Pourquoi l’analyse de données centrée sur l’humain est plus importante que jamais
où être basé sur les données est devenu un gage de crédibilité. Les organisations parlent fièrement des tableaux de bord, des stratégies d’IA, des modèles prédictifs et de l’automatisation dans lesquelles elles ont investi et dont elles ont tiré profit. Comme Internet vous l’indique, presque toutes les entreprises du Fortune 1000 augmentent leurs investissements dans les données et l’IA pour rester agiles et compétitives. Et pourtant, malgré un accès sans précédent à la qualité et à la quantité de données, une grande majorité des initiatives d’analyse et d’IA ne parviennent pas à la production ou ne peuvent pas avoir un impact durable.
Des modèles de données sont créés, des informations sont partagées, les présentations sont applaudies puis discrètement oubliées pour devenir (ce que j’aime appeler) des trashboards.
À l’heure où les machines prennent le contrôle de nos capacités de prise de décision, le problème n’est pas le manque de données, de talents ou d’outils. humain avec qui nous commençons à oublier de parler.
C’est ici Analyse de données centrée sur l’humain devient non seulement pertinent, mais essentiel.
Qu’est-ce qu’une approche centrée sur l’humain ?
Les données ne sont rien d’autre que les traces numériques des interactions humaines. Une approche centrée sur l’humain peut améliorer les choix que font quotidiennement les data scientists, en rendant le processus plus transparent, en posant des questions et en tenant compte du contexte social des données.
Une approche centrée sur l’humain pose une question très simple :
À qui s’adresse-t-il et comment sera-t-il réellement utilisé ?
Maintenant, réfléchis-y de cette façon—de demander « Que pouvons-nous prédire à partir de ces données ?l’approche centrée sur l’humain nous donne envie de nous demander « Que devrions-nous aider les gens à comprendre ou à décider avec ces données ? »
L’analyse de données centrée sur l’humain est le concept consistant à comprendre comment les gens interagissent et donnent un sens aux situations sociales, permettant aux humains d’explorer et d’obtenir des informations, et de concevoir des modèles de données en pensant à l’utilisateur final (pas seulement à l’entreprise).
À la base, l’analyse de données centrée sur l’humain signifie concevoir des modèles et des mesures en gardant à l’esprit l’utilisateur final, et pas seulement les KPI commerciaux. Il nous demande d’améliorer les décisions quotidiennes prises par les professionnels des données : la façon dont nous concevons les problèmes, les fonctionnalités que nous concevons, les mesures que nous optimisons et la manière dont nous communiquons les solutions à ces problèmes.
Pourquoi l’analyse de données centrée sur l’humain est l’avenir
À mesure que le monde devient plus solide sur le plan technique et plus axé sur les affaires, nous, en tant que société, avons un déclin pertinence sociale et comportementale. Les organisations, quel que soit leur secteur d’activité, ont réduit les individus aux profits et aux probabilités. Nous oublions que chaque ensemble de données provient de quelqu’un qui décide d’acheter, de cliquer, de déplacer, de voter ou de se désinscrire et finissons par traiter ces comportements comme un signal plutôt que comme une histoire.
Ignorer ce contexte humain peut conduire à optimiser complètement un mauvais résultat. L’approche centrée sur l’humain introduit une nouvelle dimension et nous oblige à nous poser les questions suivantes :
- A qui profite ce modèle ?
- Qui pourrait être blessé ?
- Quelles hypothèses sont intégrées dans les données ?
Comment pouvez-vous pratiquer l’analyse de données centrée sur l’humain dans votre travail
Mon penchant pour une approche centrée sur l’humain n’est pas un nouvel amour.
Au début de ma carrière, j’étais profondément intéressé par l’interaction homme-machine (HCI), un domaine qui étudie la façon dont les gens conçoivent, utilisent et interagissent avec la technologie. En travaillant avec HCI, sans grande réalisation, j’ai développé une attitude donnant la priorité à la compréhension de la cognition humaine, du comportement et du contexte social lors de la résolution d’un problème.
