La totalité des acteurs économiques sont aujourd’hui concernés par la data et l’IA, et leur capacité à exploiter efficacement ce patrimoine de données devient un avantage concurrentiel de plus en plus prégnant.
Pour preuve, les plus importantes valorisations de multinationales – en particulier chinoises ou américaines – concernent des organisations que l’on peut définir comme data-centric (ou data-driven) et qui ont tout misé sur l’exploitation de la donnée.
Devenir une entreprise ou une organisation data-centric constitue une démarche globale, une mutation des processus et des mentalités de l’entreprise qui va au-delà du simple recours massif à différentes solutions technologiques.
Afin de détailler les avantages, modalités et bonnes pratiques de mise en place d’une stratégie data-centric, Kais Soltane, Lead et manager data analytics et Big Data chez Faurecia, et Abdelaziz Joudar, président du groupe DataValue Consulting, ont pu échanger leurs retours d’expérience à ce sujet.
Pourquoi viser l’organisation data-centric ?
D’après Kais Soltane, il faut faire évoluer le rapport qu’entretiennent les entreprises à la data : elle doit être considérée comme une valeur et non plus comme un coût. Il s’agit, par différentes actions, de développer une conscience collective au niveau des entreprises visant à désiloter la gestion de la data.
Dans une approche traditionnelle, orientée processus, chaque métier gère son propre patrimoine de données, en étant souvent réticent à l’ouvrir aux autres métiers de l’entreprise. Dans une stratégie data-centric, ce cloisonnement est voué à disparaître afin d’apporter une performance globale à l’entreprise, par une meilleure compréhension et une meilleure valorisation du patrimoine de données.
D’après Abdelaziz Joudar, président et co-fondateur de DataValue Consulting, les avantages d’une bonne maîtrise et d’une bonne exploitation de la donnée apportent de multiples bénéfices à l’entreprise :
- L’innovation par l’accélération de la création de nouveaux produits, services ou usages,
- La connaissance clients en affinant les offres personnalisées, le scoring, les segmentations par personae et en renforçant la fidélisation,
- L’excellence opérationnelle, notamment la maintenance prédictive dans les transports, l’industrie mais également la gestion de la performance, les reportings, les outils de monitoring,
- La maîtrise des risques comme la cybersécurité, la détection de fraudes pour les acteurs de l’état ou le secteur bancaire et assurantiel,
- L’agilité opérationnelle par la revue des processus, l’hyper automatisation et l’optimisation de la logistique.
Au final, le portefeuille applicatif de l’entreprise s’en trouvera simplifié et l’ensemble des parties prenantes aura une meilleure compréhension du processus de valorisation des données. Ajoutons que cette maîtrise du digital est aussi un gage de réactivité et de résilience, comme le démontre actuellement la crise de la COVID-19.
Pour tendre vers ces résultats positifs, le cloud permet aujourd’hui d’accélérer et d’apporter de l’agilité. Cette tendance a d’ailleurs bien été anticipée par les fournisseurs cloud qui proposent désormais le choix entre des offres IaaS ou PaaS, ce qui n’était pas le cas il y a encore deux ans, comme le rappelle Kais Soltane.
La nécessité d’investissements lourds en matériel (serveurs, espaces de stockage, infrastructure…) et en ressources humaines n’a plus lieu d’être, les fournisseurs cloud ayant déplacé la charge financière initiale d’investissement vers un business model d’abonnements. Plus besoin d’être un grand groupe du CAC 40 ni d’avoir des disponibilités de trésorerie astronomiques pour initier des projets et profiter des technologies dernier cri.
Data transformation : les étapes-clés à suivre
Abdelaziz Joudar et Kais Soltane s’accordent sur le fait qu’il n’existe évidemment pas de mode d’emploi universel, en revanche DataValue Consulting identifie plusieurs étapes clés à ne pas rater pour mettre en place un plan de data transformation :
1. La vision stratégique de la data
A quoi va servir la data ? A construire des plateformes data ? A créer des « licornes » internes à l’entreprise sur de nouveaux créneaux générateurs de CA ? A avoir une vision 360° des clients ? A améliorer les process internes, l’efficience opérationnelle ?
Bien que cela puisse paraître évident vu de l’extérieur, Kais Soltane, Lead et manager data analytics et Big Data chez Faurecia, confirme le rôle fondamental de l’établissement d’une vision et du questionnement sur les usages de la data à venir dans le cadre d’une data transformation.
Elle nécessite une implication forte du top management de l’entreprise afin de donner du sens et une orientation claire. La stratégie data doit être alignée avec les objectifs stratégiques, les objectifs commerciaux et les objectifs de performance de l’entreprise.
2. La définition des cas d’usages est l’élément central
Comme le souligne Abdelaziz Joudar, les use case représentent le nerf de la guerre car c’est principalement à travers eux que l’organisation pourra créer de la valeur et générer du ROI. Le ROI attendu par chaque cas d’usage guidera donc la stratégie Data.
