J’ai brièvement présenté quelques études de cas à propos du #bigdata dans mes derniers articles. Avant de réutiliser ces cas pour présenter un schéma de l’évolution des sources de données analysées en entreprise, je pense qu’il serait à propos de donner une définition du Big Data.

Il est à noter que j’aurais bien aimé présenter deux autres études de cas à propos du big data, soit:

• « Big Data, big hacking » qui aurait présenté le vol des données sur le réseau PlayStation au printemps 2011, et;
• « Big data mobile », un autre cas concernant plutôt le déluge des données sur les appareils mobiles (cellulaires ou autres tablettes).

Si vous avez déjà produit quelque chose là dessus (ou si vous avez d’autres idées…),  n’hésitez pas à m’écrire et je ferai un beau lien vers votre article en l’incluant dans le corps d’un de mes textes en utilisant les mots clés juteux que vous visez, ce qui fera frétiller les moteurs de recherche de bonheur tout en vous permettant de faire des conversions (jusqu’à ce que Google change à nouveau ses algorithmes).

(Brève) histoire du Big Data

Le Big Data n’est pas un phénomène nouveau; en fait, tel que mentionné par M. Floyer le 28 février dernier sur le site Wikibon beta, cette discipline vit le jour avec l’émergence de données trop volumineuses pour être manipulées à l’aide de techniques traditionnelles. Ce sont les entreprises de moteurs de recherche qui furent les premières à l’utiliser. En effet, lorsque ces entreprises rencontrèrent des problèmes avec les grandes quantités de données plutôt mal structurées, elle dûrent trouver une solution. La toute première compagnie à réagir fut Google. Tout cela commença lorsque

“Google started its search operation it realized that it couldn’t suck this huge volume of dispersed information into a data temple – it just wouldn’t work – so it developed MapReduce and the early days of big data were born which led to Doug Cutting and his friends inventing Hadoop (with some help from Yahoo) and then this whole ecosystem around big data and Apache, Cassandra, Cloudera and a zillion other important pieces has exploded” (Wikibon blog, 2011).

Fait cocasse, M. Cutting nomma Hadoop en l’honneur de l’éléphant en peluche de son petit garçon.
À ses débuts, le Big Data était utilisé par des entreprises telles que des banques (ex: Visa et Bank of America) pour ce qui concerne les transactions par cartes de crédit et usages reliés au marché financier, par des compagnies de téléphone (ex: AT&T) pour les registres d’appels téléphoniques et par des sites de commerce électronique (ex: Amazon et Ebay) pour améliorer le service en ligne. Bien que le Big Data ait commencé dans des industries spécifiques, et surtout pour des gros joueurs, il est maintenant accessible à tous, même les petites PME à leurs débuts.

Définition du BigData

Tout d’abord, il est important de spécifier que le Big Data n’a pas une définition arrêtée. De nombreuses variantes de descriptions sont retrouvées mais, bien sûr, elles sont similaires et renferment les mêmes concepts. Pour expliquer cette variation, nous pouvons dire que ce terme est relatif à l’entreprise concernée. Dans son article Qu’est-ce que le Big Data, M. Lessard de ZeroSeconde le définit comme étant

« une expression qui circule depuis quelque temps dans la niche hi-tech de l’informatique dématérialisée (computer in the cloud) et qui fait référence aux outils, processus et procédures permettant à une entreprise de créer, manipuler et gérer de très larges quantité de données » (Lessard, 2010).

Tandis que, dans la définition big data (BigData), publiée sur le site de TechTarget, le terme est défini comme un terme général utilisé pour décrire les quantités volumineuses de données, structurées ou non, créées par une entreprise. Ces données

“would take too much time and cost too much money to load into a relational database for analysis. Although Big data doesn’t refer to any specific quantity, the term is often used when speaking about petabytes and exabytes of data” (SearchCloudComputing.com, 2011).

