Des conclusions à l'action : le processus de prise de décisions fondées sur des données (DDN3-A13)

Des conclusions à l'action : le processus de prise de décisions fondées sur des données

Le monde d'aujourd'hui est axé sur les données, et le vrai défi n'est pas la quantité de données à notre disposition, mais leur utilisation de façon efficace et appropriée pour prendre des décisions éclairées qui permettent de résoudre des problèmes opérationnels réels. Plutôt que d'adopter une approche « plus il y en aura, mieux ce sera » en matière de données, les organisations devraient s'efforcer d'harmoniser la collecte et l'analyse de données avec leurs questions d'ordre stratégique ou leurs objectifs opérationnels précis. En repérant les bonnes données, en les analysant pour obtenir des renseignements pertinents et en tirant des conclusions liées à des objectifs clairs, les organisations peuvent transformer les données en un puissant outil pour la prise de décisions. L'article explore les principales étapes de la prise de décisions fondées sur des données, depuis la définition des questions appropriées jusqu'à la collecte et à l'analyse de données pertinentes. Nous verrons également comment garantir la fiabilité des données et comment communiquer clairement les conclusions aux personnes qui en ont besoin, afin de transformer l'information en actions concrètes.

Si le monde des données est un univers qui vous est inconnu et que vous souhaitez acquérir les principes de base, consultez l'article Les données expliquées (DDN3-A09).

Qu'est-ce que la prise de décisions fondées sur des données?

Les responsables au sein des gouvernements utilisent les données pour étayer leur prise de décisions pour diverses raisons, notamment pour éclairer la conception des politiques, pour cerner ou prévenir des problèmes, suivre le rendement, renforcer un service public ou faciliter l'évaluation des politiques et des programmes. La prise de décision fondée sur des données consiste à s'appuyer sur des faits et des données pour prendre des décisions, plutôt que de se fier uniquement à des suppositions ou à des intuitions. En d'autres termes, il s'agit d'utiliser des preuves plutôt que des hypothèses, et il faut donc recueillir des données, les analyser attentivement et utiliser ces renseignements pour faire des choix plus éclairés.

Les analystes de données et les décideurs et décideuses doivent se concentrer sur trois grands axes pour obtenir un bon résultat :

• la collecte de données : déterminer le type de données nécessaires pour étayer la décision et les recueillir auprès de sources fiables et variées.
• l'analyse des données : examiner et interpréter les données pour découvrir des tendances, des schémas et des renseignements pertinents.
• la prise de décisions : utiliser les résultats comme des preuves pour orienter la décision finale.

La prise de décision fondée sur des données contribue à réduire les erreurs, à gérer les risques, à prendre des décisions plus rapidement et à obtenir des résultats plus prévisibles.

Exemple concret de prise de décision fondée sur des données

Le problème à résoudre

De 2022 à 2025, la subvention Améliorez les technologies de votre entreprise du Programme canadien d'adoption du numérique a aidé près de 30 000 petites et moyennes entreprises à adopter des outils numériques. Les principaux défis pour Innovation, Sciences et Développement économique Canada consistaient à assurer la prestation efficace du programme, tout en cernant les domaines dans lesquels les demandeurs et demandeuses avaient besoin de soutien, en gérant les allocations budgétaires et en améliorant la sensibilisation dans les régions mal desservies.

Collecte et analyse des données

Pour éclairer ces décisions, le ministère a conçu un modèle de données rassemblant des renseignements provenant de multiples sources, notamment les données sur le trafic Web, les systèmes clients et les rapports de tierces parties. Les données ont été épurées, combinées et stockées en toute sécurité à l'aide d'outils infonuagiques. L'équipe a ensuite utilisé ces données pour créer des tableaux de bord interactifs qui lui ont permis de découvrir en temps réel des tendances et des schémas, comme les endroits où les demandeurs et demandeuses avaient besoin d'aide ou à quel moment ils et elles abandonnaient généralement le parcours.

Décisions fondées sur des données probantes

Grâce à ces renseignements, l'équipe a apporté des changements ciblés pour améliorer l'expérience client et augmenter la participation. Elle a surveillé les conséquences de ces changements et a procédé à des ajustements au besoin. Les données en temps réel ont également permis d'assurer un suivi budgétaire précis et une gestion financière efficace. En ce qui concerne la sensibilisation, les données ont permis de mettre en lumière les zones mal desservies, et l'équipe a ainsi pu mieux cibler ses efforts.

