Data / IA Archives - Ekino FR

Retrouvez la version originale de l’article de Think Design en anglais : How to create personas driven by data ?

Dans cet article, nous nous penchons sur le rôle de la data comme puissant levier dans le processus de création de persona. À mesure que nous améliorons la connaissance et la compréhension de nos clients, cela permet d’enrichir les produits et services et d’améliorer leur ergonomie.

Donner un visage à vos données clients

Les personas ont pour but de vous aider à mieux comprendre vos utilisateurs, leurs besoins, leurs comportements et leurs attentes. Il s’agit d’archétypes représentatifs de traits spécifiques et propres à votre cible.

1. Le persona comme hypothèse : un profil qui caractérise un groupe d’utilisateurs hypothétiques.

2. La persona comme synthèse : Grâce à la recherche primaire, et une fois que vous avez compris vos utilisateurs, vous êtes dès lors en mesure d’envisager des catégories d’utilisateurs basées sur différents types de comportement.

3. Le persona comme segment utilisateur.

La description d’un persona doit inclure, sans s’y limiter : l’éducation, le mode de vie, les intérêts, les valeurs, les objectifs, les besoins, les comportements, les attitudes et tous autres éléments distinctifs récurrents.

Bien que riches en données comportementales et d’interactions, ces personas représentent un instantané dans le temps. Au premier abord, cela devrait être suffisant pour vous permettre de démarrer et résoudre des problèmes d’ergonomie. Toutefois, sont-ils véritablement pertinents à terme ?

Les personas les plus efficaces ne se contentent pas de décrire les utilisateurs, mais aident à prévoir leur comportement. Bien entendu, pour que les personas puissent permettre ce genre de prédictions, ils doivent reposer sur plus que des intuitions et des anecdotes.

Pour répondre à ce besoin, il est donc impératif d’adopter une approche centrée sur la donnée dans leur conception.

De plus en plus d’organisations ont recours à des personas centrées sur la donnée pour créer de la valeur.

Facebook, en enquêtant sur des plaintes anonymes, a créé un persona pour ses plaignants. Grâce à ses données sur les utilisateurs, la société a constaté que parmi les adolescents qui se sont plaints d’une photo sur laquelle ils étaient identifiés, la plupart étaient gênés par le fait qu’ils aient été identifiés.

Dans ce cas de figure, la proportion de filles gênées par la publication était plus élevée que celle des garçons. Par ailleurs, Facebook a également pu observer que ses utilisateurs étaient plus susceptibles de partager le problème plutôt que de le signaler. Une enquête plus approfondie a finalement révélé que si ces derniers n’ont pas signalé la publication, c’est avant tout parce qu’ils ne voulaient pas que leurs amis s’inquiètent.

En recueillant des informations clés sur l’âge, le sexe, le comportement, les points de friction et les motivations de ses plaignants, Facebook a pu améliorer son système de signalement et de support client.

De même, Netflix alimente son algorithme de recommandation de contenu avec des données déclaratives fournies par les abonnés ainsi qu’une très large quantité de données comportementales et d’interaction. L’entreprise américaine utilise également ces données pour rationaliser son interface utilisateur.

Les données recueillies permettent une compréhension plus empathique de vos utilisateurs.

Le problème de nombreux personas est qu’ils sont basés sur des données non pertinentes, des données mal sourcées, voire aucune donnée (mais des hypothèses dans le cadre d’utilisateurs fictifs).

1. Quelles sont les données les plus pertinentes ?

La première étape consiste à identifier les éléments clés à l’origine de la majorité des conversions de votre entreprise, car l’identification de ces éléments vous aidera à identifier votre cible principale.

Connaître son cœur de cible nous permet d’extraire des données précieuses.

1. À la fois des données qui peuvent être collectées par le biais de recherches utilisateur.

2. Et des données quantitatives obtenues via le suivi d’interactions contextuelles de votre cible avec vos produits ou services.

La conjugaison d’actions utilisateurs, dans un laps de temps continu, avec les éléments qui influencent leurs interactions (motivations, données démographiques, etc.), nous permet de prédire le comportement utilisateur avec plus de précision face à d’éventuels changements apportés aux produits ou services.

2. Comment générer des données plus riches ?

Pour comprendre les motivations, les attitudes, les comportements et les attentes de nos clients, il faut s’appuyer sur de multiples sources de données. La diversité des sources de données permet de dresser un tableau complet d’un segment de consommateurs. C’est ainsi que l’on peut suivre leurs interactions, leur niveau d’engagement, et leur parcours au fil du temps au travers de différents points de contact.

a. Les sondages de sortie, les questionnaires en ligne, et les sondages d’opinion

Les enquêtes de sortie de site sont conçues de manière à ce qu’une seule question apparaisse sur votre site à un moment donné. Les questions posées dépendent ensuite de l’objectif visé. 

