Pas de Growth marketing sans faire de l’analyse de données. Or, pour aller au-delà de Google Analytics ou Data Studio et analyser les données de votre produit, l’aide de votre équipe de « Data analysts » peut être utile. On dit qu’apprendre à coder permet de mieux travailler avec des développeurs en apprenant leur langage et à mieux formuler ses demandes. C’est pareil avec vos Data Analyst. Devenez proche de votre équipe Data ; en apprenant plus sur leur métier.
Cet article n’a pas l’ambition d’expliquer tout le vocabulaire de la Data mais seulement les termes que vous aurez le plus de chance de rencontrer dans votre quotidien de Growth Marketer. Je n’ai encore jamais eu l’occasion de travailler avec des Data Scientist. De plus, le domaine du Big Data est trop large pour tout couvrir dans cet article. Il contiendra aussi beaucoup d’anglicismes.
Algorithme : Un algorithme est un procédé qui permet de résoudre un problème sans avoir besoin de réinventer une solution à chaque itération du problème.
Arbres de décision : Algorithme qui permet de résoudre un problème. Dessinez un arbre pour lequel chaque feuille représente une solution possible et les branches sont les choix à suivre.
Analyse prescriptive : l’analyse prescriptive permet de proposer des actions afin d’optimiser un impact maximal. Exemple : l’analyse des différents canaux d’acquisition pour savoir quel investissement apportera le plus de conversions.
Analyse prédictive : l’analyse prédictive ne prédit pas l’avenir. Mais, en étudiant le passé, elle prévoit des probabilités de scenarii. Exemple : L’analyse des campagnes d’e-mails déjà envoyées pour trouver le schéma qui améliora le taux d’ouverture des suivantes.
Analyse descriptive : l’analyse descriptive consiste simplement à décrire le contenu d’un ensemble de données. Exemple : Afficher les KPI du mois présent.
Customer Data Platform : C’est un logiciel qui collecte et organise les données des différents points de contact des clients. Les données sont ensuite structurées, traduites et envoyées vers d’autres logiciels marketing. Le Customer Data Platform améliore la segmentation et la personnalisation des actions marketing.
Data Lake : C’est dans un Data Lake que l’on récupère les données brutes pour les transformer en données structurées qui seront envoyées vers la Data Warehouse.
Data Mining : C’est le processus qui permet de trouver des schémas et d’extraire les bonnes informations provenant de larges ensembles de données. Un peu comme chercher des minéraux précieux dans une mine aux multiples couloirs.
Data Visualisation : C’est le mot qui intéresse le plus les profils en dehors de l’équipe Data. La visualisation des données que vous avez demandées à votre équipe d’analystes et ce à quoi elle va ressembler. Ce sont les chiffres, les graphiques, les courbes qui apparaîtront sur vos tableaux de bord. Looker, Google Data Studio ou PowerBi sont des logiciels de data visualisation.
Data Warehouse : Les Data Warehouses permettent de stocker les données qui ont été préalablement structurées et formatées. Snowflake, BigQuery ou Redshift sont des entrepôts de données, en français.
ETL : « Extract, Transform, Load« , cet acronyme fait référence au processus d’extraction de données brutes, leur transformation en données structurées et le chargement de ces données dans la Data Warehouse.
Machine Learning : Le machine learning est une discipline provenant de l’intelligence artificielle. Il consiste au développement d’algorithmes qui apprennent à partir de vos données.
SQL, PYTHON, R : Trois langages de programmation traditionnellement utilisés pour l’analyse de données.
Le lexique des graphiques
Aires empilées : il ressemble au graphique en courbe mais permet de mieux voir les différences d’amplitude entre les phénomènes étudiés.
Boîtes à moustaches : ce graphique est rarement utilisé pour de la visualisation, il nécessite quelques bases en statistiques pour être créé. La boîte à moustaches un moyen rapide de figurer le profil essentiel d’une série statistique qualitative.
Courbes : Le graphique le plus courant. Faciles à lire, les courbes permettent la représentation de nombreuses modalités et sont adaptées aux données temporelles.
Diagramme en bâtons : le diagramme en bâton est le plus efficace pour comparer des données et il est à la portée de tous dans sa lecture.
Diagramme circulaire : le diagramme circulaire permet de représenter des parts en pourcentage ou quantité. Mais, à utiliser avec peu d’entrées sinon, il devient illisible et bien prendre garde que la totalité des parts soit égale à 100.
Diagramme de Kiviat : Tous les axes partent du point central et il y a autant d’axes que de catégories. Il permet de supporter plusieurs séries, chaque série étant identifiée par une couleur différente.
Nuages de point : les nuages de point aident à montrer des liens et des corrélations.
Pyramides : Un diagramme en bâtons où il est possible de superposer les courbes ce qui permet de comparer les données obtenues à des données de référence.
Le lexique des métiers
Business Intelligence Manager : C’est l’expert qualifié qui est capable d’encadrer les différents outils de Business Intelligence utilisés par son entreprise.
Data Analyst : Le Data Analyst a pour rôle, en collectant la donnée, de dégager des informations et de les mettre à disposition du reste de l’entreprise pour assister la conception d’une stratégie de croissance fondée sur la donnée. Son rôle est de vulgariser la donnée pour qu’elle soit comprise par tous.
Data Architect : Il intervient en amont des Data Engineer, son rôle est de concevoir, optimiser et protéger les infrastructures de données.
Data Scientist : Face à une question, le Data Scientist va récupérer les données brutes, extraire des informations et les interpréter pour trouver une réponse. Il va interpréter la donnée et créer des algorithmes pour apporter une ou des solutions au problème donné.
Data Engineer : Profil très technique, il classe et structure les données, les informations recueillies par les différents logiciels de donnée et la base de données de l’entreprise. Il s’assure aussi que l’infrastructure de la base de données reste fluide et opérationnelle pour être exploitée par le Data Scientist et le Data Analyst.
Pour aller plus loin :
- LeBigData
- Learn to code with Python, Ana Bell
- Storytelling with Data, Cole Nussbaumer Knaflic
