Au fur et à mesure que les équipes de recherche se développent, il devient de plus en plus essentiel d’optimiser le flux d’informations et de données entre les chercheurs.
Avec l’augmentation du volume et du rythme des recherches, les « silos » d’informations peuvent créer d’énormes maux de tête pour les équipes chargées des informations. Il n’y a rien de pire que de découvrir qu’un projet « insights » est redondant avec un travail déjà effectué. Ou qu’un chercheur aurait pu gagner des heures sur un projet en cours s’il avait eu connaissance d’une étude réalisée par son collègue six mois auparavant.
Il est impératif de décloisonner la recherche et d’optimiser le flux d’informations entre les chercheurs et les équipes pour que les équipes de recherche soient performantes.
Comment briser les silos de la recherche
L’optimisation du flux d’informations entre les équipes d’insights et les chercheurs nécessite l’optimisation de deux dynamiques liées :
Gestion
(pour promouvoir et permettre une culture de partage de l’information)
Technologique
(pour stocker, organiser et synthétiser les données de recherche au sein des équipes)
Les
managérial
Le problème est toujours d’actualité et a été étudié et traité par les universitaires spécialisés dans la gestion depuis des décennies. En définitive, il est impératif d’instaurer une culture de la transparence dans laquelle les chercheurs disposent des ressources dont ils ont besoin pour communiquer (et interpréter) les informations.
Optimiser les
technologique
La dynamique reste un défi important pour de nombreuses équipes chargées de l’analyse de la situation. En particulier, les taux d’adoption des référentiels de connaissances sont inférieurs à ceux d’autres solutions de technologie de la recherche (ou ResTech). En outre, l’innovation technologique dans les référentiels spécifiques aux insights n’a pas suivi le rythme de l’innovation dans les solutions de référentiels pour différents cas d’utilisation (par exemple, les CRM pour les équipes de vente ou les plateformes de gestion du capital humain pour les départements des ressources humaines).
Mais lequel des deux est à l’origine de l’autre ? La technologie du dépôt d’informations est-elle à la traîne parce que les taux d’adoption sont faibles ? Ou bien l’adoption du référentiel de connaissance est-elle retardée parce que la technologie de connaissance n’apporte pas de valeur ajoutée ?
Tous ceux qui travaillent dans l’industrie de la connaissance le savent : la mauvaise technologie est la cause de ce problème.
La plupart des tentatives visant à résoudre le problème des référentiels d’informations fonctionnels et à valeur ajoutée doivent encore tenir compte des nuances inhérentes au travail d’information. En outre, en raison du rythme rapide de l’innovation dans le domaine de la connaissance, il est difficile pour les plates-formes de référentiels de connaissances de suivre le rythme – la rigidité de la plate-forme, la statique et (ironiquement) la médiocrité de l’interface utilisateur/UX posent aux responsables de la connaissance des défis frustrants pour persuader leur équipe (en particulier les chercheurs sur le terrain) de l’intérêt d’investir du temps et de l’énergie dans la mise à jour et la maintenance de leur référentiel de connaissances.
EN SAVOIR PLUS : Référentiel de recherche UX
Si un dépôt d’insights crée plus de travail pour les chercheurs sur le net, il annule tout ce qui a été gagné en l’adoptant.
Le bon type d’outil de collecte d’informations
Pour être efficaces, les référentiels de connaissances doivent s’articuler autour de trois éléments clés, tels que définis par Kristi Zuhlke :
- Les idées, les thèmes et les histoires sont étiquetés, indexés et unifiés au sein des équipes et des projets. Des observations et des pépites d’information qui mettent en évidence les connaissances tribales issues d’études cloisonnées pour que chacun puisse les rechercher et les voir.
- Données brutes de recherche et preuves afin que les équipes puissent examiner et relayer les données de source primaire avec de nouvelles perspectives.
- En outre, la technologie de base des référentiels d’informations devrait permettre aux chercheurs d’informations d’établir automatiquement des graphiques de leurs résultats. Ils ne doivent pas être conçus pour s’appuyer sur le travail manuel des chercheurs afin de relier les informations pertinentes pour découvrir de nouvelles découvertes dans les différents projets.
En d’autres termes, un référentiel d’idées n’est pas simplement un wiki ou une « base de connaissances ». Bien que toutes les entrées textuelles doivent pouvoir être recherchées, un bon référentiel d’idées ne doit pas obliger les utilisateurs à poster et à publier de grandes quantités de résultats narratifs pour que la plateforme puisse relier les thèmes et les idées communs à tous les projets, ce qui en fait un système de gestion des connaissances.
C’est pourquoi il est essentiel de relier les données de recherche brutes afin d’améliorer continuellement le référentiel d’analyse prospective et d’accroître l’agilité de l’équipe d’analyse prospective. Les technologies prédictives et l’intelligence artificielle peuvent se référer à ces données brutes pour orienter les chercheurs vers de toutes nouvelles découvertes – en plus des thèmes que les chercheurs introduisent eux-mêmes (et pour les améliorer).
Un référentiel de connaissances efficace résoudra les problèmes liés à la faible adoption du référentiel par les équipes de recherche en ajoutant – et non en volant – du temps et de l’énergie aux chercheurs. Ils permettront également de décloisonner les connaissances en facilitant les connexions rapides et automatisées entre les points de données connexes des projets et des programmes, en s’appuyant à la fois sur les contributions des chercheurs et sur les fichiers de données brutes.
Le résultat : Des équipes de recherche capables de travailler rapidement et de manière indépendante, mais avec une perspective plus complète des types de travaux de recherche effectués dans le cadre de toutes les initiatives de recherche au sein de leur organisation. Cela se traduit par des informations de meilleure qualité, une redondance minimale et une plus grande souplesse dans la recherche.
Conclusion
Le cloisonnement croissant des équipes d’analyse prospective est un effet secondaire malheureux d’un service d’analyse prospective en pleine croissance et en pleine maturité, qui confère à ses différentes équipes une indépendance opérationnelle accrue. Mais le cloisonnement des connaissances n’est pas inévitable. Les organisations peuvent éliminer les barrières et faciliter la communication à valeur ajoutée entre ces projets interdépendants qui évoluent rapidement en utilisant un référentiel d’informations comme InsightsHub, conçu pour tenir compte des particularités inhérentes aux flux de travail d’informations complexes.