Voulez-vous savoir si votre site ou vos produits/services répondent aux besoins de vos clients ? Ou voulez-vous comprendre les sources de friction qui empêchent les clients de s’engager ou d’acheter ?

Ces questions peuvent apporter des informations précieuses sur ce qui fonctionne et ce qui fait obstacle à l’engagement.

b. Données Web analytics et des systèmes CRM

Les données Web Analytics peuvent révéler le comportement d’utilisateurs clés sur votre site.

Les informations de Google Analytics sur vos segments, par exemple, peuvent être utilisées pour créer des listes reposant sur des données démographiques telles que l’âge, le sexe, la langue de l’utilisateur, la localisation et le stade dans votre funnel d’achat. Outre les analyses basées sur une dimension primaire (comme l’âge), il est également possible d’ajouter une dimension auxiliaire (comme l’affinité) afin de mieux comprendre les comportements correspondant à l’âge sélectionné. Il est également possible de filtrer par langue et par lieu afin de savoir d’où dans le monde notre public nous rend visite.

c. Données réseaux sociaux

La popularité des plateformes de réseaux sociaux offre de nombreuses possibilités en matière de collecte d’informations, notamment sur les intérêts, les goûts et les interactions de vos utilisateurs. Étant donné que les données fournies par les plateformes de social analytics (e.g. YouTube Analytics, Google Analytics, Linkedin Analytics, Facebook Insights) sont toujours agrégées à un niveau groupe, elles ne fournissent pas d’informations sur les utilisateurs individuels de ces plateformes. L’utilisation de ces données agrégées implique uniquement l’utilisation d’informations qui ne sont pas identifiables à un individu particulier.

3. Comment extraire l’essentiel dans l’infini de données ?

Après avoir collecté nos données, il nous faut les relier et les unifier de la même manière qu’avec une plateforme de données clients. La méthode à suivre serait de faire passer les différentes sources de données à travers un filtre commun à même de les traiter sous un même format.

En utilisant ces informations, combinées avec des données qualitatives issues de recherches utilisateur, nous pourrons ensuite construire nos personas. Ces personas axés sur les données vont alors progressivement prendre en compte les interactions et comportements utilisateur dans leur conception et selon de nouvelles évolutions. Cela garantit la création de nouveaux produits, services ou contenus issus de comportements client réels et consolidés.

4. Comment maintenir vos personas à jour ?

Si un persona reflète la perspective d’un utilisateur et de son état d’esprit à un moment donné, il prend tout son sens grâce à la combinaison de contextes, d’événements déclenchés et de comportements utilisateurs. Cela crée alors des possibilités de versions multiples de personas, qui naissent et évoluent en fonction de tout changement dans cette combinaison.

Grâce à cette approche axée sur les données, il est donc possible de créer des personas en temps réel, à partir d’analyses automatisées et évolutives en provenance de sources multiples. Ces personas sont ensuite automatiquement mis à jour dans un feedback loop de données, et recalculées selon les personas déjà existants.

Simuler des comportements clients à l’aide de personas

En traitant les informations à partir de profils utilisateur unifiés, cela permet d’éclairer nos décisions en matière de création de contenu, de gestion de persona, et en vue de futurs projets centrés client. Ce type d’informations unifiées offre alors de nouveaux niveaux d’empathie et de compréhension de vos utilisateurs et personas.

L’intérêt est clair – en offrant à vos clients et utilisateurs un service pertinent et personnalisé, basé sur une compréhension évolutive de leurs besoins, vous augmentez l’engagement, les ventes et la fidélité. 

Plus ces personas axés sur les données évoluent, plus ils seront susceptibles de maintenir un produit ou service à jour et donc pertinent aux yeux de vos clients.

Pour toute organisation axée sur les données, le persona classique n’est plus suffisant. Les entreprises prêtes à unifier et enrichir leur compréhension du consommateur bénéficieront de clients plus engagés et réactifs dans les années à venir.

Data : L’importance de la mesure dans votre stratégie marketing

Retrouvez la version originale de l’article de Think Design en anglais : Reinvent‌ ‌measurement‌ ‌strategy‌ ‌for‌ ‌the‌ ‌new‌ ‌normal‌ Pourquoi mesurer ? “Si vous ne pouvez pas le mesurer, vous ne pouvez pas l’améliorer” Lord Kelvin – physicien britannique du XIXe siècle La marque de vêtements Betabrand souhaitait augmenter ses ventes à San Francisco. Ils […]

Lire la suite de Data : L’importance de la mesure dans votre stratégie marketing

Retrouvez la version originale de l’article de Think Design en anglais : Clustering Datasets: How to discover your order in the chaos?