La liste de cas d’usage à dresser peut varier entre une dizaine pour les PME et ETI et jusqu’à une soixantaine pour les multinationales. C’est le moment d’anticiper également les besoins de cas d’usage à l’international qui diffèrent souvent des applications nationales. Un cas qui intéressera une direction à l’international n’intéressera pas forcément les autres pays.
Il faut ensuite lister et cartographier les données par cas d’usage : données internes, données de production, données de vente, données clients, données évènementielles, données fournies par des fournisseurs externes… Une fois cette cartographie des données établie, les POV, POC et cas d’usage pourront ensuite être déployés à l’échelle.
D’après son retour d’expérience chez Faurecia, Kais Soltane envisage les use cases selon trois axes :
- l’excellence opérationnelle,
- l’expérience et la connaissance client,
- la data et l’IA au service de l’innovation et la création de nouveaux produits ou services.
L’efficacité de la démarche data/IA et la rapidité de mise en œuvre seront des facteurs différenciants vis-à-vis de la concurrence. La démarche use case est donc la plus pragmatique et permettra de dégager de la valeur business plus rapidement. Il est vivement conseillé de mettre en place un plan de déploiement itératif pour créer un cercle vertueux de data transformation.
Les conclusions de Faurecia et DataValue Consulting sur les cas d’usage se rejoignent unanimement : Il ne faut à tout prix éviter le piège d’envisager les outils comme une solution en tant que telle. Certes la technologie permet une accélération et une extraction de valeur mais le prisme de la valeur business doit primer.
3. L’organisation, les ressources et l’adhésion des équipes
L’adhésion des métiers à la stratégie data-centric sera profondément déterminante quant à sa réussite.
Chez certaines organisations silotées en termes d’outils et d’objectifs ou face à des cultures d’entreprise qui ralentissent le changement, la mise en place d’une nouvelle stratégie data globale peut avoir des répercussions fortes dans les habitudes de travail des équipes concernées.
Sans un accompagnement adapté, il est fort probable que ces changements génèrent des doutes et des résistances à la fois individuels et collectifs. C’est malheureusement le cas de beaucoup d’entreprises qui, désireuses de mener un projet en temps et en heure et dans les budgets définis, peuvent être amenées à négliger ou retarder les actions de communication par manque de temps, de méthode ou tout simplement par crainte d’être confrontés à des blocages.
Les échanges avec le top et le middle management sont par conséquent primordiaux pour sensibiliser aux enjeux et au bénéfices à retirer d’une data transformation. Ces échanges permettront d’identifier des sponsors aptes à « évangéliser ».
D’un point de vue ressources, Faurecia insiste sur l’importance de bien identifier les data owner ou data analyst au niveau des métiers. Ce sont en quelque sorte les sachants, en regard de leur expertise fonctionnelle. Étant du côté business, ils seront les garants de la définition des use case, en assureront le déploiement et œuvrerons à leur réussite.
A noter que les ressources pour constituer les équipes data existent sur le marché mais sont rares. Kais Soltane constate qu’il faut savoir les fidéliser non seulement par un leadership dynamique mais aussi par des sujets porteurs de sens et à fort challenge. Le rôle du manager devient donc de plus en plus important.
Enfin, le choix d’un partenaire pour embarquer des ressources externes sera déterminant. Faurecia pointe la nécessité de choisir un partenaire dont la data fait partie intégrante de l’ADN. Un cabinet ayant une vision globale de la chaîne de valeur de la donnée fera une différence notable en matière de gain de temps et d’efficacité. La rareté des ressources expertes, alliée à une prise de conscience générale autour de la data et de l’IA va générer une concurrence forte pour le recrutement et la fidélisation des équipes.
Ainsi, en matière de data et d’IA, avec la montée en puissance du cloud, le DevOps devient presque inévitable et donc très courtisé. Pour coordonner tous ses spécialistes de la donnée avec les métiers, Faurecia a créé une Digital Service Factory, comprenant une Data Factory. Ces unités disposant d’experts et de compétences sont des éléments très importants pour structurer la démarche et œuvrer à la scalabilité, au passage à l’échelle des use case. Cette Data Factory va donc tester un use case sur un périmètre restreint et anticiper différentes problématiques avant de le déployer.
4. Le data management et la gouvernance des données
Cette étape va construire les transversaux de l’organisation data centric. La data governance va préparer l’organisation à cette montée en maturité sur la data pour initier l’exploitation et le retour sur investissement.
La gouvernance des données définit et encadre les pratiques et processus clés qui contribuent à assurer la maîtrise du patrimoine de données au travers d’une organisation. Faurecia confirme que le sujet de la gouvernance est le plus complexe à traiter de par le nombre de facteurs entrant en jeu.
