Chapitre 1

Le secteur de la publicité privilégiait autrefois le type d'approches créatives décrites dans l'émission télévisée Des hommes fous. De nos jours, les mathématiques orientent la stratégie bien plus que la créativité. À la place de Des hommes fous, les professionnels de la publicité sont Math Men : la technologie de l'information fournit les outils pour développer des campagnes ; les algorithmes guident la prise de décision ; presque tout le travail est effectué sur des ordinateurs. Beaucoup de choses ont changé depuis le Des hommes fous jours.

Les données ont transformé un large éventail de domaines divers, pas seulement la publicité. Les données sont l'avenir, et les entreprises doivent comprendre comment les utiliser et évoluer avec elles.

Dans une entreprise qui a opérationnalisé les données, les données pilotent le comportement de chaque employé. Par exemple, Uber ne possède aucun inventaire ; toute l'entreprise est basée sur des données. L'entreprise répartit les chauffeurs de manière beaucoup plus efficace que les anciennes compagnies de taxi, et elle maintient un niveau de satisfaction élevé grâce à un système de retour d'informations qui identifie facilement les chauffeurs problématiques. Données = opérationnalisées.

Les données instantanées sont devenues cruciales et la demande d’informations instantanées augmente. Nous voulons une réponse immédiate à nos questions (!). Parce qu’il fallait autrefois trop de temps pour obtenir des informations sur leur entreprise, les données ont toujours été utilisées comme un outil pour évaluer les performances passées. Toutefois, les entreprises disposant d’une bonne infrastructure de données peuvent produire des informations et prendre des décisions basées sur les mesures actuelles. Ces entreprises peuvent garantir que les données parviennent instantanément là où elles doivent être, et devant ceux qui en ont besoin. Les chaînes d'approvisionnement inefficaces (les personnes, les processus et les programmes qui touchent aux données) entraînent un ralentissement des données, où davantage de personnes les recherchent plutôt que de les fournir. C'était un problème à l'époque, mais aujourd'hui, nous sommes riches en données et il y a toujours plus à récolter.

Le volume de données, cependant, rend le tri plus difficile et plus long qu'auparavant. Les petites entreprises peuvent ne pas avoir de personnel d'analyse de données, et la création et l'exécution de requêtes et de rapports peuvent devenir écrasantes. Sans accès à des données adéquates, les entreprises s'habituent à prendre des décisions basées sur l'opinion. Ce n'est jamais la meilleure façon de gérer une entreprise, et cela peut être le signe qu'une entreprise doit créer une nouvelle chaîne d'approvisionnement en données.

Certaines entreprises ont des équipes entières consacrées à assurer l'uniformité dans la façon dont les données sont mesurées, décrites et utilisées. Ils encadrent d'autres personnes dans l'entreprise et leur permettent d'utiliser les données de manière créative. Les équipes de données démocratisent l'accès aux données en aidant chacun à mieux comprendre comment faire progresser l'entreprise en utilisant des données plutôt que des opinions.

Chapitre 2

Il y a des problèmes avec les données qui sont caractéristiques de notre époque.

Les curieux étymologiquement seront intéressés d'en savoir plus sur les Fleischmann, des boulangers tchèques qui ont immigré aux États-Unis et sont devenus célèbres pour la levure de boulangerie encore vendue dans les supermarchés aujourd'hui. Les Fleischmann faisaient du pain tous les jours, et il leur en restait toujours à la fin de la journée, qu'ils donnaient aux pauvres. Les files de personnes qui attendaient ce pain gratuit sont devenues connues sous le nom de lignes de pain. Aujourd'hui, il y a des lignes de pain pour les pauvres en données. Les gens attendent les informations dont ils ont besoin comme un pauvre attend du pain. Certaines demandes de données sont prioritaires ; d'autres demandes sont laissées en attente. Les lignes de répartition des données causent plusieurs problèmes :

L'obscurité des données est également problématique. Le temps de réponse et la précision ralentissent lorsque les données sont désorganisées. À terme, une entreprise peut perdre confiance en ses données.

La fragmentation des données est un autre problème. Lorsque les gens ne peuvent pas obtenir les données dont ils ont besoin, ils trouvent un moyen de les capturer et de créer leurs propres bases de données. Les analystes malveillants et les bases de données fantômes ignorent souvent les processus normaux de validation et de mise à jour, conservant les informations en silos.