Ainsi, même si je travaille désormais dans le domaine des données et de l’IA, l’attitude centrée sur l’humain est devenue ma seconde nature. Au fil des années de travail en tant que consultant senior en analyse, l’intégration de l’approche centrée sur l’humain n’a nécessité que quelques changements simples et intentionnels dans ma façon de travailler. Voici comment je pratique l’analyse de données centrée sur l’humain sur mon lieu de travail.
1. Commencez par les personnes, pas par les indicateurs
Au cours des premières années de ma carrière, mon état d’esprit était axé sur la conception de jolis tableaux de bord, car c’était le résultat tangible qui me donnerait de la visibilité. Cependant, au fil du temps et à mesure que j’ai grandi en tant que professionnel des données, j’ai réalisé que les tableaux de bord ne créaient pas de valeur à eux seuls. Les décisions le font.
Vous devez concevoir votre analyse en fonction des décisions que les utilisateurs peuvent prendre à partir d’une analyse, et non en fonction de simples tableaux de bord. Avant de définir des étapes ou des KPI pour votre analyse ou votre tableau de bord, vous devez vous demander :
- Qui utiliserait et agirait en fonction de ces informations ?
- Quelle décision essaient-ils de prendre ?
- À quelles contraintes sont-ils confrontés ?
Poser dès le départ ces questions aux personnes concernées définit généralement les prochaines étapes pour moi, éliminant les incertitudes et garantissant que les métriques que je partage servent réellement le problème, au lieu d’espérer que les métriques dont je dispose sont vraies pour le problème que je résout.
2. Interroger l’origine du problème
Chaque problème a une histoire.
L’analyse de données centrée sur l’humain nous demande de réfléchir à des questions pertinentes par rapport au problème et de prendre une petite pause avant de collecter, récupérer et manipuler les données nécessaires. Vous devez documenter les hypothèses et les biais connus, non seulement sous forme de notes de bas de page, mais dans le cadre de l’analyse. Posez des questions telles que :
- D’où vient le problème ? Dans quelles conditions ?
- Quels comportements sont absents ou sous-représentés ?
- Quelles données peuvent répondre à cette problématique dans le contexte posé ?
Cela crée de la transparence et définit des attentes réalistes quant à la manière dont les informations doivent être interprétées.
3. Concevoir pour la compréhension, pas seulement pour la précision
Un modèle de données avec une précision d’environ 94 % que personne ne comprend a rarement un impact.
Mais si vous associez les résultats de ce même modèle de données à un court récit expliquant pourquoi le résultat existe, et pas seulement ce qu’il est, testez par vous-même l’impact que cela produit. L’analyse centrée sur l’humain vous pousse à traduire le langage technique en une compréhension humaine simple.
Une fois votre modèle de données prêt, demandez :
- Une partie prenante non technique peut-elle expliquer vos idées après l’avoir entendu une fois ?
- Pouvez-vous remplacer les graphiques d’importance des fonctionnalités par des visuels orientés décision (par exemple, « Si X augmente, voici ce qui change ») ?
- Pouvez-vous échanger des gains de précision marginaux contre de la clarté ?
L’approche centrée sur l’humain vous permet de concevoir des modèles offrant une adoption améliorée et une précision accrue.
4. Tenir compte de ce que les données ne peuvent pas voir
Je ne saurais trop souligner à quel point cela m’a permis d’évoluer dans ma carrière ! Être capable de voir les lacunes d’un ensemble de données, d’anticiper les questions sur ces lacunes et de se préparer à y répondre a été un facteur clé pour mes promotions dans l’échelle.
Mais bon, inutile de deviner d’où cela vient : l’approche centrée sur l’humain du travail avec les données !