Cet exemple montre comment, à l'aide d'un ensemble clair de défis liés au programme, puis en recueillant et en analysant les données de manière stratégique, il est possible de soutenir une prise de décisions plus éclairées et d'obtenir de meilleurs résultats.

Comprendre le processus de prise de décision fondée sur des données

Texte descriptif

Un processus en six étapes présenté sous forme d'un flux horizontal d'icônes bleu pâle reliées par une ligne ondulée de couleur bleu foncé. Chaque étape, numérotée de 1 à 6, comprend une icône et une phrase descriptive. La séquence forme un parcours continu de gauche à droite.

• Étape 1 : Définir la question ou le problème
  Icône : Point d'interrogation avec de petits nœuds rayonnant vers l'extérieur
• Étape 2 : Recueillir les données
  Icône : Entrepôt
• Étape 3 : Nettoyer et traiter les données
  Icône : Chiffres zéro et un à côté d'un récipient en forme de bol
• Étape 4 : Analyser
  Icône : Loupe examinant un graphique à barres
• Étape 5 : Communiquer les résultats
  Icône : Tableau de présentation avec graphiques

Étape 6 : Prise de décisions
Icône : Silhouette d'une tête humaine avec un engrenage à l'intérieur

Pour prendre des décisions éclairées à l'aide des données, il est important de comprendre les étapes qui y mènent. Ce cadre en six étapes offre une façon structurée de transformer les données brutes en renseignements utiles et de soutenir la prise de décision fondée sur des données probantes.

Les étapes sont les suivantes :

• définir la question ou le problème;
• recueillir les données;
• nettoyer et traiter les données;
• analyser;
• communiquer les résultats;
• prendre des décisions.

[Remarque : Ce cadre en six étapes est adapté de pratiques courantes et reconnues, utilisées dans le processus d'analyse des données et de prise de décision. Il s'appuie sur le contenu du cours Fondements de l'analyse des données : le processus analytique (DDN320) et sur du matériel pédagogique élaboré par Statistique Canada.]

Étape 1 : Définir la question ou le problème

Cette première étape consiste, pour les décideurs et décideuses, à définir clairement le problème ou la question à résoudre. Il s'agit de la base de tout le processus d'analyse des données. Bien formuler le problème ou la question est primordial si l'on veut que les données recueillies soient pertinentes et exploitables. Une question claire et précise aide à déterminer quel type de données recueillir et comment les analyser.

Par exemple, imaginez un centre d'appels du gouvernement qui doit gérer de longs délais d'attente et un fort mécontentement de la part du public. Une bonne question pourrait être la suivante : « Comment pouvons-nous améliorer les temps de réponse sans perdre en qualité? » Cette question permet de concentrer la collecte de données sur des aspects comme l'efficacité du flux de travail, le volume d'appels et les commentaires de la clientèle.

Par ailleurs, le fait de formuler le problème dans un contexte axé sur les données implique de déterminer quel type de données permettra de répondre à la question. Cette formulation peut inclure des données sur le rendement antérieur, des commentaires de la clientèle ou même des analyses en temps réel. En établissant tôt des indicateurs de référence, vous pouvez comparer l'impact des solutions potentielles au fil du temps.

Lorsque les questions sont correctement définies, les équipes peuvent formuler des hypothèses sur les causes sous-jacentes du problème et concevoir des tests ou des expériences pour les valider à l'aide de données, garantissant ainsi que les décisions reposent sur des preuves empiriques plutôt que sur des suppositions.

Pour en savoir plus sur la manière de définir une question analytique, vous pouvez consulter cette vidéo : Analyse 101, partie 1 : élaborer un plan d'analyse.

Étape 2 : Recueillir les données

Une fois la question définie, l'étape suivante consiste à recueillir les données. Celles-ci se présentent sous diverses formes, et certaines sont beaucoup plus faciles à recueillir et à manipuler que d'autres. Ce sont généralement les analystes de données qui s'occupent de cette tâche et qui déterminent quelles sources de données existantes sont disponibles et si de nouvelles données doivent être recueillies. Cependant, il est important de reconnaître qu'aucune décision n'est prise en tenant compte de toutes les données possibles. Les décideurs et décideuses doivent comprendre quelles données sont manquantes ou incomplètes et percevoir les limites des données disponibles. Malgré ces imperfections, les leaders doivent prendre des décisions éclairées en se fondant sur les meilleurs renseignements disponibles et en acceptant de devoir s'appuyer sur des données incomplètes.