Enfin, les bagarres de données créent des problèmes importants pour les entreprises. La segmentation des données peut créer des zones de désalignement. S'il n'y a pas de cohérence dans l'information, les gens commencent à se méfier du point de vue de chacun. Ils ne sont pas d’accord ; ils se disputent; ils se battent. Les gens dans les entreprises doivent tous être sur la même longueur d’onde. Ils doivent utiliser les mêmes mesures et le même lexique.

chapitre 3

Les systèmes de Business Intelligence ont traditionnellement trois couches : une base de données stocke les données ; un entrepôt de données rassemble les données de la base de données et les agrège ; et une couche de visualisation formate et présente des rapports pour l'utilisateur final. C'est un peu un vieux système qui grince dans le sens où de nouvelles requêtes doivent être écrites pour de nouveaux rapports chaque fois qu'une question différente est posée.

À l'époque où ils étaient une petite start-up, Google disposait de grandes quantités de données, mais ils ne pouvaient pas se permettre les frais de base de données d'Oracle. Pour contourner ce problème, ils ont acheté leurs propres serveurs et répartis leurs données entre eux. La stratégie a fonctionné et, comme vous le savez sûrement, Google est aujourd'hui un modèle de gestion de données. L'entreprise a généré des quantités obscènes de données, et les employés de Google utilisent ces données pour toutes sortes de recherches et d'analyses.

L'analyse des données est également prise au sérieux chez Facebook, qui a développé un certain nombre de technologies différentes pour permettre aux employés d'accéder aux données. Une interface, HiPal, permet aux analystes de rechercher plus facilement des données. Les utilisateurs qui ne sont pas familiers avec SQL (Structured Query Language (SQL)) peuvent effectuer le même type d'analyses en utilisant ces technologies d'entreprise qu'avec SQL. D'autres entreprises, comme LinkedIn, utilisent une infrastructure de données similaire.

Looker est un nouveau type d'interface de données. Il crée une version unique de tout à utiliser par l'ensemble de l'organisation, améliorant considérablement l'intégrité des données.

La collecte de données extrêmes est la nouvelle norme ; toutes les grandes entreprises disposent de ces bases de données performantes. Ils sont très rapides, le stockage est bon marché et il y a beaucoup d'espace et de capacité. Compte tenu de ces avancées, toute l'approche de l'analyse doit être mise à jour. De grandes quantités d'informations peuvent être accumulées et les travailleurs avertis sont habitués à avoir accès aux données. Ils ont besoin d'outils sophistiqués pour répondre à des besoins d'information sophistiqués. Et plus il est facile d'utiliser les outils, plus les gens les utiliseront.

De nos jours, il y a beaucoup de données à explorer et les gens ont la liberté de les explorer. C'est le tissu de données du monde moderne.

Une leçon rapide sur l'histoire de la technologie des données: La base de données a été inventée en 1970 par un employé d'IBM nommé Edgar Cook. Oracle Systems est devenu le développeur dominant de bases de données et a gagné beaucoup d'argent en stockant des données dans ses bases de données. Dans les années 1990, d'autres sociétés ont introduit des logiciels qui facilitent l'utilisation des bases de données et minimisent les dépenses liées aux bases de données.

Chapitre 4

En règle générale, les entreprises utilisent des données pour examiner ce qui s'est passé dans le passé. La nouvelle façon consiste à opérationnaliser les données et à les utiliser pour comprendre les événements au fur et à mesure qu'ils se produisent.

À l’époque, les vêtements et les tissus étaient suffisamment chers pour que même les aristocrates achetaient des vêtements usagés. Des gens appelés les Strazzaroli vendaient des vêtements d'occasion haut de gamme. Mais à mesure que la révolution industrielle s’accélérait, les vêtements devenaient moins chers et les Strazzaroli perdaient leurs moyens de subsistance. Avance rapide vers une entreprise de consignation moderne, The RealReal. Ils utilisent des rapports en temps réel pour voir ce qu'il y a dans leur entrepôt et comment tout évolue dans la chaîne de valeur. Tout le monde dans l’entreprise a accès aux mêmes informations ; tout le monde peut réagir aux données en temps réel. Conception, marketing, finance, opérations : tout le monde peut utiliser les informations instantanées au profit de l'entreprise.

