Pas le temps de lire ? Envie de plus d’infos ?
Nous sommes là pour en discuter !





    Accueil Le carnet de bord du digital Stratégie Web Sommes-nous tous des Data Analysts (en devenir) ?

    Sommes-nous tous des Data Analysts (en devenir) ?

    À force d’analyser des données, de chercher des patterns et de multiplier les outils, sommes-nous en train de faire évoluer nos expertises ? Ou simplement de regarder autrement ce que nous faisions déjà ?

    Article rédigé conjointement et sur la base d’une discussion avec mon IA de prédilection, en partant de la question en titre, par curiosité et parce que celle-ci me semblait pertinente, même si finalement on ne réinvente peut-être pas la roue. Est ce que c’est une manière d’aller plus vite ? probablement. Est-ce que ça permet parfois de prendre du recul et d’explorer sa propre méthode et pensée ? J’en suis convaincu.

    Dans les métiers du marketing et du web, nous passons beaucoup de temps à observer.

    Des courbes de trafic, des comportements de recherche, des résultats de campagnes, des parcours utilisateurs, des évolutions concurrentielles. Nous confrontons des chiffres, cherchons des récurrences, essayons de comprendre pourquoi certaines actions fonctionnent et d’autres non.

    Nous avons développé des méthodes, des outils et des expertises pour cela, avec parfois une certaine fascination pour les dispositifs que nous construisons, au risque d’en devenir prisonniers.

    Au fond, nous essayons surtout de comprendre ce qui se passe. Quitte à voir, assez régulièrement, des hypothèses se transformer en certitudes, puis en vérités prétendument transposables à toutes les situations.

    À mesure que nos capacités de collecte et de traitement progressent, une question me travaille : sommes-nous en train de modifier la nature de notre travail, ou simplement d’en déplacer le centre de gravité ?

    Et puisque les discours sur l’IA occupent déjà suffisamment de place, essayons de regarder les choses sous un autre angle (s’il reste encore de la place).

    Avant d’être experts, sommes-nous des observateurs ?

    Dans un projet web, les indicateurs racontent rarement tous la même histoire. Par exemple : la visibilité progresse, les campagnes fonctionnent, les contenus attirent des visiteurs, mais les résultats commerciaux ne suivent pas nécessairement. S’y ajoutent les retours des équipes, les contraintes techniques et des observations du terrain qui n’entrent pas toujours dans un tableau de bord.

    Nous cherchons alors à rapprocher ces informations, à reconnaître des patterns, à identifier ce qui pourrait expliquer une situation ou annoncer une évolution.

    Avec l’expérience, certains phénomènes deviennent familiers, mais cette même expérience peut aussi nous conduire à voir ce que nous nous attendions à trouver. Un signal faible n’est pas nécessairement une tendance, une anomalie peut résulter d’un problème de mesure et une corrélation, même séduisante, ne suffit pas à établir une explication.

    Nous sommes d’ailleurs parfaitement capables d’« halluciner » nos propres conclusions : biais de confirmation, convictions qui deviennent des vérités, interprétations un peu rapides… L’IA n’a pas inventé ces travers.

    Cette activité ressemble finalement beaucoup à celle d’un veilleur. La veille est une expertise à part entière, mais la posture d’observation traverse une grande partie de nos métiers : surveiller un environnement, reconnaître des évolutions, distinguer ce qui change réellement du bruit ambiant.

    La difficulté n’est pas tant de détecter davantage de signaux que de déterminer lesquels méritent notre attention.

    Avec suffisamment de données, il est toujours possible de trouver quelque chose d’intéressant à raconter. Reste à savoir si cela mérite de l’être, et surtout d’en tirer des conclusions.

    Nos expertises sont-elles aussi nos œillères ?

    SEO, SEA, analytics, contenus, UX, social media, relations presse… Nos disciplines possèdent leurs méthodes, leurs contraintes et leurs outils. Cette spécialisation est indispensable, mais elle influence aussi notre manière de regarder les problèmes.

    Une requête devient facilement un sujet SEO ou SEA. Un comportement utilisateur relève de l’UX. Un avis rejoint les questions de réputation. Pourtant, une même information peut révéler une évolution du marché, un critère de décision, une objection commerciale ou une opportunité que nous n’aurions pas identifiée en restant dans notre périmètre habituel.

    Nous savons depuis longtemps que les parcours utilisateurs ne respectent pas les frontières entre les canaux. Nous avons d’ailleurs beaucoup travaillé à expliquer la complémentarité du SEO et du SEA (entres autres disciplines), après avoir soigneusement organisé leur séparation.

