4 types de données non fiables

Plusieurs raisons expliquent pourquoi les entreprises peinent à adopter des stratégies axées sur les données. Le manque de ressources, d'outils, de directives et d'une approche centrée sur les données constituent autant d'obstacles à la mise en œuvre de ces stratégies. Même en réunissant tous ces éléments, un seul facteur peut tout détruire : des données non fiables.

Lorsque les données ne sont pas fiables, les équipes les utilisent moins. Lorsque les équipes utilisent moins les données, elles sont reléguées au second plan et deviennent obsolètes. Lorsque les données deviennent obsolètes, elles perdent en fiabilité (et le cycle reprend).

Mais qu'entend-on exactement par "données non fiables" ? Cet article explore les 4 grands types de données non fiables et leur lien avec les données comportementales du produit (c'est-à-dire les données qui vous renseignent sur les utilisateurs et utilisatrices, ainsi que leurs actions sur un site web ou une application).

1. Données obsolètes

Les données obsolètes désignent des données qui ne sont plus à jour et qui ne sont plus collectées.

Les données obsolètes peuvent être dues à différentes raisons, comme :

• L'événement de suivi utilisé pour capturer les données est lié à une ancienne version d'une fonctionnalité obsolète

• Le code de suivi est cassé

• Vous cherchez au mauvais endroit (c'est particulièrement répandu si différentes équipes utilisent différents outils d'analyse pour le suivi et que vous n'avez pas de source unique de vérité pour les données d'analyse de produit)

Dans tous ces cas de figure, la cause première des données obsolètes est un manque de stratégie, de priorisation et d'harmonisation en matière de suivi des données produit. Il en résulte une absence totale de maintenance des anciens événements de suivi et aucun effort déployé pour mettre à jour le plan de suivi au fur et à mesure de l'évolution du produit.

Les données obsolètes sont particulièrement fréquentes si votre outil d'analyse de produit repose sur une mise en œuvre manuelle (au lieu de capturer automatiquement tous les événements en temps réel). Cela enferme les équipes d'analyse dans un cycle réactif, où elles mettent constamment en place le suivi des nouvelles fonctionnalités et des nouveaux cas d'usage, ce qui leur laisse peu de temps pour nettoyer les données et veiller à leur qualité.

2. Données peu claires

Levez la main si vous avez déjà travaillé avec un environnement analytique comportant plusieurs versions d'une même donnée. Du type : "Inscription", "S'inscrire", "inscription" et "Inscription – NOUVEAU", tous répertoriés comme des événements distincts, mais semblant tous désigner la même chose.

Dans ce cas, on se demande "quelle est la bonne version ?" Les autres sont-elles "bonnes", mais présentent-elles une version différente des faits ? Même si vous savez quelle version est correcte, comment être sûr que vos collègues et les autres parties prenantes le savent aussi ?

Les données qui manquent de précision sont fréquentes dans l'analyse de produit et cela entraîne deux conséquences négatives :

• Dans un scénario, un utilisateur finit par analyser un événement quine lui apporte pas les informations attendues, ce qui pourrait conduire à une décision importante basée sur des données erronées

• D'un autre côté, l'utilisateur peut choisir le "bon" événement, mais seuls ceux qui sont proches du déploiement ont généralement suffisamment confiance en cet événement pour l'utiliser. Pour tous les autres, la confiance dans l'ensemble des données est compromise, même si tout le reste est correct.

Tout comme pour les données obsolètes, ce problème est très difficile à éviter lorsque les événements sont instrumentés manuellement. Un ensemble de données rigide, généré par le code, conduit souvent à des données d'événements qui manquent de clarté, car la mise en œuvre de nouveaux événements est gérée par le code et uniquement par un petit nombre de personnes.

Toute incohérence, duplication ou mauvaise convention d'appellation commence par une décision hâtive, une simple erreur ou quelqu'un qui dit "c'est suffisant" (mais les problèmes qui en résultent prennent de l'ampleur et infectent sournoisement toute votre stratégie analytique au fil du temps).

3. Données inexactes

Les données inexactes se présentent sous deux formes :

• Les données qui sont inexactes et vous le savez

• Les données qui sont inexactes, mais vous n'en avez pas conscience

Les deux types de problèmes aboutissent aux mêmes conséquences négatives que le problème des "données peu claires" déjà évoqué : une baisse de la confiance et des conclusions erronées fondées sur des données trompeuses.

