#12 -Comment rendre son équipe plus Data Driven ?
Entretien avec Nicolas Perquier, Data Analyst Team Manager chez Doctolib
Nicolas Perquier
1/22/20245 min read
Le tout nouveau logo de Doctolib (Source)
👋 Hello la communauté Dataque
🚀 Dans cette édition de notre newsletter, nous allons essayer de voir comment une équipe Data peut réussir à rendre les équipes métiers plus data-driven. Nous avons la chance de pouvoir échanger avec Nicolas Perquier, Data Analyst Team Manager chez Doctolib.
👨💻 Nicolas a tout d’abord commencé au sein de la start-up MonDocteur avant le rachat de celle-ci par Doctolib. Il est arrivé chez Doctolib à un moment où cette start-up, aujourd’hui nationalement connue, était encore une start-up à taille humaine en pleine croissance.
👋 Hello Nicolas,
Peux-tu nous parler de ton parcours professionnel et de ta transition de MonDocteur à Doctolib ?
Après une formation d’ingénieur généraliste, j’ai commencé ma carrière chez MonDocteur officiellement en tant que chef de projet technique. Cependant, mon travail au quotidien était d'être un vrai couteau suisse: j’étais à la fois chef de projet, développeur, et j’avais également un rôle varié en matière de Data en fonction des besoins de l’entreprise.
J’ai beaucoup aimé toucher à plein de choses pendant ce début de carrière. Après le rachat de MonDocteur par Doctolib, qui était une entreprise déjà bien structurée, il a fallu choisir une voie et cela est arrivé au moment où Doctolib décidait de lancer son équipe Data ! J’ai donc forcé mon destin en postulant pour un job de Data Analyst plutôt que de faire ce qui m’était prédestiné au vu de mon poste chez MonDocteur : chef de projet technique.
Après plusieurs années en tant que contributeur individuel, on m’a confié la responsabilité des Analytics sur le nouveau produit Doctolib Médecin (le logiciel médical de Doctolib). J’ai construit une stack d’Analytics dédiée à ce nouveau produit permettant d’assurer un suivi quotidien des indicateurs de performances et de délivrer des analyses d’usage pour l'équipe produit. J’encadre aujourd’hui une équipe de plusieurs analystes ayant pour objectif d'utiliser la Data pour tenter de garantir la bonne orientation du logiciel. Cela comprend l’orientation des développements de nouvelles fonctionnalités, le suivi de leur utilisation après leur sortie, ainsi que la fourniture d’analyses stratégiques sur l’usage et la valeur de notre produit pour nos utilisateurs afin de formuler des recommandations d’améliorations les plus pertinentes.
Tu as eu la chance de travailler avec beaucoup d’équipes différentes qui avaient toutes un rapport à la Data bien différent. Comment as-tu fait pour pousser chacun de tes stakeholders à devenir plus data-driven ?
Souvent, les gens pensent que l’approche data-driven signifie uniquement utiliser des chiffres.
Mais pour moi, l'important ce ne sont pas les chiffres, mais ce que vous en faites !
C’est à dire qu’être data-driven, c’est savoir :
Quand la Data peut vraiment éclairer un problème, par opposition au moment où elle risque simplement de diluer la réflexion dans des tentatives vaines d’associer des chiffres pour justifier un raisonnement bancal.
Construire des raisonnements analytiques qui permettent de justifier ses idées (à l’image d’une dissertation dans laquelle les arguments sont de la Data)
En tant que Data Analyst, on peut être souvent amené à recevoir des demandes de chiffres pour lesquels la Data n’a rien à apporter. Dans ce cas, l’organisation gaspille des ressources à calculer des éléments inutiles, créant ainsi l’illusion d'être data-driven. Mes stakeholders data-driven ont bien compris cela, et sur chaque problème qu’ils nous soumettent, je sais que la Data va réellement contribuer à leur prise de décision.
Autre point important : pour pouvoir accomplir tout cela, le Data Analyst doit parfaitement connaître le sujet sur lequel il travaille. En tant que Product Analyst chez Doctolib, la maîtrise du produit et des problématiques business sont des conditions sine qua non pour être pertinent.
J’ai donc beaucoup travaillé avec mes stakeholders pour les aider à correctement formuler des problèmes et des hypothèses Data. Je leur ai montré ce que la Data peut et ne peut pas apporter afin d’améliorer leur utilisation quotidienne de la Data. Et en parallèle j’ai continuellement consolidé ma connaissance du produit.
Quels ont été tes plus gros challenges pour rendre tes stakeholders data-driven ?
Le plus gros challenge a été de leur faire comprendre ce que la Data peut faire, mais surtout ce qu’elle ne peut pas faire. Souvent, les gens pensent que la Data est une baguette magique qui va remplacer leur réflexion. Mais c'est faux !
De toute mon expérience, je n’ai jamais vu la Data amener une idée révolutionnaire à laquelle personne n’avait pensé en utilisant son bon sens. Cette tendance est particulièrement visible dans les demandes initiales que peut recevoir un Data Analyst au début de la relation avec ses stakeholders, ce qui peut conduire à la “dashboardite aiguë”. Il s’agit de demander à son Data Analyst, sans avoir réfléchi de manière concrète au problème, de réaliser un dashboard avec plusieurs dizaines de KPIs afin de se donner l'illusion de pouvoir en faire quelque chose en cuisinant tout ça. Mais cela s’avère inefficace, et on va simplement perdre du temps à faire des choses inutiles plutôt que de délivrer de la valeur.
De mon côté, je suis convaincu qu’une analyse de qualité doit toujours commencer par une phase sans Data pour bien définir le problème et poser des hypothèses claires et réfléchies. Cette phase représente souvent 80 % de l’effort nécessaire. Une fois cela fait, on peut s’interroger sur la capacité ou non de la Data à répondre à ce problème. Et si la réponse est favorable, c’est uniquement à partir de ce moment-là qu’on peut commencer à regarder dans la Data pour valider ou invalider nos hypothèses.
Donc j’ai passé beaucoup de temps à former mes stakeholders à cette méthodologie, pour qu’ils puissent réellement utiliser la Data dans leurs décisions.
Est-ce que tu as des conseils à donner à des gens qui veulent devenir plus data-driven?
Ne confondez pas le reporting et Data analyse: les deux sont nécessaires, mais n’ont pas les mêmes finalités. Le reporting permet de suivre des indicateurs clés pour l’entreprise dans le temps et déclencher des investigations si nécessaire. C’est là que la Data analyse entre en scène afin de comprendre ces évolutions et d'éclairer par la suite la prise de décision (si c’est possible !). Gardez également bien en tête que la Data donnera rarement une réponse binaire (vrai ou faux) mais une tendance que seule votre connaissance business permettra de colorer de la bonne façon.
Merci beaucoup pour votre lecture et à la semaine prochaine pour un nouvel article.
🚨 PS: Si vous aimez notre newsletter, n'hésitez pas à la partager autour de vous et à nous suivre sur Linkedin pour ne rater aucune de nos aventures.