Pascal Coggia : Que signifie la transformation num\u00e9rique pour Nissan ?<\/h2><\/div>D\u00e9v Rishi Sahani : Le terme de transformation num\u00e9rique est quelque peu galvaud\u00e9, tout d\u00e9pend donc de la d\u00e9finition que vous lui donnez. Chez Nissan, nous nous sommes lanc\u00e9s dans la transformation num\u00e9rique il y a plusieurs ann\u00e9es. Nous avons bien r\u00e9ussi la transformation technologique, et nous continuerons \u00e0 le faire, mais le plus important pour nous est de rester \u00e0 l'\u00e9coute des clients. Nous nous concentrons enti\u00e8rement sur ce que nous appelons la transformation de l'exp\u00e9rience client, et si vous l'envisagez sous cet angle, les d\u00e9fis sont tr\u00e8s clairs.<\/p>\n
Le premier d\u00e9fi concerne la structure organisationnelle ou op\u00e9rationnelle. Consid\u00e9rer le parcours du client comme un chemin lin\u00e9aire est une fa\u00e7on traditionnelle de visualiser la fa\u00e7on dont vos clients interagissent avec votre marque, mais, en fin de compte, cela se limite \u00e0 \u00eatre tr\u00e8s transactionnel et vous enferme dans des silos. Pour passer des transactions aux relations avec les clients, nous devons cesser de consid\u00e9rer les conversions par \u00e9tapes ou les transferts entre ces canaux et relier ces silos.<\/p>\n<\/div>
Pascal : Ok, pouvez-vous nous dire comment vous utilisez data ? Comment devenez-vous centr\u00e9 sur le client ?<\/h2><\/div>D\u00e9v : Au cours de ma carri\u00e8re, j'ai acquis la ferme conviction que la quantit\u00e9 de data disponible sera toujours sup\u00e9rieure \u00e0 l'app\u00e9tit des organisations pour l'utilisation et l'application de ces informations. Ce n'est ni une bonne ni une mauvaise chose, c'est simplement la r\u00e9alit\u00e9. Parfois, la bataille est simplement due au fait que le data est en conflit avec le plan d'action que vous vouliez prendre.<\/p>\n
Mais plus important encore, c'est lorsque l'analyse ne pr\u00e9sente pas d'implications ou de recommandations claires - si le data ne vous dit pas ce qu'il faut faire ensuite, il est plut\u00f4t inutile. C'est l\u00e0 que le mot \u2018utilisation\u2019 prend tout son sens ; il ne s'agit plus de savoir combien de personnes utilisent le data, mais de se concentrer sur son utilit\u00e9. Nous avons men\u00e9 l'adoption de data au sein de notre organisation en d\u00e9finissant clairement son utilit\u00e9 pour nos march\u00e9s, nos fonctions commerciales et nos \u00e9quipes num\u00e9riques.<\/p>\n
D'un c\u00f4t\u00e9, il y a l'entr\u00e9e data, comme les tableaux de bord et les syst\u00e8mes de soutien qui permettent la planification et la prise de d\u00e9cision en amont ; de l'autre c\u00f4t\u00e9, il y a la sortie data, c'est-\u00e0-dire les mod\u00e8les pr\u00e9dictifs et la science data qui montrent les r\u00e9sultats op\u00e9rationnels de nos initiatives. Ce qui relie ces deux \u00e9l\u00e9ments, c'est une culture data-driven de test et d'apprentissage fond\u00e9e sur des hypoth\u00e8ses.<\/p>\n<\/div>
Pascal : Pouvez-vous nous donner un exemple de projet data qui a trouv\u00e9 un \u00e9cho \u00e0 grande \u00e9chelle au sein de votre organisation ?<\/h2><\/div>D\u00e9v : D'une certaine mani\u00e8re, c'est tout le chemin que nous avons parcouru ces deux ou trois derni\u00e8res ann\u00e9es... en d\u00e9veloppant CEDAR, notre marque interne pour la fonction d'analyse data. CEDAR signifie Customer Experience Data Analytics and Reporting (analyse et rapports de l'exp\u00e9rience client Data). Elle nous aide \u00e0 transformer data en informations, en connaissances et en sagesse. C'est l\u00e0 qu'interviennent l'actionnabilit\u00e9 et l'utilisabilit\u00e9.<\/p>\n
Au cours des deux premi\u00e8res ann\u00e9es, nous nous sommes efforc\u00e9s de tout organiser. Le premier moment \u2018Eur\u00eaka\u2019 a \u00e9t\u00e9 celui o\u00f9 l'ensemble de l'organisation a r\u00e9alis\u00e9 qu'il \u00e9tait possible de regarder le data et de voir les tendances de consommation sur 147 march\u00e9s. Plut\u00f4t que de faire des suppositions bas\u00e9es sur des \u00e9chantillons de 5 000 personnes, par exemple, nous pouvons maintenant voir comment un million de visiteurs interagissent, \u00e0 chaque minute de chaque jour.<\/p>\n
Il y a quelques ann\u00e9es, nous avons lanc\u00e9 une nouvelle voiture sur un march\u00e9 sp\u00e9cifique et nous avons constat\u00e9 qu'il y avait beaucoup d'achats intersectoriels. Nous pouvions voir quand les clients changeaient d'avis et passaient du mod\u00e8le que nous pensions qu'ils ach\u00e8teraient \u00e0 celui qu'ils ach\u00e8tent en r\u00e9alit\u00e9. Nous avons \u00e9galement pu d\u00e9terminer qui ach\u00e8terait une transmission automatique ou une transmission manuelle, par exemple. Nous pouvons d\u00e9sormais utiliser data et observer des sch\u00e9mas significatifs dans le parcours d'achat des consommateurs. Nous voulons savoir ce que veulent nos clients et y r\u00e9pondre.<\/p>\n<\/div>
Pascal : Pouvez-vous m'en dire plus sur ce tableau de bord CEDAR - ce hub BI ? Pourquoi existe-t-il ?<\/h2><\/div>D\u00e9v : Ce n'est pas la premi\u00e8re chose que nous avons construite. Nous avons commenc\u00e9 par nous concentrer sur le data - quelles questions pouvons-nous poser au data ? quelles r\u00e9ponses le data donnera-t-il ? Nous avons compris cela au cours de la premi\u00e8re ann\u00e9e du programme. Ensuite, il s'est agi de \u2018d\u00e9mocratiser\u2019 ce data. Nous avons r\u00e9alis\u00e9 que le d\u00e9fi n'\u00e9tait pas d'avoir le data, mais de lui donner un sens. C'est l\u00e0 que nous avons d\u00e9velopp\u00e9 notre partenariat avec Artefact pour cr\u00e9er CEDAR home.<\/p>\n
CEDAR est une plateforme ind\u00e9pendante qui fonctionne chez Nissan et dans toutes les fonctions, et qui contient un grand nombre de tableaux de bord et d'informations diff\u00e9rents. C'est notre plaque tournante en mati\u00e8re d'exp\u00e9rience et de connaissance des consommateurs - l\u00e0 o\u00f9 nos employ\u00e9s vont pour voir le monde comme le font nos clients. Tout le monde dans l'entreprise peut y acc\u00e9der et si vous n'avez pas d'identifiant, il vous suffit de vous inscrire. Cela devrait \u00eatre aussi facile que de naviguer sur notre site web.<\/p>\n
