Business Intelligence : Les clés pour réussir votre Projet BI

La principale clé de réussite d’un projet de BI (Business Intelligence) réside dans la capacité à aligner les intervenants techniques et métier. Par définition, un projet de BI est à l’intersection de la data et du business. La finalité est d’améliorer la performance business grâce à une meilleure exploitation de la data – via la construction de dispositifs d’analyse : tableaux de bord, reportings, bases de données exploratoires…

Nous allons voir dans ce guide complet comment cadrer et déployer un projet de BI pas à pas, en prenant en compte tous les enjeux associés à cette famille de projets sur lequel nous intervenons régulièrement auprès de nos clients.

Qu’est-ce que la Business Intelligence ?

La Business Intelligence (BI) est l’activité qui consiste à utiliser les données à la disposition de l’entreprise pour améliorer les prises de décision du management et des équipes opérationnelles. Soit : créer de l’intelligence à partir des données, en les transformant en enseignements utiles et accessibles.

Dans notre univers métier (le CRM), la Business Intelligence est utilisée pour :

• Piloter la performance des actions de marketing-ventes de manière avancée.
• Améliorer la connaissance client et, au-delà, la compréhension de son business.

Un projet de BI consiste à construire un dispositif de reportings/dashboards permettant aux équipes métier d’accéder aux informations utiles pour optimiser leurs actions.

Les 3 piliers d’un projet de BI réussi

Un cadrage du projet aligné sur vos objectifs business

Vous devez commencer par définir les objectifs du dispositif de Business Intelligence :

• Vous souhaitez utiliser la BI pour mieux piloter votre activité ? Très bien, mais que souhaitez-vous piloter : votre acquisition client, vos performances de ventes, vos performances produits ?
• Vous souhaitez utiliser la BI pour augmenter votre connaissance client ? Très bien, mais que souhaitez-vous connaître ? L’état de santé de votre base de contacts, vos différentes typologies de clients, le comportement d’achat de vos différents segments clients, la durée de vie moyenne de vos clients, la fréquence d’achat par typologie de clients ?

En clair, vous devez définir les questions pour lesquelles vous souhaitez obtenir des réponses. Ces questions sont étroitement liées à vos objectifs business / CRM. Une fois que vous avez formalisé le « pourquoi » (les objectifs) et le quoi (les questions), vous pouvez passer à l’étape suivante : la définition des axes d’analyse, c’est-à-dire des indicateurs et des dimensions qui composeront les tableaux de bord. Les dimensions sont les angles de mesure utilisés pour un indicateur. Pour prendre un exemple, vous pouvez mesurer le Net Promoter Score par zone géographique, par magasins, par typologie de clients, etc.

Une fois que vous avez vos objectifs, vos questions, vos indicateurs, il faut réfléchir à la manière d’alimenter les indicateurs. L’aliment des indicateurs, ce sont les données. Si vous souhaitez calculer une fréquence d’achat, vous allez avoir besoin des données clients et des données transactionnelles. Pour chaque indicateur sélectionné, il y a deux cas de figure :

• Soit vous disposez déjà des données permettant de l’alimenter.
• Soit vous n’avez pas ces données. Dans ce cas, vous allez devoir imaginer des mécaniques de collecte.

On a donc le schéma suivant : objectifs > questions > axes d’analyse > données. Il faut cependant ajouter un élément de complexité. Les utilisateurs, les équipes n’ont pas besoin des mêmes informations. Un dispositif de BI ne se réduit pas à 1 seul tableau de bord, mais sera constitué de n tableaux de bord. Il y aura par exemple le tableau de bord à destination du top management, celui à destination de l’équipe marketing, celui pour l’équipe sales, celui pour les conseillers du service client, etc.

La phase de cadrage du projet de BI consiste donc à définir les différents familles d’utilisateurs du dispositif de BI (top management, marketing, ventes, support client…) et à dérouler ensuite la démarche d’expression du besoin pour chaque famille d’utilisateurs.

Nous recommandons souvent à nos clients d’organiser des ateliers réunissant les différentes familles d’utilisateurs du dispositif de BI pour faire émerger les besoins de reporting.

Tout ce travail de cadrage permet d’aboutir à une feuille de route dans laquelle sont ordonnancées les différentes étapes à mettre en oeuvre pour produire le dispositif et les différents modules qui le compose. Cette feuille de route doit être pragmatique, elle doit tenir compte de l’impact et de la faisabilité technique du projet.