Caractéristiques du Big Data

Selon Floyer, les principales caractéristiques du Big Data sont:

• “Very large distributed aggregations of loosely structured data – often incomplete and inaccessible:
  • Petabytes/exabytes of data,
  • Millions/billions of people,
  • Billions/trillions of records,
  • Loosely-structured and often distributed data,
  • Flat schemas with few complex interrelationships,
  • Often involving time-stamped events,
  • Often made up of incomplete data,
  • Often including connections between data elements that must be probabilistically
• inferred, Applications that involved Big-data can be:
  • Transactional (e.g., Facebook, PhotoBox), or,
  • Analytic (e.g., ClickFox, Merced Applications)” (2011).

Isolons quelques aspects fondamentaux de ces caractérisitiques.

Volume ET gestion du volume

De plus en plus, les entreprises sont ensevelies sous une quantité phénoménale de données qui croît à vive allure, entraînant le besoin de revoir la gestion et manipulation de ces données qui sont à l’état brut. Tel que mentionné par Tony Bain, le Big Data, bien que son nom laisse présager une question de volume, fait plutôt référence à la combinaison du volume ET de notre usage des données. Le Big Data ne fait donc pas référence uniquement aux “données”, mais fait appel à de nouvelles technologies axées sur la recherche et l’innovation afin de bien les gérer.

Nouveaux outils, nouvelles techniques d’analyse

Quant à lui, Dan Kusnetzky, de ZDNet, affirme que le terme Big Data

“refers to the tools, processes and procedures allowing an organization to create, manipulate, and manage very large data sets and storage facilities” (Kusnetzky, 2010).

Pour aider à visualiser le principe des techniques utilisées pour l’analyse de Big Data, voici un schéma représentant les composants d’un système d’analytiques du Big Data :

Source: Floyer, D. (28 février 2010). Enterprise Big-data. Wikibon beta. http://bit.ly/efRphp

Entreposage des données

Pour sa part, M. Latamore de Wikibon beta

“defines “big data” as data blocks that require a new storage architecture, either because of their size, performance constraints, distribution constraints, and/or presentation requirements” (Latamore, 2011).

Vitesse en temps réel

M. Lindstedt, en réponse à la question de M. Tung sur le site de Focus, partage que son

“interpretation of Big Data is to say anything at or above 500TB, with a loading speed of 1TB / HR (going in to the system), and 2000 to 5000 on-line users using over 70% of the data available” (Tung, 2011).

Information non structurée

Toujours sur le site de Focus, cette fois, c’est M. Devlin qui répond à M. Tung en mentionnant que la taille absolue des données n’a que peu de signification et, qu’en fait, le Big Data peut être décrit comme de l’information non-traditionnelle. Cette information non-traditionnelle pourra être utilisée pour identifier des tendances récurrentes pour l’entreprise.

Informatique dans les nuages

Ces exemples ne sont qu’un échantillon des définitions retrouvées pour décrire le Big Data. Afin de compléter la description du terme, il est bien de spécifier que

“Big data analytics is often associated with cloud computing because the analysis of large data sets in real-time requires a framework like MapReduce to distribute the work among tens, hundreds or even thousands of computers” (SearchCloudComputing.com, 2011).

Y a-t-il d’autres caractéristiques du Big Data qui vous paraissent fondamentales? Venez continuer la conversation sur Google +.

L’illustration provient de dataspora.

Related posts:

1. Gestion stratégique des données chez Wal-Mart
2. La restructuration des données pour les nuls

“BigSheets takes away the complexity of hadoop and puts the power of big data in the hands of the line of business users” David Barnes; technical evangelist, IBM (IBMetinfo, 2010)

Ce texte fait partie d’une série de 7 études de cas, pour un dossier spécial sur le Big Data.

En surface, les exercices d’analyse du Big Data sont faciles à comprendre, mais lorsque l’on regarde tout ça en profondeur, on constate rapidement qu’il est fort complexe de mettre en place des méthodes pour analyser de grandes quantités de données. D’une part, l’aspect technique des outils disponibles relègue malheureusement trop souvent dans l’ombre l’enjeu stratégique au fondement de cette pratique. D’autre part, la réalité mathématique qui sous-tend le Big Data n’est pas nécessairement la force des spécialistes de marketing. On a qu’à essayer de lire quelques travaux de Pedros Domingos pour comprendre les limites de l’accès au Big Data.