Orchestrée par le CDO (Chief Data Officer) elle va cadrer les usages et la qualité de la donnée, les référentiels de données, le tagging, anticiper suffisamment en amont les sujets de conformité, évangéliser les collaborateurs sur les questions data pour les faire adhérer aux projets et lever les freins éventuels. Enfin, le CDO est en charge du recrutement et du management de tous les acteurs spécialistes de la data qui vont irriguer l’organisation.
Ainsi, parmi ces sujets clés de gouvernance à prendre en main, Faurecia souhaite mettre l’accent sur celui de la qualité des données. Le niveau de qualité de la donnée va déterminer l’efficience des use case.
Le processus global de data transformation est idéal pour améliorer la qualité de la donnée au sein de l’entreprise, ce qui permet par ailleurs de générer des gains indirects. C’est en effet dans le cadre de cette démarche de data transformation que l’on va identifier des problématiques de qualité de données et pouvoir en tirer des améliorations en interne au niveau des process opérationnels, des ERP, des systèmes amont… La qualité de la donnée sera donc tirée vers le haut dans toute l’entreprise.
Abdelaziz Joudar complète pour DataValue Consulting à propos du tagging, du référentiel, de la qualité des données. C’est un chantier énorme et fondamental : 60% des entreprises ne lancent pas de projets data car elles considèrent que leurs données ne sont pas de qualité. Quand la question de la qualité de donnée ne se pose qu’après la constitution d’un data lake, c’est l’assurance d’une perte conséquente de temps et d’un coût élevé.
Toute méthodologie est bien sûr adaptable à chaque cas d’entreprise mais le niveau de maturité à l’entrée dans le projet data centric fera varier le projet, notamment au niveau du référentiel de données. C’est aussi un point primordial à traiter car c’est, avec la qualité de données, l’élément qui provoque le plus d’échecs. Les entreprises qui abordent la démarche avec des référentiels préconstruits, même imparfaits, disposeront donc d’une première fondation qui les avantagera.
Abdelaziz Joudar cite pour exemple les projets de data hub clients 360°: le référentiel clients sera évidemment à verrouiller. Mais d’autres seront à traiter dans la foulée : référentiel financier, fournisseurs, produits… Le secteur industriel souffre notamment souvent d’une carence dans les référentiels qui retarde beaucoup de projets liés à la data.
5. La construction de la plateforme data
Après le data management, vient la question des plateformes. Du côté de DataValue Consulting, Abdelaziz Joudar constate que, trop souvent un projet de plateforme est lancé pour se rendre compte ensuite qu’elle est presque vide et sous exploitée. L’on se tourne alors vers les métiers pour l’alimenter, ce qui n’est forcément pas une chronologie optimale.
Une bonne définition préalable des cas d’usage orientera donc clairement le choix de la plateforme, le plus souvent entre data lake (plus centralisé et organisationnel, regroupant d’importants volumes de données hétérogènes) et data hub (davantage orienté métier avec des données importées selon les cas d’usage).
> À LIRE AUSSI : Data warehouse, data lake, data hub : quelles différences ?
Au niveau de l’hébergement, le cloud computing s’accélère et devient aujourd’hui la norme, y compris dans le secteur public. L’étape de construction de la plateforme data est importante car elle pose la question de l’intégration du SI existant dans le nouveau chantier data. Il faut assurer le liant avec l’activité (les cas d’usage), ce qui permettra d’atteindre le niveau de maturité data centric.
6. Industrialisation des cas d’usage
Que l’architecture choisie soit de type data hub ou data lake, l’objectif demeure la restitution finale de la donnée envers les utilisateurs ou les décideurs.
Faurecia et DataValue Consulting s’accordent pour préconiser fortement une production séquentielle des cas d’usage : commencer par les cas d’usage les plus simples et surtout éviter de s’engager frontalement dans les use case au ROI le plus fort dont la complexité initiale de mise en œuvre s’avèrera au final contre-productive.
Un use case concret et réalisable en quelques semaines va pouvoir susciter l’intérêt en interne. Même si le ROI peut guider l’ordonnancement de ce déploiement, un use case simple va permettre de monter en puissance à tous les niveaux d’expertise.
Conclusion
Le secteur d’activité, la maturité, l’organisation interne de l’entreprise varient d’un cas à l’autre mais la stratégie devra se déployer de façon itérative et en continu car l’organisation data-centric prend forme sur plusieurs années.
L’organisation, le change management et le modèle de delivery permettront d’organiser la conduite du changement pour désiloter l’usage des données dans une approche transverse.
Une vision claire sur les cas d’usages et bénéfices attendus, une gouvernance et une organisation des ressources solides, un soin constant à la qualité des données et surtout une acculturation de l’ensemble des effectifs permettront à votre organisation de devenir data centric, à savoir considérer la donnée comme une valeur et la transformer en levier de croissance.
