Qu'est-ce que la science des décisions ?
La science de la décision est une nouvelle approche de la science des données qui vise à améliorer la qualité des décisions et à les mettre en œuvre dans l'ensemble de l'organisation. Elle associe des connaissances fondées sur les données à d'autres domaines tels que les sciences cognitives et la psychologie organisationnelle afin de remédier aux lacunes de la prise de décision individuelle et collective.
Résumé exécutif
La principale responsabilité d'un dirigeant consiste à prendre des décisions. Les tâches quotidiennes d'un cadre, telles que la direction des opérations, l'élaboration de stratégies et la définition de la culture, nécessitent l'évaluation d'informations de base et d'alternatives, puis leur utilisation pour prendre des décisions dans un environnement complexe. De même, les gestionnaires opérationnels prennent des décisions afin d'assurer la plus grande efficacité possible au sein d'une organisation.
Les données sont un outil puissant pour tous les niveaux de décision, de la stratégie commerciale de haut niveau aux opérations quotidiennes. L'explosion des données dans le domaine de l'intelligence économique a donné lieu à une prolifération de data scientists qui tirent des enseignements des données, ainsi qu'à des industries entièrement nouvelles fondées sur la science des données.
Pourtant, de nombreuses entreprises fondent encore leurs processus décisionnels sur des méthodes antérieures à la science des données. Ces organisations ont besoin d'un moyen d'exploiter les données pour faciliter les processus de prise de décision et résoudre les problèmes réels de l'entreprise. Elles doivent également s'attaquer aux failles des processus décisionnels individuels et organisationnels afin de s'assurer que les dirigeants prennent les bonnes décisions et que l'organisation les met en œuvre.
Cette énigme a donné lieu à l'émergence d'un nouveau domaine appelé science de la décision, qui associe des connaissances fondées sur des données à d'autres domaines tels que les sciences cognitives et la psychologie organisationnelle afin d'améliorer les processus décisionnels.
Le défi : prendre la bonne décision et amener les gens à la mettre en œuvre
Les marchés modernes évoluent à un rythme plus rapide que jamais, et les organisations ambitieuses s'efforcent de s'adapter. Les décideurs d'aujourd'hui ont besoin de prendre des décisions rapides et précises basées sur des données fiables. Pourtant, la science des données elle-même se concentre souvent sur la fourniture d'informations pour répondre aux questions des entreprises, sans prendre en compte le processus nécessaire pour prendre la bonne décision et amener les personnes à la mettre en œuvre.
Le processus de prise de décision est entaché de nombreuses formes de faillibilité humaine, tant au niveau individuel qu'au niveau de l'organisation :
Les individus ont des préjugés cognitifs
Notre cerveau a évolué pour utiliser un système de raccourcis ou de règles empiriques permettant de prendre des décisions rapides, presque inconscientes. Mais ces décisions ne sont pas toujours exactes ou optimales : elles sont entachées de biais. Parmi ces biais, citons
- Ancrage : nous avons tendance à nous fier trop fortement à la première information que nous lisons ou entendons ;
- Le biais de survie : nous nous concentrons sur les programmes, les personnes ou les choses qui ont réussi, tout en ignorant ceux qui ont échoué ;
- Biais des coûts irrécupérables : nous poursuivons des programmes ou des efforts en raison des ressources précédemment investies.
En termes de science des données, un humain qui interprète des données peut les classer en régions géographiques ou en groupes raciaux alors qu'il n'y a pas de différence de comportement perceptible entre ces classifications. Lorsqu'il s'agit d'interpréter des millions ou des milliards de points de données, nous sommes capables de comprendre les agrégats de base, mais nous avons du mal à penser aux relations entre les variables - des informations essentielles à la prise de décision.
La plupart des hommes d'affaires sont conscients des biais cognitifs, mais cette prise de conscience n'a guère permis de contrer l'effet des biais dans la prise de décision individuelle.
Les gens n'agissent pas de manière cohérente avec les meilleures décisions rationnelles.
La façon dont les gens se comportent réellement ne correspond pas à la façon dont les meilleures pratiques prévoient qu'ils se comportent. Nous sommes prévisiblement irrationnels, comme le dit le titre du livre de Dan Ariely. Les personnes impliquées dans la prise de décision ont presque toujours une combinaison d'intérêt personnel, d'excès de confiance et d'attachement au passé qui obscurcit leur décision.
Les décisions impliquent plusieurs parties ayant des intérêts divergents
Les parties ayant des intérêts divergents se contentent souvent d'une décision qui satisfait les intérêts de chaque partie, plutôt que d'optimiser la meilleure solution en tenant compte des paramètres de chaque partie. C'est pourquoi les stratégies de concurrence et de négociation doivent jouer un rôle dans le processus décisionnel.