Big data et big complexité

Voici, par exemple, un extrait du sommaire de “Markov logic Networks” (2006) qu’il a rédigé avec Matthew Richardson:

“we propose a simple approach to combining first-order logic and probabilistic graphical models in a single representation. A Markov logic network (MLN) is a firstorder knowledge base with a weight attached to each formula (or clause). Together with aset of constants representing objects in the domain, it specifies a ground Markov networkcontaining one feature for each possible grounding of a first-order formula in the KB, with the corresponding weight…” (Domingo & Richardson, 2006).

Le plus drôle dans cet extrait est que l’approche proposée par les chercheurs est supposément simple. Pas évident pour les néophytes! C’est à propos de la simplification de cette complexité que plusieurs entreprises travaillent afin de démocratiser l’utilisation du Big Data pour le rendre plus accessible au grand public. À cet égard, le projet BigSheets d’IBM est un cas sur lequel il vaut la peine de se pencher.

Simplification de la restructuration des données

En résumé, BigSheets est un outil qui peut scanner des petaoctets de données disponibles sur un réseau afin de les restructurer et d’en extraire des informations stratégiques. Les aspects les plus originaux de l’approche de BigSheets sont :

1. Traditionnellement, les entreprises utilisent des données qui sont déjà structurées dans des bases de données afin d’en extraire des informations stratégiques. BigSheets peut scanner des données non standardisées et en extraire des informations selon des filtres paramétrables.
2. BigSheets permet non seulement d’organiser des données non structurées, mais de le faire avec des données qui ne sont pas nécessairement disponibles dans un réseau interne de l’entreprise (sur Internet, par exemple, dans les réseaux sociaux ou sur un serveur de jeux en ligne).
3. Avec BigSheets, l’utilisation des données du Big Data n’est plus seulement réservée à une élite de chercheurs en entreprise ou dans un milieu universitaire. Même les petites et moyennes entreprises peuvent maintenant extraire des informations à partir de la complexité. Il ne reste plus qu’à comprendre ce qu’il vaut la peine d’être analysé (ce qui n’est pas peu dire!).

David Barnes d’IBM démontre quelques façons d’utiliser BigSheet sur le canal IBM ETinfo, sur YouTube. ReadWriteWeb reprend cette démonstration dans un article intitulé “Twitter by the Petabyte: Using Big Data to Define Market Sentiment”, afin d’en extraire les segments les plus importants. Deux exemples d’organisation de données qui relèvent du domaine public et qui sont non structurées sont mis à l’avant-plan :

• l’analyse des sentiments sur Twitter à l’égard du iPhone, d’Android et de BlackBerry;
• le recoupement de données non structurées sur le site Web du Parlement britannique.

Les sentiments de Twitter

La beauté du réseau de Twitter est qu’il est une mine d’informations gratuites pour les entreprises qui prennent le temps de l’analyser. Grâce à des outils comme BigSheets, des études de marché, des exercices de veille concurrentielle ou même la compréhension des sentiments des consommateurs à l’égard d’une marque peuvent y être réalisés à moindre coût. Mais comment comprendre les sentiments des consommateurs à propos d’une marque ? C’est assez simple, il suffit de suivre les tweets qui signalent une marque et à croiser cette donnée avec d’autres signaux, tels qu’une intention d’achat ou bien une critique négative.

David Barnes démontre à quel point il est facile de croiser ces données avec BigSheets pour obtenir un nuage de mots-clés qui dévoilent le poids d’un produit ou d’une marque comme l’iPhone, le système d’exploitation Android ou le Blackberry. En quelques secondes, il paramètre une analyse qui lui permettra d’extraire ce type d’information et de représenter visuellement le degré de sentimentalité positif avec un nuage de mots clés (Williams, 2010).

