​Les bonnes données, ou ce que Trump peut vous apprendre à propos du bon usage des données

Pendant les mois, les semaines et les jours qui ont précédé les élections américaines en novembre dernier, une chose était sûre : Hilary Clinton allait remporter la victoire. Selon le New York Times la journée de l'élection, la probabilité d'une victoire de Clinton était de 85 %. Le site Web de Nate Silver, FiveThirtyEight, reconnu pour ses prouesses statistiques, avait établi la probabilité qu'Hilary Clinton remporte le vote populaire, mais perde celui du Collège électoral, à seulement 10,5 %.

Le consensus était simple : toutes les analyses pointaient vers une victoire éclatante d'Hilary Clinton.

En fait, la plupart des analyses. Il y avait bel et bien quelques voix discordantes prêchant dans le désert qui prédisaient le contraire, qui pointaient vers un individu instable, une personnalité télévisuelle au visage orange et à la coiffure improbable. Leurs prédictions étaient également basées sur les données, mais arrivaient à la conclusion inverse. Par exemple, Allan J. Lichtman, un historien politique de l'American University à Washington, a déclaré deux jours seulement avant le vote que Trump allait remporter l'élection.

Comme nous le savons maintenant, la majorité avait tort. Le consensus des experts s'est avéré fondé sur des suppositions erronées et de mauvaises analyses. Même avec ce qui semblait être les données les plus exactes, les plus à jour et les plus détaillées disponibles, ils se sont plantés royalement.

Alors, qu'est-ce qui n'a pas fonctionné? Et quelle leçon peut-on en tirer?

Les réponses se trouvent dans le type de données analysées. Ce qui est arrivé lors des élections américaines démontre ce qui se produit lorsque nous examinons le mauvais type de données; plus précisément des données de la mauvaise plage de temps.

En fait, les données d'au moins deux périodes distinctes ont été utilisées pour prédire le comportement des électeurs : les données à court terme (p.ex. de sondages) et les données à long terme (p.ex. les tendances électorales historiques). Ces mêmes catégories, les données à court et à long terme, existent aussi en marketing. Les données à court terme sont habituellement utiles pour voir ce qui se passe en ce moment, ce qui est tendance, ce que les gens achètent, comment ils se sentent. Dans le monde du marketing et des médias, beaucoup de données de source numérique sont à court terme, offrant un aperçu plutôt juste de ce qui est vu, entendu ou accédé. Les données à long terme par contre donnent habituellement un aperçu plus vaste et sur une plus grande période : comment les gens se sont comportés au fil du temps, comment leur impression de marques évolue, pour qui ils ont voté.

Les deux types de données ont leurs points forts et leurs points faibles. Les données à long terme ne réussissent pas à saisir l'activité à court terme. Les données à court terme ne réussissent pas à montrer les effets à long terme. Lors des élections, les personnes comme Lichtman qui ont prédit le bon résultat ont examiné les données à long terme; tous les autres analystes, ceux qui se sont plantés, n'ont examiné que les données à court terme. En d'autres mots, les élections ont été une grande démonstration de ce qui arrive lorsque vous jouez votre avenir sur les mauvaises données. Trop d'analystes regardaient les données à court terme (les sondages) pour prédire un comportement à long terme (les préférences de vote). Et le résultat a été une bien mauvaise surprise.

Trop souvent nous tombons dans ce même piège lorsque nous examinons la situation de nos marques et de nos entreprises. En nous réjouissant des excellentes nouvelles qu'indiquent les données à court terme que nous avons, nous évitons de nous poser la question cruciale à savoir s'il s'agit de la bonne sorte de données. Et pour répondre à cette question, il y a un critère incontournable : est-ce que les données sont adaptées à l'objectif visé? S'agit-il des données les plus appropriées pour ce que je recherche? Si je dois évaluer des tendances de comportement à long terme (p.ex. des préférences de vote ou le sentiment envers une marque), je dois examiner des données à long terme, peu importe à quel point les données à court terme peuvent sembler attrayantes. Agir autrement c'est courir à la catastrophe.

Lorsqu'il est question de marketing, toutes les marques partagent le même objectif commun : une augmentation soutenue des ventes. C'est foncièrement autant un objectif à court terme (les ventes) qu'à long terme (une augmentation soutenue). Il doit donc en être de même de l'analyse et des données qui soutiennent l'objectif. Toute analyse du rendement de l'investissement doit se faire à court et à long terme; le rendement ne peut être envisagé qu'à court terme.

Les bons responsables marketing s'assurent que les données qu'ils analysent conviennent à l'objectif qu'ils ont à l'esprit. Les données à court terme ne conviennent qu'aux objectifs à court terme. Pour tout objectif au-delà du court terme, les données à long terme doivent être prises en compte. Autrement, vous vous réservez de bien mauvaises surprises.

Et je crois que nous sommes tous d'accord pour dire que nous en avons eu suffisamment ces derniers temps.


Vo​ici d'autres blogs qui pourraient vous intéresser :​​​​​​​

Forum publicitaire sur l'avenir de la télévision​​

​Actualités télévisuelles — Automne 2016​​​

Confessions d’un rebranché​​