ThredUp est un autre revendeur de vêtements d'occasion. En plus du suivi et du traitement des marchandises, ThredUp utilise des données pour prédire quels types de vêtements seront demandés à un moment donné. La gestion de leurs données les a aidés à évoluer rapidement après leur lancement.

Les entreprises passent trop de temps sur des futilités. Les réunions prennent le temps de tout le monde. C’est une perte de productivité. Toutefois, les bonnes données réduisent la durée des réunions, car elles aident les gens à se concentrer sur les bonnes questions.

HubSpot, fournisseur de logiciels d'automatisation du marketing, suit cinq mesures pour évaluer les performances de son personnel de vente. Les commerciaux peuvent accéder à leur propre tableau de bord pour voir comment ils progressent vers leurs objectifs. Looker, évoqué plus haut, a également créé un outil pour suivre les performances des ventes. Le personnel de vente peut voir à quel point ils sont sur le point d'atteindre leur quota, ainsi que surveiller ce qu'ils ont dans le pipeline. Zendesk, les fournisseurs de solutions de service client, utilisent les enquêtes clients NPS pour générer des données, ce qui les a aidés à maintenir une croissance impressionnante.

Les données sont une partie importante de toute entreprise moderne prospère. Il joue un rôle important dans la commercialisation des stocks, la réponse aux demandes des clients, la montée en puissance des forces de vente au bon moment et l'augmentation de la vitesse de réaction.

Ce chapitre est riche en conseils des auteurs :

La prise de décision peut être vraiment arbitraire si elle n’est pas étayée par des données. Plus nous disposons d’informations, meilleures sont les décisions que nous prenons.

Chapitre 5

La curiosité est une émotion humaine fondamentale et, selon les auteurs, le meilleur moyen de transformer la culture d'une entreprise en une culture axée sur les données. Les employés doivent être curieux. Ils devraient avoir la capacité de rechercher les informations qui les intéressent et de tester leurs hypothèses.

Lorsqu'une entreprise est guidée par les données, quelques changements culturels sont à prévoir :

Expérimenter est important. Démontrant la valeur de l'expérimentation, les auteurs discutent du produit de gestion de la paie d'Intuit, Paycycle. Les chefs de produit ont pensé à mettre en place une fonctionnalité permettant aux employeurs de supprimer immédiatement les chèques, mais les recherches ont indiqué que les clients ne seraient pas intéressés par une telle fonctionnalité. Ils ont quand même décidé de tester la fonctionnalité, et elle a fini par être étonnamment populaire. La bonne culture commence avec des employés curieux ; cela commence par les gens qui posent des questions.

Trouver des personnes curieuses est important, et cela commence dès le processus d'embauche. Mais les entretiens d’embauche ne sont généralement pas très instructifs. Ils peuvent être plutôt aléatoires. Au lieu de cela, les auteurs suggèrent qu'il devrait y avoir un processus systématique qui pourrait inclure la détermination des qualités souhaitables chez un candidat, l'élaboration de questions d'entretien qui abordent ces qualités et la notation des candidats en fonction des attributs souhaités. Le candidat avec le meilleur score gagne.

Les indicateurs de recrutement sont utiles pour évaluer les pratiques d'embauche : par exemple, le nombre de candidats qualifiés qui réussissent un entretien téléphonique, le temps écoulé entre le premier contact avec un candidat et la signature de l'offre, etc. Pour contrôler la satisfaction, vous pouvez interroger les candidats après les entretiens pour voir ce qu'ils pensent. ils ont pensé à l'expérience. Une autre mesure importante est le taux d’acceptation des offres (le pourcentage de personnes qui acceptent les offres d’emploi). Calculez le nombre d'embauches par rapport à l'objectif en divisant le nombre d'embauches par l'objectif d'embauche.

En fin de compte, vous voulez des employés qui correspondent à la culture de l’entreprise. Mais comment mesurer la culture ? Utilisez des enquêtes et d’autres outils pour établir un dialogue entre la direction et les employés sur l’entreprise. Quels sont les objectifs des gens ? Qu’est-ce qu’ils aiment dans l’entreprise ? Quels retours peuvent-ils donner ? Ce processus se poursuit jusqu'à ce que les valeurs de l'entreprise soient cristallisées et puissent être enregistrées.

