{"id":15632,"date":"2022-12-08T10:34:13","date_gmt":"2022-12-08T09:34:13","guid":{"rendered":"https:\/\/www.huwise.com\/?post_type=glossary&p=15632"},"modified":"2024-06-06T11:39:47","modified_gmt":"2024-06-06T09:39:47","slug":"analytics","status":"publish","type":"glossary","link":"https:\/\/www.huwise.com\/fr\/glossaire\/analytics\/","title":{"rendered":"Analytics"},"content":{"rendered":"

Pour rester comp\u00e9titif, augmenter son chiffre d\u2019affaires, acqu\u00e9rir de nouveaux clients et cr\u00e9er de nouveaux services<\/a>, il est indispensable d\u2019associer une analyse des donn\u00e9es efficace aux actions men\u00e9es<\/strong>. C\u2019est ce qu\u2019on appelle l\u2019analytics. De quoi s\u2019agit-il ? Quels sont les avantages ? Comment le mettre en place ? Les r\u00e9ponses sont dans cet article.<\/p>\n

Qu\u2019est-ce que l\u2019analytics ?<\/h2>\n

L\u2019analytics d\u00e9signe l’analyse de la donn\u00e9e au sens large<\/strong>. C’est-\u00e0-dire la collecte, la mesure, l\u2019analyse, la visualisation et l\u2019interpr\u00e9tation des donn\u00e9es<\/a>. L\u2019objectif est d\u2019aider les organisations \u00e0 prendre les meilleures d\u00e9cisions<\/strong>.<\/p>\n

\u00c0 l\u2019heure de la digitalisation, l\u2019analytics s\u2019entend souvent comme l\u2019analyse de donn\u00e9es provenant de sources num\u00e9riques, telles que les r\u00e9seaux sociaux, les sites web ou les applications mobiles. On parle alors de web analytics.<\/p>\n

Mais l\u2019analyse de donn\u00e9es n’utilise pas uniquement les sources en provenance du num\u00e9rique. Il peut aussi s\u2019agir d\u2019informations r\u00e9colt\u00e9es par les commerciaux sur le terrain, les rapports gouvernementaux, les donn\u00e9es d\u00e9mographiques, les retours faits aupr\u00e8s du service client, etc.<\/p>\n

Outre la vari\u00e9t\u00e9 des sources de donn\u00e9es<\/strong>, l\u2019analytics peut \u00e9galement \u00eatre impl\u00e9ment\u00e9e par tous types de structures, quelle que soit leur taille (PME, TPE, startups, grands groupes, institutions publiques) ou leur secteur d\u2019activit\u00e9 (organisations publiques, entreprises priv\u00e9es, etc). Toutes ces organisations peuvent en effet utiliser les donn\u00e9es pour am\u00e9liorer leur business model, optimiser l\u2019exp\u00e9rience utilisateur, perfectionner les processus op\u00e9rationnels, augmenter le retour sur investissement, etc.<\/p>\n

Dans tous les cas, les organisations ont tout int\u00e9r\u00eat \u00e0 impl\u00e9menter une strat\u00e9gie bas\u00e9e sur l\u2019analyse de donn\u00e9es.<\/p>\n

Data analytics vs data science<\/h3>\n

Avec le d\u00e9veloppement du big data<\/a>, les experts de la donn\u00e9e se multiplient. Il est donc fr\u00e9quent de rencontrer des data analysts ou des data scientists. Mais il s\u2019agit de deux m\u00e9tiers bien distincts. En effet, la data science a pour objectif d’analyser de vastes ensembles de donn\u00e9es afin d\u2019identifier de nouveaux concepts et des relations cach\u00e9es. En revanche, la data analytics se base toujours sur l’existant<\/strong>.<\/p>\n

3 cat\u00e9gories d\u2019analytics<\/h3>\n

L\u2019analytics se distingue en diff\u00e9rentes cat\u00e9gories en fonction des applications :<\/p>\n