A quoi sert le clustering de données ?

“Aidez-nous à mieux comprendre nos clients afin de mieux leur promouvoir nos produits !”

Que feriez-vous si votre direction marketing vous chargeait de cette mission en vous fournissant la donnée client nécessaire ?

Dans le cas de problèmes spécifiques, il est nécessaire de prédire un résultat pour divers ensembles de conditions. Cela diffère du calcul de métriques spécifiques pré-définies, comme la Customer Lifetime Value (CLV) ou vos performances en matière de cross-sell – des KPI pour lesquels les données à analyser spécifiquement sont connues en amont. 

Dans notre cas, la question posée est vague par nature. Elle requiert d’identifier des tendances grâce à la donnée, et ces tendances ne sont liées à aucune métrique spécifique pré-définie.

Le clustering de données, ou partitionnement de données, est une approche visant à isoler des groupes disposant de caractéristiques similaires et de les assigner à un cluster afin d’ouvrir la voie à la découverte. Plutôt que d’analyser la donnée afin de confirmer un point, la regrouper peut mener à la découverte d’informations précieuses.

L’histoire de la décimation de l’Armée de Napoléon

En 1825, un ingénieur en civil français du nom de Charles Joseph Minard (1781-1870) a créé une représentation graphique statistique illustrant l’avancée (1812) et la retraite (1813) de la Grande Armée de Napoléon en Russie.

En tant qu’outil statistique, le génie de cette carte repose dans le fait qu’elle classifie et regroupe six différents groupes de données :

  1. Géographie : les cours d’eau, les villes, ainsi que les batailles sont nommées et positionnées de manière fidèle sur une carte classique ;
  2. La direction de l’armée : indiquée par le couleur du chemin – le marron indiquant l’avancée et le noir la retraite ;
  3. La trajectoire de l’armée : représentée par le chemin en tant que tel ;
  4. Le nombre de soldats restants : représenté par la largeur du chemin, qui s’affine progressivement et qui illustre très clairement le coût humain de cette campagne, avec chaque millimètre représentant 10 000 hommes ;
  5. La température : le froid mordant de l’hiver Russe est indiqué en abscisses à l’Echelle de Réaumur ;
  6. Les conditions météorologiques : en lien avec la température, de droite à gauche.

En clusterisant et en corrélant la donnée, la représentation visuelle nous livre une information qui a changé le cours de l’histoire.

Alors que Napoléon est entré en Russie avec 442,000 hommes, il a pris Moscou avec seulement 100 hommes restants, a erré dans ses ruines abandonnées pendant un certain temps et s’est échappé des griffes hivernales de l’Est avec à peine 100,000 soldats frissonnants. Napoléon ne se remettra jamais de ce coup dur et sera battu de façon décisive à Waterloo moins de deux ans plus tard.

Variété des données et clusters : quelles sont les alternatives ?

“L’information a beau être infinie, l’organisation de l’information, elle, est finie. Elle ne peut être organisée que selon LATCH : Localisation, Alphabet, Temps, Catégorie, ou Hiérarchie”

Richard Saul Wurman, 1996

La recherche en design propose des méthodes telles que le tri par cartes (card sorting) qui requièrent que les utilisateurs classifient l’information en clusters comme ils l’entendent. Cette approche du tri est utile lorsqu’il s’agit d’améliorer l’utilisabilité d’un produit en améliorant notre compréhension des modes de pensée de l’utilisateur.

Le diagramme d’affinité est une méthode capitalisant sur le concept de saturation de l’espace et le processus de regroupement de données afin de les répertorier au sein de groupes ou de thèmes.

Dans le cadre de l’Intelligence Artificielle, le clustering de données se modélise via l’apprentissage non supervisé, qui est souvent utilisé pour répondre aux problématiques de détection de tendances. Aucune étiquette n’est donnée à l’algorithme d’apprentissage afin que ce dernier identifie une potentielle structure par lui-même. L’apprentissage non supervisé peut être un but en lui-même (découvrir des tendances dans la donnée) ou un moyen (apprentissage par renforcement par exemple).

Une des caractéristiques communes aux différentes façons de clusteriser la donnée est l’identification de mesures de proximité : ce qui rend des points de données similaires et ce qui les sépare.

Il suffit de se poser la question.

