.svg){kind=logo}
Au sujet de L’analyse décisionnelle comme pour la majorité des innovations technologiques, il y’a beaucoup d’idées préconçues. L’une d’elle est le fait que beaucoup pensent que la BI ne soit utile que pour l’analyse des mégadonnées, plus connues sous le nom du Big Data. Evidemment, la propagation de ces idées a créé une certaine réticence au sein des petites entreprises qui contrairement à ce que ces idées diffusent, elles peuvent grandement tirer profit de l’analytique.
D’ailleurs, une toute petite équipe cycliste l’a démontré. Voyons comment.
Vous vous demandez surement comment une petite équipe de cyclistes féminines au Canada constituée de 12 membres s’est résolue à adopter l’analytique.
Tout a commencé lorsque l’Union cycliste internationale approche SAS pour une commandite financière.
Après avoir accepté, l’entreprise leur a aussi proposé d’utiliser sa technologie pour optimiser la performance de l’équipe.
Comme vous auriez pu le prédire, cette idée n’a pas été accueillie avec un enthousiasme par le directeur de course et les coachs. Ces derniers se sont demandés “pourquoi faire ça ?”
Mais, ils avaient manqué le but car grâce à l’analytique il ne s’agissait pas de l’optimisation de la performance d’un seul membre de l’équipe mais plutôt celle de toute l’équipe.
L’obtention de données Uniformes
L’obtention de données uniformes pourrait aussi être considérée comme l’utilisation du même langage. L’objectif est d’obtenir des données qui proviennent de la même source. Avant, les sportifs utilisaient des dispositifs de collecte de données différents donc, la première étape a été de doter chaque cycliste du même équipement.
Les capteurs sur pédalier pour mesurer les watts, moniteur cardiaque et odomètre avec GPS étaient tous identiques afin de recueillir des données uniformes.
Ensuite, un court test pour connaître l’état d’esprit des sportives a été fait car des facteurs émotionnels peuvent grandement affecter la performance. Ce processus est le même dans le cas d’une entreprise car pour se lancer dans l’univers de l’analytique elle doit d’abord recueillir les données, les stocker au même endroit et surtout dans le même format.
Vous voyez ici qu’il ne s’agit en rien du traitement de quantités astronomiques de données mais plutôt des données d’une équipe contenant une douzaine de cyclistes. La performance de l’équipe a ensuite été mesurée selon la méthode comparative sur une période d’un an (qui constitue environ 300 entrainements). Les données étaient découpées en fonction de la distance, de la durée de la course, et du relief du parcours afin qu’elles soient suffisantes pour appliquer la méthode comparative préalablement mentionnée. Ces trois variables (distance, durée, relief géographique) ont permis d’obtenir des informations précieuses telles que : la cadence des athlètes, l’énergie qu’elles déploient à chaque coup de pédale, la vitesse à laquelle elles roulent, et ce qu’elles font quand elles rencontrent une pente. Grâce à toutes ces infos, les moments où elles dépassent les performances attendues et ceux où elles sont en dessous de ce qui est attendu d’elles ont pu être déterminés. Ensuite, une matrice de corrélations entre le profil de l’athlète et sa performance a été définie.
Ce Qu’ont Démontré Les Résultats
Avec ces informations, le directeur de course a pu définir ses stratégies selon le profil de chacune des cyclistes. Par exemple, celle dont la performance est maximale en terrain plat sera la meneuse de l’équipe sur le plat tandis que celle qui excelle sur de courts moments mènera le dernier sprint. Comme la lecture des données lors des compétitions se fait en temps réel, il a également pu adapter sa stratégie en comparant la matrice de corrélations avec ce qui se passe pendant la course.
Néanmoins, il faut préciser qu’il n’est pas nécessaire que les utilisateurs comprennent la méthode statistique qui a été appliquée pour traiter les données. Le plus important, c’est de présenter les résultats de sorte que les gens aient facilement accès à l’information qu’ils cherchent. Dans le cas de cette équipe, ces données ont permis au directeur de course d’adapter sa stratégie aux performances de son équipe et d’obtenir ce qui l’intéressait comme information. A savoir, à quel moment chaque athlète est à son meilleur et quand elle est susceptible d’avoir une fatigue morale ou physique qui pourrait nuire à la course.
Avec toutes ces informations, en tant que PME n’hésitez pas à adopter l’analytique car contrairement à ce qui a longtemps été la pensée populaire, la BI ne s’applique pas qu’au Big Data, mais à tout groupe souhaitant surveiller et optimiser sa performance globale comme dans le cas de cette petite équipe.
