«Une fois que vous pouvez définir un problème, il suffit de rechercher les bonnes techniques et les bonnes méthodologies à appliquer. Et, il existe de très nombreuses méthodologies. La question est vraiment: pouvez-vous choisir le bon? Et souvent, cela dépend: avez-vous défini le problème de la bonne manière? »- Kaiser Fung, Webcast sur Analytically Speaking, 10 septembre 2012
Comment les données sont-elles représentées graphiquement dans les médias et quelle histoire raconte-t-elle réellement? La science des données est-elle différente des statistiques? Les barrières de communication qui existent entre les statisticiens et les analystes d’affaires peuvent-elles vraiment être brisées? Quel rôle la découverte joue-t-elle dans l'analyse prédictive?
Récemment, nous avons eu le privilège d'entendre Kaiser Fung répondre à ces questions lors de la livraison de septembre Analytiquement parlant ( maintenant disponible pour la visualisation à la demande Dans le cas où vous l'avez manqué). Fung, vice-président de la veille stratégique et de l’analyse chez Vimeo et auteur de Les nombres dominent votre monde ( livre et Blog ), a également discuté de cinq principes statistiques qu’ils ne vous enseignent pas en classe de statistiques et de la raison pour laquelle sa préférence pour les graphiques à courbes crée de nombreux articles controversés sur son blog pionnier, Tableaux indésirables .
Comme Kaiser était un orateur très populaire, nous n’avions pas pu répondre en direct à toutes les questions posées par notre auditoire de retransmission sur le Web. Il a donc gentiment accepté de répondre à quelques questions supplémentaires lors de cet entretien post-événement.
Question: Quelles sont les pires pratiques les plus courantes que vous voyez dans la visualisation d'informations?
Kaiser: La pire pratique absolue consiste à comploter pour le complot. Il existe de nombreux graphiques dans lesquels je ne peux pas comprendre la question à laquelle le concepteur voulait répondre. Le problème suivant est l’utilisation de mauvaises données. Un autre problème est de favoriser les jolies choses qui déforment notre perception: le graphique à bulles en est un exemple. Sur les graphiques de courrier indésirable, j’utilise un examen trifecta qui teste chaque graphique en fonction de ces trois critères.
Question: L'objectif ultime d'un analyste est de fournir un support de données pour la prise de décision stratégique. Quelles sont les qualifications clés que l’analyste devrait posséder pour contribuer à la prise de décisions?
Kaiser: Au minimum, l’analyste doit être capable de traiter mentalement un grand nombre de chiffres et d’extraire les informations. Il est très facile de s'enliser dans les détails. Les données volumineuses amplifient ce problème. Je préférerais de loin voir une analyse de haute qualité sur un sous-ensemble de données plutôt qu'une analyse médiocre d'une montagne de données.
Ensuite, l’analyste doit garder à l’esprit l’objectif commercial à tout moment. Une simple analyse utilisant des techniques ennuyeuses produit souvent un impact beaucoup plus important que les méthodes compliquées qui améliorent le statu quo de manière immatérielle, même s’il est statistiquement significatif.
Enfin, il existe de nombreuses qualités intangibles que l’on retrouve chez les analystes performants. La curiosité, la persévérance, l'humilité, savoir comment et quand réduire les coûts, la gestion du temps, etc., sont utiles.
Question: Dans le webcast Analytically Speaking, vous avez indiqué que vous ne montriez que le récit final à votre auditoire et que de nombreux éléments étaient «vidés». Quel est le temps généralement consacré au contrôle de la qualité des données, à l'analyse et à la rédaction de la documentation du récit final ? Je crois que je passe trop de temps sur les deux premières étapes. Avez-vous des conseils pour améliorer les techniques de narration afin que toutes les analyses en valent la peine?
Kaiser: Voici mon scénario idéal: vous passez un mois sur le projet, vous passez d'hypothèse en hypothèse, vous vous heurtez à de nombreuses impasses, mais vous finissez par trouver une réponse avec laquelle vous pouvez vivre. Vous aimez cette réponse car elle répond simplement à la question et vous pouvez rejeter la plupart des autres travaux car ils se sont révélés non pertinents ou ont des effets beaucoup plus faibles que votre réponse finale. Alors maintenant, vous avez une théorie simple avec des données solides pour la sauvegarder. Tout se glisse sur une diapositive et vous avez trouvé le tableau qui les rassemble. J'allais dans cette réunion avec la diapositive unique. Le manager obtient l’histoire et cela résout son problème.
Question: Comment définiriez-vous une histoire?
Kaiser: Par «histoire», j'entends quelque chose écrit en anglais avec seulement quelques chiffres clés. Imaginez que vous avez 10 diapositives. Sortez les 10 en-têtes et mettez-les sur un morceau de papier. Avez-vous une histoire? En règle générale, il a une conclusion, puis il a des points qui soutiennent la conclusion. C'est comme écrire un argument pour un cours d'histoire. la seule différence est que vous avez des données comme certaines de vos matières premières.
Question: Pouvez-vous s'il vous plaît partager vos points de vue sur l'analyste et les outils d'analyse? Comment peuvent-ils se compléter au mieux?
Kaiser: Je pense toujours que l'analyste vient avant les outils. Si l'analyste sait clairement comment examiner les données, il peut trouver des outils qui faciliteraient cette analyse. C'est pourquoi sur Junk Charts, je parle rarement des outils. Si vous voulez vraiment que je parle d'outils, alors je dirais que les outils doivent simplifier la vie de l'analyste. Les outils à moitié développés créent inévitablement du travail supplémentaire pour l'analyste.
Question: Pouvez-vous expliquer comment vous gérez des données en désordre avec beaucoup de bruit? Et commencez-vous généralement votre processus en évaluant les données épurées, les données brutes ou quelque chose d'extérieur à la collecte de données?
Kaiser: Cette question peut être interprétée de deux manières. Le bruit peut être une caractéristique de vos données ou ajouté à tort à vos données. Je passe toujours du temps à comprendre comment les données sont collectées, idéalement, à parler à la personne qui les a collectées. Demandez-vous toujours quelle importance ont les erreurs avant de passer du temps à les corriger. Si vos données présentent une variance élevée, vous avez besoin de méthodes statistiques.
Question: Quelles recommandations avez-vous pour supprimer les barrières perçues entre statisticiens et cadres?
Kaiser: Mon conseil préféré est d'apprendre à parler leur langue. N'essayez pas d'enseigner les mathématiques aux cadres.
Richard Giambrone a écrit:
"N'essayez pas d'enseigner les mathématiques aux cadres." C'est une très bonne recommandation. Je n'interprète pas cela comme signifiant que les cadres sont stupides. Cela signifie qu'ils sont pressés par le temps et qu'ils veulent connaître vos recommandations. Je pense que cela signifie que vous avez essayé de comprendre leur monde et de parler leur langue. Cela instaurera un climat de confiance et de bonnes relations de travail. Ils savent que vous êtes déjà intelligent. S'ils veulent connaître les équations, ils demanderont.
