Le premier article de cette série sur la transformation marketing, publié il y a quelques semaines, avait couvert l‘importance des données dans le cadre d’une transformation marketing, alors que le troisième, à paraître bientôt, clôturera le tout en se penchant sur l’apport des technologies à ce processus.
Quant à lui, le présent article se concentre sur trois facettes, soit la culture, le leadership et les talents.
Déjà en 2010, dans l’article Analytics : The New Path To Value paru dans la revue MIT Sloan, Steve Lavalle et Michael S. Hopkins énuméraient ce qu’étaient, à leur avis, les trois plus grands obstacles à l’adoption de l’analytique au sein des organisations :
- Le manque de compréhension sur la manière d’utiliser l’analytique pour améliorer la performance d’affaires de l’entreprise;
- Le manque de focus des gestionnaires en raison de priorités multiples et divergentes;
- Le manque de compétences à l’interne.
Malheureusement, après une dizaine d’années, ces trois barrières organisationnelles continuent à entraver le succès des projets analytiques. Thomas H. Davenport a écrit deux ouvrages populaires où il couvre le niveau de maturité analytique des organisations par l’intermédiaire de son modèle D.E.L.T.A. (Data, Enterprise, Leadership, Targets, Analysts), auquel il a ajouté deux autres éléments T. A. (Technology, Analytical techniques). Le tableau 1, tiré de son ouvrage Competing on analytics: The new science of winning, Updated, with a New Introduction, illustre les aptitudes clés pour connaître du succès dans vos initiatives analytiques.
Tableau 1: Les éléments clés liés aux aptitudes analytiques d’une organisation (Thomas H. Davenport)
Les leaders marketing (puisqu’on parlera ici spécifiquement de transformation de la fonction marketing) ont tendance à se focaliser sur les données et les technologies. Il est néanmoins nécessaire d’intégrer d’autres aspects à la réflexion pour s’assurer que l’analytique soutienne de façon intégrée les opérations marketing. Personnellement, après plusieurs années en analytique, je continue de croire que ces éléments du modèle DELTA sont au cœur de la transformation des données en actif de valeur pour une organisation.
L’importance du leadership
Il serait utopique de croire qu’un·e analyste marketing peut amener toute une organisation à accélérer la transformation de la fonction marketing simplement grâce aux données. Ce genre de virage nécessite d’importantes ressources financières, humaines et technologiques. Le retour sur investissement d’un tel projet peut prendre jusqu’à deux ans, voire plus.
Au vu de ces faits, il est indéniable que les sponsors de ces projets doivent être du calibre des « C Levels », comme le veut l’expression anglaise. Pour les grandes organisations, nous parlons de Chief Executive Officer (CEO), Chief Marketing Officer (CMO), Chief Technology Officer (CTO), Chief Data Officer (CDO), de vice-président·e·s ou d’autres personnes remplissant des rôles similaires.
Petite clarification, avant de poursuivre sur le rôle de CDO : le CDO n’est pas nécessairement un expert technique. Il doit bien sûr pouvoir comprendre les technologies et leur utilité, mais il est d’abord et avant tout un leader d’affaires sachant comment transformer les données en actifs de valeur pour l’organisation.
Les quatres à cinq acteur·trice·s essentiel·le·s (selon les organisations) qui doivent être les premiers champions sont les CEO, CMO, CTO, CDO et dans certaines organisations le Chief Digital Officer (aussi nommé CDO). Sans l’accord du CEO, il sera difficile de faire de ces projets une grande priorité d’entreprise. Le CMO et CDO (et l’autre CDO / Chief Digital Officer) sont les principaux champions dans l’organisation et doivent sécuriser les budgets et les ressources auprès du Chief Financial Officer (CFO) et CTO. La même combinaison peut être faite au niveau des vice-présidences ou rôles similaires dans certaines organisations.
L’idée à retenir est que cela prend un niveau assez élevé dans l’organisation pour sponsoriser ce type de projet. Les sponsors doivent être influents(tes) et être des politiciens·ne·s aguerri·e·s (par politicien·ne, je fais allusion à la capacité à naviguer les politiques internes de l’organisation). Un accent important doit être mis sur les bénéfices économiques ou sociaux de ce type de projet pour faciliter l’alignement de l’organisation.
L’importance de la culture
La culture d’une organisation peut faciliter ou compliquer les initiatives de données.. Le Chief Data Officer (CDO) doit veiller à favoriser le développement d’une culture basée sur les faits au sein de l’organisation, car celle-ci facilitera le lancement d’initiatives de données.