La mobilisation d’un profil ayant une double compétence business / data

Un projet de BI vise à mettre la data au service du business. Le dispositif de BI va être développé par des équipes data au service des équipes métiers. Une bonne communication entre les deux est nécessaire, c’est même une des conditions de succès de votre projet de BI comme nous l’avons rappelé en introduction. En clair :

• Les équipes data doivent comprendre et toujours garder en tête les besoins des équipes métiers. Idéalement, les équipes data doivent avoir une compréhension des enjeux business.
• Les équipes métiers doivent être capables de formuler leurs besoins de manière claire et suffisamment précise. Si les besoins ne sont pas clairement exprimés, on aboutira à des tableaux de bord qui ne répondent pas aux bonnes questions ou qui ne répondent qu’à une petite partie des questions. Dans les faits, c’est l’une des principales causes d’échec des projets de BI : les besoins métiers n’ont pas été clairement formulés au début, on aboutit à la fin à des livrables qui ne répondent pas aux besoins (logique…).

Le meilleur moyen de faciliter la communication entre les producteurs du dispositifs (les intervenants data) et les utilisateurs finaux (les intervenants métier) est de faire intervenir un profil business ayant la double compétence data / business. Idéalement, cet intervenant est le chef de projet.

Une autonomisation des équipes

Les tableaux de bord et les reportings doivent être utilisés par les utilisateurs cibles – et cela de manière autonome. La réussite d’un projet de BI réside aussi dans la capacité de l’entreprise à développer une culture data-driven auprès de ses équipes. Pour atteindre cet objectif, il faut :

• Impliquer au maximum les utilisateurs finaux dans la conception du projet de BI, en particulier dans la phase d’expression du besoin.
• Créer un dispositif de BI adapté à la maturité data des équipes métier.
• Produire une documentation présentant le dispositif de BI, son contenu, son mode d’utilisation, etc.
• Former les équipes à la prise en main du dispositif.

Les étapes clés d’un projet de BI

Etape 1 – Cadrage & conception du dispositif de Business Intelligence

Nous avons déjà abordé l’étape de cadrage qui, en résumé, consiste à partir des objectifs de mesure, à qualifier les besoins de reporting des utilisateurs (pour chaque famille d’utilisateurs) et à organiser le projet : feuille de route, roadmap, constitution de l’équipe projet.

L’étape qui suit consiste à concevoir le dispositif de BI. Elle se décompose en plusieurs étapes :

• Identification des tableaux de bord / reportings à produire, sur la base de l’expression du besoin formalisée au moment du cadrage.
• Conception des tableaux de bord, un à un. Pour chaque tableau de bord, il faut concevoir :
  • Le contenu : le choix des indicateurs, des KPI, des dimensions, des axes d’analyse…
  • Le format : la production de la maquette du tableau de bord qui détermine la manière dont les informations seront présentées / affichées dans le tableau de bord (+ les règles de partage et d’utilisation des dashboards).
• Identification des sources de données qui viendront alimenter les tableaux de bord / les KPIs. Il faut identifier les données cibles et les sources de ces données.

Etape 2 – Mise en place du dispositif de Business Intelligence

Après l’étape de conception vient l’étape de mise en production des tableaux de bord. A cette étape va se poser la question des outils. Est-il possible de produire les tableaux de bord cibles dans les outils existants ou l’entreprise va-t-elle devoir s’équiper d’un outil de reporting ? Dans ce dernier cas, il va falloir organiser la sélection du logiciel. Nous détaillerons dans un instant ce sujet des outils.

L’une des étapes les plus techniques d’un projet de BI, qui nécessitent des compétences avancées en data management, est celle de la mise en place des flux de données entre les sources de données (les bases) et l’outil dans lequel sont construits les reportings. Il y a en fait deux sujets à traiter :

• La préparation des données. Il y a un travail de normalisation et de transformation des données à réaliser, généralement en amont de leur import dans l’outil de reporting.
• La création des flux de données entre les sources de données et l’outil de reporting.

Les modalités de mises en place de ces flux ETL (extract – transform – load) dépendent beaucoup de l’architecture CRM de l’entreprise. La meilleure configuration est celle où l’entreprise dispose d’un entrepôt de données cloud (type Data Warehouse) ou d’une Customer Data Platform dans lequel/laquelle les données sont déjà unifiées. Il suffit alors de préparer les données selon les besoins de la BI et de les synchroniser dans l’outil de reporting. Si l’entreprise ne dispose pas d’une BDD centrale, les données sont dispersées et il est plus complexe de mettre en place l’alimentation en données de l’outil de reporting.

Il n’y a pas de BI possible sans une base de données structurée facilitant l’alimentation des tableaux de bord. Dans la pratique, les projets de BI sont souvent l’occasion de retravailler la base de données sous-jacente, voire d’envisager une évolution de l’architecture IT.

La dernière étape de la phase de production est la recette des dashboards. Il s’agit d’un ensemble de tests et de vérifications destinées à s’assurer que les informations affichées sur les tableaux de bord concordent avec les « sources de vérité » de l’entreprise, sont cohérentes avec les données de la base de données. Pour en savoir plus, nous vous invitons à découvrir notre article complet sur le sujet : Comment faire une recette de Dashboard – Guide et Modèle de cahier de recette.

Etape 3 – Exploitation pérenne des reportings

Concevoir, produire…et exploiter. Une fois produit et testé, le dispositif de Business Intelligence doit être pris en main par les équipes, les utilisateurs finaux. Nous avons vu tout à l’heure l’importance de bien anticiper cette étape, déterminante dans le succès d’un projet de BI.

Pour favoriser l’adoption rapide des tableaux de bord et reportings, il faut :

• Former et accompagner les utilisateurs à la prise en main et à l’exploitation des tableaux de bord, leur apprendre comment bien analyser les reportings et comment transformer les analyses en actions.
• Construire une documentation complète (à mettre à jour régulièrement !) composée de tutoriels et listant les procédures internes relatives au dispositif data : évolutions, remontée de bugs, recette, hotline…

Le choix des outils de BI

Si votre entreprise souhaite lancer un projet de BI et qu’elle ne dispose pas d’outil de reporting, il faudra sans doute envisager d’en déployer un, car les fonctionnalités de reporting proposées par les outils marketing / CRM sont limitées et ne permettent pas de construire un dispositif de BI global, omnicanal.

Pour prendre un exemple caricatural, un outil d’emailing donne accès à des reportings de la performance de vos campagnes, mais ne permet pas de croiser les données de vos campagnes publicitaires et les données de vos campagnes emailing. Seul un outil de reporting tiers, indépendant des outils d’activation, permet de construire des tableaux de bord omnicanaux et d’analyser la performance au niveau des parcours clients.

Par ailleurs, dans les outils marketing, les capacités de personnalisation des tableaux de bord sont relativement limitées.

Nous avons produit un comparatif des logiciels de BI qui vous permet de découvrir les principales solutions du marché. Vous verrez qu’il existe deux principales familles d’outils de BI :

• Les solutions légères, comme par exemple Looker Studio ou Metabase, qui peuvent convenir si vos besoins sont simples et que vous avez peu de sources de données à connecter.
• Les solutions complètes qui permettent d’aller plus loin dans la préparation des données et intègrent des fonctionnalités d’intelligence artificielle puissantes. Citons, par exemple, Tableau et Qlik.

Les principaux critères à prendre en compte dans le choix d’un outil de BI sont :

• Le prix. Les solutions complètes comme Tableau coûtent beaucoup plus cher que les solutions légères dont certaines sont d’ailleurs gratuites…
• Les compétences des utilisateurs. Certains outils nécessitent des compétences importantes, notamment en matière de manipulation des données.
• Le niveau de gestion des accès. Tous les utilisateurs n’ont pas vocation à accéder à tous les tableaux de bord. Le niveau de gestion des accès (RLS, Row Level Security) varie d’un outil à l’autre et est un critère important pour beaucoup d’entreprises.
• La complexité des analyses à produire. Les capacités d’analyse dépendent étroitement des capacités de préparation des données. Les solutions de reporting légères offrent des capacités limitées de transformation des données, ce qui limite de facto le niveau d’analyse.

De la Business Intelligence à la Data Science

Un projet de Data Science est un projet de BI avancé qui consiste à mettre en place des modèles d’analyse avancés, basés sur du Big Data, de l’algorithmie et du machine learning.

2 exemples de projets de Data Science emblématiques dans notre univers métier du CRM :

• La mise en place d’un modèle d’attribution marketing basé sur des modélisations mathématiques du type chaînes de Markov ou valeur de Shapley.
• La construction d’un modèle de scoring personnalisé impossible à mettre en place avec les modèles sur l’étagère proposés par les logiciels du marché.