Plus important encore, en tant que personne data, nous pouvons examiner les analyses de CEDAR pour comprendre comment il est utilis\u00e9, o\u00f9 sont les points de friction, o\u00f9 les gens se perdent et quelles sont les parties utiles ou inutiles. Plut\u00f4t que de demander, nous savons.<\/p>\n<\/div>
![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/03\/CEDAR-home-1024x496-1.png\" "\\"CEDAR-maison-1024\u00d7496\\"")
<\/span><\/div>Pascal : Avez-vous vu des personnes utiliser CEDAR pour prendre des d\u00e9cisions qu'elles ne pouvaient pas prendre auparavant ? Ou est-ce qu'il leur permet simplement de gagner du temps ?<\/h2><\/div>D\u00e9v : Nous avons beaucoup de gens qui prennent de bonnes d\u00e9cisions, mais le fait que des gens utilisent CEDAR pour prendre des d\u00e9cisions diff\u00e9rentes ou des d\u00e9cisions qu'ils ne pouvaient pas prendre auparavant est tout \u00e0 fait satisfaisant.<\/p>\n
Nous avons commenc\u00e9 ce voyage en nous concentrant sur l'exp\u00e9rience client. Nous voulions que tous ceux qui travaillaient sur l'exp\u00e9rience client puissent utiliser ces informations. Mais tr\u00e8s vite, le projet s'est \u00e9tendu \u00e0 des \u00e9quipes d'autres fonctions telles que la planification avanc\u00e9e des produits et l'intelligence \u00e9conomique. Toutes ces fonctions diff\u00e9rentes, au niveau mondial et au niveau du march\u00e9, connaissent CEDAR. En soi, cela nous donne beaucoup de contexte sur la fa\u00e7on dont data devient plus utile dans notre organisation et est utilis\u00e9 par diff\u00e9rents types de fonctions commerciales.<\/p>\n<\/div>
Pascal : Parlez-moi un peu de l'\u00e9quipe. Qui est aux commandes ?<\/h2><\/div>D\u00e9v : Data n'est pas tout ; vous devez savoir comment en tirer des enseignements. C'est l\u00e0 qu'il est utile d'avoir la bonne \u00e9quipe. Lorsque j'ai rejoint Nissan en novembre 2017, il y avait deux personnes dans la pratique mondiale data et \u00e0 partir de l\u00e0, nous avons d\u00e9velopp\u00e9 l'\u00e9quipe \u00e0 travers trois piliers fondamentaux - appel\u00e9s Mesurer, Optimiser et Pr\u00e9dire.<\/p>\n
Le pilier \"Mesure\" est charg\u00e9 de comprendre comment nous organisons le data et le transformons en informations. Nous avons grandi dans un esprit de collaboration avec des partenariats, comme avec Artefact et d'autres entreprises. Nous savions que nous avions besoin d'une machine pour construire cela. Le deuxi\u00e8me pilier s'appelle Optimiser et est responsable de l'ex\u00e9cution des exp\u00e9riences, des tests et de l'apprentissage de data-driven - ce que nous faisons beaucoup. Le troisi\u00e8me pilier s'appelle Predict, qui est le pilier scientifique de data. Nous avons pris soin d'ajouter ce pilier \u00e0 la fin pour nous assurer que nous ne nous pr\u00e9cipitions pas et que nous ne recrutions pas des talents qui s'ennuieraient tr\u00e8s vite, parce que nous n'avions pas pr\u00e9vu les bons cas d'utilisation.<\/p>\n
L'\u00e9quipe directe est principalement bas\u00e9e dans le centre mondial d'exp\u00e9rience client \u00e0 Londres, avec quelques personnes dans notre si\u00e8ge \u00e0 Yokohama, au Japon, et nous travaillons avec des \u00e9quipes d'analyse int\u00e9gr\u00e9es sur tous les march\u00e9s.<\/p>\n<\/div>
Pascal : Alors, \u00e0 quoi ressemble le succ\u00e8s ? Comment voyez-vous l'\u00e9volution de vos projets data au cours des deux prochaines ann\u00e9es ?<\/h2><\/div>D\u00e9v : Pour r\u00e9ussir, il faut que les data que nous produisons soient utiles \u00e0 la fois \u00e0 Nissan et \u00e0 ses clients. Cela implique de lier tout ce que nous faisons \u00e0 nos indicateurs cl\u00e9s de performance organisationnels. Nous pouvons d\u00e9terminer o\u00f9 nous commen\u00e7ons \u00e0 faire la diff\u00e9rence d'un point de vue organisationnel et, de la m\u00eame mani\u00e8re, nous pouvons l'associer \u00e0 des mesures de la qualit\u00e9 de la client\u00e8le qui montrent comment nous obtenons des gains \u00e0 court terme ou une long\u00e9vit\u00e9 \u00e0 long terme. C'est \u00e0 cela que ressemble la r\u00e9ussite du programme d'exp\u00e9rience client. La r\u00e9ussite du programme data consiste \u00e0 continuer \u00e0 le rendre tr\u00e8s simple et \u00e0 le faire \u00e9voluer.<\/p>\n<\/div><\/div><\/div><\/div><\/article>
D\u00e9v Rishi Sahani : Le terme de transformation num\u00e9rique est quelque peu galvaud\u00e9, tout d\u00e9pend donc de la d\u00e9finition que vous lui donnez. Chez Nissan, nous nous sommes lanc\u00e9s dans la transformation num\u00e9rique il y a plusieurs ann\u00e9es. Nous avons bien r\u00e9ussi la transformation technologique, et nous continuerons \u00e0 le faire, mais le plus important pour nous est de rester \u00e0 l'\u00e9coute des clients. Nous nous concentrons enti\u00e8rement sur ce que nous appelons la transformation de l'exp\u00e9rience client, et si vous l'envisagez sous cet angle, les d\u00e9fis sont tr\u00e8s clairs.<\/p>\n
Le premier d\u00e9fi concerne la structure organisationnelle ou op\u00e9rationnelle. Consid\u00e9rer le parcours du client comme un chemin lin\u00e9aire est une fa\u00e7on traditionnelle de visualiser la fa\u00e7on dont vos clients interagissent avec votre marque, mais, en fin de compte, cela se limite \u00e0 \u00eatre tr\u00e8s transactionnel et vous enferme dans des silos. Pour passer des transactions aux relations avec les clients, nous devons cesser de consid\u00e9rer les conversions par \u00e9tapes ou les transferts entre ces canaux et relier ces silos.<\/p>\n<\/div>
Pascal : Ok, pouvez-vous nous dire comment vous utilisez data ? Comment devenez-vous centr\u00e9 sur le client ?<\/h2><\/div>D\u00e9v : Au cours de ma carri\u00e8re, j'ai acquis la ferme conviction que la quantit\u00e9 de data disponible sera toujours sup\u00e9rieure \u00e0 l'app\u00e9tit des organisations pour l'utilisation et l'application de ces informations. Ce n'est ni une bonne ni une mauvaise chose, c'est simplement la r\u00e9alit\u00e9. Parfois, la bataille est simplement due au fait que le data est en conflit avec le plan d'action que vous vouliez prendre.<\/p>\n
