentation des données. En revanche, l’analytique des données est l’application des méthodes statistiques aux problèmes de la vie réelle en vue de proposer des pistes de solution concrètes (Carmichael & Marron, 2018).
Analytique des données et Analyse de données
L’analyse de données est le processus de transformation des données brutes en informations exploitables (OECD, 2008). L’analyse de données est donc un sous-processus de l’analytique des données telle que définie précédemment.
Analytique des données et Gestion de données
Si l’analytique des données se concentre sur la prise de décision, la gestion de données quant à elle s’intéresse à la mise en place et au fonctionnement des systèmes d’analytique des données au sein des institutions (Spalek, 2019).
Analytique des données et Suivi-évaluation
Cette confusion est surtout observée au niveau des organisations à but non lucratif ou les responsables des ressources humaines ont tendance à recruter un analyste de données à la place d’un officier suivi-évaluation et vice versa (Ferma, 2023).
S’il est vrai que ces deux professionnels collectent, traitent et analysent les données pour supporter la prise de décision, la portée de leur fonction n’est pas exactement la même (Oluwatosin, 2023). Pour établir clairement cette différence, certains éléments doivent être pris en considération.
- Les compétences requises
De manière générale, les officiers suivi-évaluation doivent nécessairement posséder des compétences en Gestion de projets, notamment en ce qui concerne le cycle de vie des projets. Ce sont généralement des professionnels ayant une formation en développement, santé publique ou sciences sociales33.
A l’inverse, les compétences en gestion de projets ne sont pas nécessaires pour les analystes de données. Ces derniers sont le plus souvent des professionnels issus d’une formation en Statistique, en Mathématiques ou en Informatique34.
- Le cadre de la fonction et l’objectif du processus d’analytique des données
De manière générale, les fonctions d’un officier suivi-évaluation se concentrent sur un ou plusieurs projets. Par conséquent, les analyses qu’il produit sont destinées à supporter la prise de décision liée spécifiquement aux activités de ces projets.
Il utilise à cet effet les données issues des projets ou les données socio-économiques liées au contexte dans lequel il travaille35. En revanche, les analystes de données peuvent travailler dans n’importe quelle division de l’organisation.
On les retrouve généralement dans les sections liées à la gestion de données. Ils analysent les données de toutes sortes (données financières, données des ressources humaines, données liées aux projets), supportant ainsi la planification stratégique et l’optimisation des ressources de l’organisation36.
International Rescue Committee. (15 octobre 2021). IRC Monitoring, Evaluation, Accountability and Learning (MEAL) Handbook. https://www.rescue.org/resource/irc-monitoring-evaluation-accountability-and-learning- meal-handbook
Datacamp. (s. d.). How to Become a Data Analyst in 2023: 5 Steps to Start Your Career. Consulté 18 juillet 2023,
à l’adresse https://www.datacamp.com/blog/how-to-become-a-data-analyst
Nyamazana, A. (2020). Critical skills and attributes needed for a career in Monitoring and Evaluation. LinkedIn. https://www.linkedin.com/pulse/critical-skills-attributes-needed-career-monitoring-alois-nyamazana/
The Indeed Editorial Team. (15 avril 2023). Data Analyst Job Description. Indeed. https://www.indeed.com/
Les courants de l’analytique des données
Il n’existe pas une littérature riche sur l’histoire et les fondements théoriques de l’analytique des données. Toutefois, elle se définit, de manière générale, comme la science de la manipulation des données brutes dans le but de tirer des conclusions et de supporter la prise de décision (Elgendy & Elragal, 2014).
La littérature est bien évidemment nouvelle pour un domaine nouveau qui, selon les auteurs, a vu le jour vers les années 2000 et dont la quasi- totalité des ouvrages datent d’après 2008. Dans cette littérature, deux approches principales ont été identifiées : l’approche technique et l’approche appliquée (Nitnaware et al., 2023).