Les étapes d’un projet de Data Science diffèrent de celles utilisées pour les projets de BI classiques dont nous avons parlé plus haut. La méthode que nous recommandons, et que nous utilisons dans nos accompagnements, comprend les étapes suivantes :

• Cadrage et diagnostic de la situation. On commence par cadrer les objectifs du projet et par définir les enjeux auxquels le projet devra répondre. Par exemple : « Je suis une institution financière et je souhaite mettre en place un modèle de scoring client pour l’octroi de crédits, prenant en compte toutes les variables clés pondérées. Mon objectif est d’améliorer mes prises de décision d’octroi de crédit ».
• Audit des données exploitables pour construire le(s) modèle(s) algorithmique(s). Les données sont le carburant des modèles algorithmiques. Ce qui va être possible de faire dépend étroitement des volumes et des natures de donnés à disposition. D’où l’importance de procéder à un audit précis des données à disposition de l’entreprise. Cette étape peut être l’occasion d’identifier les données à collecter (lorsqu’elles sont manquantes).
• L’audit de l’architecture data / IT. Il s’agit ici d’obtenir une vision claire :
  • Des outils, bases et systèmes utilisés pour stocker et traiter les données.
  • Des flux de données entre les systèmes (interconnexions, inter-opérabilités).
• Analyse avancée des données. L’objectif est d’obtenir une compréhension précise et détaillée des données, sous tous les aspects : qualité, complétude, format, exploitabilité…Cette étape prolonge l’audit initial qui permettait d’obtenir une vision synthétique.
• Mise en oeuvre du projet Data Science. Les étapes précédentes sont préparatoires à cette étape qui consiste à mettre en production les algorithmes et à organiser les tests (PoC).

Présentation d’1 cas client : Ohmycream

Nous avons aidé plusieurs entreprises (B2B et B2C) dans la structuration et le déploiement de projets de BI. Nous aimerions vous présenter un cas client : Ohmycream, que nous avons accompagné sur des sujets data et marketing. Ce cas client illustre la finalité des projets de BI en univers CRM : mieux connaître ses clients et mieux analyser sa performance pour améliorer sa stratégie de marketing-ventes.

Ohmycream est une marque de cosmétiques présente en France, au Royaume-Uni et en Belgique, avec un chiffre d’affaires de 37 millions d’euros en 2022. L’enseigne dispose de 25 boutiques en propre et d’un site e-commerce. Après une forte croissance pendant la période du Covid, Ohmycream souhaitait passer un palier de maturité sur sa connaissance client et mettre en place des actions pour augmenter et piloter la valeur client (programme de fidélité, actions de rétention). Nous avons accompagné Ohmycream sur l’ensemble des sujets data marketing et connaissance client. 

Nous avons organisé la collaboration en mettant en place (l’importance du cadrage et de l’organisation de mission dont nous parlions plus haut…) : 

• Une évaluation trimestrielle de la charge basée sur la roadmap data.
• Un comité de pilotage data mensuel pour faire le point sur les chantiers en cours et prioriser les futures actions.
• Un point hebdomadaire pour suivre et valider les livrables : rapports, flux de données, etc.
• Une hotline pour produire des analyses ad-hoc selon les besoins des équipes métiers.

Voici quatre chantiers d’actions que nous avons déployés avec et pour Ohmycream : 

• Analyses client ad-hoc. L’objectif était de dresser un rapide premier état des lieux de la santé et des caractéristiques du portefeuille client, et également d’apporter des réponses rapides à des enjeux opérationnels. Nous avons évalué le niveau de maturité de la connaissance client Ohmycream, prioriser les questions business clés, construit les tables de données, validé les KPIs de référence.
• Refonte de la segmentation et conception d’une stratégie de réactivation client. Nous avons produit une analyse RFM, affiné la définition des règles de segmentation, analysé les caractéristiques de chaque segment et déployé des campagnes de réactivation personnalisées par segment.
• Conception d’un programme de fidélité. Nous avons défini les objectifs prioritaires du programme de fidélité, en se basant sur le travail sur la segmentation mené préalablement, construit les mécaniques d’incentives et défini les paliers d’avantages, piloté en shadow le programme pour affiner les seuils et points afin de maximiser l’impact business.
• Conception et déploiement de l’architecture data permettant d’industrialiser les cas d’usage métiers : réactivation, programme de fidélité, pilotage centre client, analyses ad-hoc…Nous avons sélectionné, déployé et paramétré un Reverse ETL (Octolis) pour gérer la préparation des données et un outil de BI (Metabase).

Vous avez un projet de Business Intelligence ? Entrons en contact !

Vous avez besoin de conseil pour cadrer, concevoir et déployer votre dispositif de Business Intelligence ? Vous souhaitez franchir un cap en matière de connaissance client et/ou de mesure de la performance marketing-ventes ?  N’hésitez pas à nous contacter pour un premier échange rapide.

CRM / Data - Plus de 15 ressources & templates gratuits à télécharger.

Découvrir