Mais plus important encore, c'est lorsque l'analyse ne pr\u00e9sente pas d'implications ou de recommandations claires - si le data ne vous dit pas ce qu'il faut faire ensuite, il est plut\u00f4t inutile. C'est l\u00e0 que le mot \u2018utilisation\u2019 prend tout son sens ; il ne s'agit plus de savoir combien de personnes utilisent le data, mais de se concentrer sur son utilit\u00e9. Nous avons men\u00e9 l'adoption de data au sein de notre organisation en d\u00e9finissant clairement son utilit\u00e9 pour nos march\u00e9s, nos fonctions commerciales et nos \u00e9quipes num\u00e9riques.<\/p>\n
D'un c\u00f4t\u00e9, il y a l'entr\u00e9e data, comme les tableaux de bord et les syst\u00e8mes de soutien qui permettent la planification et la prise de d\u00e9cision en amont ; de l'autre c\u00f4t\u00e9, il y a la sortie data, c'est-\u00e0-dire les mod\u00e8les pr\u00e9dictifs et la science data qui montrent les r\u00e9sultats op\u00e9rationnels de nos initiatives. Ce qui relie ces deux \u00e9l\u00e9ments, c'est une culture data-driven de test et d'apprentissage fond\u00e9e sur des hypoth\u00e8ses.<\/p>\n<\/div>
Pascal : Pouvez-vous nous donner un exemple de projet data qui a trouv\u00e9 un \u00e9cho \u00e0 grande \u00e9chelle au sein de votre organisation ?<\/h2><\/div>D\u00e9v : D'une certaine mani\u00e8re, c'est tout le chemin que nous avons parcouru ces deux ou trois derni\u00e8res ann\u00e9es... en d\u00e9veloppant CEDAR, notre marque interne pour la fonction d'analyse data. CEDAR signifie Customer Experience Data Analytics and Reporting (analyse et rapports de l'exp\u00e9rience client Data). Elle nous aide \u00e0 transformer data en informations, en connaissances et en sagesse. C'est l\u00e0 qu'interviennent l'actionnabilit\u00e9 et l'utilisabilit\u00e9.<\/p>\n
Au cours des deux premi\u00e8res ann\u00e9es, nous nous sommes efforc\u00e9s de tout organiser. Le premier moment \u2018Eur\u00eaka\u2019 a \u00e9t\u00e9 celui o\u00f9 l'ensemble de l'organisation a r\u00e9alis\u00e9 qu'il \u00e9tait possible de regarder le data et de voir les tendances de consommation sur 147 march\u00e9s. Plut\u00f4t que de faire des suppositions bas\u00e9es sur des \u00e9chantillons de 5 000 personnes, par exemple, nous pouvons maintenant voir comment un million de visiteurs interagissent, \u00e0 chaque minute de chaque jour.<\/p>\n
Il y a quelques ann\u00e9es, nous avons lanc\u00e9 une nouvelle voiture sur un march\u00e9 sp\u00e9cifique et nous avons constat\u00e9 qu'il y avait beaucoup d'achats intersectoriels. Nous pouvions voir quand les clients changeaient d'avis et passaient du mod\u00e8le que nous pensions qu'ils ach\u00e8teraient \u00e0 celui qu'ils ach\u00e8tent en r\u00e9alit\u00e9. Nous avons \u00e9galement pu d\u00e9terminer qui ach\u00e8terait une transmission automatique ou une transmission manuelle, par exemple. Nous pouvons d\u00e9sormais utiliser data et observer des sch\u00e9mas significatifs dans le parcours d'achat des consommateurs. Nous voulons savoir ce que veulent nos clients et y r\u00e9pondre.<\/p>\n<\/div>
Pascal : Pouvez-vous m'en dire plus sur ce tableau de bord CEDAR - ce hub BI ? Pourquoi existe-t-il ?<\/h2><\/div>D\u00e9v : Ce n'est pas la premi\u00e8re chose que nous avons construite. Nous avons commenc\u00e9 par nous concentrer sur le data - quelles questions pouvons-nous poser au data ? quelles r\u00e9ponses le data donnera-t-il ? Nous avons compris cela au cours de la premi\u00e8re ann\u00e9e du programme. Ensuite, il s'est agi de \u2018d\u00e9mocratiser\u2019 ce data. Nous avons r\u00e9alis\u00e9 que le d\u00e9fi n'\u00e9tait pas d'avoir le data, mais de lui donner un sens. C'est l\u00e0 que nous avons d\u00e9velopp\u00e9 notre partenariat avec Artefact pour cr\u00e9er CEDAR home.<\/p>\n
CEDAR est une plateforme ind\u00e9pendante qui fonctionne chez Nissan et dans toutes les fonctions, et qui contient un grand nombre de tableaux de bord et d'informations diff\u00e9rents. C'est notre plaque tournante en mati\u00e8re d'exp\u00e9rience et de connaissance des consommateurs - l\u00e0 o\u00f9 nos employ\u00e9s vont pour voir le monde comme le font nos clients. Tout le monde dans l'entreprise peut y acc\u00e9der et si vous n'avez pas d'identifiant, il vous suffit de vous inscrire. Cela devrait \u00eatre aussi facile que de naviguer sur notre site web.<\/p>\n
Plus important encore, en tant que personne data, nous pouvons examiner les analyses de CEDAR pour comprendre comment il est utilis\u00e9, o\u00f9 sont les points de friction, o\u00f9 les gens se perdent et quelles sont les parties utiles ou inutiles. Plut\u00f4t que de demander, nous savons.<\/p>\n<\/div>
<\/span><\/div>Pascal : Avez-vous vu des personnes utiliser CEDAR pour prendre des d\u00e9cisions qu'elles ne pouvaient pas prendre auparavant ? Ou est-ce qu'il leur permet simplement de gagner du temps ?<\/h2><\/div>D\u00e9v : Nous avons beaucoup de gens qui prennent de bonnes d\u00e9cisions, mais le fait que des gens utilisent CEDAR pour prendre des d\u00e9cisions diff\u00e9rentes ou des d\u00e9cisions qu'ils ne pouvaient pas prendre auparavant est tout \u00e0 fait satisfaisant.<\/p>\n
Nous avons commenc\u00e9 ce voyage en nous concentrant sur l'exp\u00e9rience client. Nous voulions que tous ceux qui travaillaient sur l'exp\u00e9rience client puissent utiliser ces informations. Mais tr\u00e8s vite, le projet s'est \u00e9tendu \u00e0 des \u00e9quipes d'autres fonctions telles que la planification avanc\u00e9e des produits et l'intelligence \u00e9conomique. Toutes ces fonctions diff\u00e9rentes, au niveau mondial et au niveau du march\u00e9, connaissent CEDAR. En soi, cela nous donne beaucoup de contexte sur la fa\u00e7on dont data devient plus utile dans notre organisation et est utilis\u00e9 par diff\u00e9rents types de fonctions commerciales.<\/p>\n<\/div>
Pascal : Parlez-moi un peu de l'\u00e9quipe. Qui est aux commandes ?<\/h2><\/div>D\u00e9v : Data n'est pas tout ; vous devez savoir comment en tirer des enseignements. C'est l\u00e0 qu'il est utile d'avoir la bonne \u00e9quipe. Lorsque j'ai rejoint Nissan en novembre 2017, il y avait deux personnes dans la pratique mondiale data et \u00e0 partir de l\u00e0, nous avons d\u00e9velopp\u00e9 l'\u00e9quipe \u00e0 travers trois piliers fondamentaux - appel\u00e9s Mesurer, Optimiser et Pr\u00e9dire.<\/p>\n