Clarifier ces éléments permettra à l'intervieweur de déterminer plus facilement dans quelle mesure les valeurs d'un candidat correspondent bien. Par exemple, si votre entreprise valorise un service client de haute qualité, vous pouvez demander à un employé un exemple d'une fois où il a aidé un client.

Google pousse les métriques un peu plus loin que tout le monde. Ils mesurent absolument tout sur le processus d'embauche et donnent à leurs RH beaucoup de commentaires. Les enquêteurs reçoivent régulièrement des informations pour améliorer leur performance.

Chapitre 6

Une fois que vous avez des employés curieux, attendez-vous à ce qu'ils posent des questions, ce qui marque le début de la progression typique dans les entreprises axées sur les données :

Twilio avait deux types de chercheurs de données. D'une part, l'équipe de données savait tout sur l'infrastructure de données et comment l'utiliser. Ils aimaient avoir des rapports qui pouvaient être diffusés plusieurs fois et livrés au public approprié. D'un autre côté, le reste de l'entreprise voulait une interface simple qui leur permettrait de parcourir les données. Satisfaire ces deux groupes très différents est une mission essentielle de l'infrastructure de données.

La décentralisation du pouvoir d'achat informatique est également problématique. Les chefs d'équipe et les départements achètent de plus en plus de logiciels, coupant ainsi l'équipe de données de la boucle. (Ce manque de responsabilité envers le département technique s'appelle Shadow IT.) Les fournisseurs sont heureux d'obliger et d'offrir des solutions personnalisées à leurs clients gestionnaires, mais cela conduit à la fragmentation des données, où différents départements et unités ont différentes versions de la vérité.

Les équipes de données doivent transformer l'architecture des données pour donner plus de pouvoir aux utilisateurs. Les utilisateurs finaux doivent décider quels outils de reporting utiliser. Le rôle de l'équipe de données est de soutenir l'infrastructure afin que les utilisateurs puissent analyser les données. Les bases de données cloud doivent fonctionner avec les bases de données d'entreprise locales.

La structure des données – la matrice d’informations au sein de l’entreprise – doit être accessible à tous, et la modélisation des données constitue un moyen de la standardiser. Tout le monde dans l’entreprise doit utiliser les mêmes numéros et parler la même langue. La cohérence est si importante. Les scientifiques et les ingénieurs peuvent comprendre l’architecture des données d’une entreprise, mais tout le monde ne la comprend pas. Data Fabric rend les informations accessibles à tous.

Chapitre 7

Pendant la Seconde Guerre mondiale, un groupe de mathématiciens et de statisticiens ont tenu des réunions secrètes à New York où ils ont analysé des données militaires et formulé des recommandations à Washington (qui ont été fréquemment suivies). L'un des membres de l'équipe, Abraham Wald, avait été chargé par l'armée de l'air de concevoir des blindages pour avions. Les données des avions de retour ont montré que la plupart des impacts de balles étaient situés autour du mitrailleur de queue et des ailes, de sorte que les gens pensaient que c'étaient ces zones qui devraient porter le blindage. (Le blindage était lourd, ils ne pouvaient donc pas l'appliquer sur tout l'avion. Ils devaient être sélectifs.) Mais Abraham Wald a souligné que les avions qui avaient été abattus dans les ailes étaient ceux qui ont survécu pour raconter l'histoire. Les auteurs racontent cette histoire pour illustrer l’importance d’éviter les biais dans les données.

Il existe de nombreux pièges potentiels, de nombreux types de biais de données, qui peuvent vous empêcher de comprendre les données :

Vous pouvez avoir des illusions de validité et croire que la collecte de plus de données aidera à prédire l'avenir, mais il existe de nombreuses façons de ne pas interpréter correctement les données. Fais attention.

Les nouveaux employés de Facebook participent à un camp de données de deux semaines pour devenir plus compétents en matière de données. Cela donne à chacun une base commune pour discuter des problèmes et des opportunités. Ils découvrent les outils et les ensembles de données disponibles. Ils ont également la possibilité de travailler sur des projets pour élargir leurs connaissances. Les équipes de données peuvent faire beaucoup pour rencontrer les employés et accroître la maîtrise des données dans l'ensemble de l'entreprise. Aborder la culture d'entreprise de cette manière est une partie importante de leur travail.