Analytique des données : approche technique
Dans cette approche, l’analytique des données est vue comme une famille de processus. On la définit ainsi comme l’application des techniques et algorithmes informatiques sur un ensemble de données afin d’en tirer un maximum d’information pour aider dans les décisions (Runkler, 2020). Pour ce faire, le processus d’analytique des données est subdivisé en quatre sous-processus (figure 5) : la préparation, le prétraitement, l’analyse et le post-traitement.
La préparation aussi appelée phase de collecte des données est la phase où l’on détermine les données nécessaires et les méthodes appropriées à utiliser afin de les collecter. Cela implique également la réunion et la consolidation des données à partir de diverses sources ainsi que le choix final des données pour l’étape suivante.
Le prétraitement consiste à formater, nettoyer et uniformiser les données. Cela peut inclure, entre autres, la correction d’erreur, le traitement des valeurs manquantes ou aberrantes ainsi que la gestion des doublons.
L’analyse est l’étape où les données sont explorées à l’aide de diverses techniques statistiques, informatiques et visuelles pour identifier des tendances, des modèles ou des relations cachées.
Le post-traitement est la phase ou les découvertes sont présentées à l’aide de tableaux de bord ou d’outils infographiques intuitifs. C’est aussi l’étape ou les recommandations sont produites avec des plans d’action à l’appui s’il y’a lieu.
Figure 5. Les étapes du processus d’analytique des données (Runkler 2020)
Analytique des données : approche appliquée
L’approche appliquée de l’analytique des données se fonde non pas sur le processus technique lui-même mais plutôt sur les objectifs sous-jacents à la mise en œuvre du processus. Dans cette approche, l’analytique des données est définie comme l’utilisation systématique des données pour guider la prise de décision dans les organisations (Spalek, 2019).
Cette approche fait la distinction entre quatre types d’analytique des données selon qu’on souhaite effectuer des analyses descriptives, diagnostiques, prédictives ou prescriptives. Ces analyses suivent généralement une suite logique et comportent chacune un degré de sophistication. Toutefois, elles peuvent être réalisées de manière indépendante selon le besoin (voir figure 6).
L’analytique descriptive vise à décrire une situation d’intérêt à partir des données collectées. L’intention est d’aider les décideurs à mieux comprendre la situation et à discerner les tendances à travers des statistiques et des graphiques.
L’analytique diagnostique quant à elle a pour objectif d’expliquer le pourquoi d’une situation. Elle consiste à analyser en profondeur les tendances identifiées et à examiner les corrélations entre les variables pour déterminer les causes profondes.
L’analytique prédictive utilise des modèles statistiques pour prédire une situation future en fonction des tendances identifiées et des statistiques calculées. Elle permet aux décideurs de se préparer pour le futur en identifiant les risques et les opportunités.
L’analytique prescriptive utilise les données pour fournir des informations sur les comportements à observer et les actions à entreprendre pour atteindre des résultats optimaux. Elle transforme donc les statistiques en informations et en décisions.
Type d’analytique des données – atouts et défis (Palanisamy 2020)
Si les deux approches sont en réalité distinctes, elles restent, d’une certaine manière, complémentaires. En effet, les processus de l’approche technique sont utilisés pour réaliser un type d’analyse bien précis de l’approche appliquée, selon le besoin en information. De même, les types d’analyse de l’approche appliquée, une fois identifiés, selon les objectifs
informationnels fixés, ne sauraient être réalisés sans la mise en œuvre des processus de l’approche technique.
2.2.3 L’analytique des données en pratique dans le domaine développement
La puissance de l’analytique des données est de plus en plus reconnue dans le domaine du développement. En effet, celle-ci est de plus en plus utilisée par les organisations à but non lucratif pour améliorer le rendement de leurs opérations, évaluer leur impact et optimiser l’utilisation de leurs ressources (Ridzuan & Wan Zainon, 2022). Certaines organisations internationales, comme les agences des NU, la Banque mondiale ou le FMI, détiennent tout un arsenal lié à l’analytique des données pour supporter leurs opérations.