Le pilier \"Mesure\" est charg\u00e9 de comprendre comment nous organisons le data et le transformons en informations. Nous avons grandi dans un esprit de collaboration avec des partenariats, comme avec Artefact et d'autres entreprises. Nous savions que nous avions besoin d'une machine pour construire cela. Le deuxi\u00e8me pilier s'appelle Optimiser et est responsable de l'ex\u00e9cution des exp\u00e9riences, des tests et de l'apprentissage de data-driven - ce que nous faisons beaucoup. Le troisi\u00e8me pilier s'appelle Predict, qui est le pilier scientifique de data. Nous avons pris soin d'ajouter ce pilier \u00e0 la fin pour nous assurer que nous ne nous pr\u00e9cipitions pas et que nous ne recrutions pas des talents qui s'ennuieraient tr\u00e8s vite, parce que nous n'avions pas pr\u00e9vu les bons cas d'utilisation.<\/p>\n
L'\u00e9quipe directe est principalement bas\u00e9e dans le centre mondial d'exp\u00e9rience client \u00e0 Londres, avec quelques personnes dans notre si\u00e8ge \u00e0 Yokohama, au Japon, et nous travaillons avec des \u00e9quipes d'analyse int\u00e9gr\u00e9es sur tous les march\u00e9s.<\/p>\n<\/div>
Pascal : Alors, \u00e0 quoi ressemble le succ\u00e8s ? Comment voyez-vous l'\u00e9volution de vos projets data au cours des deux prochaines ann\u00e9es ?<\/h2><\/div>D\u00e9v : Pour r\u00e9ussir, il faut que les data que nous produisons soient utiles \u00e0 la fois \u00e0 Nissan et \u00e0 ses clients. Cela implique de lier tout ce que nous faisons \u00e0 nos indicateurs cl\u00e9s de performance organisationnels. Nous pouvons d\u00e9terminer o\u00f9 nous commen\u00e7ons \u00e0 faire la diff\u00e9rence d'un point de vue organisationnel et, de la m\u00eame mani\u00e8re, nous pouvons l'associer \u00e0 des mesures de la qualit\u00e9 de la client\u00e8le qui montrent comment nous obtenons des gains \u00e0 court terme ou une long\u00e9vit\u00e9 \u00e0 long terme. C'est \u00e0 cela que ressemble la r\u00e9ussite du programme d'exp\u00e9rience client. La r\u00e9ussite du programme data consiste \u00e0 continuer \u00e0 le rendre tr\u00e8s simple et \u00e0 le faire \u00e9voluer.<\/p>\n<\/div><\/div><\/div><\/div><\/article>
D\u00e9v : Au cours de ma carri\u00e8re, j'ai acquis la ferme conviction que la quantit\u00e9 de data disponible sera toujours sup\u00e9rieure \u00e0 l'app\u00e9tit des organisations pour l'utilisation et l'application de ces informations. Ce n'est ni une bonne ni une mauvaise chose, c'est simplement la r\u00e9alit\u00e9. Parfois, la bataille est simplement due au fait que le data est en conflit avec le plan d'action que vous vouliez prendre.<\/p>\n
Mais plus important encore, c'est lorsque l'analyse ne pr\u00e9sente pas d'implications ou de recommandations claires - si le data ne vous dit pas ce qu'il faut faire ensuite, il est plut\u00f4t inutile. C'est l\u00e0 que le mot \u2018utilisation\u2019 prend tout son sens ; il ne s'agit plus de savoir combien de personnes utilisent le data, mais de se concentrer sur son utilit\u00e9. Nous avons men\u00e9 l'adoption de data au sein de notre organisation en d\u00e9finissant clairement son utilit\u00e9 pour nos march\u00e9s, nos fonctions commerciales et nos \u00e9quipes num\u00e9riques.<\/p>\n
D'un c\u00f4t\u00e9, il y a l'entr\u00e9e data, comme les tableaux de bord et les syst\u00e8mes de soutien qui permettent la planification et la prise de d\u00e9cision en amont ; de l'autre c\u00f4t\u00e9, il y a la sortie data, c'est-\u00e0-dire les mod\u00e8les pr\u00e9dictifs et la science data qui montrent les r\u00e9sultats op\u00e9rationnels de nos initiatives. Ce qui relie ces deux \u00e9l\u00e9ments, c'est une culture data-driven de test et d'apprentissage fond\u00e9e sur des hypoth\u00e8ses.<\/p>\n<\/div>
Pascal : Pouvez-vous nous donner un exemple de projet data qui a trouv\u00e9 un \u00e9cho \u00e0 grande \u00e9chelle au sein de votre organisation ?<\/h2><\/div>D\u00e9v : D'une certaine mani\u00e8re, c'est tout le chemin que nous avons parcouru ces deux ou trois derni\u00e8res ann\u00e9es... en d\u00e9veloppant CEDAR, notre marque interne pour la fonction d'analyse data. CEDAR signifie Customer Experience Data Analytics and Reporting (analyse et rapports de l'exp\u00e9rience client Data). Elle nous aide \u00e0 transformer data en informations, en connaissances et en sagesse. C'est l\u00e0 qu'interviennent l'actionnabilit\u00e9 et l'utilisabilit\u00e9.<\/p>\n
Au cours des deux premi\u00e8res ann\u00e9es, nous nous sommes efforc\u00e9s de tout organiser. Le premier moment \u2018Eur\u00eaka\u2019 a \u00e9t\u00e9 celui o\u00f9 l'ensemble de l'organisation a r\u00e9alis\u00e9 qu'il \u00e9tait possible de regarder le data et de voir les tendances de consommation sur 147 march\u00e9s. Plut\u00f4t que de faire des suppositions bas\u00e9es sur des \u00e9chantillons de 5 000 personnes, par exemple, nous pouvons maintenant voir comment un million de visiteurs interagissent, \u00e0 chaque minute de chaque jour.<\/p>\n
Il y a quelques ann\u00e9es, nous avons lanc\u00e9 une nouvelle voiture sur un march\u00e9 sp\u00e9cifique et nous avons constat\u00e9 qu'il y avait beaucoup d'achats intersectoriels. Nous pouvions voir quand les clients changeaient d'avis et passaient du mod\u00e8le que nous pensions qu'ils ach\u00e8teraient \u00e0 celui qu'ils ach\u00e8tent en r\u00e9alit\u00e9. Nous avons \u00e9galement pu d\u00e9terminer qui ach\u00e8terait une transmission automatique ou une transmission manuelle, par exemple. Nous pouvons d\u00e9sormais utiliser data et observer des sch\u00e9mas significatifs dans le parcours d'achat des consommateurs. Nous voulons savoir ce que veulent nos clients et y r\u00e9pondre.<\/p>\n<\/div>
Pascal : Pouvez-vous m'en dire plus sur ce tableau de bord CEDAR - ce hub BI ? Pourquoi existe-t-il ?<\/h2><\/div>D\u00e9v : Ce n'est pas la premi\u00e8re chose que nous avons construite. Nous avons commenc\u00e9 par nous concentrer sur le data - quelles questions pouvons-nous poser au data ? quelles r\u00e9ponses le data donnera-t-il ? Nous avons compris cela au cours de la premi\u00e8re ann\u00e9e du programme. Ensuite, il s'est agi de \u2018d\u00e9mocratiser\u2019 ce data. Nous avons r\u00e9alis\u00e9 que le d\u00e9fi n'\u00e9tait pas d'avoir le data, mais de lui donner un sens. C'est l\u00e0 que nous avons d\u00e9velopp\u00e9 notre partenariat avec Artefact pour cr\u00e9er CEDAR home.<\/p>\n
