La data valorisation, finalité de tout projet data

Mar 17, 2022 | BI/dataviz

En 2022 plus que jamais, les DSI doivent revoir leur feuille de route pour faire de la data un véritable axe de différenciation. Le patrimoine de données d’une entreprise est considéré comme un actif, et comme tous les actifs, il est important de lui donner une valeur business. Qu’elle soit commercialisée, partagée ou même exploitée à des fins de prises de décision, la finalité de la data valorisation doit être inscrite dans la stratégie de l’entreprise.

Nouveau call-to-action

La data valorisation au cœur des priorités des DSI

Les moyens technologiques, humains et organisationnels permettent aujourd’hui d’exploiter très largement le patrimoine de données d’une entreprise, lui conférant une valeur bien au-delà de l’aide à la prise de décision. Les finalités attendues par l’entreprise en matière de valorisation des données doivent être réfléchies lors d’un travail de collecte et de priorisation des cas d’usage métier.

Plusieurs familles de cas d’usage sont identifiées :

  • L’innovation : réinventer le processus de création de nouveaux services, de nouveaux produits et de nouveaux business models,
  • L’expérience et la connaissance client : accroître l’ultra-personnalisation des offres, une meilleure stratégie de ciblage / acquisition / fidélisation, l’optimisation du parcours client, des recommandations intelligentes ou même un système de scoring,
  • Excellence opérationnelle : optimiser les processus opérationnels métiers et améliorer les performances naturelles, humaines et logicielles de l’entreprise,
  • Maîtrise des risques : mettre en place des systèmes de détection de fraudes, de prévention des risques, de cybersécurité,
  • Agilité opérationnelle : améliorer la transversalité et l’ouverture des modes de collaboration et de management.

La finalité impose la valeur conférée à la donnée

Une entreprise doit inscrire dans sa stratégie data, les objectifs qu’elle se fixe en matière d’exploitation et de valorisation des données. Les données doivent-elles faciliter les prises des décisions, être vendues à d’autres sociétés, être partagées en interne à des fins de création de nouveaux usages ? Doit-on mettre à disposition un processus d’exploration des données soutenu par des dispositifs de data science ? Autant de questions à se poser lors de la définition de la stratégie…

Cette étape de réflexion a vocation à définir les coûts (humains, techniques, financiers) qui doivent être amortis par l’entreprise pour faire émerger une valeur business chiffrable.

Une fois cette macro-roadmap réalisée, l’entreprise pourra aisément identifier les jeux de données valorisables suivant le ratio usage/valeur. Effectivement, certaines données n’ont que peu de valeur lorsqu’elles n’apportent pas d’intérêt business. Certaines données en revanche peuvent posséder une « business value » significative.

A titre d’exemple, la tendance grandissante des datalake ont amené des entreprises à se lancer dans des projets d’analyses exploratoires sur de très fortes volumétries de données, sans avoir de finalité d’usage. La plupart de ces projets ont échoués. Le « pourquoi » doit mener à la mise en œuvre de l’infrastructure pour l’exploitation, mais pas l’inverse. L’objectif consiste donc à ordonnancer les chantiers, en priorisant la définition de l’usage. C’est seulement en respectant cette méthodologie qu’il est possible de mesurer la valeur business.

A la conquête de la donnée : de la vision à la data valorisation

Beaucoup d’entreprises génèrent des données, sans avoir conscience de la valeur qu’elles possèdent. Cette méconnaissance du patrimoine peut aboutir à des opportunités manquées, voire pire, entraîner des conséquences pour la santé de l’entreprise (perte de clients, réduction du panier moyen, impacts financiers, etc).

La finalité de tout projet data doit systématiquement répondre à une capacité d’activation et de valorisation des données. La vision stratégique de l’entreprise conditionne la vision stratégique et opérationnelle de la donnée elle-même.

La conquête de la connaissance de la donnée est un chantier essentiel, qui se décompose en plusieurs volets : la connaissance business mais aussi la connaissance technique (reproductibilité de la donnée, facilité de manipulation, etc).

Cette analyse permettra de traduire la complexité des chantiers et le poids des investissements à faire pour l’entreprise (moyens humains, infrastructures, coûts financiers, etc). Une étude de faisabilité permet alors d’appréhender avec exactitude l’ampleur des travaux pour parvenir à la trajectoire cible. Dans cette logique unique de data valorisation, il est essentiel d’intégrer à la réflexion les directions métiers qui sont directement concernés par l’apport de valeur.

Quelle méthode de valorisation des données permet d’avoir la valeur la plus élevée ?

La data visualisation est la méthode de valorisation de la donnée le plus fréquent. Pourtant, la data visualisation de type décisionnel peut être adressée de multiples formes : la visualisation classique, dynamique, journalistique, la data storytelling, etc. Un alignement sur l’outillage et les méthodes de data visualisation à l’échelle de l’entreprise permettent d’avoir un langage commun et de favoriser l’acculturation data.

D’autres usages existent. La vision scientifique des données, ou data science, permet typiquement d’avoir un fort impact d’exploration auprès des professionnels de la donnée, ou data scientist, en capacité de les lire.

La valorisation des données dans une finalité d’échange entre plusieurs systèmes permet d’enrichir les données propriétaires online et offline, avec des données externes du type météo pour définir de nouveaux relais de croissance (optimisation des stocks, amélioration des segmentations, scoring).

Il est conseillé d’aborder la roadmap et le déploiement de cas d’usage dans une dynamique de mouvement, pour obtenir rapidement des retours sur investissement. Il faut employer la méthode agile du « quick win » pour rétrécir et régulariser les délais de go-to-market. Cela permet de déployer continuellement et d’accroître l’impact de la stratégie data.

En tant que cabinet de conseil et d’intégration en data valorisation, les entreprises nous sollicitent pour les accompagner dans la priorisation des cas d’usage, le déploiement quick win et le calcul concret du fameux ROI. Notre conviction consiste à mettre en lumière des retours concrets et des synthèses de résultats fiables.

Data valorisation : les profils humains

Lorsqu’on évoque un projet data, il est important de concevoir la chaîne d’exploitation et de valorisation des données dans son ensemble. Cela implique l’intervention de différentes personnes, de différents profils.

En amont, il faut avoir des profils de consultants data senior ou de business analysts, en mesure de comprendre les besoins et de capter la stratégie. Leur rôle est de traduire le langage business en langage data compréhensible. En tant que cabinet de conseil, nous pouvons aborder deux stratégies : apporter une connaissance métier forte en s’appuyant sur les spécificités de l’entreprise, ou intervenir de façon neutre pour voir le métier autrement. Ces deux typologies de dialogues amènent au même résultat.

Au cours des chantiers suivants destinés à traduire les spécifications, il faut des profils capables d’évaluer la faisabilité (dispose-t-on des données ? Doit-il les enrichir avec d’autres données ? Cela implique-t-il des algorithmes complexes, etc ?). Plusieurs types de profils peuvent se prononcer tels que des data scientist, des consultants en data integration, des data architect, etc. Les entreprises ayant mis en place un programme de gouvernance des données, peuvent accélérer cette étape en disposant des informations cartographiées.

Interviennent ensuite des typologies de profils techniques en matière de data management, en mesure de manipuler les données : data owner, data engineer, data architect, consultant en data quality…

Enfin, l’étape finale d’exposition ou de valorisation de la donnée, à savoir la visualiser, la partager, la vendre etc… implique des profils compétents sur les outils de visualisation cibles (consultant data visualisation) ou des profils exploitant les données via des APIs d’exposition.

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