  • Quelles sont les propriétés de mon jeu de données ? Par exemple : la localisation, la mesure du temps, la température, etc.
  • Quelles sont les différentes catégories (une combinaison unique de certaines propriétés) au sein desquelles ma donnée peut être classifiée ? Par exemple : la trajectoire de l’armée est représentée par les différentes localisations parcourues par l’armée)

Si une propriété peut couvrir différentes catégories, avec laquelle existe-t-il le plus de similarités, ou de différences ?

La donnée peut elle être comparée via une propriété de mesure commune et ordonnée ? Par exemple : l’âge de l’armée, avec des groupes du type < 20 ans, 20-40 ans, 40+ ans.

  • Comment la donnée peut-elle être catégorisée en corrélant deux propriétés, ou une propriété avec de multiples propriétés ? Par exemple : une catégorie dédiée au nombre de soldats en comparaison avec le temps, ou encore les températures en fonction du temps et de différentes localisations).

Découvrir les vérités cachées derrière la donnée en la traitant différemment.

Lorsque nous pensons au clustering de données, ou partitionnement de données, nous adoptons généralement une approche linéaire ou un mode de pensée qui limite les possibilités. Élargir notre champ de vision afin de faciliter l’adoption d’une approche créative à la résolution de problèmes peut mener à la découverte de précieuses informations, autrefois présentes mais situées dans un angle mort.

Étudier les propriétés d’un jeu de données de manière approfondie, et réduire ainsi le “bruit”, devrait nous permettre de recenser des éléments inconnus. De même, explorer leur étendue à la recherche de corrélations nous aidera à nuancer les informations qui nous sont prédéterminées.

En permettant à l’utilisateur de voir l’information d’une manière pertinente et adaptée à son objectif, vous créerez des produits plus utilisables. Lorsque l’utilisateur ne peut pas identifier de tendances par lui-même, il est nécessaire d’étudier la valeur que peut apporter le clustering de données, afin d’ouvrir un champ des possibilités pouvant mener à l’identification d’informations significatives grâce à la donnée.

Ne vous laissez pas impressionner par le potentiel de vos métriques !

En tout mesurant, on aurait tendance à croire qu’on a la maîtrise sur chacune des données qui sont mises à notre disposition. Cependant, choisir ce mode de reporting peut diluer l’attention que vous portez aux métriques relatives à vos priorités commerciales. En effet, avec la croissance exponentielle de la quantité de données provenant des canaux […]

Lire la suite de Ne vous laissez pas impressionner par le potentiel de vos métriques !

Ce n’est plus un secret : la connaissance client est un enjeu majeur pour les entreprises. Une meilleure connaissance de leurs centres d’intérêts ou encore leurs attentes favorisera la mise en place de contenus personnalisés et spécifiques à leurs besoins.

Si vous avez lu notre 1er article sur le sujet, vous aurez compris que la capture, la réconciliation et la récupération des données sont des dimensions essentielles à prendre en compte pour faciliter le profilage. Dans cette 2e partie, nous verrons que l’amélioration de la qualité des données via la définition d’une taxonomie standardisée et l’enrichissement des données est tout aussi important !

Taxonomie

Maintenant que nous pouvons déterminer qui est qui, et que nous disposons d’un endroit où les interactions avec les clients sont stockées et mises à jour, nous pouvons communiquer avec les clients sur tous les canaux. Cependant, que signifie tout cela ?

customerrecord

L’un des principaux écueils que nous rencontrons est la standardisation de la taxonomie utilisée sur les différents canaux. Par exemple, nous savons que le client a appelé et nous connaissons la durée de l’appel, mais quelle était la raison de l’appel ? Le client était-il content ou en colère ? Quel a été le résultat de l’appel ? Nous voyons que le client a ouvert la campagne « C12DHE33 », mais nous devons maintenant rechercher dans un autre système à quoi cela correspond et ce qui pourrait potentiellement intéresser le client en cliquant sur l’image « duwe3n4nudd9 ».

Comme dans tous les domaines liés aux données, si vous y mettez des déchets, vous en sortirez des déchets. En structurant vos données à l’aide d’une taxonomie, vous serez en mesure de déterminer les détails clés du profil, tels que le produit qui l’intéresse, le stade de vie du produit, et les informations recueillies jusqu’à présent dans leur parcours. Cette normalisation vous permettra de distinguer plus facilement les caractéristiques des clients et de réduire le temps et les ressources consacrées au nettoyage des données avant toute analyse, ce qui rendra les résultats plus solides à moindre coût.