    Mais l’évolution des environnements de recherche et de découverte ajoute une autre dimension. Une information technique documentée peut nourrir un contenu SEO, appuyer un argument commercial, être reprise par un tiers ou éventuellement servir de source à un système génératif. Sa crédibilité, sa provenance et sa citabilité dépassent le canal qui l’a diffusée, même si aucune de ces qualités ne garantit sa reprise.

    Cela m’amène à une question : sommes-nous en train de faire évoluer nos expertises vers des variables d’un système de décision plus large, plutôt que des cadres à partir desquels nous définissons les problèmes ?

    L’idée n’a rien de révolutionnaire. Une stratégie correctement construite devrait déjà fonctionner ainsi. Mais les capacités d’analyse actuelles permettent d’explorer davantage de relations, de contraintes et de scénarios.

    Le SEO, par exemple, reste une discipline technique complexe. Il peut aussi être envisagé comme l’un des moyens possibles de répondre à une situation, au même titre que le SEA, les contenus, l’UX ou d’autres interventions.

    Ce qui devient intéressant, c’est la possibilité que les outils participent de plus en plus à l’identification des problèmes, mais aussi à l’évaluation de la pertinence des moyens que nous mobilisons pour les résoudre.

    Quand les outils commencent à suggérer ce que nous devrions chercher

    Nous avons l’habitude d’interroger nos outils : pourquoi cette page perd-elle en visibilité ? Qu’est-ce qui explique une variation de conversion ? Quels comportements distinguent certains segments ?

    La statistique, la fouille de données et les systèmes d’aide à la décision permettent depuis longtemps de découvrir des relations que nous n’avions pas explicitement recherchées. Ce qui évolue, c’est notamment l’accessibilité de ces capacités et le nombre de pistes que nous pouvons raisonnablement explorer.

    Nous pouvons aujourd’hui rapprocher des informations issues de la recherche, des campagnes, des échanges commerciaux ou des comportements utilisateurs, puis demander à un système d’identifier des configurations intéressantes.

    Pas seulement pour vérifier une intuition, mais pour en suggérer de nouvelles.

    Le rapport devient assez curieux, voire inversé : nous apportons la matière, nos observations, notre connaissance du terrain et nos hypothèses à des outils capables d’explorer cette matière, de l’analyser et de “réfléchir” à une échelle difficilement accessible individuellement. Et nous nous appuyons ensuite sur leurs propositions pour décider de ce que nous allons regarder.

    Nous n’utilisons plus seulement les outils pour répondre à nos questions. Nous commençons aussi à leur demander quelles questions mériteraient d’être posées.

    Or reconnaître les phénomènes importants, formuler les bons problèmes et choisir les pistes d’investigation font précisément partie de ce que nous considérons comme notre expertise.

    Il serait confortable de répondre que l’humain conserve la réflexion pendant que la machine exécute. Mais les outils peuvent aussi suggérer des hypothèses, identifier des informations manquantes, comparer des scénarios et proposer des actions.

    Cela ne signifie pas qu’ils comprennent nécessairement mieux les enjeux. Un système peut découvrir une association statistique sans en saisir la portée, ou présenter une coïncidence avec une assurance remarquable.

    Mais notre expérience ne nous protège pas davantage contre toutes les erreurs d’interprétation. Elle peut même nous enfermer dans nos habitudes.

    Nous pourrions donc nous retrouver à confronter notre lecture du terrain à celle de systèmes qui nous proposent des rapprochements inattendus. Avec la possibilité de nous compléter, mais aussi de nous tromper ensemble.

    Surtout lorsque nous demandons à une IA particulièrement convaincante de nous démontrer pourquoi nous avions raison depuis le début.

    Ce qui ne constitue pas exactement une révolution méthodologique.

    L’imperfection crédible : ce qui résiste à nos analyses

    Il y a quelque chose d’assez troublant dans la facilité avec laquelle nous pouvons désormais produire des analyses bien structurées, des synthèses fluides et des raisonnements apparemment irréprochables.

    Tout se tient. Les données sont organisées, les relations expliquées, les conclusions soigneusement formulées. Parfois même un peu trop.

    Dans la réalité, les informations sont rarement aussi propres et les comportements aussi cohérents. Un retour commercial contredit le reporting. Une campagne fonctionne sans que nous sachions vraiment pourquoi. Un résultat échappe aux segmentations habituelles.

    Ces contradictions ne sont pas nécessairement des problèmes à éliminer. Certaines peuvent révéler les limites de notre compréhension ou justifier une investigation supplémentaire.

    C’est peut-être là qu’intervient une forme d’imperfection crédible.