CEDAR est une plateforme ind\u00e9pendante qui fonctionne chez Nissan et dans toutes les fonctions, et qui contient un grand nombre de tableaux de bord et d'informations diff\u00e9rents. C'est notre plaque tournante en mati\u00e8re d'exp\u00e9rience et de connaissance des consommateurs - l\u00e0 o\u00f9 nos employ\u00e9s vont pour voir le monde comme le font nos clients. Tout le monde dans l'entreprise peut y acc\u00e9der et si vous n'avez pas d'identifiant, il vous suffit de vous inscrire. Cela devrait \u00eatre aussi facile que de naviguer sur notre site web.<\/p>\n
Plus important encore, en tant que personne data, nous pouvons examiner les analyses de CEDAR pour comprendre comment il est utilis\u00e9, o\u00f9 sont les points de friction, o\u00f9 les gens se perdent et quelles sont les parties utiles ou inutiles. Plut\u00f4t que de demander, nous savons.<\/p>\n<\/div>
<\/span><\/div>Pascal : Avez-vous vu des personnes utiliser CEDAR pour prendre des d\u00e9cisions qu'elles ne pouvaient pas prendre auparavant ? Ou est-ce qu'il leur permet simplement de gagner du temps ?<\/h2><\/div>D\u00e9v : Nous avons beaucoup de gens qui prennent de bonnes d\u00e9cisions, mais le fait que des gens utilisent CEDAR pour prendre des d\u00e9cisions diff\u00e9rentes ou des d\u00e9cisions qu'ils ne pouvaient pas prendre auparavant est tout \u00e0 fait satisfaisant.<\/p>\n
Nous avons commenc\u00e9 ce voyage en nous concentrant sur l'exp\u00e9rience client. Nous voulions que tous ceux qui travaillaient sur l'exp\u00e9rience client puissent utiliser ces informations. Mais tr\u00e8s vite, le projet s'est \u00e9tendu \u00e0 des \u00e9quipes d'autres fonctions telles que la planification avanc\u00e9e des produits et l'intelligence \u00e9conomique. Toutes ces fonctions diff\u00e9rentes, au niveau mondial et au niveau du march\u00e9, connaissent CEDAR. En soi, cela nous donne beaucoup de contexte sur la fa\u00e7on dont data devient plus utile dans notre organisation et est utilis\u00e9 par diff\u00e9rents types de fonctions commerciales.<\/p>\n<\/div>
Pascal : Parlez-moi un peu de l'\u00e9quipe. Qui est aux commandes ?<\/h2><\/div>D\u00e9v : Data n'est pas tout ; vous devez savoir comment en tirer des enseignements. C'est l\u00e0 qu'il est utile d'avoir la bonne \u00e9quipe. Lorsque j'ai rejoint Nissan en novembre 2017, il y avait deux personnes dans la pratique mondiale data et \u00e0 partir de l\u00e0, nous avons d\u00e9velopp\u00e9 l'\u00e9quipe \u00e0 travers trois piliers fondamentaux - appel\u00e9s Mesurer, Optimiser et Pr\u00e9dire.<\/p>\n
Le pilier \"Mesure\" est charg\u00e9 de comprendre comment nous organisons le data et le transformons en informations. Nous avons grandi dans un esprit de collaboration avec des partenariats, comme avec Artefact et d'autres entreprises. Nous savions que nous avions besoin d'une machine pour construire cela. Le deuxi\u00e8me pilier s'appelle Optimiser et est responsable de l'ex\u00e9cution des exp\u00e9riences, des tests et de l'apprentissage de data-driven - ce que nous faisons beaucoup. Le troisi\u00e8me pilier s'appelle Predict, qui est le pilier scientifique de data. Nous avons pris soin d'ajouter ce pilier \u00e0 la fin pour nous assurer que nous ne nous pr\u00e9cipitions pas et que nous ne recrutions pas des talents qui s'ennuieraient tr\u00e8s vite, parce que nous n'avions pas pr\u00e9vu les bons cas d'utilisation.<\/p>\n
L'\u00e9quipe directe est principalement bas\u00e9e dans le centre mondial d'exp\u00e9rience client \u00e0 Londres, avec quelques personnes dans notre si\u00e8ge \u00e0 Yokohama, au Japon, et nous travaillons avec des \u00e9quipes d'analyse int\u00e9gr\u00e9es sur tous les march\u00e9s.<\/p>\n<\/div>
Pascal : Alors, \u00e0 quoi ressemble le succ\u00e8s ? Comment voyez-vous l'\u00e9volution de vos projets data au cours des deux prochaines ann\u00e9es ?<\/h2><\/div>D\u00e9v : Pour r\u00e9ussir, il faut que les data que nous produisons soient utiles \u00e0 la fois \u00e0 Nissan et \u00e0 ses clients. Cela implique de lier tout ce que nous faisons \u00e0 nos indicateurs cl\u00e9s de performance organisationnels. Nous pouvons d\u00e9terminer o\u00f9 nous commen\u00e7ons \u00e0 faire la diff\u00e9rence d'un point de vue organisationnel et, de la m\u00eame mani\u00e8re, nous pouvons l'associer \u00e0 des mesures de la qualit\u00e9 de la client\u00e8le qui montrent comment nous obtenons des gains \u00e0 court terme ou une long\u00e9vit\u00e9 \u00e0 long terme. C'est \u00e0 cela que ressemble la r\u00e9ussite du programme d'exp\u00e9rience client. La r\u00e9ussite du programme data consiste \u00e0 continuer \u00e0 le rendre tr\u00e8s simple et \u00e0 le faire \u00e9voluer.<\/p>\n<\/div><\/div><\/div><\/div><\/article>
D\u00e9v : D'une certaine mani\u00e8re, c'est tout le chemin que nous avons parcouru ces deux ou trois derni\u00e8res ann\u00e9es... en d\u00e9veloppant CEDAR, notre marque interne pour la fonction d'analyse data. CEDAR signifie Customer Experience Data Analytics and Reporting (analyse et rapports de l'exp\u00e9rience client Data). Elle nous aide \u00e0 transformer data en informations, en connaissances et en sagesse. C'est l\u00e0 qu'interviennent l'actionnabilit\u00e9 et l'utilisabilit\u00e9.<\/p>\n
Au cours des deux premi\u00e8res ann\u00e9es, nous nous sommes efforc\u00e9s de tout organiser. Le premier moment \u2018Eur\u00eaka\u2019 a \u00e9t\u00e9 celui o\u00f9 l'ensemble de l'organisation a r\u00e9alis\u00e9 qu'il \u00e9tait possible de regarder le data et de voir les tendances de consommation sur 147 march\u00e9s. Plut\u00f4t que de faire des suppositions bas\u00e9es sur des \u00e9chantillons de 5 000 personnes, par exemple, nous pouvons maintenant voir comment un million de visiteurs interagissent, \u00e0 chaque minute de chaque jour.<\/p>\n
