Un peu d'histoire et la réalité actuelle des applications SaaS B2B
Pendant des décennies, les analyses et les tableaux de bord étaient considérés comme une question secondaire, ce que la direction souhaitait (« Executive Dashboards ») pour fournir une vue descendante des activités et des processus de l'entreprise.
Avec l'avènement des outils ad hoc de Business Intelligence (BI), une nouvelle génération d'analystes, d'analystes de données et de data scientists, a été chargée de communiquer aux équipes de direction des informations qu'elles ne savaient pas sur des systèmes opérationnels traditionnels défectueux, ou du moins contestés, (tels que l'ERP, la facturation, la réservation et la location, le trading, la vente au détail et bien d'autres) ainsi que sur des tableaux de bord exécutifs récapitulatifs. Ces outils de BI étaient traditionnellement séparés et autonomes des systèmes opérationnels qu'ils prenaient en charge.
Réfléchir à la personnalité de vos utilisateurs SaaS
Pour en savoir plus sur les analystes de données et les data scientists et leurs compétences... Il est important de noter qu'une faible proportion de vos utilisateurs, selon l'application SaaS B2B, peut-être < 5 %, seront des analystes de données ou des scientifiques...
Un analyste de données est susceptible de comprendre les données, comment elles sont structurées et organisées ou modélisées et probablement comment les interroger. Un data scientist peut avoir une formation en statistique ou une connaissance de la façon d'écrire des algorithmes prédictifs et autres algorithmes analytiques, il peut avoir une compréhension des principes de l'apprentissage automatique ou de l'intelligence artificielle. Les analystes de données et les scientifiques des données sauraient certainement quelles sélections de graphiques utiliser pour un ensemble de données donné (par exemple, quand utiliser un scatter, un sankey, une barre, une ligne, un secteur ou une combinaison... ?).
Cependant, les utilisateurs du SaaS d'aujourd'hui sont des utilisateurs quotidiens, et pas généralement des analystes de données et des data scientists. Ils n'ont pas seulement besoin d'analyses pour satisfaire leur direction ou pour examiner et envoyer des rapports de fin de période, ils ont en fait besoin d'analyses, sur le plan opérationnel, jour après jour, pour hiérarchiser les tâches, optimiser les processus quotidiens et faire avancer les choses efficacement pour eux-mêmes et pour les autres.
Le défi des données disséminées
Le défi, en particulier à l'ère de la numérisation, est que nous sommes vraiment capables de générer et de collecter des volumes de données de plus en plus importants (pensez au commerce électronique, aux dossiers électroniques, au trading automatisé, à la chaîne d'approvisionnement et à la logistique, à la VoIP, aux capteurs IoT, par exemple, ne commençons même pas à penser à l'IA). Il est devenu essentiel pour la croissance et le succès, voire la survie, de toute organisation.
Même les organisations de service public sont censées faire preuve de transparence par l'intermédiaire des gouvernements et des municipalités ainsi que des organismes de réglementation, non seulement pour savoir, mais aussi pour montrer comment le public payeur d'impôts (l'électorat de l'année prochaine) bénéficie de leurs initiatives. Pour un plus grand nombre d'entités commerciales, il s'agit de se différencier et de garder une longueur d'avance sur leurs concurrents en maximisant les opportunités de croissance des revenus tout en minimisant les coûts pour améliorer l'efficacité.
En résumé, l'analyse des données est l'arme de choix pour toutes les organisations qui cherchent à s'améliorer et à prospérer dans des environnements compétitifs ou stressés.
Est-ce que quelque chose a changé ?
Oui Même si les volumes et la variété des données (oui, oui, vitesse, valeur et véracité également) ont explosé, les analyses dans les solutions SaaS contemporaines ne sont plus l'apanage de spécialistes tels que les analystes de données ou les data scientists. Les hommes d'affaires ordinaires attendent et sont censés être au top de leurs chiffres pertinents, peut-être en trouvant, voire en innovant ou en créant de nouveaux indices/KPI (LTV, NPS, RFM, OKR, EPS, ROI, BSC...) en identifiant continuellement les problèmes/anomalies, en les comprenant et en les rectifiant ou en les optimisant.