Source: Williams, A. (30 octobre 2010). Twitter by the Petabyte: Using Big Data to define market sentiment. ReadWriteCloud. http://rww.to/hHFrT1

Révéler ces informations que je ne saurais voir

Pour aller encore plus loin dans ce dévoilement de données, un autre cas est donné en exemple. Cette fois-ci, il est proposé de balayer toutes les données non structurées du site Web du parlement Britannique afin d’en extraire toutes les lois qui sont votées au parlement et de les associer avec les politiciens qui votent pour ces lois. Ainsi, on peut facilement révéler au grand jour qu’elle est la portée de l’activité des politiciens :

• Jusqu’à quel point, par exemple, se soucient-ils du bien social, en votant sur plusieurs types de projets de lois qui touchent divers aspects des besoins d’une société?
• Jusqu’à quel point, se soucient-ils plutôt de l’intérêt d’un secteur spécifique de l’économie (d’une entreprise?), en ne votant que ponctuellement pour les lois qui y sont associées?

Coûts des analyses et ressources pour analyser

En démocratisant l’analyse et la structuration de données secondaires, des outils comme BigSheets sont définitivement une bonne chose pour les petites et moyennes entreprises. En effet,

« access to large data sets is no longer the preserve of insurance companies and giant retailers. With cheap technology that makes it easier than ever to capture and store this data, a wide range of organisations can now tap into the power of ‘big data’ » (Nesta, Big Data resources, 2010).

Toutes sortes de questions éthiques surgissent cependant sur les limites de l’acceptable et de l’inacceptable quant à ces pratiques d’analyses, et ce, tant au niveau des multinationales que des petites entreprises familiales. De plus, comme le fait si bien remarquer un lecteur de MineThatData, même si tous ces nouveaux outils sont de moins en moins chers et de plus en plus nombreux, ce qui est important n’est pas l’outil mais bien les compétences des ressources humaines qui les utilisent.

“There is no doubt that data is exploding and the tools to harness the value of that data are also exploding. Good news, the cost of tools are coming down. Bad news, we don’t need more tools we need an operational capacity to leverage the value of tools and data we already have. It’s not about more tools, but about the people that can leverage the tools and data to make positive changes within a company” (Hillstrom, 2011).

Il n’est pas clair d’ou provient la photo de l’extraction de l’huile de racin.

Related posts:

1. Gestion stratégique des données chez Wal-Mart
2. Les données secondaires de Deloitte

Comme nous l’avons vu la semaine passée, 3 forces sont à considérer lorsque vient le temps d’analyser et d’optimiser une solution d’affaires électroniques. Nous discuterons aujourd’hui de la première de ces forces, soit celle de l’organisation. J’analyserai plus en détail trois composantes de cette force, soit les stratégies directrices, les stratégies d’affaires et les stratégies fonctionnelles (structure organisationnelle, ressources humaines et processus d’affaires).

Forces de l'organisation : stratégies directrices, stratégies d'affaires, stratégies fonctionnelles

Analyse des stratégies directrices

Une stratégie directrice détermine les secteurs d’activités dans lesquels une entreprise est active ainsi que le degré de son implication dans ce(s) secteur(s). Avant d’analyser le site Web d’une entreprise, il est nécessaire de prendre un peu de recul.

Secteurs d’affaires

Dans quel secteur économique l’entreprise évolue-t-elle? Exploite-t-elle des ressources? Les transforme-t-elle pour en vendre les produits? Ou bien se préoccupe-t-elle plutôt de créer des services immatériels? Quels sont les secteurs de l’industrie visés par son offre de valeur?

Hotwire est une agence de voyages en ligne qui évolue dans l’industrie du tourisme. Par l’entremise de son site Web, l’entreprise distribue la vente de séjours touristique (avion, croisière, hôtel, automobile).

Comment l’entreprise veut-elle se démarquer dans ce secteur économique? Et quelle est la maturité de cette démarcation (nouveau, leader, etc.)?