Il y a quelques ann\u00e9es, nous avons lanc\u00e9 une nouvelle voiture sur un march\u00e9 sp\u00e9cifique et nous avons constat\u00e9 qu'il y avait beaucoup d'achats intersectoriels. Nous pouvions voir quand les clients changeaient d'avis et passaient du mod\u00e8le que nous pensions qu'ils ach\u00e8teraient \u00e0 celui qu'ils ach\u00e8tent en r\u00e9alit\u00e9. Nous avons \u00e9galement pu d\u00e9terminer qui ach\u00e8terait une transmission automatique ou une transmission manuelle, par exemple. Nous pouvons d\u00e9sormais utiliser data et observer des sch\u00e9mas significatifs dans le parcours d'achat des consommateurs. Nous voulons savoir ce que veulent nos clients et y r\u00e9pondre.<\/p>\n<\/div>
Pascal : Pouvez-vous m'en dire plus sur ce tableau de bord CEDAR - ce hub BI ? Pourquoi existe-t-il ?<\/h2><\/div>D\u00e9v : Ce n'est pas la premi\u00e8re chose que nous avons construite. Nous avons commenc\u00e9 par nous concentrer sur le data - quelles questions pouvons-nous poser au data ? quelles r\u00e9ponses le data donnera-t-il ? Nous avons compris cela au cours de la premi\u00e8re ann\u00e9e du programme. Ensuite, il s'est agi de \u2018d\u00e9mocratiser\u2019 ce data. Nous avons r\u00e9alis\u00e9 que le d\u00e9fi n'\u00e9tait pas d'avoir le data, mais de lui donner un sens. C'est l\u00e0 que nous avons d\u00e9velopp\u00e9 notre partenariat avec Artefact pour cr\u00e9er CEDAR home.<\/p>\n
CEDAR est une plateforme ind\u00e9pendante qui fonctionne chez Nissan et dans toutes les fonctions, et qui contient un grand nombre de tableaux de bord et d'informations diff\u00e9rents. C'est notre plaque tournante en mati\u00e8re d'exp\u00e9rience et de connaissance des consommateurs - l\u00e0 o\u00f9 nos employ\u00e9s vont pour voir le monde comme le font nos clients. Tout le monde dans l'entreprise peut y acc\u00e9der et si vous n'avez pas d'identifiant, il vous suffit de vous inscrire. Cela devrait \u00eatre aussi facile que de naviguer sur notre site web.<\/p>\n
Plus important encore, en tant que personne data, nous pouvons examiner les analyses de CEDAR pour comprendre comment il est utilis\u00e9, o\u00f9 sont les points de friction, o\u00f9 les gens se perdent et quelles sont les parties utiles ou inutiles. Plut\u00f4t que de demander, nous savons.<\/p>\n<\/div>
<\/span><\/div>Pascal : Avez-vous vu des personnes utiliser CEDAR pour prendre des d\u00e9cisions qu'elles ne pouvaient pas prendre auparavant ? Ou est-ce qu'il leur permet simplement de gagner du temps ?<\/h2><\/div>D\u00e9v : Nous avons beaucoup de gens qui prennent de bonnes d\u00e9cisions, mais le fait que des gens utilisent CEDAR pour prendre des d\u00e9cisions diff\u00e9rentes ou des d\u00e9cisions qu'ils ne pouvaient pas prendre auparavant est tout \u00e0 fait satisfaisant.<\/p>\n
Nous avons commenc\u00e9 ce voyage en nous concentrant sur l'exp\u00e9rience client. Nous voulions que tous ceux qui travaillaient sur l'exp\u00e9rience client puissent utiliser ces informations. Mais tr\u00e8s vite, le projet s'est \u00e9tendu \u00e0 des \u00e9quipes d'autres fonctions telles que la planification avanc\u00e9e des produits et l'intelligence \u00e9conomique. Toutes ces fonctions diff\u00e9rentes, au niveau mondial et au niveau du march\u00e9, connaissent CEDAR. En soi, cela nous donne beaucoup de contexte sur la fa\u00e7on dont data devient plus utile dans notre organisation et est utilis\u00e9 par diff\u00e9rents types de fonctions commerciales.<\/p>\n<\/div>
Pascal : Parlez-moi un peu de l'\u00e9quipe. Qui est aux commandes ?<\/h2><\/div>D\u00e9v : Data n'est pas tout ; vous devez savoir comment en tirer des enseignements. C'est l\u00e0 qu'il est utile d'avoir la bonne \u00e9quipe. Lorsque j'ai rejoint Nissan en novembre 2017, il y avait deux personnes dans la pratique mondiale data et \u00e0 partir de l\u00e0, nous avons d\u00e9velopp\u00e9 l'\u00e9quipe \u00e0 travers trois piliers fondamentaux - appel\u00e9s Mesurer, Optimiser et Pr\u00e9dire.<\/p>\n
Le pilier \"Mesure\" est charg\u00e9 de comprendre comment nous organisons le data et le transformons en informations. Nous avons grandi dans un esprit de collaboration avec des partenariats, comme avec Artefact et d'autres entreprises. Nous savions que nous avions besoin d'une machine pour construire cela. Le deuxi\u00e8me pilier s'appelle Optimiser et est responsable de l'ex\u00e9cution des exp\u00e9riences, des tests et de l'apprentissage de data-driven - ce que nous faisons beaucoup. Le troisi\u00e8me pilier s'appelle Predict, qui est le pilier scientifique de data. Nous avons pris soin d'ajouter ce pilier \u00e0 la fin pour nous assurer que nous ne nous pr\u00e9cipitions pas et que nous ne recrutions pas des talents qui s'ennuieraient tr\u00e8s vite, parce que nous n'avions pas pr\u00e9vu les bons cas d'utilisation.<\/p>\n
L'\u00e9quipe directe est principalement bas\u00e9e dans le centre mondial d'exp\u00e9rience client \u00e0 Londres, avec quelques personnes dans notre si\u00e8ge \u00e0 Yokohama, au Japon, et nous travaillons avec des \u00e9quipes d'analyse int\u00e9gr\u00e9es sur tous les march\u00e9s.<\/p>\n<\/div>
Pascal : Alors, \u00e0 quoi ressemble le succ\u00e8s ? Comment voyez-vous l'\u00e9volution de vos projets data au cours des deux prochaines ann\u00e9es ?<\/h2><\/div>D\u00e9v : Pour r\u00e9ussir, il faut que les data que nous produisons soient utiles \u00e0 la fois \u00e0 Nissan et \u00e0 ses clients. Cela implique de lier tout ce que nous faisons \u00e0 nos indicateurs cl\u00e9s de performance organisationnels. Nous pouvons d\u00e9terminer o\u00f9 nous commen\u00e7ons \u00e0 faire la diff\u00e9rence d'un point de vue organisationnel et, de la m\u00eame mani\u00e8re, nous pouvons l'associer \u00e0 des mesures de la qualit\u00e9 de la client\u00e8le qui montrent comment nous obtenons des gains \u00e0 court terme ou une long\u00e9vit\u00e9 \u00e0 long terme. C'est \u00e0 cela que ressemble la r\u00e9ussite du programme d'exp\u00e9rience client. La r\u00e9ussite du programme data consiste \u00e0 continuer \u00e0 le rendre tr\u00e8s simple et \u00e0 le faire \u00e9voluer.<\/p>\n<\/div><\/div><\/div><\/div><\/article>