Cette génération d'utilisateurs d'analyses ne sont généralement pas du tout des analystes. Ils n'ont généralement aucune formation formelle en matière de données ou de science des données, ni de statistiques et ils ne seront pas formés à ce sujet non plus. Ils sont moins intéressés par les analyses. S'ils l'étaient, ils utiliseraient probablement un outil de BI et se feraient appeler analystes ! Ils sont bien plus intéressés à faire avancer les choses rapidement, facilement et efficacement qu'à parcourir de vastes ensembles de données pour trouver des incohérences obscures qui doivent être expliquées.
Capacités/ressources utiles pour l'analyse des solutions SaaS
Les fournisseurs de solutions SaaS ne cherchent pas à « surpasser » les outils BI préférés des analystes de données ou des data scientists, mais cherchent plutôt à faire de l'analytique un élément accessible, dynamique, intuitif, interactif, omniprésent et omniprésent de la plupart des processus qu'ils guident les utilisateurs dans leurs solutions SaaS.
Les utilisateurs de la jeune génération, en particulier, ont l'habitude d'obtenir des réponses à leurs questions à l'aide de ressources en ligne. Il est donc normal qu'ils attendent et exigent un feedback analytique et contextuel uniforme à tout moment lorsqu'ils naviguent dans une solution ou un processus SaaS.
La bonne nouvelle, c'est que les systèmes informatiques et les plateformes d'analyse sont très bien équipés pour aider ces utilisateurs quotidiens sans avoir besoin de formation, d'expérience ou d'expertise. Comment ?
- Matériel: Les systèmes informatiques ont connu une croissance exponentielle en puissance et en capacité et, mieux encore, ils sont disponibles « à la demande » avec une échelle apparemment infinie.
- Tarification élastique: Avec l'acceptation progressive des systèmes basés sur le cloud, il est possible de dimensionner de manière dynamique, c'est-à-dire de réquisitionner dynamiquement les ressources du serveur, en fonction des besoins des clients SaaS.
- Technologie analytique: Contrairement aux bases de données relationnelles opérationnelles classiques basées sur SQL, les serveurs analytiques sont optimisés pour les fonctionnalités analytiques telles que les variances, les comparaisons, la pondération et la notation sophistiquées, les règles métier et les seuils de gestion par exception.
- Basé sur un navigateur: Les applications SaaS et leurs homologues de plateformes analytiques sont disponibles et accessibles à l'aide de frameworks d'expérience utilisateur similaires, ainsi que extensibles via des API/plugins communs aux deux.
- Étiquetage blanc et thématisation: Il est évident que le contenu analytique peut être rendu dans n'importe quelle partie ou dans plusieurs parties d'une page Web, généralement via un iframe ou un div. Des paramètres de sécurité et autres sont transmis au contenu analytique afin de déterminer quel contenu analytique peut être rendu à un utilisateur. Toutes les couleurs, polices, thèmes et comportements peuvent et doivent être parfaitement cohérents avec l'expérience de l'utilisateur hôte.
- Dynamique et interactif: Les utilisateurs avertis de la jeune génération sont pleins de questions. Il ne suffit pas de fournir à ces utilisateurs un rapport sous forme de tableau plat pour l'imprimer ou l'exporter vers une feuille de calcul. Ils veulent des données « dynamiques », c'est-à-dire que les données sont correctes et précises au moment présent et interactives, ce qui signifie qu'il est possible de naviguer dans les données, si et selon les besoins, pour comprendre les chiffres qui se cachent derrière les chiffres, le pourquoi et le quoi, afin de valider ou de vérifier un plan d'action crédible et approprié.
- Multiplateforme: Peu importe que vous accédiez au SaaS et à ses analyses via Linux, Windows, macOS sur un ordinateur de bureau, une tablette ou un téléphone, ni même où et dans quel format se trouvent les données.
- Couche sémantique: la création d'une couche sémantique ou d'un modèle de données simplifie la complexité typique d'un modèle de données physique pour que les utilisateurs non analystes puissent comprendre et naviguer.
- Centralisation/consolidation: En modélisant une couche sémantique, celui-ci bénéficie d'un modèle de création unique et d'utilisation multiple qui facilite la maintenance centralisée à un ou plusieurs endroits et réduit le nombre de « pièces mobiles » à casser.
- Sécurité et gouvernance: Un modèle centralisé ou basé sur des modèles facilite également la gestion de la sécurité et de la gouvernance. La sécurité est normalement (déjà) gérée dans l'application SaaS hôte, il ne devrait pas être nécessaire de la dupliquer et de la gérer à nouveau dans la plateforme d'analyse. Il s'agit généralement d'une « poignée de main » à configurer et à oublier, à la volée, entre l'hôte et l'analytique.
- Paramètres d'analyse vers l'hôte: Nous avons tendance à penser que l'hôte SaaS « pilote » le contenu analytique, mais si nous voulons que les analyses stimulent l'exécution des actions, en particulier à grande échelle, sur l'hôte, nous devons également disposer des paramètres de transmission à l'hôte pour nous aider à naviguer vers la bonne partie de l'hôte pour faire quelque chose (pensez à replanifier, renvoyer, réattribuer, réorganiser) et à transmettre des paramètres non seulement pour exécuter une action mais également plusieurs paramètres pour actions.
- Modèles de déploiement: Les modèles cloud ne suppriment malheureusement pas toute la complexité du déploiement pour les clients. Heureusement, l'utilisation de paramètres, d'images, de conteneurs et d'outils d'orchestration tels que Kubernetes offre aux spécialistes DevOps de nombreux choix pour faciliter un déploiement rapide et évolutif.
- Intégration avec l'IA : l'IA se développe rapidement et promet d'apporter une expertise à une organisation qui l'utilise. Consultez nos réflexions l'IA et les LLMs pour l’analyse des données.
Qu'est-ce que cela signifie pour les fournisseurs de solutions SaaS ?
Analytique ≠ analyse
Qu'en est-il de l'intrépide fournisseur de solutions SaaS ? J'espère que nous commençons à constater que l'analytique est moins une question d'analyse, ou du moins pas seulement, mais plutôt de faire avancer les choses dans votre SaaS.
Une autre façon de l'exprimer est « au lieu de répondre aux questions... en automatisant les réponses ».
Si nous pensons à une « analyse intégrée » simplement comme une BI (pour les analystes) insérée dans un produit SaaS, cela doit probablement être repensé. Il ne serait pas déraisonnable de s'attendre à ce qu'au moins certains de vos clients l'aient déjà.
Avantages des analyses pour les utilisateurs
En réalité, les utilisateurs de SaaS bénéficient des analyses pour :
- Soutenez-les en leur fournissant des commentaires dynamiques, interactifs, omniprésents, immergés et omniprésents (analytiques) dans leurs processus SaaS quotidiens, non seulement au niveau du résumé (tableau de bord) (analyses ≠ tableaux de bord), mais aussi au niveau des détails, voire des enregistrements (une personne, un produit, une étagère, une commande, une facture, un client...) également.
- Guidez-les à travers le ou les itinéraires les plus courts possibles pour obtenir les meilleurs résultats possibles
- Aidez-les à obtenir les meilleurs résultats possibles de la manière la plus rapide, la plus simple et la plus efficace possible et à grande échelle.
Au lieu de vous demander uniquement ce que vous voulez analyser ? Demandons-nous pourquoi vous souhaitez effectuer une analyse et quelles améliorations pourriez-vous envisager de tirer de l'analyse ?
De l'hôte à l'analytique + de l'analyse à l'hôte
Une fois que nous aurons répondu à ces questions, nous pourrons relier les paramètres pertinents et la navigation vers le haut entre l'analytique et la solution SaaS hôte afin d'automatiser, ou du moins de semi-automatiser, à l'aide de règles métier et de paramètres variables, afin d'apporter les meilleures améliorations possibles dans les plus brefs délais, sans avoir à recourir à des « moteurs » pour orienter les processus de prise de décision.
Valeur ajoutée pour votre SaaS
Au fait, le fournisseur de solutions SaaS (vous) développera simultanément une propriété intellectuelle différenciée et inestimable qui présente de la valeur pour les investisseurs comme pour les clients.
L'analytique, en tant que partie intégrante des offres SaaS, est un domaine de croissance et d'innovation continues. La complexité réside dans le back-end (gestion des données), mais le front-end (graphiques, filtres, tableaux, cartes...) est puissant et attrayant, qui catalyse et encourage les clients à prendre des décisions en faveur de la sélection de votre plateforme SaaS différenciée par rapport à une autre.
Serait-il irréaliste de s'attendre à davantage de nouveaux contrats (MRR/ARR), plus rapidement (délais de conversion des prospects et des clients plus courts), à une hausse de la valeur moyenne des transactions (valeur des primes différenciée) et à des extensions de portefeuilles plus importantes de la part des clients existants pour de nouveaux contenus premium (analytiques) ?
Vous trouverez une analyse plus détaillée des tableaux de bord intégrés et de leur avantage concurrentiel sur ce Article de Forbes.