progressive-profiling3

Combler les vides

Avec l’ingestion de données d’interaction propres et structurées, les profils des clients auront un certain nombre d’attributs alimentés par des méthodes indirectes de collecte de données. Cependant, il se peut que des points de données clés soient encore manquants ou mal renseignés. C’est là que des méthodes directes de collecte de données peuvent être mises en œuvre en posant des questions au client. Il y a quelques considérations clés à prendre en compte ici, telles que :

  • Quelles sont les données clés manquantes ?
  • Comment s’y prendre pour recueillir ces informations ?
  • Une fois que nous aurons obtenu ces informations, qu’est-ce que cela nous permettra de faire, quel sera l’avantage ?
  • Pourquoi un client nous fournirait-il ces informations, quel est l’échange de valeur ?
  • Qu’est-ce qui va changer afin de respecter cet échange de valeur, sinon les clients perdent confiance et ne fourniront plus d’informations.

La collecte de données ne passe pas forcément par le remplissage de formulaires longs et ennuyeux par le client. Les questions peuvent être posées au cours de communications courantes. L’utilisation d’une iconographie favorise également l’engagement et signale qu’une action claire est requise.

Par exemple,pour une entreprise de logistique, la première question posée au client pourrait être « Quels sont vos centres d’intérêt ? » Une fois ces informations fournies, les communications peuvent être adaptées de façon à offrir plus d’informations sur les sujets liés à leur sélection, par exemple l’expédition et le fret. Par la suite, les questions posées dans les communications pourraient porter sur des sujets relatifs à ce domaine d’intérêt, affinant davantage les communications en fonction des préférences du client à mesure qu’il procède à sa sélection.

interest subject content

Le client bénéficie ainsi d’un échange de valeur, puisqu’il reçoit des communications qui lui sont plus pertinentes. De plus, maintenant que nous détenons ces informations, les communications peuvent également être personnalisées avec des images et des récits qui sont adaptés au contexte, ce qui augmente l’engagement et la conversion.

Résumé

Les clients disposant d’une multitude d’informations, nous devons leur fournir des informations pertinentes et personnalisées afin de nous démarquer. Pour y parvenir, les entreprises doivent comprendre les désirs et les besoins de leurs clients et s’adapter en conséquence. Le profilage progressif permettra de mettre en place une solution évolutive qui facilitera les communications dynamiques en fonction de l’évolution des tendances du profil des clients. Toutefois, les entreprises doivent mettre en place les bases permettant de collecter, interpréter et activer les données qui ont été générées et qui leur ont été fournies.

Partie 1 – Mieux comprendre vos clients grâce au profilage progressif

Le profilage progressif (ou Progressive Profiling) est une approche de la collecte de données qui nous permet de développer progressivement notre connaissance d’un client et de son comportement au fil du temps. Cette approche de la capture de données présente une myriade d’avantages : Augmenter les taux de conversion (CRO) Créer des expériences utilisateur plus […]

Lire la suite de Partie 1 – Mieux comprendre vos clients grâce au profilage progressif

L’interprétation de vos données clients et de votre expérience client vous permet d’élaborer le parcours utilisateur, ce qui est essentiel si vous voulez par la suite anticiper la meilleure action ou conversation avec le client. Tour d’horizon des dashboards et la manière dont vous pouvez les transformer en dashboards intelligents pour mieux connaître vos clients et anticiper leurs prochains comportements. Si vous connaissez déjà ces éléments, rendez-vous ici pour comprendre comment passer des reportings statiques aux dashboards intelligents et dynamiques.

1/ Les rapports statiques standards

Ces types de rapports sont caractérisés par des résultats que nous avons tous déjà vus, où d’énormes quantités de données reporting sont générées. Ils peuvent être produits de façon régulière comme par exemple un rapport mensuel sur les ventes, mais manquent d’informations et de détails. Si vous envoyez ce genre de rapport par email, résumant une quelconque activité, à un instant T, vous pouvez être sûrs qu’il sera rapidement oublié et archivé.

2/ Les rapports publics

Il s’agit de rapports statiques capturant un moment T, qui sont publiés et/ou archivés sur un site web ou une plateforme, de sorte à toujours être disponibles. Cependant, les données de base ne changent jamais, et tout comme les rapports statiques, ils sont très vite oubliés. Je me demande quel est le pourcentage de rapports qui traînent sur un drive sans jamais voir le jour. Dans un dashboard intelligent, vous pourriez consulter toutes les campagnes et pas seulement des campagnes individuelles.

3/ Les rapports dynamiques standards

Un rapport publié en ligne ou hors ligne et qui regroupe un ensemble de données (“données de type cube (OLAP”) dans une présentation peut également être consulté, mais les données de base ne changent jamais. Un rapport de style Excel avec des filtres déroulants, des données d’entrée ou un tableau croisé dynamique en est l’exemple type.