Le Programme Alimentaire Mondial (PAM) représente une référence en matière de l’utilisation de l’analytique des données dans le domaine du développement (Peters et al., 2022). En effet, cette organisation détient l’équipe VAM (Analyse et Cartographie de la Vulnérabilité) qui est chargée de collecter, traiter et analyser les données liées à la sécurité alimentaire afin de cartographier la vulnérabilité dans le monde et supporter l’implémentation des programmes de protection et de promotion sociale.
Le PAM détient également une équipe appelée Planification et Optimisation de la Chaîne d’Approvisionnement (SCPO). Cette équipe est à l’origine de l’outil SCM-D (Supply Chain Management Dashboard) qui utilise des analyses descriptives et prédictives en temps réel pour détecter et anticiper des problèmes opérationnels dans les chaînes d’approvisionnement (Sithole et al., 2016).
Il n’est donc pas du tout anodin de voir le PAM diriger les modules de télécommunications d’urgence et de logistique, et codiriger le module de sécurité alimentaire selon l’approche de responsabilité modulaire dans les réponses humanitaires37.
La prise de décision
La prise de décision est un processus qui consiste à résoudre un problème par le choix d’une solution parmi différentes possibilités.
Ce processus passe par différentes étapes telles que la définition du problème, la collecte et l’analyse des informations existantes sur le sujet, l’interprétation des insights, la formulation de solutions et d’hypothèses en se basant sur les insights et les expériences, la hiérarchisation des solutions et la sélection finale d’une solution.
Une fois sélectionnée, la décision finale devra être mise en œuvre afin que les résultats escomptés puissent être obtenus (Turpin & Marais, 2004).
Analytique des données et prise de décision
Compte tenu de la définition précédente, il est clair qu’il existe un lien direct entre prise de décision et analytique des données.
En effet, la prise de décision utilise l’analytique des données comme moyen tandis que l’analytique des données a pour finalité l’aide à la décision, d’où la notion de prise de décision basée sur les données (DDDM). Toutefois, en dépit de ce lien théorique, toutes les décisions ne sont pas forcément basées sur les données.
En effet, il existe des techniques dites subjectives, comme le processus intuitif, qui consistent à prendre une décision sans d’abord effectuer un raisonnement analytique préalable (Allain, 2013).
37 Programme Alimentaire Mondial. (24 mai 2022). Plan stratégique du PAM pour 2022-2025. World Relief. https://reliefweb.int/report/world/plan-strategique-du-pam-pour-2022-2025
Une prise de décision efficace repose sur la disponibilité d’information de qualité, mais également sur le fait de pouvoir évaluer les risques et les avantages de chaque option.
Dans cette optique, l’analytique des données se révèle précieuse en ce sens qu’elle permet d’identifier les opportunités, d’anticiper les éventuels problèmes, et d’évaluer les résultats escomptés. Ce processus garantit ainsi que la décision retenue aura un impact positif sur le succès, au bénéfice du décideur (Haque Sazu et al., 2022).
Prise de décision fondée sur les preuves
La prise de décision fondée sur les preuves fait partie des sept principes fondamentaux du management de la qualité. En effet, dans ces principes relatifs aux normes ISO 9000 et ISO 9001, on retrouve le sixième qui stipule que les bases de l’analytique des données confèrent aux décisions prises dans un cadre fondé sur les preuves la capacité de générer les résultats souhaités.
Ce principe proscrit les décisions prises sur une base subjective dans la mesure où elles ne garantissent pas la qualité.
Cela renforce encore plus le niveau d’association entre la prise de décision et l’analytique des données, laquelle a été précédemment évoquée. Néanmoins, dans la prise de décision fondée sur les preuves, le rapport entre l’analytique des données et la prise de décision ne se base pas sur le processus de prise de décision lui-même, mais plutôt sur les avantages en termes de qualité liés à la décision considérée.