Chapitre 8

Les analyses descriptives demandent ce qui s'est passé ; l'analyse diagnostique demande pourquoi. (Les tableaux de bord, qui sont en quelque sorte décriés tout au long de ce livre, sont les interfaces de l'analyse descriptive.)

Les analyses descriptives et diagnostiques portent sur le passé, tandis que les analyses prédictives et prescriptives portent sur l'avenir. L'analyse prédictive utilise des données historiques pour prédire les résultats futurs. Les analystes peuvent poser des questions hypothétiques pour décider de la voie à suivre. L'analyse prescriptive recommande le plan d'action en fonction des données. Cela nécessite beaucoup de données et des analyses sophistiquées.

Le Data Sophistication Journey est un modèle développé par Gartner, une agence d'études marketing. La sophistication des données cartographie l'évolution d'une équipe de l'analyse descriptive à l'analyse diagnostique et de l'analyse prédictive à l'analyse prescriptive. Mais Gartner manque quelque chose entre le diagnostic et l’analyse prédictive : l’analyse exploratoire. Cela nous aide à trouver une hypothèse ; cela demande "pourquoi?" L'analyse de confirmation est utilisée pour déterminer si une hypothèse est vraie.

Les données ne sont utiles que si vous pouvez agir en conséquence. La collecte de données sans véritable raison ne sert à rien. D’un autre côté, vous ne savez pas toujours quelles mesures seront exploitables avant d’avoir effectué une analyse. C'est bien d'avoir un équilibre.

Certaines mesures ont fait leurs preuves. La valeur à vie d'un client (LTV) est une estimation du bénéfice brut total à réaliser par un client au fil du temps. Le coût d'acquisition client (CAC) est le total de toutes les dépenses de vente et de marketing moyennées pour un client. Le ratio LTV/CAC indique l’efficacité avec laquelle une entreprise génère des revenus. Mais parfois, de nouveaux indicateurs peuvent être adaptés à une situation, et la création de nouveaux indicateurs peut révéler de nouvelles opportunités. Le site mMedia Upworthy suit diverses mesures pour évaluer quels facteurs rendent leur contenu plus populaire, mais ils avaient besoin de plus d'informations. Ils ont donc inventé une toute nouvelle mesure pour mesurer l'attention réelle des utilisateurs (c'est-à-dire, ne tenant pas compte des moments où une page Web s'ouvre mais le lecteur est allé nourrir le chat). .

Concevoir une expérience. Déterminez la possibilité d’action. Les données doivent se rapporter aux décisions réelles qui peuvent être prises. Bookend les résultats attendus. Déterminez à l’avance les paramètres de l’expérience. Concevez l’expérience. Développer une hypothèse. Choisissez plusieurs points de données différents. Calculez la valeur p. La valeur p est la probabilité que l'hypothèse soit incorrecte. Des instructions pour ce calcul sont fournies. Prévoyez de réaliser l’expérience. Déterminez combien de temps cela prendra. De combien d’échantillons avez-vous besoin. Qui fera le travail et comment il sera structuré. N'oubliez pas d'inclure un groupe témoin pour vérifier les résultats. Exécutez l’expérience. Analysez les résultats. Comparez-les au groupe témoin.

Chapitre 9

La ville de New York a mis un tas de données à la disposition du public. Un homme, Ben Wellington, a commencé à analyser les données et en a parlé sur son blog, y compris des choses comme la cartographie des accidents de vélo dans la ville. Il est devenu très populaire et il attribue son succès à ses capacités de conteur.

Les leçons de Wellington incluent l'importance de rendre les données pertinentes. Transformez-le en histoires. (Je le dis tout le temps à mon équipe !) Certaines personnes pensent que les données sont plutôt ennuyeuses et qu'elles ne suffisent pas à elles seules à les inspirer. En en faisant une histoire, vous lui donnez un attrait émotionnel. Il est particulièrement important de pouvoir raconter votre histoire lorsque vous courtisez les investisseurs. Les entrepreneurs qui proposent des startups aux investisseurs doivent montrer qu'ils ont identifié une nouvelle opportunité et faire preuve d'urgence.