Pour garantir que le processus de collecte des données est efficace et soutient les objectifs, il est important que les analystes établissent des lignes directrices claires et respectent les pratiques exemplaires.

Étape 3 : Nettoyer et traiter les données

Une fois les données recueillies, l'étape suivante consiste à les préparer pour l'analyse grâce à un processus appelé nettoyage ou épuration. La qualité de l'analyse dépend de la qualité des données utilisées. Il est essentiel de s'assurer que celles-ci sont complètes, précises et pertinentes pour prendre des décisions éclairées. L'Orientation sur la qualité des données du Secrétariat du Conseil du Trésor du Canada définit un vocabulaire commun et donne des conseils pratiques pour aider les ministères à évaluer et à améliorer la qualité des données. Les analystes de données doivent s'assurer que l'analyse est précise et fiable en travaillant avec des données épurées. Les erreurs dans les données peuvent mener à des conclusions erronées et à de mauvaises décisions. Ce processus comprend plusieurs étapes importantes :

• Corriger les erreurs dans les données : repérez et corrigez les erreurs évidentes comme les fautes de frappe ou les entrées invalides (par exemple si la date enregistrée est le « 13/45/2022 », elle doit être corrigée pour être valide).
• Gérer les données manquantes : décidez comment gérer les valeurs manquantes et déterminez s'il convient de les compléter, de les estimer ou de retirer les entrées incomplètes.
  • Par exemple, les temps d'attente manquants pourraient être complétés en calculant le temps moyen d'attente pour la même plage horaire ou en utilisant les horodatages du système (par exemple le moment où l'appel a été pris en charge) afin de reconstruire manuellement les données manquantes.
  • S'il manque plusieurs champs essentiels dans une entrée, il est souvent préférable de retirer cette entrée incomplète pour éviter d'introduire un biais dans l'analyse.
• Normaliser les formats : veillez à assurer la cohérence des formats comme les dates, les devises ou les unités afin de faciliter la comparaison et la combinaison. Par exemple, utilisez le format de date ISO 8601 (AAAA-MM-JJ). Pour en savoir plus sur les normes à suivre, consultez la Liste des normes référentielles relatives aux données et aux métadonnées.
• Supprimer les doublons : repérez et éliminez les entrées en double pour éviter de compter les mêmes données deux fois.

Une fois que les données ont été aussi bien épurées que possible, l'étape suivante est le traitement des données, qui consiste à organiser et à préparer les données en vue de leur analyse. (Le cours Suite Microsoft Excel 365 peut être utile pour ces étapes.)

• Transformer les données : organisez les données dans un format qui met en évidence les indicateurs clés (par exemple utilisez un tableau croisé dynamique pour résumer les temps d'attente et la durée des appels selon l'heure ou le jour de la semaine).
• Filtrer et classer les données : concentrez-vous sur les données les plus pertinentes pour l'analyse (par exemple filtrez les appels des six derniers mois et classez-les par temps d'attente pour analyser les tendances récentes et répertorier les délais les plus longs).
• Segmenter et agréger les données :
  • Segmentation : regroupez les données par catégories pertinentes pour l'analyse (par exemple segmentez les appels par type de demande [demandes sur les avantages, plaintes, questions générales] pour déterminer quels types de demandes sont associés aux temps d'attente les plus longs).
  • Agrégation : résumez les données en indicateurs clés pour faciliter l'interprétation (par exemple calculez le temps d'attente moyen et la note de satisfaction pour chaque catégorie d'appel ou plage horaire [matin ou après-midi]).

L'organisation et le traitement des données de cette façon permettent de répondre à des questions importantes :

• Quelles sont les conditions constatées lorsque les temps d'attente sont les plus longs ?
• Certains types d'appels créent-ils plus de goulots d'étranglement que d'autres ?
• Des temps de réponse plus rapides améliorent-ils la satisfaction de la clientèle, ou y a-t-il d'autres facteurs qui influencent la satisfaction ?