    Non pas l’erreur entretenue pour paraître humain, ni l’approximation présentée comme une qualité, mais la capacité à reconnaître ce qui reste incertain, ce qui résiste à notre interprétation et ce qui pourrait remettre en cause nos premières conclusions.

    Une analyse convaincante n’est pas nécessairement juste. Et savoir précisément pourquoi nous ne pouvons pas encore conclure peut témoigner d’une compréhension plus approfondie qu’un discours parfaitement assuré.

    Encore faut-il distinguer une incertitude documentée d’une prudence de façade. Les systèmes génératifs peuvent eux aussi apprendre à hésiter avec beaucoup d’élégance.

    Après avoir consacré tant d’énergie à nettoyer les données, harmoniser les reportings et rendre nos analyses plus lisibles, nous pourrions finalement découvrir qu’une partie de leur intérêt réside dans ce qui refuse de s’aligner parfaitement.

    Sans renoncer à la rigueur, évidemment. Une donnée erronée reste une donnée erronée mais un résultat propre ne garantit pas une compréhension complète.

    Et avant que l’ “imperfection crédible” ne devienne à son tour un argument commercial soigneusement packagé, profitons-en pour conserver quelques doutes sincères.

    Comprendre davantage ne signifie pas nécessairement mieux décider

    Reste une limite assez concrète : multiplier les analyses ne garantit ni la pertinence des décisions ni notre capacité à les appliquer.

    Nous pouvons identifier davantage d’opportunités sans avoir les ressources pour les exploiter, produire des recommandations intéressantes qui ne seront jamais mises en œuvre ou consacrer beaucoup d’énergie à des investigations dont les conclusions ne changeront finalement rien.

    La sophistication des outils ne supprime pas les arbitrages. Elle pourrait même les compliquer en multipliant les possibilités.

    Après avoir longtemps cherché à obtenir davantage d’informations, puis à mieux les traiter, nous pourrions donc déplacer notre difficulté principale vers la sélection de ce qui mérite réellement d’être entrepris.

    Et parfois vers une compétence assez peu spectaculaire : savoir renoncer.

    Il existe aussi un risque à vouloir tout représenter sous forme de variables. Les données restent partielles, dépendantes de nos méthodes de collecte et des questions que nous avons choisi de poser. Le marketing repose également sur l’imagination, l’expérimentation, les convictions et la capacité à proposer quelque chose qui ne correspond pas encore à une demande clairement exprimée.

    Une analyse précise des comportements existants ne garantit pas que nous saurons anticiper une rupture.

    Et si tous les acteurs d’un marché finissent par exploiter des systèmes comparables, alimentés par des sources proches et orientés vers des objectifs similaires, nous pouvons nous demander à quel point leurs recommandations finiront par se ressembler.

    À force d’optimiser ce qui fonctionne déjà, nous pourrions devenir remarquablement efficaces pour produire les mêmes réponses.

    L’analyse ne supprime pas l’incertitude. Elle permet parfois de mieux en apprécier certaines dimensions.

    Ce qui est déjà considérable, sans justifier de vouloir expliquer le monde entier avec des données.

    Alors, tous Data Analysts ?

    Je n’en suis pas convaincu, et je ne suis pas certain que nous ayons besoin de redéfinir nos métiers.

    Nous observions, analysions et prenions des décisions bien avant les outils actuels. La veille, les études de marché et la business intelligence ont une histoire que nous aurions tort d’ignorer.

    Mais les moyens disponibles changent l’échelle de ces pratiques, la profondeur des investigations possibles et surtout la place que les outils peuvent occuper dans la formulation de nos questions.

    Nos expertises ne disparaissent pas. Elles pourraient néanmoins évoluer dans la manière dont elles contribuent à une compréhension commune et dans leur articulation avec des systèmes capables de suggérer des pistes d’analyse, des hypothèses et parfois des solutions.

    Et cette évolution mérite probablement d’être examinée sans surestimer les capacités des machines, ni sanctuariser trop confortablement les nôtres.

    Car si nous ne sommes plus nécessairement les seuls à repérer les phénomènes intéressants, ni même à imaginer les pistes pour les exploiter, comment allons-nous continuer à définir la valeur de nos expertises ?

    Je n’ai pas de réponse définitive.

    Et compte tenu du nombre de fois où j’ai sollicité une IA pour construire, questionner et finalement condenser cette réflexion, je serais assez mal placé pour prétendre que la réponse ne peut venir que de nous.

    D’autant que nous sommes parfaitement capables, sans assistance, de produire des analyses biaisées et de transformer nos convictions en certitudes.

    Les outils n’ont pas inventé ces défauts.

    Ils pourraient simplement nous aider à les exercer beaucoup plus rapidement.

    Bon et maintenant,
    si on se rencontrait ?