D\u00e9v : Ce n'est pas la premi\u00e8re chose que nous avons construite. Nous avons commenc\u00e9 par nous concentrer sur le data - quelles questions pouvons-nous poser au data ? quelles r\u00e9ponses le data donnera-t-il ? Nous avons compris cela au cours de la premi\u00e8re ann\u00e9e du programme. Ensuite, il s'est agi de \u2018d\u00e9mocratiser\u2019 ce data. Nous avons r\u00e9alis\u00e9 que le d\u00e9fi n'\u00e9tait pas d'avoir le data, mais de lui donner un sens. C'est l\u00e0 que nous avons d\u00e9velopp\u00e9 notre partenariat avec Artefact pour cr\u00e9er CEDAR home.<\/p>\n
CEDAR est une plateforme ind\u00e9pendante qui fonctionne chez Nissan et dans toutes les fonctions, et qui contient un grand nombre de tableaux de bord et d'informations diff\u00e9rents. C'est notre plaque tournante en mati\u00e8re d'exp\u00e9rience et de connaissance des consommateurs - l\u00e0 o\u00f9 nos employ\u00e9s vont pour voir le monde comme le font nos clients. Tout le monde dans l'entreprise peut y acc\u00e9der et si vous n'avez pas d'identifiant, il vous suffit de vous inscrire. Cela devrait \u00eatre aussi facile que de naviguer sur notre site web.<\/p>\n
Plus important encore, en tant que personne data, nous pouvons examiner les analyses de CEDAR pour comprendre comment il est utilis\u00e9, o\u00f9 sont les points de friction, o\u00f9 les gens se perdent et quelles sont les parties utiles ou inutiles. Plut\u00f4t que de demander, nous savons.<\/p>\n<\/div>
<\/span><\/div>Pascal : Avez-vous vu des personnes utiliser CEDAR pour prendre des d\u00e9cisions qu'elles ne pouvaient pas prendre auparavant ? Ou est-ce qu'il leur permet simplement de gagner du temps ?<\/h2><\/div>D\u00e9v : Nous avons beaucoup de gens qui prennent de bonnes d\u00e9cisions, mais le fait que des gens utilisent CEDAR pour prendre des d\u00e9cisions diff\u00e9rentes ou des d\u00e9cisions qu'ils ne pouvaient pas prendre auparavant est tout \u00e0 fait satisfaisant.<\/p>\n
Nous avons commenc\u00e9 ce voyage en nous concentrant sur l'exp\u00e9rience client. Nous voulions que tous ceux qui travaillaient sur l'exp\u00e9rience client puissent utiliser ces informations. Mais tr\u00e8s vite, le projet s'est \u00e9tendu \u00e0 des \u00e9quipes d'autres fonctions telles que la planification avanc\u00e9e des produits et l'intelligence \u00e9conomique. Toutes ces fonctions diff\u00e9rentes, au niveau mondial et au niveau du march\u00e9, connaissent CEDAR. En soi, cela nous donne beaucoup de contexte sur la fa\u00e7on dont data devient plus utile dans notre organisation et est utilis\u00e9 par diff\u00e9rents types de fonctions commerciales.<\/p>\n<\/div>
Pascal : Parlez-moi un peu de l'\u00e9quipe. Qui est aux commandes ?<\/h2><\/div>D\u00e9v : Data n'est pas tout ; vous devez savoir comment en tirer des enseignements. C'est l\u00e0 qu'il est utile d'avoir la bonne \u00e9quipe. Lorsque j'ai rejoint Nissan en novembre 2017, il y avait deux personnes dans la pratique mondiale data et \u00e0 partir de l\u00e0, nous avons d\u00e9velopp\u00e9 l'\u00e9quipe \u00e0 travers trois piliers fondamentaux - appel\u00e9s Mesurer, Optimiser et Pr\u00e9dire.<\/p>\n
Le pilier \"Mesure\" est charg\u00e9 de comprendre comment nous organisons le data et le transformons en informations. Nous avons grandi dans un esprit de collaboration avec des partenariats, comme avec Artefact et d'autres entreprises. Nous savions que nous avions besoin d'une machine pour construire cela. Le deuxi\u00e8me pilier s'appelle Optimiser et est responsable de l'ex\u00e9cution des exp\u00e9riences, des tests et de l'apprentissage de data-driven - ce que nous faisons beaucoup. Le troisi\u00e8me pilier s'appelle Predict, qui est le pilier scientifique de data. Nous avons pris soin d'ajouter ce pilier \u00e0 la fin pour nous assurer que nous ne nous pr\u00e9cipitions pas et que nous ne recrutions pas des talents qui s'ennuieraient tr\u00e8s vite, parce que nous n'avions pas pr\u00e9vu les bons cas d'utilisation.<\/p>\n
L'\u00e9quipe directe est principalement bas\u00e9e dans le centre mondial d'exp\u00e9rience client \u00e0 Londres, avec quelques personnes dans notre si\u00e8ge \u00e0 Yokohama, au Japon, et nous travaillons avec des \u00e9quipes d'analyse int\u00e9gr\u00e9es sur tous les march\u00e9s.<\/p>\n<\/div>
Pascal : Alors, \u00e0 quoi ressemble le succ\u00e8s ? Comment voyez-vous l'\u00e9volution de vos projets data au cours des deux prochaines ann\u00e9es ?<\/h2><\/div>D\u00e9v : Pour r\u00e9ussir, il faut que les data que nous produisons soient utiles \u00e0 la fois \u00e0 Nissan et \u00e0 ses clients. Cela implique de lier tout ce que nous faisons \u00e0 nos indicateurs cl\u00e9s de performance organisationnels. Nous pouvons d\u00e9terminer o\u00f9 nous commen\u00e7ons \u00e0 faire la diff\u00e9rence d'un point de vue organisationnel et, de la m\u00eame mani\u00e8re, nous pouvons l'associer \u00e0 des mesures de la qualit\u00e9 de la client\u00e8le qui montrent comment nous obtenons des gains \u00e0 court terme ou une long\u00e9vit\u00e9 \u00e0 long terme. C'est \u00e0 cela que ressemble la r\u00e9ussite du programme d'exp\u00e9rience client. La r\u00e9ussite du programme data consiste \u00e0 continuer \u00e0 le rendre tr\u00e8s simple et \u00e0 le faire \u00e9voluer.<\/p>\n<\/div><\/div><\/div><\/div><\/article>
D\u00e9v : Nous avons beaucoup de gens qui prennent de bonnes d\u00e9cisions, mais le fait que des gens utilisent CEDAR pour prendre des d\u00e9cisions diff\u00e9rentes ou des d\u00e9cisions qu'ils ne pouvaient pas prendre auparavant est tout \u00e0 fait satisfaisant.<\/p>\n
Nous avons commenc\u00e9 ce voyage en nous concentrant sur l'exp\u00e9rience client. Nous voulions que tous ceux qui travaillaient sur l'exp\u00e9rience client puissent utiliser ces informations. Mais tr\u00e8s vite, le projet s'est \u00e9tendu \u00e0 des \u00e9quipes d'autres fonctions telles que la planification avanc\u00e9e des produits et l'intelligence \u00e9conomique. Toutes ces fonctions diff\u00e9rentes, au niveau mondial et au niveau du march\u00e9, connaissent CEDAR. En soi, cela nous donne beaucoup de contexte sur la fa\u00e7on dont data devient plus utile dans notre organisation et est utilis\u00e9 par diff\u00e9rents types de fonctions commerciales.<\/p>\n<\/div>