En organisant les données de cette façon, l'analyse demeure ciblée, exploitable et alignée sur l'objectif, soit d'offrir un meilleur service.

Pour en savoir plus sur les méthodes de nettoyage et de préparation des données, vous pouvez visionner cette vidéo : Analyse 101, partie 2 : mettre en œuvre le plan d'analyse.

Étape 4 : Analyser

Une fois les données recueillies, nettoyées et préparées, il est temps de revenir à la question ou au problème initial. L'analyse commence par clarifier ce que vous cherchez à découvrir et comment les données peuvent aider à répondre à votre question.

Le rôle de l'analyste est d'étudier les données afin de découvrir des schémas, des tendances ou des liens rattachés au problème. Il faut généralement commencer par une analyse exploratoire des données, qui consiste à examiner la structure des données, les variables clés et leurs limites pour confirmer que les données permettront de répondre à la question. Une fois les données comprises, l'étape suivante consiste à appliquer les méthodes analytiques appropriées. Le choix de la méthode dépend de l'objectif (décrire, expliquer, prédire ou recommander) et des outils disponibles, qu'il s'agisse de simples feuilles de calcul, de logiciels statistiques ou de modèles fondés sur l'intelligence artificielle.

Les méthodes couramment utilisées sont les suivantes :

• Analyse descriptive : comprendre ce qui s'est passé ou ce qui se passe en ce moment (Que s'est-il passé ?)
• Analyse diagnostique : étudier les raisons pour lesquelles quelque chose s'est produit (Pourquoi cela s'est-il produit ?)
• Analyse prédictive : utiliser les données existantes pour faire des prédictions sur l'avenir (Que pourrait-il se passer ensuite ?)

Analyse prescriptive

L'analyse prescriptive consiste à recommander des actions en fonction des leçons tirées dans d'autres analyses (Que devrions-nous faire ensuite ?). Il s'agit de la méthode d'analyse la plus avancée, car elle rassemble les enseignements tirés de toutes les autres méthodes d'analyse et contribue à la prise de décision fondée sur des données. Tout au long de l'analyse, il est important de garder son objectivité et d'éviter deux obstacles courants : recueillir des données sans fin sans tirer de conclusions, ou s'appuyer trop fortement sur son intuition plutôt que sur les preuves. Une analyse efficace relie directement les renseignements obtenus au problème et prépare les décideurs et décideuses à l'étape suivante : communiquer les résultats et passer à l'action.

Pour en savoir plus sur les différentes techniques d'analyse de données, consultez le cours Fondements de l'analyse des données : le processus analytique (DDN320) et l'article What Is Data Analysis: Examples, Types, & Applications (en anglais seulement).

Pour mieux comprendre comment mettre en œuvre un plan d'analyse, regardez la vidéo Analyse 101, partie 2 : mettre en œuvre le plan d'analyse.

Étape 5 : Communiquer les résultats

Une fois l'analyse terminée et les renseignements recueillis, l'étape suivante consiste à communiquer ces résultats aux parties prenantes concernées, qu'il s'agisse de votre gestionnaire, de la clientèle, de vos collègues ou d'autres personnes qui s'appuient sur l'information. La valeur des résultats dépend de leur communication claire et de leur transmission aux bonnes personnes, en particulier aux décideurs et décideuses.

Comme les parties prenantes ne sont pas toujours spécialistes, il est important de traduire des résultats complexes en messages clairs et constructifs. Bien que certains publics puissent demander des détails techniques, la plupart préfèrent des résumés concis et ciblés qui mettent en lumière la signification des données et les actions qu'elles suggèrent.

Par exemple, si votre analyse visait à comprendre pourquoi les temps d'attente dans les centres d'appels étaient en augmentation, vous avez probablement utilisé une approche d'analyse diagnostique pour découvrir les causes sous-jacentes. Pour communiquer ces résultats, vous pourriez présenter les principales tendances en matière de rendement, répertorier les goulots d'étranglement liés aux processus et mettre en lumière certains facteurs comme la dotation ou les problèmes d'acheminement des appels.

Une bonne présentation montre non seulement les conclusions et les preuves à l'appui, mais explique aussi les lacunes ou les limites. La transparence instaure la confiance, soutient la prise de décision éclairée et renforce la crédibilité.