• Par des stratégies de concentration (tous les efforts sont concentrés dans le même produit/service) ?
• Par des stratégies d’intégration verticale (en amont : acquisition des procédés des fournisseurs; en aval : acquisition des procédés de distribution)?
• Par des stratégies de diversification (acquisition et extension de la gamme de produits dans le même secteur ou dans des secteurs différents)?
• Par des stratégies de statu quo (le cycle de vie de l’entreprise fait en sorte qu’elle veut stabiliser sa croissance et son offre pour se concentrer sur d’autres aspects, comme l’optimisation de ses processus d’affaires par exemple)?
• Par des stratégies de réduction de l’investissement (les fameuses « coupures budgétaires » : l’économie va mal ou les stratégies directrices du passé n’ont pas fonctionné, il faut économiser!)?
• Par des alliances et des partenariats stratégiques (organisations virtuelles)?

Hotwire fait partie du groupe d’Expedia. Les activités de ce groupe se concentrent principalement sur la vente de séjours touristiques et sur la location de voitures. L’actif digital du groupe dans ce créneau comporte plusieurs sites tels qu’expedia.com, hotels.com, hotwire.com, Classic Vacations, etc. L’expertise des services développés par Expedia est aussi mise au profit d’autres entreprises par le biais de Egencia, qui maximise les processus d’affaires d’autres agences de voyages en ligne (un peu comme Amazon offre aux entreprises d’utiliser son expertise développée en commerce électronique).

Tant qu’à offrir des voyages, aussi bien offrir les activités qui vont avec. C’est ainsi que le groupe étend aussi son offre au niveau de la vente dans l’industrie du divertissement et du loisir (activités culturelles, spectacles, expositions, restaurants) qui son principalement commercialisés dans tripadvisor.com et dans d’autres sous-sites comme ticketweb, thedailybeast, pronto, citysearch, etc. Le groupe expérimente aussi dans des secteurs un plus éloignés du sien comme lendingtree (prêt et financement hypothécaire), shoes (The World’s Largest Site For Shoes),match (sites de rencontre), Online shopping mais dont l’expertise technologique est facilement transférable.

Car en fin de compte, c’est aux données et au back-end qu’Expedia s’intéresse, et à son intégration dans les secteurs qui lui permettent de maximiser sa stratégie de concentration.

Hotwire n’est qu’un des éléments d’un groupe global d’actifs digitaux. Tout se passe comme si Hotwire était un partenaire stratégique interne du groupe Expedia, et dont l’objet est de desservir un créneau précis. Il va sans dire qu’Expedia est un leader dans l’industrie du tourisme en ligne.

Analyse des stratégies d’affaires

Le but d’une stratégie d’affaires est de déterminer comment bâtir et renforcer la position concurrentielle à long terme d’une l’entreprise ou d’une de ses divisions dans un marché spécifique. Pour comprendre la place d’un site Web au sein d’une entreprise, il est important de comprendre les stratégies d’affaires de l’organisation.

La force des stratégies d’affaires part du but et des objectifs de l’organisation et va jusqu’à la segmentation générale de sa clientèle. Selon moi, même si la détermination des personas est la continuation du mouvement de la force des stratégies d’affaires, cette composante fait plutôt partie des stratégies de marketing qui permettent de réaliser les objectifs d’affaires. En ce sens, je l’analyserai plus en détail lors de l’analyse de la force des clients.

Forces de l'organisation : stratégies d'affaires

Une fois qu’elle a identifié ses secteurs d’activités, une entreprise doit choisir un angle pour évoluer dans ces secteurs. Dans le cas d’Expedia.com, l’entreprise a choisi de dominer par les coûts (meilleurs prix) en se concentrant sur un segment de marché principal (tourisme en ligne) et de se diversifier sur d’autres segments afin d’en récupérer les clients potentiels ou bien les technologies qui y sont développées. Elle différencie ensuite son offre de vente de séjours touristiques et de location de voitures par le biais de ses partenaires internes, comme Hotwire.

