MVP ou MVA ?

Pour faire face à la rapidité avec laquelle les tendances de la technologie et les habitudes de consommation évoluent, les entreprises ont besoin d’une approche agile, de la flexibilité et de la réactivité dans la prise de décisions. Aujourd’hui, investir dans un système décisionnel et s’inscrire à des méthodes agiles sont des coûts de renoncement (opportunity cost) pour innover.

Quelle devrait être l’approche et quelles sont les tendances aujourd’hui ?

Minimum Viable Analytics

Tout d’abord pour réduire ces risques ou répondre mieux à ces opportunités associer à ce dynamisme, il est utile de prendre une approche Lean (recherche de la performance en éliminant le gaspillage des ressources) pour la collecte de données et des projets décisionnel. Le « Minimum viable analytics » représente les données dont l’entreprise a besoin pour prendre des décisions efficaces. Cette définition évoluera bien sûr avec le temps, avec l’évolution de l’activité de l’entreprise et la taille de l’équipe.

Pour mieux comprendre ce concept, comprenons l’approche MVP (minimum viable product) des startups évangéliser par Steve Blank and Eric Ries.

Minimum Viable Product MVP

L’image si dessus est un exemple du développement d’une voiture d’une manière itératif, avec une évolution incrémentale du produit.

Un MVP est un processus itératif : vous identifiez votre hypothèse, vous trouvez la façon la plus simple et rapide de valider cette hypothèse et vous utilisez les résultats du test pour faire évoluer le produit.

Le mantra des startups consiste à livrer un « minimum viable product» au plus vite possible et à orienter les efforts de développement des produits et de marketing vers un produit qui est adapté aux besoins du marché, pour que le client commence à utiliser le produit, plutôt que de passer des mois à développer quelque chose que personne ne va utiliser.

Les projets décisionnels et les projets data doivent être considérés comme un processus, plutôt qu’un projet, ou un objectif ou une release du produit dont le but est de capitaliser sur les retours pour adapter les développements aux besoins dynamiques et en même temps, pour que les utilisateurs adoptent ces outils à travers des formations, et la gestion du changement.

Offrir davantage de valeur avec les ressources existantes, est l’objectif du décisionnelle « Lean » (Lean analytics). Au fur et à mesure que l’économie se resserre, les projets décisionnels devront adopter de nouveaux principes et pratiques pour se développer.

L’approche agile

Le développement itératif / agile offre le luxe de pouvoir corriger les erreurs, d’améliorer l’expérience utilisateur, de faire des pivots et de répondre à des nouvelles informations (dans les projets décisionnels, une fois que les utilisateurs peuvent visualiser les données qu’ils ont, ils comprennent mieux ce qu’ils veulent à travers à travers le processus de ‘data discovery’).

Ce processus agile augmente la responsabilité des analystes, des équipes décisionnelles, des chefs de projet dans la création du produit, pour collecter, traiter et analyser les données et les utiliser pour faire évoluer le projet décisionnel.

Self-service BI et l’analyse visuelle

Grâce à des outils décisionnel en self-service tels que Qlik Sense, Tableaux, Microstrategy, Power BI, les utilisateurs métiers peuvent eux-mêmes explorer visuellement les données, trouver des relations entre des variables non évidentes, créer des requêtes compliquées avec de simples clics (avec le support des équipes data qui mettent les données à la disposition des utilisateurs métiers dans un format utilisable) et créer des solutions rapides ou des solutions temporaires pour valider leurs hypothèses avant d’industrialiser ces développements.

Les divers outils d’analyses qui font partie de l’ensemble du Minimum viable analytics utiliser par l’équipe décisionnelle va sûrement changer au fil du temps, car le niveau de reporting qui était minimum nécessaire lors du lancement ne suffira plus pour répondre aux besoins d’une entreprise en pleine croissance et des produits de plus en plus complexe. Donc, le débat de Créer versus Acheter est pertinent pour les différentes étapes de la croissance de l’entreprise. En mode startup le coût de renoncement de créer et de maintenir des outils d’analyses internes personnalisées l’emporte souvent sur les avantages, mais avec le temps, en particulier en cas de hyper croissance, cette tendance peut changer.

L’intelligence Augmentée

Homme + machine = conception collaborative. Cette augmentation est possible grâce à la conception dite générative. Avec des outils plus récents comme Salesforce Einstein Analytics qui permet aux concepteurs et aux machines de créer ensemble des choses qu’ils ne pourraient pas réaliser séparément.

Einstein Discovery fait sortir automatiquement des recommandations à partir des données que les commerciaux ne pouvaient normalement pas voir, avec une histoire cohérente qui explique ces informations et permet aux utilisateurs de les exploiter. Einstein Analytics recommande également des actions, et permet de mieux comprendre comment les recommandations ont été déduit — en guidant les utilisateurs grâce à un chemin plus intelligent pour accélérer les ventes, améliorer le service client et optimiser les campagnes de marketing.

D’autres exemple d’intelligence augmentée utiliser par Qlik et MicroStrategy sont la possibilité d’interagir avec vos données à travers des chatbots / des systèmes de messagerie et même des commandes vocales avec Alexa.

Sans une approche ‘lean’ et agile c’est compliquer de s’adapter à ces nouvelles tendances pour innover.

Pour discuter les nouvelle tendances BI n’hésitez pas de me contacter sur Linkedin!

#Innovation #Polymath #Minimalist #Biohacker

#Innovation #Polymath #Minimalist #Biohacker