Une méthode standard de communication de données consiste à effectuer des présentations. Commencez par définir l’objectif de la présentation. Qu'essayez-vous d'expliquer ? Essayez-vous de convaincre quelqu’un de quelque chose ? Essayez-vous de vendre quelque chose ? Évaluez le public visé. Les investisseurs sont particulièrement intéressés par le risque, c'est pourquoi discuter de ces points montre que vous comprenez le point de vue de l'investisseur. (Il existe de nombreux types de risques, voir l'encadré.) Il est important de développer l'arc de l'histoire. Grâce à votre connaissance des espoirs et des inquiétudes des investisseurs, créez un scénario qui répond à ces préoccupations. Essayez de le limiter à dix 10 diapositives ou moins.

La présentation peut commencer par l'objet ou la mission de l'entreprise. Décris le problème. Quel est le problème que votre produit va résoudre ? Proposez ensuite une solution au problème. Expliquez pourquoi c'est une bonne idée à l'heure actuelle et pourquoi personne ne l'a fait auparavant. Une démonstration de votre produit serait bien, mais même les photos sont bonnes. Autres informations importantes à inclure dans votre présentation : la taille du marché, votre équipe, votre modèle commercial, la concurrence et les données financières.

Communiquez votre vision de l’opportunité et renforcez cette vision avec des données. Fournir une solution. Expliquez l'approche de l'entreprise. Démontrez comment le marché a réagi. Les mesures d’engagement et d’acquisition seront utiles ici. Il est important de proposer une bonne estimation de la taille du marché. Les investisseurs en capital-risque veulent absolument en savoir plus. De quelle taille de marché potentiel parlons-nous ici ? Une analyse des données financières doit au minimum inclure les revenus, la marge brute et les flux de trésorerie.

Lorsque vous ferez la présentation, les gens auront des questions. Plus vous disposez de données, mieux vous serez préparé à répondre à ces questions.

Différents types de risques :
Risque de timing de marché : est-ce le bon moment pour cette entreprise ?
Risque lié au modèle économique — Avez-vous le bon modèle pour votre produit ?
Risque d'adoption sur le marché — Les gens utiliseront-ils votre nouveau produit ?
Risque lié à la taille du marché — Votre solution est-elle suffisamment importante pour satisfaire un investisseur en capital-risque ?
Risque d'exécution — Votre équipe possède-t-elle les compétences adéquates pour le poste ?
Risque technologique — Si une nouvelle technologie est développée, sera-t-elle achevée dans les délais ?
Risque de capitalisation — Y a-t-il suffisamment de capital pour tenir la distance ?
Risque de plate-forme – Y a-t-il des partenaires externes hors de votre contrôle ?
Risque de gestion de capital-risque — L'entreprise est-elle ouverte aux commentaires ?
Risque financier — L'entreprise peut-elle continuer à payer ses factures ?
Risque juridique — Des poursuites judiciaires ou d’autres problèmes juridiques se profilent-ils à l’horizon ?

Chapitre 10 : Tout assembler
Mettre tous ensemble

Il peut y avoir beaucoup de frictions dans une entreprise. Les données peuvent aider à réduire ces frictions.

Les gens doivent comprendre et attendre des données. Les gens doivent être intellectuellement honnêtes ; le processus de prise de décision n’est pas une question d’ego. Laissez les meilleures idées gagner et ne laissez pas la politique influencer le choix. Une entreprise a besoin de valeurs bien définies. Il lui faut des gens compétents, des gens curieux.
La meilleure façon d'armer une entreprise pour ce nouveau monde courageux est avec les données, et la soif de données est de plus en plus mondiale. Cela change vraiment tous les secteurs. À l'avenir, l'opérationnalisation des données donnera aux entreprises l'avantage concurrentiel dont elles ont besoin pour réussir. Les gens auront immédiatement les informations dont ils ont besoin pour prendre les meilleures décisions.

Les métriques peuvent avoir un effet profond sur le processus. Ils peuvent améliorer le fonctionnement d'une entreprise, ce qui peut lui donner un avantage concurrentiel. Avec un tissu de données unifié et de bonnes équipes, les entreprises transforment leurs industries.

Ressources additionnelles

Examen de Gagner avec des données par Sloan Review

Critique de Gagner avec des données par Hacker Noon

Critique de Gagner avec les données par Kelly Sutton

Entretien avec l'auteur de Winning With Data by Mix Panel

Achetez Gagner avec des données sur Amazon

Résumé de Winning With Data par Actionable Books Libérer

Résumé de Gagner avec des données par Get Abstract Freemium

Description de Gagner avec les données par Wiley Libérer