Data visualization et data interpretation : savez-vous analyser la variance ?

Business intelligence, data visualisation : on se focalise bien souvent sur la question des outils 
Quel est le meilleur outil pour aider les managers à prendre les bonnes décisions et réussir la bonne data interpretation ? Mais il n’y a pas que les outils. Et si la question la plus importante était d’abord dans la pédagogie et la formation à l’interprétation de certaines données ?


Data visualization, data interpretation et business intelligence. 


 
Quelles données aller chercher, comment les stocker, les compiler et avec quelle méthode de présentation et de mise en forme les présenter aux managers ? 
Et surtout, ensuite, avec quel logiciel et quel dispositif d’affichage (vidéo-projecteur ou grand écran) présenter cela en comité de direction, afin que tout le monde s’accorde sur une même analyse et prenne une décision … rationnelle ? 
 
Telle est la grande question de l’art moderne, n’est-ce pas ? Nous voulons dire de l’art de se servir des data pour mieux diriger ou gouverner. Mais, à force de présenter les choses ainsi, n‘oublie-t-on pas une étape majeure au dispositif décrit ci-dessus ?
 
Celle de ce qui se passe dans la tête même des décideurs au moment où ils font face aux faits ainsi présentés. Leurs cerveaux sont-ils aussi rationnels que cela ?

N’est-ce pas là, au moment où le dispositif d’affichage donne le meilleur de lui-même et de tous les traitements de data qui ont précédé que la phase la plus critique intervient ?

Celle de la 
data interpretation, de l’interprétation des données.
Celle où risquent de sévir les biais cognitifs les plus irrationnels qui soient, ceux où le cerveau se fait plaisir au lieu de regarder les faits. Celle qui risque de mettre par terre tant d’efforts mis par l’entreprise au service de ses data.
 
Exemple type : observer la moyenne sans regarder la variance. 

 

Data visualization : l’exemple de la variance 

Dans ce passionnant article récent de la Harvard Business Review, l’auteur, Thomas C. Redman, un confrère américain spécialiste de la data science, s’intéresse à ce biais classique. Il étudie donc la variance, cette notion statistique que nous avons tous étudiée à l’école, lors de nos cours de statistiques de 1ère ou terminale 

Mais avouons-le, il y avait “quelque chose qui gratte avec cette notion”. Elle était moins facile à comprendre que celle de “moyenne”, beaucoup plus facile à observer : une ligne droite, un chiffre. Du moins en apparence. Résultat : notre cerveau s’est habitué à trancher les choses un peu vite, en s’appuyant sur la moyenne. C’est plus facile.
 
 

Erreur de data visualization : l’affaire des factures 

Thomas C. Redman nous raconte donc l’histoire de ce manager aux prises avec des taux d’erreurs trop importants dans son service comptabilité.  
Il prend donc une décision : il fait des remontrances à ses équipes. Aussitôt, les choses vont mieux. C’était donc cela le bon management. Un petit coup de gueule, et ça repart !  

Hélas, la semaine suivante, le taux d’erreurs explose littéralement. La data interpretation du manager n’était pas du tout la bonne. Il a juste oublié le facteur temps : la distribution d’un phénomène se fait AUTOUR d’une moyenne et l’écart de cette distribution, la variance donc, fait aussi partie du phénomène.  

 
La variance aussi fait partie du phénomène étudié

Elle signifie également quelque chose. Thomas C. Redman insiste sur le fait qu’il s’agit de comprendre les sources de ces variations qui forment la variance globale. Il peut y avoir plusieurs facteurs.  
 
Au final, il a fallu attendre plusieurs semaines à ce manager pour identifier différentes causes dans son taux d’erreur. L’auteur n’explique pas les détails, mais on comprend que l’affaire était complexe. A l\’arrivée, la data visuation bien interprétée lui a permis de réduire drastiquement non seulement le taux d’erreur moyen, mais aussi la variance dans l’apparition de ces erreurs.  

 

Leçon de l’histoire 

Il ne suffira donc pas de faire réviser à tout le comité de direction les cours de statistiques de terminale pour éviter ce genre d’erreur. Il faudra que toutes les personnes concernées dans l’entreprise s’habituent à adopter quelques réflexes prudents en matière de data-interprétation. 

Cette histoire nous rappelle donc une des clés d’une bonne data-
governance. La pédagogie de la data que doivent mener, sans relâche, les techniciens du sujet dans l’entreprise (data-scientists, data-managers, etc.) : leur mission ne peut s’arrêter à fournir de beaux graphiques ou de beaux outils capables de générer de tels graphiques en quantité.  

Elle doit aussi contribuer à faire un peu de prévention contre les mauvaises interprétations et les erreurs de data visualisation. 

Ces réflexions sur la business analytics et la business intelligence vous intéressent ?
Suivez notre série d\’articles sur le sujet.

Et pour cela , abonnez-vous à notre newsletter “En direct des bacs à sable”.
Cette newsletter vous informera de que nous publions ici et de ce qui se publie ailleurs sur ce type de sujets..

Abonnez-vous au plus vite.
Découvrez les trésors des bacs à sable, cliquez sur l’image….

\

A propos de data visualisation vous aimerez aussi sans doute lire :

Erreurs de data-visualisation : quand les camemberts ont tout faux

Data visualisation : cette erreur qu\’adorent les publicitaires

Erreurs de data-visualisation : ne tombez pas dans le piège de la moyenne

 

 

\

Téléchargez les bonnes feuilles du livre de Redouane Labdoui

  • Et découvrez-le en avant-première
 

Prénom
Nom

Vous pourrez vous désinscrire à tout moment de la plateforme de gestion des téléchargement que nous utilisons, Mailchimp.
En acceptant de télécharger cet ouvrage, vous acceptez que vos informations personnelles soient transférées au système automatique de traitement Mailchimp. La politique de confidentialité de cet outil peut être consultée ici.

* champ obligatoire