Les étapes d’un projet data pour une mise à l’échelle

Août 2, 2022 | Data Management

Projet data : favoriser une approche par cas d’usage

L’approche par cas d’usage permet de répondre à des problématiques métier concrètes de manière simultanée. Cette approche peut se montrer très performante si elle est bien orchestrée, non seulement au début, mais tout au long de la vie des cas d’usage.

Qu’est-ce qu’un cas d’usage data ? Un cas d’usage est un chantier adressant un périmètre défini de la data pour répondre à un besoin métier de manière concrète afin de démontrer la valeur par l’exemple.

Nouveau call-to-action

Pour réussir l’industrialisation de ses projets data, il est essentiel de suivre une méthodologie projet précise en favorisant la collecte des cas d’usage et leur déploiement progressif.

Cycle de vie d'un cas d'usage

Projet data : comment collecter les besoins métiers ?

Le sourcing des cas d’usage est réalisé à partir d’un travail de collecte d’information autour de :

  • Les problématiques métiers (pain points, axes d’améliorations),
  • L’environnement existant (KPI, tableaux de bord…),
  • La roadmap actuelle de projets informatiques.

En moyenne, les entreprises listent une cinquantaine de cas d’usage dans leur roadmap. Une ETI peut graviter autour d’une trentaine, et les grands groupes démarrent par une quarantaine pour en déployer jusqu’à 200/400 dans les 5 à 10 ans à venir.

Selon l’enquête menée par DataValue Consulting sur les Priorités Data 2022, seul 25% des décideurs affirment avoir plus de 9 cas d’usage en production, alors que plus de la moitié sont équipés d’une plateforme data. Cela démontre que la gestion d’une multitude cas d’usage data n’est pas évidente, surtout lorsqu’ils ne sont pas tous à la même phase de développement. D’où l’importance de clarifier au mieux la collecte de cas d’usage avec, par exemple, un catalogue de cas en définissant et en partageant les rôles et les responsabilités associées.

Projet data : comment qualifier et prioriser sa roadmap ?

La seconde étape consiste à prioriser les cas d’usage et de les intégrer à une feuille de route.

Cette priorisation s’appuie sur des modèles de scoring et deux matrices (matrice de maturité et matrice de faisabilité). Ces outils permettront de mieux percevoir le résultat attendu et l’effort qu’inclus chaque chantier pour définir une liste de cas d’usage prioritaire.

Un cas d’usage peut être dépriorisé à la suite des arbitrages de budget ou de planning. Il faut en gérer l’archivage de manière à le ressortir lors des comités stratégiques pour le traiter ultérieurement.

    Projet data : le déploiement progressif des cas d’usage

    Le traitement des cas d’usage se fait à travers 4 composantes majeures :  

    • Le data management : les processus, règles et outils permettant la cohérence, la qualité et la sécurité des données,
    • Le choix et la mise en œuvre de la plateforme de données, ou système d’information décisionnel, qui accueillera les cas d’usage,
    • La mise en place d’une gouvernance des données qui installe un cadre autour de la donnée (rôles, responsabilités, projet d’acculturation data).
    • La gestion du delivery pour faciliter la mise en production de cas d’usage avec des ressources, des budgets et des plannings.

    S’en suit le monitoring qui démarre par une phase d’initialisation où il s’agira de récupérer l’ensemble de l’historique des données. Enfin la phase de déploiement se clôturera par le passage au mode récurrent.

    L’importance de l’agilité dans les projets data

    Les projets data ne doivent pas faire l’objet d’une feuille de route figée, mais agile. Ils doivent s’adapter aux actualités de l’organisation, quitte à être repriorisés ultérieurement. L’essentiel est d’inscrire la mise en place des projets dans une démarche globale soutenue par la direction générale.

    Pour mettre en place des processus performants autour des données, il faut que le cycle de vie de la data soit partagé et que les rôles et responsabilités soient définis afin que les acteurs du projet se sentent impliqués dans la démarche de transformation.

    Livre Blanc

    Mise en œuvre d'une stratégie 
    de qualité des données 

    Livre Blanc

    Feuille de route d'une stratégie
    de Data Management 

    Baromètre annuel de la data

    Les priorités des décideurs
    data en 2022 

    Share This