4/ Les dashboards intelligents

Les dashboards intelligents sont des dashboards d’entreprise en temps réel qui sont liés à un ou plusieurs ensembles de données de base et qui peuvent être consultés et manipulés par les utilisateurs. Ils permettent de visualiser les données facilement et d’analyser le courant de pensée. Avec la mise en place d’une IA et de paramètres personnalisés, des alertes et notifications peuvent être configurées pour signaler des anomalies, des pics, et des objectifs atteints; éléments pertinents pour l’entreprise.
Exemple : ce pourrait être un dashboard intelligent, défini par la direction commerciale et vérifié du point de vue de la gouvernance des données. Celui-ci permettrait de consulter les données avec une perspective de l’expérience client, et répondrait aux scénarios de simulation des marketeurs. Il permettrait également d’alerter l’utilisateur en cas de changement de comportement et de résultats.

Ne jamais cesser d’apprendre ou s’améliorer

Alors pourquoi avons-nous besoin de dashboards intelligents et dynamiques ?
Je vois ça comme une salle de marché en bourse, où je dispose d’un portail pour savoir ce qui se passe sur mon marché et avec mes clients. Comme les clients changent, les marchés changent aussi. En tant que spécialistes de la transformation digitale, nous devons alors nous adapter au changement.

La seule façon d’y parvenir est de repérer les tendances, de réagir rapidement aux besoins des clients, et à leurs réactions pour anticiper au mieux leurs prochains comportements et mettre en place des actions pour les satisfaire. Pour y parvenir, le dashboard intelligent doit évoluer en permanence pour que nous puissions apprendre et nous améliorer en toute circonstance.

IA & Machine Learning : l’avenir des dashboards intelligents

Avec l’avènement de l’intelligence artificielle et du machine learning, plusieurs fonctions peuvent être envisagées dans les rapports de dashboards intelligents. Cela inclut l’élaboration de modèles prédictifs par rapport à une gamme de résultats attendus, dans laquelle un ensemble de données est censé se situer, de sorte que toute exception puisse déclencher des mises à jour automatiques dans le dashboard. Grâce à cette approche, le décisionnaire n’a besoin que de visionner des dashboards de données imprévues et n’a pas à utiliser de grandes quantités de rapports qui ne présentent que ce qui est attendu.

L’IA joue également un autre rôle, souvent appelé “human in the loop” (mettre l’humain dans la boucle) qui consiste à faire intervenir une personne humaine dans le cycle décisionnel du machine learning. Il s’agit donc d’enregistrer les décisions prises précédemment et les utiliser pour entraîner l’algorithme. De cette manière, les décideurs n’auront pas à analyser de grandes quantités de données et devront se concentrer uniquement sur celles sur lesquelles ils doivent prendre des décisions.

Les dashboards intelligents basés sur l’IA sont le prolongement naturel des outils de business intelligence. Ils permettent à votre entreprise de faire évoluer la maturité de ses données tout en augmentant la valeur que vous en tirez, car ils répondent à deux faiblesses inhérentes :

  • La 1ère est la visualisation humaine, qui est un outil faible de détection, car en tant qu’humains, nous réagissons à l’observation de tendance dans nos données. Afin de détecter des anomalies, il faut que celles-ci soient suffisamment importantes pour qu’elles se remarquent ou que le problème se produise régulièrement, afin que nous sachions où chercher.
  • La 2de est que nous sommes submergés d’informations ! Les outils de visualisation permettent de superposer les données et de zoomer sur une série chronologique, ce qui signifie qu’une infinité de dashboards possibles peuvent être visualisés à tout moment. L’IA peut voir à travers ces tableaux et nous alerter d’éventuels pics ou creux dans nos données, des anomalies ainsi que des corrélations et des effets de causalité.

Le comportement des clients est dynamique, progressif, et enregistré à de nombreux points de contact, souvent en temps réel. Si nous voulons donner un sens à tout ça et notamment à l’expérience client, nous avons besoin que les dashboards nous éclairent pour être plus avisés que jamais !

Steve Jobs avait raison !

Dans une conférence des développeurs Apple en 1997, Steve Jobs a déclaré : “Vous devez commencer par l’expérience client et ensuite travailler sur la technologie – pas l’inverse”. L’un des meilleurs moyens d’y parvenir est de visualiser vos clients à l’aide d’un dashboard dynamique et intelligent, et toujours actif afin de mieux les comprendre et mieux les satisfaire.

Comment passer des reportings statiques aux dashboards intelligents et dynamiques ?

