La mise en place d’une stratégie data permet aux organisations de mieux gérer leur patrimoine de données et de maximiser la performance des activités en valorisant ces dernières.
Nous avons interviewé Faouzy Ben Belgacem, Consultant Data chez DataValue Consulting, pour mieux comprendre les objectifs, méthodes et bénéfices d’une stratégie data.
Quel est l’intérêt d’une stratégie data ?
La mise en place d’une stratégie data peut servir à plusieurs objectifs :
- Fiabiliser les prises de décision : les données consolidées à l’aide d’outils de visualisation permettent aux décideurs de s’appuyer sur des résultats tangibles pour guider les prises de décisions stratégiques.
- Création de nouveaux services et produits : l’exploitation des données permet aux entreprises de déceler des opportunités business pour se différencier dans un contexte concurrentiel.
- Approfondir la connaissance client et le parcours client à l’aide d’une analyse des données online, offline (données comportementales, données transactionnelles, données déclaratives…) et de données externes.
- L’accès à des données en temps réel permet à chacun de décloisonner son champ d’action et de favoriser la collaboration en s’appuyant sur une base de connaissance plus étendue.
- Accroître la transparence et la sécurité de l’information à travers un processus de gestion des données maîtrisé de bout en bout.
Comment définir une stratégie data ?
La stratégie data découle de la stratégie globale de l’entreprise. En effet, l’usage des données doit permettre de répondre aux objectifs fixés en amont par la direction générale.
Plusieurs questions doivent permettre d’éclaircir les contours d’une stratégie data :
- À quels enjeux la donnée doit-elle répondre ?
- Quel(s) type(s) de donnée permettrait d’atteindre les objectifs ?
- Où se trouvent ces données et comment les extraire ?
- Comment les stocker et les transformer ?
- Par quels moyens analyser ces données ?
- Qui sera responsable de ce chantier ?
Il faut également s’assurer que les équipes en place disposent des compétences adéquates pour mener à bien la stratégie data. Dans le cas contraire, il est nécessaire de se faire accompagner par des partenaires externes spécialisés, comme DataValue Consulting.
Enfin, il faut garantir la transparence, la lisibilité, la traçabilité et l’exploitabilité des données au sein de l’organisation. L’objectif est que la donnée soit compréhensible de, et par tous, en particulier de ceux qui la manipulent, à l’aide d’une cartographie des données.
Comment construire et mettre en place une stratégie data efficace ?
Une méthodologie en plusieurs étapes s’applique pour construire et mettre en place sa stratégie data :
- Cartographier les enjeux stratégiques avec la direction générale et les enjeux tactiques avec chaque direction pour aligner les cas d’usage sur la stratégie.
- Définir un portefeuille de cas d’usage data :
- S’adresser aux métiers pour établir une cartographie des points de douleur rencontrés au quotidien (reporting, visualisation, simulation, prédiction, automatisation…) et voir comment la donnée peut améliorer l’existant.
- Une fois les points de douleurs identifiés, il est possible d’établir un premier portefeuille de cas d’usage pour palier à ces irritants.
- Adapter l’architecture SI : le portefeuille de cas d’usage doit permettre de faire un état des lieux des capacités techniques nécessaires pour réaliser les cas d’usage attendus par les métiers. Pour cette partie, il faudra faire appel à un architecte qui procédera à un audit du SI de l’entreprise. L’objectif pour lui sera d’identifier les nouveaux besoins et de montrer l’écart entre l’existant et la cible à travers divers scénarios (modèle cloud ou hybride, internalisation ou externalisation de la gestion…).
- Construire la roadmap : une fois les différents scénarios d’architectures établis, il faut budgétiser et prioriser les cas d’usage dans le cadre de la roadmap métier, qui permettra d’alimenter la roadmap technique.
Quels acteurs pour réaliser la stratégie data ?
Pour initier votre stratégie data, plusieurs acteurs clés seront importants :
- Le sponsor fait valoir le projet auprès de la direction pour sécuriser son avancement. Il peut s’agir d’une personne du métier (au Comex/Codir), du CDO ou de quelqu’un qui a suffisamment de poids ou de budget pour réaliser la stratégie data.
- Un référent par direction métier (logistique, marketing, comptabilité…), pour apporter ses connaissances métier afin de mieux identifier les cas d’usage à prioriser et ceux avec les plus grands leviers de croissance.
- Un chef de projet data qui comprenne bien les métiers et les outils pour les aider à identifier leurs pain points, leurs besoins et de potentiels nouveaux cas d’usage.
- Un consultant technique expérimenté en architecture qui sera en mesure de comprendre le SI, de cartographier les données et de mesurer les impacts de l’intégration des outils de gouvernance.