Commençons par le premier type de données inexactes. C'est le cas où vous savez tout simplement que quelque chose ne va pas, par exemple si votre rapport indique que seulement 30 personnes ont consulté votre page d'accueil le mois dernier.

Il est non seulement difficile de quantifier l'ampleur de ces inexactitudes ("ces chiffres sont-ils légèrement erronés ou complètement faux ?"), mais il est aussi difficile de les diagnostiquer et de les corriger, surtout lorsque les événements sont créés par une petite équipe d'ingénieurs travaillant indépendamment.

Le deuxième type de données inexactes est particulièrement problématique pour les entreprises. Lorsque des données inexactes sont considérées comme correctes, cela peut vous amener à prendre des décisions sur les fonctionnalités, les produits, voire l'activité commerciale, sur la base d'hypothèses erronées.

Prenons l'exemple de l'optimisation du taux de conversion (CRO) sur votre site web. Vos données montrent que l'appel à l'action (CTA) en bas de votre page d'accueil était plus performant que celui en haut de la page : vous avez donc décidé de supprimer ce dernier.

Vous ne le saurez jamais, mais c'était en fait l'inverse : le premier CTA était plus efficace que le second. Il est possible que les noms des événements aient été inversés lors de la mise en œuvre ou que le code de suivi du premier CTA ait été défectueux et que tous les clics n'aient pas été enregistrés.

Dans les deux cas, vos données inexactes vous ont contraint à supprimer votre CTA le plus performant, ce qui a potentiellement impacté votre taux de conversion global. Et comme vous faisiez tout bien (analyse du comportement de l'utilisateur, test des hypothèses, prise de décisions basées sur les données), vous ne saurez probablement même jamais ce qui s'est mal passé.

4. Absence de données

L'un des défis les plus courants auxquels les équipes font face lorsqu'elles sont confrontées à une question commerciale est tout simplement le manque de données nécessaires pour y répondre.

Trop souvent, la mise en place d'un système d'analyse est perçue comme un projet ponctuel avec une date de fin. De ce fait, il est fréquent de ne pas prévoir de processus de maintenance continue ni d'ajout de nouveaux événements de suivi lorsque des lacunes apparaissent inévitablement dans les données.

Au lieu de cela, les équipes se retrouvent prises dans un cycle réactif, ajoutant sans cesse de nouveaux événements à la demande de diverses équipes aux objectifs et KPI différents. Une fois ces nouveaux événements mis en place, les données doivent encore s'accumuler et lorsque la question pourra enfin être résolue, elle risque d'être déjà obsolète.

À ce stade, vous pourriez même avoir une nouvelle série de questions sans réponse (et le cycle reprend).

Comment une plateforme d'analyse de produit en temps réel relève ces défis

Certaines entreprises tentent de résoudre ces problèmes en investissant massivement argent, temps et ressources dans la mise à jour de leurs ensembles de données manuels et codés en dur. Mais il existe une solution plus efficace.

Les équipes visionnaires utilisent une plateforme d'analyse de produit tout-en-un pour obtenir un ensemble de données virtuel en temps réel, capturant toutes les données d'événements en amont, sans aucun code de suivi manuel. Elles peuvent ainsi sélectionner les événements qu'elles souhaitent analyser ultérieurement.

Les outils d'analyse de produit offrent de nombreux avantages aux entreprises de toutes tailles :

• Leur mise en place et leur entretien nécessitent très peu de ressources

• Ils suivent une multitude de données analytiques sur le comportement de l'utilisateur et l'analyse de produit

• Ils apportent des insights en temps réel qui vous permettent de repérer rapidement les problèmes et d'identifier les opportunités

• Les données sont disponibles rétroactivement, ce qui évite d'avoir à attendre qu'elles s'accumulent avant de pouvoir répondre aux questions

Tout cela veut dire que vous obtenez des données précieuses et fiables qui vous permettent d'améliorer rapidement les expériences client digitales et obtenir des résultats concrets (et vite).

Prenez des décisions commerciales axées sur les données avec Contentsquare

Si vous êtes prêt à dire adieu pour de bon aux données non fiables, il est temps de dire bonjour au produit Product Analytics de Contentsquare. Suivez, analysez et optimisez les performances de vos produits grâce à des insights utilisateurs qualitatifs et quantitatifs et assurez-vous de toujours prendre des décisions basées sur des données fiables et transparentes.