Dans une conférence des développeurs Apple en 1997, Steve Jobs a déclaré : “Vous devez d’abord définir l’expérience client à créer et ensuite travailler sur la technologie – pas l’inverse.” Si vous ne l’avez jamais vu ou tout simplement si vous voulez vous la remémorer, vous pouvez visionner la vidéo ici ou le film complet […]

Lire la suite de Comment passer des reportings statiques aux dashboards intelligents et dynamiques ?

“The only thing that is constant is change”

  • «The only thing that is constant is change »

    Heraclitus

Today in the business world, we talk about change. The advent of AI is transforming our entire society. Tech companies heavily invest in R&D to stay on top of the game while older industries are trying to catch up on their digital transformation.

I was always intrigued by having a tangible representation of the different entities of the company as it would surely reveal interesting insights on how it is managed.

As you would imagine, few corporations were willing to let me access their organizational chart under my own data art studio Kirelion. As soon as I joined l’Atelier d’ekino (ekino’s innovation department), I was fortunate enough to be able to work on this idea and to apply it to our parent group: Havas.

Spoiler: it turns out that the knowledge extracted from this analysis is extremely valuable and can drastically help to make informed data-drive.

An idea is worthless without execution

Paraphrasing a common saying in the startup world, having an idea is great but until you can make it happen, it is just an idea.

In our case, to execute this idea, I first needed to get my hands dirty and collect data about the Organizational chart of the group.

Fortunately, Havas recently migrated to WorkDay, an ERP for finance/HR in order to simplify and rationalize within the group. This named TalentSpace acts as an internal LinkedIn where people can expose their talents and background. On top of that the tool provides their title, physical location, company name, ways of reaching them and their boss.

Personal private view for each Havas employee

For those who may fear leakage of private info, rest assured that as a regular employee, I could only access anonymized GDPR-compliant (no names) information with the consent of the HR department. Note that when I started working on the project not all the subsidies had migrated to the platform (hence the lower number of data points).

My own personal hierarchy chain to the top!

As with all new data-driven projects, I started by agglomerating information. One point worth noticing is the gender balance of the organization with more women in all 4 branches of the group.

The distribution of managers is slightly in favor of men in the top-management with a turning point at level 4, 0 being the CEO Yannick Bolloré. This level 4 roughly corresponds to the executive committee of each individual digital agency that the group manages.

Of course, there is much more to be shown that I can’t share here such as the distribution of job titles, the number of managers per agencies and at which level, the subsidies’ location of each agency and how they interact for instance.

When you start adding the job title in the mix, you can also anticipate the shortage/recruitment of talents you need to recruit to achieve your strategic goals.

This is just a bunch of examples but as you can imagine, it is extremely valuable and actionable info when your job is to manage and have a strategic vision of a company.

From data visualization to data art

Visualizing the hierarchy

So far we have talked about the value of collecting organizational info on a company. Let’s remember that we extracted a network connecting all employees to their direct superior.
As you know, this simple one-to-one relationship does not necessarily reflect the real chain of command but it is already a good start to build a visualization.

Here is an attempt at revealing the hierarchical levels of the group using a radial tree layout.

A classic and very useful data visualization used to explore the hierarchy of the company from a central node (the root of the tree), here being the CEO. By counting the number of circles we can assess the depth of the tree: how many hierarchical positions we have from the lowest entry point (the interns) to the CEO. Each dot is employee, colored according to the group sub-branches such as Havas Health, Havas Creative, BETC or ekino.

The dataset is too complex to be able to visualize all its dimensions in a 2D representation. As a general rule in a network visualization, proximity on the image does not necessarily imply proximity in the data.
In our previous radial tree, we can clearly see the different hierarchical layers, but we miss a sense of quantity. Indeed, most nodes are drawn almost on top of each other, making it difficult to assess the volume of employees per branch.

When data viz is not enough

To solve this problem, we have basically two options: adding a companion data visualization (like the barchart on top) to indicate the volume per branch or per sub company or improve/modify our radial tree layout.

First, instead of having a circular shape we could put everything in line like a file system folder view. The problem with this one is that the list becomes very long and boring to look at: you probably need to scroll to see it correctly or unzoom it so far you won’t see anything.

Coming back to our radial chart, we also put more nodes on each line with no overlap and unzoom even further away. The issue in this case, as with all angle-based visualizations, is that the human visual system has a hard time evaluating angles precisely and thus difficulty counting the number of employees. For the curious reader and avid data viz designer, this observation led to the famous blog post: “Death to Pie charts”.

This problem is also the perfect opportunity to get creative in the data viz itself and gradually enter the realm of data art. Because it is already a compromise between different visual features, we could as well introduce aesthetics and emotions in the mix!