Buts et objectifs

Je ne connais pas les objectifs d’affaires de Hotwire, mais je peux facilement déduire que le but de son site est de permettre aux voyageurs d’économiser, notamment pour les achats:

• de billets d’avion,
• de chambres d’hôtel,
• d’automobiles louées,
• de forfaits de vacances,
• et de croisières.

Positionnement

L’entreprise doit premièrement positionner son offre de valeur pour entrer en relation avec une clientèle cible générale. Dans le cas qui nous intéresse, il semble que la caractéristique essentielle des clients visés est d’avoir des goûts haut de gamme, avec un budget moyen. Les rabais qu’offre Hotwire ne sont pas nécessairement les offres les moins chères sur le marché, mais bien les offres les plus avantageuses.  Par exemple, un vol en classe supérieure est offert au prix d’un vol en classe économique, etc. À cet égard, sa marque de commerce enregistrée du : « 4-star hotels, 2-star prices » est très révélatrice. Sur notre schéma, chaque point représente un client potentiel.

Segmentation

L’entreprise à un but général comportant 5 segments (avion, hôtel, automobile, forfaits, croisières) dont elle doit communiquer la valeur à des clients (actuels ou potentiels). Tout le monde dans l’entreprise travaille à maximiser les revenus de ces 5 segments. Dans un premier temps, il est donc utile de séparer les clients visés en fonction des principaux types d’achats qu’ils peuvent effectuer sur le site. Bien que ce premier niveau de segmentation soit impersonnel, il nous permet de comprendre rapidement quelles sont les meilleures sources de revenus pour l’entreprise (plus un cercle est gros, plus il représente une forte tendance).

Analyse des stratégies fonctionnelles

Les stratégies fonctionnelles visent à définir les plans d’action qui contribuent à atteindre les objectifs d’affaires d’une organisation et de ses unités d’affaires. Leur influence se fait ressentir sur le site Web de l’organisation à bien des niveaux.

Forces de l'organisation : stratégies fonctionnelles

Structure de l’organisation

Selon ses modes de gestion, une entreprise peut choisir plusieurs méthodes afin d’organiser ses services. Par exemple, elle peut préconiser

• ses fonctions;
• ses produits ou ses services
• ses clients
• ses canaux de distribution
• ses secteurs géographiques

L’analyse de l’actif digital d’une entreprise passe tout d’abord par la compréhension de l’arborescence de cette organisation. Cette réflexion permettra de mieux comprendre les techniques de coordination au sein de l’entreprise et ses sources d’autorité ce qui pourra mettre en lumière des difficultés éventuelles dans la gestion du site Web ou d’autres actifs digitaux. Car si le mode de structuration des organisations est un sujet passionnant, la façon dont la structure organisationnelle se reflète sur le site Web d’une entreprise l’est tout autant. En fait, un des enjeux majeurs de l’architecture informationnelle des sites Web est la tension qui existe entre la structure organisationnelle et les besoins des clients. Cette tension est d’autant plus grande si la segmentation choisie pour catégoriser les clients est différente des méthodes choisies pour structurer l’organisation.

Dans le cas de Hotwire, les principales composantes du management sont le marketing, le travel ticker (outil pour trouver des spéciaux), les produits, le back-end (ingénierie) et les finances. Une place prépondérante est accordée aux produits et toutes les fonctions de l’entreprise semblent converger vers ceux-ci. C’est une bonne nouvelle pour le Web!

Entreprise traditionnelle ou pure player?

La structure de gestion de Hotwire se reflète sur le site Web de l’entreprise où ce sont les produits (avion, hôtel, automobiles, forfaits, croisières) qui sont mis à l’avant-plan. Nous verrons plus tard que cette structure facilitera l’optimisation de la force des clients.