Une approche centrée sur l’humain vous permet de reconnaître explicitement les angles morts. Au fur et à mesure que vous vous familiarisez avec un ensemble de données, commencez à documenter les lacunes connues des données, les modèles de comportement de l’ensemble de données et évoquez des hypothèses lors des présentations au lieu de les laisser rester implicites. Vous pourriez demander :
- Qu’est-ce que ces données ne montrent pas ?
- Quel groupe ou comportement est sous-représenté ?
- Le jugement porté par les décideurs à partir de ces informations peut-il tenir le coup lorsque les lacunes sont importantes ?
4. Concevoir pour un impact éthique, pas seulement pour la performance
Travailler avec des données sensibles rend l’éthique incontournable. Mais grâce à l’approche centrée sur l’humain, elle nous permet de traiter l’éthique comme une contrainte de conception, et non comme une case à cocher de conformité. Posez des questions éthiques dès le début et planifiez-les, et non comme une réflexion après le déploiement, comme :
- Que se passe-t-il si ce modèle de données n’est pas le mieux adapté ?
- Qui supportera le coût des erreurs ?
- Comment les commentaires seront-ils intégrés ?
En planifiant ces scénarios à l’avance, je peux élaborer des solutions non seulement efficaces, mais aussi responsables et plus durables.
5. Créez des boucles de rétroaction dans le système
En tant que membre du personnel, nous connaissons tous l’importance du retour d’information et de son intégration dans notre travail, pas seulement du point de vue des données, mais de manière holistique, l’approche centrée sur l’humain me pousse à traiter les solutions comme des systèmes évolutifs plutôt que comme des livrables ponctuels.
Selon l’approche centrée sur l’humain, votre structure pour ajouter des boucles de rétroaction dans vos systèmes est un processus en 3 étapes :
- Définir des mesures de réussite au-delà du lancement (telles que l’adoption, les remplacements et la confiance des parties prenantes)
- Planifiez des enregistrements récurrents avec les utilisateurs et les parties prenantes pour comprendre comment les informations sont utilisées ou ignorées.
- Intégrez des commentaires qualitatifs dans les itérations futures, et pas seulement des mesures de performances quantitatives.
Les résultats de l’étape 2 ci-dessus sur la manière dont les informations sont utilisées ou ignorées peuvent ne pas toujours correspondre à ce que vous souhaitiez. J’entends beaucoup de « oh, nous n’utilisons plus cet outil » pour les outils que j’avais construits dans le passé. Donc pour éviter cela, en gardant à l’esprit l’approche centrée sur l’humain, posez des questions avant et après la création des outils.
- Comment cette analyse sera-t-elle évaluée et utilisée une fois utilisée ?
- Doit-il s’agir d’un livrable ponctuel ou d’un outil robuste ?
- Combien d’utilisateurs ont arrêté d’utiliser l’outil seulement après quelques utilisations ? Qu’est-ce qui a changé ?
Pensées finales
Les données sont puissantes parce que les gens le sont.
L’avenir de l’analyse n’est pas une question de données supplémentaires, de modèles plus volumineux ou de pipelines plus rapides, mais une question de sagesse !
L’analyse des données centrée sur l’humain nous rappelle que les données sont puissantes non pas parce qu’elles sont objectives, mais parce qu’elles reflètent la vie humaine dans toute sa complexité. Lorsque nous concevons des analyses avec empathie, contexte et responsabilité, nous ne construisons pas seulement de meilleurs modèles, mais de meilleurs systèmes !
Et cela compte plus que jamais.
TVoilà de mon côté pour ce billet de blog. Merci d’avoir lu! J’espère que vous avez trouvé cette lecture intéressante et que vous passerez un bon moment cette nouvelle année en racontant des histoires avec des données !
Rashi est un expert des données de Chicago qui aime analyser les données et créer des histoires de données pour communiquer des informations. Elle est consultante senior en analyse de soins de santé à temps plein et aime écrire des blogs sur les données le week-end avec une tasse de café.