Le conflit après la décision est empoisonné
Le conflit avant la décision est normal et sain, mais les parties doivent s'engager à respecter la décision pour qu'elle puisse être correctement mise en œuvre. Si elles ne s'engagent pas dans la décision, elles ne la mettront pas en pratique ou la saboteront activement si elle va à l'encontre de leurs propres intérêts. Souvent, les décideurs et les opérations ne se parlent pas, de sorte que même si l'organisation prend la meilleure décision, sa mise en œuvre dans les opérations quotidiennes constitue un autre défi.
La science des données traditionnelle ne prend pas en compte la prise de décision
Les décideurs s'appuient sur la science des données et d'autres sources d'information pour déterminer leurs actions, mais la science des données ne tient pas compte de la prise de décision. Les scientifiques des données doivent comprendre le processus de prise de décision de leur organisation et ce dont les décideurs ont besoin pour s'assurer que leurs connaissances atteignent leur plein potentiel au sein de l'organisation.
Les données elles-mêmes présentent des obstacles
Outre les complexités humaines du processus décisionnel, les entreprises sont également confrontées à des défis liés aux données. Elles ont accès à de vastes quantités de données complexes, mais celles-ci se présentent souvent sous une forme brute et non structurée. Elles ne s'inscrivent pas dans un contexte commercial. Elles ne sont pas pertinentes pour la décision à prendre.
En outre, les données les plus précieuses se trouvent à l'extérieur de l'organisation, dans une infinité de sources telles que les articles de blog, les documents de recherche, les dépôts de brevets et les communiqués de presse. Pour obtenir des informations utiles à partir de ces données, il faut des connaissances avancées en mathématiques, en finance et en analyse, mais il est difficile de trouver des talents possédant cet ensemble de compétences.
Enfin, l'exploitation des données pour la prise de décision ne se limite pas à la science des données. Comme nous l'avons vu, il faut intégrer la science des données au processus décisionnel afin que les dirigeants puissent prendre la bonne décision et que l'organisation puisse la mettre en œuvre.
Comprendre le processus de décision
Pour résoudre les dilemmes liés à la prise de décision, il est important de comprendre le processus impliqué à chaque étape de la décision.
Les niveaux de décisions stratégiques
Dans l'entreprise moderne, les décisions stratégiques se situent à trois niveaux :
- Décisions au niveau de la direction : Il s'agit de décisions générales prises à l'échelle de l'organisation, telles que le choix des produits ou services à offrir, ainsi que le lieu, le moment et la manière de les offrir.
- Les décisions opérationnelles sont prises par les cadres moyens : Aux niveaux inférieurs de l'organisation, l'action est la priorité. Les décisions se concentrent sur la manière d'améliorer l'efficacité opérationnelle.
- Décisions automatisées au niveau individuel : Par exemple, un test d'aptitude administré à des employés potentiels qui utilise des algorithmes et des critères d'embauche pré-codés.
Ces trois niveaux utilisent les connaissances issues de la science des données, mais ils souffrent des faiblesses individuelles et organisationnelles évoquées précédemment.
Les bonnes décisions suivent un système
Les décisions rationnelles et exploitables nécessitent un processus clair, reproductible et fiable. Elles s'appuient sur des données pertinentes et fiables. Elles envisagent des options créatives avec des valeurs et des avantages clairs. Elles appliquent un processus de raisonnement systématique qui contourne les préjugés individuels ou de groupe. Ils prennent en compte le contexte commercial de la décision, puis obtiennent le consensus de toutes les parties concernées afin que la décision puisse être mise en œuvre.
Les organisations ont besoin d'informations pertinentes pour prendre des décisions
Pour prendre de bonnes décisions, il faut d'abord comprendre que les décideurs de haut niveau veulent prendre une décision bien construite et bien présentée. En bref, ils veulent prendre la meilleure décision possible. Pour ce faire, ils ont besoin d'informations opportunes et bien présentées qu'ils peuvent intégrer dans leur processus de prise de décision.
Les décisions nécessitent un engagement collectif
Enfin, pour que leur décision soit pleinement mise en œuvre au sein de l'organisation, les décideurs doivent bénéficier d'un engagement collectif. Cela nécessite une résolution des conflits pour tenir compte de la diversité des opinions, étant donné que chaque décision implique de multiples parties, chacune ayant ses propres valeurs et cadres.
la science décisionnelle fait le lien entre les deux
Les entreprises avant-gardistes recadrent la science des données de manière à ce qu'elle s'intègre à la manière dont leurs cadres et dirigeants prennent des décisions. Cette nouvelle approche de la science des données, connue sous le nom de science décisionnelle, permet aux organisations d'améliorer systématiquement les processus de prise de décision, plutôt que de simplement résoudre les problèmes à l'aide de données.
Ils peuvent ainsi s'attaquer à des problèmes de décision complexes et analytiques, choisir la meilleure solution et mettre en œuvre la décision dans l'ensemble de l'organisation. La science de la décision va au-delà de la simple obtention de la bonne réponse. Elle favorise l'engagement de toutes les parties en les impliquant de manière appropriée dans l'ensemble du processus.
Science des données vs. science des décisions
En résumé, la science des données permet une meilleure prise de décision, mais la science de la décision complète le puzzle. Les ingénieurs et les scientifiques des données ont toujours un siège à la table : la prise de décision est tournée vers l'avenir, mais elle est basée sur des données présentes et passées. Elle nécessite des données applicables et fiables pour fonder les décisions, ainsi qu'un élément prédictif pour comprendre ce qui se passera à l'avenir. Elle nécessite des techniques d'analyse, ainsi que des moyens de présenter les informations aux décideurs.
Il y a une boucle de rétroaction heureuse entre les scientifiques des données et les décideurs. La science des données offre aux décideurs de nouvelles alternatives et peut recadrer le contexte de la décision à l'aide d'informations tirées de la connaissance du marché. Les décideurs donnent à leur tour un retour d'information aux scientifiques des données afin qu'ils puissent extraire des données plus utiles à l'avenir.
La science décisionnelle s'applique à tous les niveaux de l'organisation
Selon McKinsey, il existe une poignée de mesures clés qui différencient les entreprises les plus performantes des autres. Il s'agit notamment des fusions et acquisitions disciplinées, de la réaffectation des ressources à des activités et des marchés plus prometteurs et de l'augmentation de la marge brute par l'innovation du modèle d'entreprise et le développement d'avantages en matière de prix.
Au niveau opérationnel, l'amélioration de la productivité est un autre indicateur clé des performances exceptionnelles. Une récente enquête menée auprès de 1 300 PDG mondiaux indique que 77 % d'entre eux déclarent que leur principal objectif pour stimuler la croissance du chiffre d'affaires est d'améliorer l'efficacité opérationnelle. Ces responsables opérationnels se tournent vers des technologies automatisées telles que le service client en libre-service, les dispositifs de surveillance de l'internet des objets (IoT) et les robots pour accroître l'efficacité et améliorer l'expérience client.
À chaque niveau, les dirigeants doivent prendre des décisions importantes qui déterminent si une organisation se démarque ou coule. Les fusions-acquisitions, par exemple, impliquent l'élaboration d'une liste de cibles potentielles, la réalisation d'un audit préalable sur un petit nombre de cibles de grande valeur et la soumission d'offres pour une poignée d'entre elles. Et la décision de remplacer un agent de service à la clientèle par un kiosque en libre-service peut entraîner une augmentation des recettes, mais provoquer des licenciements importants.
Les dirigeants et les cadres ont besoin d'un processus de prise de décision sophistiqué et informé pour s'assurer qu'ils prennent la meilleure décision et qu'ils peuvent la mettre en œuvre au sein de l'organisation.
L'IA change la donne pour la science des décisions
Les nouvelles technologies d'intelligence artificielle (IA) promettent de remodeler l'analyse des décisions dans les années à venir. Il est important de faire la différence entre ce que les données et l'IA signifient pour la prise de décision.
Les données permettent de prendre des décisions fondées sur des preuves. Avant l'avènement de la collecte de données et d'outils d'analyse tels qu'Excel, les humains devaient se fier à leur intuition pour prendre des décisions. Comme nous l'avons vu, ces décisions sont entachées d'erreurs en raison de biais cognitifs. Les données permettent aux décideurs d'aller au-delà de l'intuition et de prendre des décisions fondées sur l'analyse des données.
L'IA aide à traiter ces données. Grâce à l'internet et à la prolifération des appareils personnels, une grande quantité de données est générée chaque seconde. L'exploitation de toutes ces données est impossible pour les humains. L'IA peut collecter des données à partir de centaines de sources, traiter ces données de leur forme brute à une version structurée, et appliquer de puissantes techniques d'analyse avancée pour découvrir les relations entre les éléments de données. En outre, elle peut aider à découvrir des relations entre des variables qui, autrement, passeraient inaperçues.
Mais l'IA ne remplacera pas les humains. Au contraire, elle libère les humains de la tâche de traitement des données structurées pour qu'ils puissent se concentrer sur des activités d'ordre supérieur telles que l'élaboration de stratégies, de valeurs et de visions d'entreprise.
À propos de la Skai
Skai est une plateforme d'analyse avancée conçue pour permettre aux décideurs d'entreprises de disposer de données en temps réel et exploitables. Nos fondateurs, deux officiers du renseignement militaire israélien, ont réalisé qu'ils pouvaient appliquer les mêmes processus que ceux qu'ils utilisaient sur le champ de bataille pour prendre de meilleures décisions dans la salle du conseil d'administration. Nous sommes les seuls à pouvoir connecter plus de 13 000 sources de données externes à l'aide de techniques propriétaires de NLP et d'apprentissage automatique. Nous comptons parmi nos clients un grand nombre de marques de consommation parmi les plus importantes au monde.
-------------
*Cetarticle de blog a été publié à l'origine sur Signals-Analytics.com. Kenshoo a acquis Signals-Analytics en décembre 2020. Lire le communiqué de presse.
Plus de détails
