Le small data désigne des données en volume réduit, assez ciblées et lisibles pour qu’une personne puisse les analyser directement et en tirer une décision, sans recourir aux infrastructures propres aux données massives.
Le terme recouvre deux usages voisins. En analyse de données, il qualifie des jeux de taille modeste : un fichier de quelques milliers de lignes, les résultats d’une enquête, les ventes d’un magasin. Un tableur ou des méthodes statistiques classiques suffisent à les traiter. En marketing et en études, il désigne des observations fines, souvent qualitatives : entretiens, observation des clients chez eux ou en magasin, verbatims, relevés de terrain. Elles révèlent un comportement ou une motivation que les grands volumes ne montrent pas.
Une démarche de small data réunit une question précise, une source maîtrisée et un contexte documenté : qui a été observé, quand, dans quelles conditions. Elle repose sur une lecture humaine des données et sur une restitution compréhensible par ceux qui décident.
Le small data se distingue du big data, dont le volume, la variété ou la vitesse de production exigent des outils spécifiques. Il se distingue aussi du smart data, qui désigne la sélection des données utiles à une décision, quelle que soit leur masse. Enfin, il ne se confond pas avec l’étude qualitative : celle-ci est une méthode, le small data est le matériau qu’elle peut produire. Le terme est employé dans la connaissance client, l’innovation produit, les tests et la gestion des petites et moyennes entreprises.
Les données massives décrivent bien ce que font les clients : combien achètent, quand, sur quel canal. Elles expliquent mal pourquoi. Le small data comble cet angle mort. Une observation de terrain peut révéler qu’un produit est acheté pour un usage que personne n’avait prévu. Aucun tableau de bord ne l’aurait montré. Selon nous, le small data sert d’abord à formuler les bonnes hypothèses, que les grands volumes permettent ensuite de vérifier et de chiffrer.
Martin Lindstrom a consacré un livre à cette approche, Small Data (St. Martin’s Press, 2016). Selon la notice de l’ouvrage, l’auteur y observe les consommateurs à leur domicile pour repérer de petits indices révélateurs de désirs non exprimés.
Beaucoup d’entreprises détiennent déjà du small data sans l’exploiter : messages adressés au service client, comptes rendus des commerciaux, motifs de retour des produits, commentaires libres des enquêtes de satisfaction. Nous recommandons de commencer par ces gisements, peu coûteux, avant de lancer une campagne d’observation. Leur lecture attentive suffit souvent à faire émerger les premières hypothèses.
La force du small data est aussi sa limite : il ne permet pas de généraliser. Un petit nombre d’observations ne dit rien de la fréquence d’un comportement dans la population. Pour dimensionner un phénomène, il faut revenir à un échantillon dont la taille est calculée et à un intervalle de confiance. Nous recommandons de suivre deux indicateurs simples : le nombre d’hypothèses issues du terrain qui ont été testées, et la part de celles que les tests ont confirmées. Selon nous, une part trop élevée signale souvent des hypothèses trop prudentes.
Advalians écoute vos clients et vos prospects perdus, analyse vos concurrents et réunit les preuves de votre différence, pour savoir ce qui vous rend préférable.
Advalians, cabinet de conseil indépendant en marketing et communication, vous aide à clarifier vos choix et à décider.
Le big data désigne des données si volumineuses, variées ou rapides qu’elles exigent des outils spécifiques. Le small data désigne des données assez réduites et ciblées pour qu’une personne les lise et les interprète directement. Le premier décrit des comportements à grande échelle. Le second aide à comprendre leurs raisons.
Critère pratique : si votre question commence par « combien », partez des grands volumes. Si elle commence par « pourquoi », commencez par quelques observations ou entretiens, puis vérifiez les hypothèses sur l’ensemble de vos données.
Partez d’une question précise, puis choisissez la méthode : entretiens individuels, observation en situation d’achat ou d’usage, analyse des messages reçus par le service client, extraction ciblée d’un segment de clients. Recrutez des profils contrastés, par exemple des clients fidèles et des clients perdus.
Notez le contexte de chaque observation et conservez les verbatims exacts. Si les échanges portent sur des personnes identifiables, informez-les de l’usage de leurs propos et limitez la conservation à la durée de l’analyse.
Il n’existe pas de seuil universel, car l’objectif n’est pas la représentativité. En approche qualitative, on arrête la collecte quand les nouvelles observations n’apportent plus d’idée nouvelle : c’est le principe de saturation.
À titre indicatif, une dizaine d’entretiens par profil contrasté suffit souvent à faire émerger les principaux motifs. Pour mesurer la fréquence d’un comportement, changez de méthode : passez à une étude quantitative sur un échantillon dimensionné.
Le principal risque est la généralisation abusive : prendre une observation marquante pour une tendance. Une anecdote racontée en comité de direction pèse souvent plus qu’un tableau de chiffres, même quand elle est isolée.
Pour le prévenir, présentez toujours le small data comme une hypothèse, avec le nombre d’observations et leur contexte. Fixez à l’avance le test qui la confirmera ou l’infirmera : analyse sur la base clients, test A/B ou enquête quantitative.
Préférez-le en phase d’exploration : quand vous ne savez pas encore quelles questions poser, quand un indicateur se dégrade sans explication ou quand vous concevez une offre nouvelle. Il est aussi adapté aux entreprises dont la clientèle est trop restreinte pour une analyse statistique solide.
Renoncez-y comme seule base de décision lorsque vous devez dimensionner un marché, répartir un budget ou prouver un effet. Dans ces cas, il prépare l’étude quantitative, mais ne la remplace pas.
Modèles, grilles et guides prêts à l’emploi pour vos projets marketing et communication.