Il est nécessaire de rappeler que l’influence du Web diffère grandement selon que l’organisation est une entreprise traditionnelle ou est un pure player. Puisque les structures des entreprises traditionnelles ont bien souvent été établies pour répondre aux stratégies directrices et aux stratégies d’affaires d’un monde non numérique, il y est souvent difficile de déterminer les structures de pouvoir qui en coordonnent les processus d’affaires électroniques. Par opposition, l’essence même des pure players est justement qu’ils évoluent dans un mode digital. Ainsi, il est logique d’établir la structure organisationnelle des pure players en fonction du site Web de l’organisation, de ses actifs digitaux et de ses systèmes d’information. La gestion de l’actif digital n’y est pas une nouvelle source de tension dans l’entreprise, mais bien la source d’où découlent tous les autres pouvoirs.

C’est d’autant plus vrai dans le cas d’Hotwire dont le site n’est que le reflet d’une stratégie d’affaires intégrées où est mise à contribution l’expertise des ingénieurs du groupe d’Expedia dans le but de rejoindre un marché spécifique en personnalisant une offre générale de produits et services.

Compétence des ressources humaines

Quels sont les facteurs à considérer à propos des ressources humaines?

Premièrement, comment le pouvoir de coordination du site Web est-il réparti dans l’organisation? Le propriétaire du Web est du côté des technologies de l’information, du marketing, d’une unité spéciale, d’une division, d’un comité, d’agents d’intégration, etc. ? La réponse à ce questionnement dépend bien évidemment de la structure organisationnelle.

Deuxièmement, combien de ressources travaillent directement pour le Web? Ça me fait bien rire quand je lis les offres d’emplois qui concernent le Web et qui demande à la personne engagée d’être un programmeur, un spécialiste de marketing, un rédacteur, un gestionnaire de communauté, un ergonome, un spécialiste de référencement, un analyste Web, etc., et que je m’aperçois que le nombre de ressources qui se consacrent au Web dans ces entreprises se limite au futur employé et à son directeur (et qu’en plus, celui-ci ne comprend absolument rien du mandat que devra effectuer la personne engagée). Si certaines entreprises sont très peu matures par rapport aux ressources humaines qui gèrent leur site Web, d’autres le sont beaucoup plus. C’est le cas de Hotwire qui possède non pas un mais bien une équipe d’analyste Web afin d’optimiser son site. Et c’est sans compter les autres ressources qui gravitent autour de son site…

Troisièmement, quel est le degré de compétence des ressources humaines? Un classique. Les ressources humaines sont-elles allumées ou bien éteintes? Quel est leur degré de motivation? Et la diversité de leur culture? Si on s’en fie aux commentaires de glassdoor.com site à propos de Hotwire, on constate que l’endroit est rempli de cerveaux, que les incitatifs de bonus en voyages de toutes sortes sont alléchants et que la quantité de travail est idéale (ennuyante?) pour une personne ayant une jeune famille. Les salaires ne semblent pas si élevés que ça. Il faut bien que l’entreprise se rattrape ailleurs.

Pourquoi la compétence des ressources humaines est-elle une force non négligeable quand vient le temps d’analyser et d’optimiser un site Web? Tout simplement parce qu’à défaut de comprendre cette force, un stratège Web risque de recommander des stratégies mal adaptées pour le niveau de maturité d’une organisation. Un peu comme si on donnait une paire de skis de fond à un skieur alpin ou bien un vélo de 10 000 $ à un amateur de tandem.

Coordination des processus d’affaires

L’efficacité des stratégies fonctionnelles d’une entreprise facilitera l’optimisation de ses processus d’affaires. Nous aborderons cet aspect plus en profondeur lorsque nous analyserons la force des technologies.

Ceci complète la présentation des forces organisationnelles. À ce stade-ci de nos réflexions, nous n’avons pas encore parlé du site Web en tant que tel alors que pourtant, nous analysons bel et bien ce site Web! Ça me fait penser au bon nombre de consultants qui n’en finissent plus de m’appeler afin de m’offrir des services pour optimiser mon site, mais qui oublient de m’expliquer quels sont les objectifs de l’optimisation et de prendre en considération les forces (et les faiblesses) de mon organisation.

Related posts:

1. Organisation, clients, technologies et stratégies
2. Gestion, planification et stratégies de sites Web
3. La portée des opérations sur les stratégies d’affaires électroniques