To iterate over a design, the data viz practitioner must ask him/herself questions that criticize the current implementation. For instance:

  • How would the audience judge its interpretability compared to the previous one?
  • Is the color palette appropriate for the data at hand?
  • Is the data-ink ratio adequate?
  • Does it look more emotionally engaging, if so why?

On top of that, other artistic concerns must be addressed such as:

  • What is the concept behind this piece?
  • Is there a sense of harmony, symmetry in it?
  • How does it compare to previous pieces, too much similar? Coherent with the series?
  • Is the shape supposed to be figurative or totally abstract?
  • Do the colors resonate with the tone and idea behind the piece?

Data art to the rescue

A fuzzy radial tree displaying the hierarchy of the Havas group. While the hierarchical levels are harder to discernate, this data viz shows the total number of employees more accurately. Subjectively, it also offers a more interesting artistic shape like a multicolored iris.

These questions led me to create this “fuzzy” radial tree.

A zoom on ekino France, where I work. Notice how ekino’s blue is mixed with orange. It is due to the different email aliases belonging to its former organization Fullsix. Hence, some points are still labeled as Fullsix’s orange instead of ekino.

While it is harder to count the number of layers, we have a better sense of the total number of employees. If you are interested in the technical details, it was created by using the previous radial tree and by applying a bit of a force-directed layout to it.

“Art is never finished, only abandoned.”

  • « Art is never finished, only abandoned »

    Leonardo Da Vinci

Once I “finished” this fuzzy radial data artwork, I put it as my wallpaper and moved on to other projects for a few months. I knew it was not in its final stage, yet I had no idea how to drastically improve it.
Improving one aspect, such as visual compactness, would make a regression in another, like the interpretability for instance. In addition, I was so used to see a circular representation for these types of datasets that I had a hard time imagining something else.

I had to start fresh, a blank slate so to say, to be able to come up with something new.

Breaking the circle of death

If you are used to working with graph datasets, you know that most layout algorithms have a tendency to create circular-like shapes. It comes from the fact that they try to minimize the distance from the center of mass of the network without overlapping too much.

In layman’s terms, it means that most mathematical formula researchers use to draw networks on screen are based on the same physics model and that it often yields a circular shape.

Despite my love for these circular shapes, I wanted to create something radically different and kickstart creativity without doing a ring.

My first tries were leaning towards isometric shapes, but being a 2D artwork (to be printed) introducing a false sense of perspective didn’t really work for me here. I gradually came up to this triangular shape that I find compelling because it is so unusual in the network visualization world. It clearly shows each individual employee of the group, organized into each sub organization as we had before.

Another data art representation of the Havas employees network. The color palette is different but it is still linked to the different sub organizations in the group. Notice how well we can observe each individual employee. However, links between each subordinate are hidden, emphasizing more on the group as a whole instead of who is the boss. The CEO is still at the center of the piece in white.

Despite my enthusiasm for the previous triangular shape, I realized that it occluded the hierarchical nature of the network too much. I will keep this idea for a future piece where it really makes sense, here I clearly needed to go back to showing the links albeit more poetically…

“Together”

After countless other iterations and refinements, I am happy to present the final version of the data artwork: “Together”. I hope that you find it visually engaging, not to say beautiful, and that it resonates within you as it did with me.

This artwork visualizes the hierarchical positions of employees of the Havas group.
The Havas group is one of the top leading communication groups in the world with a presence in more than 100 countries. In other words, the CEO is linked to his executive committee, the CXOs, who in turn are linked to their subordinates in each branch, and so forth. This particular network thus starts from the top management to the lowest entry position within the group.

Final words

I hope that this article shed some light around the process behind the creation of a data artwork and the value behind this novel integrated approach: from data to visualization to art.

As we saw, the ability to analyze internal organisational chart data proves to be extremely valuable for the top management, shareholders as well as human resources.

More generally, the brand image is one of the most valuable assets of a company both for its clients and employees. Departing from classical marketing schemes, data art adds a unique perspective on branding, mixing emotions and cognition altogether, as we expose the essence of the company in one artwork.

Interview du Dr Kirell Benzi, intervenant à la Data Visualization Society le 16 juillet prochain

Les données sont partout. Leur visualisation devient donc un enjeu de plus en plus important. La capacité à créer, comprendre, et interpréter des data est essentielle pour communiquer sur des sujets aussi variés que l’économie, la science, la politique, l’éducation, la santé, la culture, et dans de nombreux aspects de notre vie quotidienne. Data Visualization […]

Lire la suite de Interview du Dr Kirell Benzi, intervenant à la Data Visualization Society le 16 juillet prochain