- Un Data Engineer qui implémentera par différents moyens les cas d’usage (modélisation, connexion…).
- Un data scientist qui maitrise les langages de programmation (python, java, C++, etc). Sa principale fonction consistera à analyser et exploiter les différents jeux de données.
- Un Data Steward qui travaillera sur l’aspect gouvernance de la donnée, en particulier sur les rôles et responsabilités.
- Un Data analyst qui définira les KPI à mettre en place avec les métiers pour s’assurer que le cycle de vie de la donnée soit bien respecté.
- Un Data Scientist qui développera des modèles complexes pour modéliser les données pour réaliser des simulations, des prédictions, des reportings…
- Un Data Analyst pour l’aspect visualisation ou modélisation de données assez simple.
- Un DPO (Délégué à la Protection des Données) pour s’assurer que les données soient conformes au RGPD.
Pour les organisations très matures, le Chief Data Officer sera le chef d’orchestre de la stratégie data. Par ailleurs, il est possible de mutualiser des postes en fonction des compétences des différents profils et des besoins de l’entreprise.
Stratégie data : quelles sont les erreurs à ne pas commettre ?
Plusieurs bonnes pratiques sont à prendre en compte lors de la construction de votre stratégie data :
- Ne pas faire de la data pour faire de la data. Nous conseillons de toujours associer votre cas d’usage à un objectif métier.
- S’inspirer de vos concurrents et notamment des organisations qui sont maîtres dans le data by design. Attention toutefois à rester réaliste en mettant en parallèle ce que vous voulez faire et ce que vous pouvez faire (moyens techniques, RH, financiers…).
- Anticiper le passage à l’échelle de vos cas d’usage. L’idée est de créer des modèles tests scalables qui auront vocation à être industrialisés au sein de l’ensemble de l’organisation. Il faut investir dans la durée et oser mener des projets pilotes actionnables qui pourront être industrialisés plutôt que des POC sans lendemain.
- Disposer du sponsoring du top management, avant le lancement de tout projet data, il est primordial d’avoir un sponsoring qui soutiendra son avancement et qui le fera valoir auprès des directions métiers.
- Ne pas attendre d’avoir commencé la stratégie data pour acculturer et sensibiliser les équipes à la gouvernance de données. Plus il y a de personnes acculturées et impliquées dans la stratégie data, plus elle sera bénéfique.
- Adapter les cas d’usage pour répondre à la stratégie de l’entreprise, au moment de la définition des cas d’usage data, il faut toujours garder en tête qu’ils doivent être cohérents avec la stratégie de l’entreprise et permettre de la réaliser en répondant à ses enjeux.
- Se faire accompagner d’un cabinet de conseil expérimenté ou par des professionnels du secteur. S’aider de personnes qui ont déjà fait face à des problématiques similaires sera un accélérateur considérable pour la réalisation de votre stratégie data. Chez DataValue Consulting, nous avons industrialisé une méthodologie qui s’adapte aux caractéristiques et aux contraintes de chaque client.
Exemples de cas d’usage à mettre en place dans le cadre d’une stratégie data
Faouzy Ben Belgacem, revient sur 4 cas d’usage mis en place chez des clients de DataValue Consulting :
- La réduction des délais d’acheminement : grâce au croisement de plusieurs données, nous avons pu améliorer le processus logistique de la gestion des stocks de l’un de nos clients afin de réduire le temps d’acheminement de ses colis.
- La prévision des approvisionnements : nous avons aidé un de nos clients à optimiser les volumes d’approvisionnement de ses boutiques. Des simulations ont été réalisées en considérant les données suivantes par boutique et par saison : chiffre d’affaires, ventes passées par gamme, nombre de visiteurs. À partir de ces analyses, nous avons établi un système qui déclenche automatiquement des ordres de livraison cohérents et optimisés.
- Un service d’imagerie pour détecter les incidents dans une zone : grâce à un système de computer vision et à des analyses d’imagerie, nous avons pu aider notre client à mieux sécuriser les zones forestières françaises en identifiant les invasions végétales, en suivant les activités de reforestation et en automatisant l’affectation d’un agent sur place en cas d’incident.
- Le sponsoring ciblé basé sur la géolocalisation : en croisant plusieurs types de données, nous avons pu aider notre client, une grande agence de tourisme, à proposer des activités mieux ciblées à ses visiteurs. En étudiant la géolocalisation des individus (lieux/activités visités), l’agence de tourisme peut désormais proposer d’autres activités mieux ciblées de manière automatisée.
La rédaction vous conseille
> Déployer une stratégie data : initiatives, défis et priorités 2022