Pour communiquer efficacement les résultats, les analystes combinent souvent des éléments visuels (graphiques, tableaux de bord, infographies) avec des exposés (séances d'information écrites ou orales) qui racontent l'histoire derrière les chiffres. Alors que les éléments visuels captent l'attention, une documentation bien structurée garantit que le message est bien compris.
Pour en savoir plus sur la façon de communiquer vos résultats, vous pouvez consulter ces ressources : Analyse 101, partie 3 : communiquer ses conclusions, Visualisation des données : une introduction et Visualisation des données : pratiques exemplaires.

Étape 6 : Prise de décision

Une fois les résultats communiqués, l'étape suivante consiste à utiliser ces renseignements pour orienter les décisions. C'est à ce stade que l'analyse des données apporte une réelle valeur, en fournissant les preuves qui étayent l'action.

Les décideurs et décideuses de tous les échelons, qu'il s'agisse des équipes qui améliorent les opérations quotidiennes ou des membres de la haute direction qui élaborent les politiques, examinent l'analyse dans le contexte des priorités organisationnelles, des ressources disponibles et des risques. L'objectif est de garantir que les choix sont motivés par des faits plutôt que par des suppositions.

Au gouvernement du Canada, les résultats des analyses peuvent être communiqués de plusieurs façons : par des présentations, des tableaux de bord, des rapports ou des résumés qui appuient différents types de décisions. Dans certains cas, ces analyses peuvent prendre la forme d'une note d'information pour obtenir une décision ou une approbation officielle. Dans d'autres, il peut s'agir d'une discussion d'équipe, d'une mise à jour de projet ou d'un ajustement opérationnel. Les preuves doivent d'abord et avant tout être claires, pertinentes et exploitables pour le public qui les utilise.

En ayant accès à des preuves structurées, les décideurs et décideuses peuvent concilier les enseignements tirés des données avec les réalités opérationnelles et les objectifs politiques. Le rôle de l'analyste est de traduire les résultats en recommandations concrètes et d'aider à clarifier les conséquences de chaque choix.

Bien que les données fournissent une base solide, les décideurs et décideuses doivent aussi intégrer le jugement humain, l'expérience organisationnelle et le contexte externe. Lorsque les décisions reposent sur des preuves fiables et un raisonnement transparent, les décisions fondées sur des données sont plus susceptibles d'atteindre les résultats escomptés par l'organisation, car la ligne de conduite est alors déterminée par des faits et non par des hypothèses.

Pour approfondir l'utilisation des preuves dans la prise de décision, inscrivez-vous au cours Prendre des décisions basées sur les données (DDN307).

Conclusion

La prise de décision fondée sur des données est un moyen efficace de prendre de meilleures décisions en s'appuyant sur des faits et des renseignements plutôt que sur des hypothèses ou des suppositions. En suivant un processus pas à pas clair, consistant à définir le problème, à recueillir et à nettoyer les données, à les analyser, à communiquer les résultats puis à appliquer les conclusions, vous pouvez transformer les données en un outil précieux pour votre organisation.

---

Ressources

• Cours | Prendre des décisions basées sur les données (DDN307)
• Cours | Fondements de l'analyse des données : le processus analytique (DDN320)
• Cours | Introduction aux données dans la fonction publique (DDN301)
• Cours | Guider l'analyse pour prendre des décisions efficaces fondées sur les données (DDN318)
• Cours | Prise de décision fondée sur les données probantes : Pondération de la preuve dans la prise de décision stratégique (TRN505)
• Cours | Prise de décision fondée sur les données probantes : exploration des biais et de l'incertitude (TRN504)
• Cours | Prise de décision fondée sur les données probantes : faits, valeurs et méthode scientifique (TRN502)
• Cours | Prise de décision fondée sur les données probantes : évaluation des preuves scientifiques (TRN503)
• Article | L'importance de la prise de décision fondée sur des données probantes (DDN2-A16)
• Article | Les données expliquées (DDN3-A09)

En savoir plus

• Plus d'articles

Restez branchés

• Abonnez-vous à l'infolettre de l'Académie du numérique de l'EFPC
• Découvrez les ressources de l'Académie du numérique de l'EFPC sur GCÉchange
• Contactez l'Académie du numérique de l'EFPC par courriel