La culture passe par l’éducation
L’ éducation des marketeurs(teuses) à maximiser l’utilisation des données est un bon levier pour faciliter l’adoption d’une culture centrée sur les données. Selon Gartner, 80% des stratégies de données conçues avant 2023 vont intégrer le concept d’alphabétisation des données (data literacy) pour accélérer la génération de valeur par leur intermédiaire. Ce concept englobe le fait de comprendre les données, leur origine, leurs utilisations concrètes dans les prises de décision. Avec tous les changements légaux (GDPR en Europe, CCPA en Californie, Projet de loi #64 au Québec – récemment adopté) et technologiques au niveau MarTech (cookie et IDFA apocalypse), le concept de data literacy va gagner en importance au sein de l’industrie, puisqu’il pourra aider les marketeurs(teuses) à naviguer ces bouleversements impactant leurs opérations. Les nuances dans l’interprétation des données sont aussi critiques : comprendre pourquoi Google Analytics, Adobe Analytics, Facebook Ads et Campaign Manager n’attribuent pas les ventes de la même manière dans leurs rapports est primordial à l’analyse de la performance.
La nécessité d’une culture d’expérimentation et d’amélioration continue
Une culture d’innovation par l’expérimentation rapide est nécessaire pour transformer prestement les données en actifs de valeur. Ce concept est très populaire dans les compagnies comme Google et Amazon. car il est plus facile et plus rapide d’attribuer une relation causale entre certains éléments grâce à l’expérimentation (notamment par le biais d’un test A/B). À titre d’exemple, trouver des insights sur vos clients ou la performance d’une campagne marketing devrait être systématiquement suivi par le lancement de tests rapides, qui permettent de valider que les insights en question constituent un vrai levier de performance.
Le but des tests est l’apprentissage. Les précieux résultats extraits de ces expériences sont ensuite utilisés pour optimiser les opérations de l’entreprise, ainsi que pour améliorer ses produits, ses services et sa performance d’affaires.
Un petit rappel de ce que nous désignons par la notion de valeur en contexte de données : elle se résume principalement à l’application d’insights (intelligence) dans des cas d’utilisation marketing spécifiques (ciblage publicitaire, personnalisation de l’expérience client, promotion d’un produit, conception d’une nouvelle offre) en vue d’obtenir un impact d’affaires.
Les compagnies de jeux vidéo en ligne sont des expertes pour tester des pilotes dans un certain marché avant de décider si le jeu sera lancé partout ailleurs. L’objectif étant de valider les hypothèses, mais aussi de minimiser les risques d’affaires liés au lancement global d’une fonctionnalité ou d’un produit. Le numérique est un environnement propice pour effectuer des tests rapides.
L’amélioration continue est critique pour soutenir une performance supérieure, en ce qu’elle force l’organisation à analyser ses angles morts et à trouver des moyens de mitiger leurs impacts.
Il est plus judicieux de se concentrer sur un prototype (Minimum Viable Product) et de l’itérer par après que de s’engager dans de grands programmes coûtant des millions de dollars sans même avoir fait leurs preuves. En effet, une approche itérative permet de tester, d’ajuster et, surtout, d’apprendre.
La complexité de l’environnement technologique et les contraintes financières typiques de « l’ère post-COVID 19 » que nous traversons forcent les entreprises à être prudentes et à minimiser leur prise de risques. Les start-ups adoptent ce modèle car elles sont agiles, mais cette culture est nécessaire aussi dans les grandes organisations pour pouvoir accélérer leur virage vers le numérique.
La mauvaise qualité des données souvent un frein à l’adoption de l’analytique
L’importance de la qualité des données pour faciliter l’adoption d’une culture qui repose sur elles est souvent sous-estimée. Une donnée incorrecte, désuète ou qui manque de contexte nuit à la capacité des marketeurs à prendre de bonnes décisions rapidement. Concentrer ses efforts (en temps et argent) sur la qualité est donc rien de moins que primordial. Un rappel des principales propriétés recherchées:
- Accessible : Est-elle facile à obtenir?
- Complète : Répond-elle aux besoins de son utilisateur·trice?
- Précise : Représente-t-elle la réalité?
- Constante : Est-elle représentée de la même façon dans les autres plateformes?
- Valide : Est-elle dans le bon format?
- Opportune : Est-elle encore d’actualité? Disponible au moment où elle est demandée?
L’importance des talents
Tous les vendeurs de plateformes analytiques vous diront que vous avez besoin de la trinité (les 3 P) pour pouvoir concrétiser vos ambitions analytiques : des plateformes, des processus et des personnes (talents).
Les talents sont les vrais créateurs de valeur. Ils(elles) sont non seulement responsables d’orchestrer l’utilisation des plateformes, mais eux seuls sont capables de définir et d’exécuter une stratégie, quelle qu’elle soit.
Le plus grand défi pour les organisations est d’acquérir et de sécuriser ce type de talents. Toutefois, il faut aussi favoriser le développement d’un environnement dans lequel ces personnes peuvent continuer à apprendre, à s’épanouir et à rehausser leurs compétences.
Ceci met fin au volet culture, talents et leadership. Le prochain article se concentrera sur les technologies supportant la transformation marketing par les données.
Le type d’expert·e·s nécessaires pour votre projet de transformation marketing par les données se résume à ces différents profils:
