Les m\u00e9gadonn\u00e9es semblaient autrefois porteuses de nombreuses promesses, n\u2019est-ce pas ?<\/p>\n
En th\u00e9orie, disposer d\u2019un volume massif de points de donn\u00e9es \u00e0 classer, cat\u00e9goriser, \u00e9tudier, analyser et cartographier devrait offrir aux professionnels des op\u00e9rations de revenus une multitude d\u2019informations exploitables pour prendre de meilleures d\u00e9cisions pour leurs clients et leur entreprise. Pourtant, bien souvent, les projets li\u00e9s aux m\u00e9gadonn\u00e9es n\u2019aboutissent jamais \u00e0 la production de r\u00e9f\u00e9rences comparatives, \u00e9chouant \u00e0 atteindre ces objectifs ambitieux.<\/p>\n
Pourquoi cela ?<\/p>\n
Parmi la multitude de raisons identifi\u00e9es par les m\u00e9dias technologiques et les \u00e9coles de commerce pour expliquer l\u2019\u00e9chec des projets de donn\u00e9es, celles qui reviennent le plus fr\u00e9quemment sont le manque de comp\u00e9tences, de strat\u00e9gie, et, ironiquement, de donn\u00e9es.<\/p>\n
Trop souvent, les organisations n\u2019ont pas la capacit\u00e9 d\u2019identifier les questions \u00e0 poser ni de construire et maintenir le pipeline de donn\u00e9es et les rapports n\u00e9cessaires pour d\u00e9bloquer la valeur attendue des projets Big Data. Dans notrerapport annuel SEI<\/a>, Zuora combine un acc\u00e8s in\u00e9gal\u00e9 \u00e0 des donn\u00e9es historiques sur les relations r\u00e9currentes avec une analyse approfondie permettant d\u2019identifier les caract\u00e9ristiques des entreprises les plus performantes en mati\u00e8re de croissance.<\/p>\n Notre tableau de bord des r\u00e9f\u00e9rences comparatives int\u00e9gr\u00e9 traduit d\u00e9sormais cette analyse en un raccourci permettant \u00e0 nos clients de tirer avantage du Big Data gr\u00e2ce \u00e0 des informations personnalis\u00e9es sur les domaines cl\u00e9s du processus Order-to-Revenue.<\/p>\n