Méthodologie pour identifier et prioriser les cas d’usage data

Juil 29, 2022 | Data Management

La construction de la stratégie data est une étape décisive à la performance d’une entreprise, et un de ses aspects le plus important est l’identification et la priorisation des cas d’usage. La priorisation des cas d’usage doit suivre une certaine logique : obtenir des résultats rapidement, sécuriser les étapes futures et pérenniser le projet dans la durée.

Comment identifier les chantiers et les prioriser ? Quels sont les livrables attendus ? Comment structurer ce travail pour assurer la bonne construction de la roadmap data ?

Dans cet article, nous vous livrons la méthodologie d’identification et de priorisation de cas d’usage que DataValue Consulting a formalisé pour accompagner au mieux ses clients.

Nouveau call-to-action

Comment identifier et prioriser ses cas d’usage data ? 

Le travail de recensement des cas d’usage se structure en deux phases :

  • La phase d’idéation : qui permet, par une suite d’ateliers, de faire un état des lieux de l’existant et d’alimenter la réflexion afin d’aboutir à des cas d’usage concrets qui représenteront les différentes itérations de la phase de déploiement.
  • La phase de maturation : qui représente la finalisation du travail de réflexion avec les parties prenantes opérationnelles. Une étude de faisabilité permet de connaitre l’état exact de chaque cas d’usage et ainsi de définir une liste de priorités.
Le recensement des cas d'usage

La phase d’idéation : macro scoring d’intérêt des cas d’usage

La phase d’idéation se fait avec les métiers sous forme d’ateliers. L’objectif est de maximiser la prise d’information autour des cas d’usage sans rentrer dans une granularité détaillée de ces derniers.

Pour cela, DataValue Consulting conseille d’organiser des entretiens avec les personnes qui ont assez de recul sur les processus internes et externes de l’organisation. Les questionnaires permettront de guider les interviews sous forme d’entonnoir pour mieux identifier les problématiques métiers, les objectifs à atteindre par cas d’usage, etc. Une fois les entretiens effectués, il faut s’attarder sur ce qui alimentera les cas d’usage : la donnée.

Afin d’avoir une cartographie complète des applications sources qui émettent de la donnée, il faut questionner les opérationnels autour des architectures applicatives et techniques concernées. Ces entrevues permettent de compléter la matrice de maturité afin d’avoir une première vision sur la faisabilité d’un cas d’usage.

La matrice de maturité centralise l’ensemble des critères. Les deux axes – impact stratégique et impact métier – vont permettre de déterminer la notation.

Elle doit répondre à plusieurs questions :

  • Le cas d’usage va-t-il dans le sens des orientations business ?
  • Le cas d’usage est-il en accord avec la démarche data-driven ?
  • En termes d’impact métier, sont-ils déployables à l’échelle de l’organisation ?
Cas d'usage : matrice de maturité de la phase d'idéation

Phase d’idéation : matrice de maturité

Nous obtenons la matrice de maturité en s’aidant du modèle de scoring ci-dessous. Ce modèle de scoring est basé sur des critères organisationnels et stratégiques. Chacun de ces critères accepte 3 valeurs (bas, moyen, haut) qui décrivent des options qualitatives ou quantitatives.

Cas d'usage : modèle de scoring de la phase d'idéation

Phase d’idéation : modèle de scoring

Ce modèle de notation permet de réaliser des pondérations qui aideront à la priorisation des cas d’usage à l’aide d’une matrice de décision stratégique/métier. Lorsque ce premier “go no go” est fait vient la phase de maturation avec l’étude de faisabilité.

La phase de maturation : macro scoring d’intérêt des cas d’usage

La phase maturation est la finalisation du travail de réflexion avec les parties prenantes opérationnelles.

Le modèle de scoring de cette phase est basé sur le scoring de l‘idéation et d’une étude de faisabilité. Comme pour la matrice de maturité, les critères acceptent 3 valeurs (bas, moyen, haut) qui décrivent des options qualitatives ou quantitatives.