Pascal : Parlez-moi un peu de l'\u00e9quipe. Qui est aux commandes ?<\/h2><\/div>D\u00e9v : Data n'est pas tout ; vous devez savoir comment en tirer des enseignements. C'est l\u00e0 qu'il est utile d'avoir la bonne \u00e9quipe. Lorsque j'ai rejoint Nissan en novembre 2017, il y avait deux personnes dans la pratique mondiale data et \u00e0 partir de l\u00e0, nous avons d\u00e9velopp\u00e9 l'\u00e9quipe \u00e0 travers trois piliers fondamentaux - appel\u00e9s Mesurer, Optimiser et Pr\u00e9dire.<\/p>\n
Le pilier \"Mesure\" est charg\u00e9 de comprendre comment nous organisons le data et le transformons en informations. Nous avons grandi dans un esprit de collaboration avec des partenariats, comme avec Artefact et d'autres entreprises. Nous savions que nous avions besoin d'une machine pour construire cela. Le deuxi\u00e8me pilier s'appelle Optimiser et est responsable de l'ex\u00e9cution des exp\u00e9riences, des tests et de l'apprentissage de data-driven - ce que nous faisons beaucoup. Le troisi\u00e8me pilier s'appelle Predict, qui est le pilier scientifique de data. Nous avons pris soin d'ajouter ce pilier \u00e0 la fin pour nous assurer que nous ne nous pr\u00e9cipitions pas et que nous ne recrutions pas des talents qui s'ennuieraient tr\u00e8s vite, parce que nous n'avions pas pr\u00e9vu les bons cas d'utilisation.<\/p>\n
L'\u00e9quipe directe est principalement bas\u00e9e dans le centre mondial d'exp\u00e9rience client \u00e0 Londres, avec quelques personnes dans notre si\u00e8ge \u00e0 Yokohama, au Japon, et nous travaillons avec des \u00e9quipes d'analyse int\u00e9gr\u00e9es sur tous les march\u00e9s.<\/p>\n<\/div>
Pascal : Alors, \u00e0 quoi ressemble le succ\u00e8s ? Comment voyez-vous l'\u00e9volution de vos projets data au cours des deux prochaines ann\u00e9es ?<\/h2><\/div>D\u00e9v : Pour r\u00e9ussir, il faut que les data que nous produisons soient utiles \u00e0 la fois \u00e0 Nissan et \u00e0 ses clients. Cela implique de lier tout ce que nous faisons \u00e0 nos indicateurs cl\u00e9s de performance organisationnels. Nous pouvons d\u00e9terminer o\u00f9 nous commen\u00e7ons \u00e0 faire la diff\u00e9rence d'un point de vue organisationnel et, de la m\u00eame mani\u00e8re, nous pouvons l'associer \u00e0 des mesures de la qualit\u00e9 de la client\u00e8le qui montrent comment nous obtenons des gains \u00e0 court terme ou une long\u00e9vit\u00e9 \u00e0 long terme. C'est \u00e0 cela que ressemble la r\u00e9ussite du programme d'exp\u00e9rience client. La r\u00e9ussite du programme data consiste \u00e0 continuer \u00e0 le rendre tr\u00e8s simple et \u00e0 le faire \u00e9voluer.<\/p>\n<\/div><\/div><\/div><\/div><\/article>
D\u00e9v : Data n'est pas tout ; vous devez savoir comment en tirer des enseignements. C'est l\u00e0 qu'il est utile d'avoir la bonne \u00e9quipe. Lorsque j'ai rejoint Nissan en novembre 2017, il y avait deux personnes dans la pratique mondiale data et \u00e0 partir de l\u00e0, nous avons d\u00e9velopp\u00e9 l'\u00e9quipe \u00e0 travers trois piliers fondamentaux - appel\u00e9s Mesurer, Optimiser et Pr\u00e9dire.<\/p>\n
Le pilier \"Mesure\" est charg\u00e9 de comprendre comment nous organisons le data et le transformons en informations. Nous avons grandi dans un esprit de collaboration avec des partenariats, comme avec Artefact et d'autres entreprises. Nous savions que nous avions besoin d'une machine pour construire cela. Le deuxi\u00e8me pilier s'appelle Optimiser et est responsable de l'ex\u00e9cution des exp\u00e9riences, des tests et de l'apprentissage de data-driven - ce que nous faisons beaucoup. Le troisi\u00e8me pilier s'appelle Predict, qui est le pilier scientifique de data. Nous avons pris soin d'ajouter ce pilier \u00e0 la fin pour nous assurer que nous ne nous pr\u00e9cipitions pas et que nous ne recrutions pas des talents qui s'ennuieraient tr\u00e8s vite, parce que nous n'avions pas pr\u00e9vu les bons cas d'utilisation.<\/p>\n
L'\u00e9quipe directe est principalement bas\u00e9e dans le centre mondial d'exp\u00e9rience client \u00e0 Londres, avec quelques personnes dans notre si\u00e8ge \u00e0 Yokohama, au Japon, et nous travaillons avec des \u00e9quipes d'analyse int\u00e9gr\u00e9es sur tous les march\u00e9s.<\/p>\n<\/div>
Pascal : Alors, \u00e0 quoi ressemble le succ\u00e8s ? Comment voyez-vous l'\u00e9volution de vos projets data au cours des deux prochaines ann\u00e9es ?<\/h2><\/div>D\u00e9v : Pour r\u00e9ussir, il faut que les data que nous produisons soient utiles \u00e0 la fois \u00e0 Nissan et \u00e0 ses clients. Cela implique de lier tout ce que nous faisons \u00e0 nos indicateurs cl\u00e9s de performance organisationnels. Nous pouvons d\u00e9terminer o\u00f9 nous commen\u00e7ons \u00e0 faire la diff\u00e9rence d'un point de vue organisationnel et, de la m\u00eame mani\u00e8re, nous pouvons l'associer \u00e0 des mesures de la qualit\u00e9 de la client\u00e8le qui montrent comment nous obtenons des gains \u00e0 court terme ou une long\u00e9vit\u00e9 \u00e0 long terme. C'est \u00e0 cela que ressemble la r\u00e9ussite du programme d'exp\u00e9rience client. La r\u00e9ussite du programme data consiste \u00e0 continuer \u00e0 le rendre tr\u00e8s simple et \u00e0 le faire \u00e9voluer.<\/p>\n<\/div><\/div><\/div><\/div><\/article>
D\u00e9v : Pour r\u00e9ussir, il faut que les data que nous produisons soient utiles \u00e0 la fois \u00e0 Nissan et \u00e0 ses clients. Cela implique de lier tout ce que nous faisons \u00e0 nos indicateurs cl\u00e9s de performance organisationnels. Nous pouvons d\u00e9terminer o\u00f9 nous commen\u00e7ons \u00e0 faire la diff\u00e9rence d'un point de vue organisationnel et, de la m\u00eame mani\u00e8re, nous pouvons l'associer \u00e0 des mesures de la qualit\u00e9 de la client\u00e8le qui montrent comment nous obtenons des gains \u00e0 court terme ou une long\u00e9vit\u00e9 \u00e0 long terme. C'est \u00e0 cela que ressemble la r\u00e9ussite du programme d'exp\u00e9rience client. La r\u00e9ussite du programme data consiste \u00e0 continuer \u00e0 le rendre tr\u00e8s simple et \u00e0 le faire \u00e9voluer.<\/p>\n<\/div><\/div><\/div><\/div><\/article>