Cas d'usage : modèle de scoring de la phase de maturation

Phase de maturation : modèle de scoring

  • Le critère des compétences doit permettre de connaître la disponibilité des profils nécessaires au déploiement des cas d’usage. Avez-vous les compétences en interne ou devez-vous solliciter un cabinet de conseil et d’intégration externes, comme DataValue Consulting, pour accélérer leur mise en œuvre ?
  • Le critère technologique permet de faire un point sur les outils disponibles nécessaires pour le déploiement de cas d’usage. Avez-vous les outils au sein de l’organisation pour assurer le déploiement ? Disposez-vous d’une plateforme data qui puisse les intégrer en temps réel ?
  • Le critère des données doit évaluer la disponibilité et l’état des données. Un chantier de mise en qualité des données s’impose-t-il ?
  • Le critère du budget permet d’arbitrer sur la mise en œuvre d’un cas d’usage, surtout lorsque celui-ci est complexe.
  • Le critère retour estimé permet d’estimer la valeur générée par le cas d’usage. Son impact justifie-t-il son lancement ?

Le modèle de scoring permet de construire la matrice de décision intérêt/faisabilité où l’on positionnera le résultat obtenu et l’effort que le cas d’usage implique.

    Cas d'usage : matrice de faisabilité de la phase de maturation

    Phase de maturation : matrice de faisabilité

    Une étude de faisabilité permet de connaître l’état exact de chaque cas d’usage, et ainsi de définir une liste de priorités.

    Exemple de livrable type : la fiche de qualification d’un cas d’usage data

    Maintenant que le cadre est délimité et que les arbitrages ont été effectués, il faut remplir la fiche unitaire du cas d’usage. Elle apporte de la cohérence dans la formalisation du travail de chaque chantier.

    Exemple de fiche unitaire de cas d’usage

    Exemple de fiche unitaire de cas d’usage

    • Les objectifs doivent être clairement définis afin d’être plus facilement partageables aux acteurs qui gravitent autour du projet (collaborateurs, partenaires, éditeurs, etc).
    • Le périmètre et les prérequis permettent de décrire les inputs nécessaires pour démarrer le cas d’usage (organisation, données, technologie, etc).
    • Les bénéficiaires, à savoir les directions métiers, doivent être cités pour faciliter la compréhension des objectifs par métier, mais également pour simplifier les problématiques de refacturation interne, de partage des ressources, etc.
    • Les livrables (KPI, dashboard, scoring à base d’algorithme, etc) doivent être mentionnés de façon claire pour donner une projection aux décideurs afin qu’ils puissent déclencher des actions.
    • L’instruction permet d’émettre des recommandations. Toutefois, celles-ci ne seront pas forcément suivies dans le cadre de la réalisation, notamment pour des cas complexes.
    • Enfin, les rubriques “complexité estimée”, “dates” et “prochaines étapes” sont également importantes pour l’organisation des projets.

    Cartographie de cas d’usage : exemple avec une banque

    Une fois priorisés, les cas d’usage sont classés en fonction des métiers et des opportunités attendues. Cela permet d’avoir un aperçu global et visuel des chantiers de la roadmap.

    Ci-après un exemple de cartographie de cas d’usage dans le secteur bancaire.

    Cartographie de cas d’usage : exemple avec une banque

    Construction de la roadmap des cas d’usage data

    L’étape de construction de la roadmap intervient une fois la cartographie réalisée par la matrice de faisabilité. Les éléments collectés lors de la phase de cadrage ont pour but de produire une analyse approfondie de l’existant afin de co-construire la feuille de route cible avec les sponsors.

    Cette roadmap va prendre en compte l’ordonnancement et le sourcing des informations. Elle pourra être mise à jour en fonction de l’actualité de l’organisation et doit faire preuve d’agilité pour être tenable opérationnellement et délivrer un maximum de cas d’usage.

    Roadmap des cas d’usage data

    Conclusion

    La méthodologie présentée n’est pas simplement tirée de nos convictions, mais aussi des retours d’expérience des décideurs data que nous avons pu interroger à l’occasion de notre enquête sur la priorité data 2022.

    En effet, les freins à la réussite des projets data les plus souvent rencontrés sont les suivants :

    • 46% : manque de compétences et d’organisation,
    • 42% : freins culturels et résistance au changement,
    • 37% : mauvaise qualité de données.

    De l’identification à leur mise en œuvre, un cas d’usage simple à réaliser (qualité des données adéquate, simplicité du sourcing des informations, disponibilité des compétences, complexité/nouveauté des technologies…) devra toujours intervenir avant un cas d’usage complexe à ROI élevé.

    Nos ressources

    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