Les équipes de DataValue Consulting ont mené une enquête auprès de décideurs des secteurs privés et publics pour mieux comprendre où en sont les entreprises dans l’usage des données. De la définition de la stratégie data jusqu’à l’industrialisation des cas d’usage data en passant par le choix du modèle organisationnel, les décideurs doivent intervenir sur de nombreux chantiers.
Les réponses de l’enquête nous en apprennent beaucoup sur les priorités et les problématiques liées à l’exploitation et la valorisation de données. Nous vous livrons un regard sur les priorités et sur les freins les plus communément rencontrés par les décideurs.
La définition de la stratégie data est un art qui n’est pas encore maitrisé par tous
Les dépenses liées à la data
Les feuilles de route ont été fortement perturbées par la crise, avec une priorisation des chantiers apportant de la valeur à court terme et l’abandon ou le gel de certains sujets jugés non prioritaires ou non matures.
On observe également une réelle volonté des décideurs d’accélérer les initiatives en matière de traitement des données. En témoignent les augmentations de dépenses envisagées en 2022 pour 70% des sondés.
La définition d’une stratégie data claire et partagée
Les décideurs éprouvent des difficultés à définir une stratégie data. Moins de la moitié des sondés affirment disposer d’une stratégie claire et partagée (48%). 34% des répondants affirment qu’il s’agit d’un chantier en cours, et 16% en réflexion. Seul 1% des sondés affirme ne pas prévoir de stratégie.
Les décideurs interrogés évoquent la complexité d’élaborer un schéma directeur sur plusieurs années. Cela s’explique essentiellement par les difficultés des directions métiers et des dirigeants à appréhender les enjeux de la data et à se projeter. L’absence de compétences, de vision et d’organisation arrive en première position parmi les freins à la réussite de la stratégie data.
Les principaux freins à la réussite des projets data
Certaines entreprises évoquent les résistances au changement comme le principal frein (46%), d’autres mentionnent la qualité des données (37%), le manque de budget (33%), l’absence de gouvernance des données (33%) ou même les technologies obsolètes ou limitées (21%).
Les réflexions menées lors de la définition de la vision permettent d’identifier la nature des résistances afin de prioriser les périmètres sur lesquels agir en priorité.
Comment déployer une stratégie data qui a du sens ?
La mise en place d’une stratégie data à l’échelle de l’entreprise se déroule en plusieurs temps :
1. Définir sa stratégie data afin d’élaborer les politiques générales en cohérence avec la vision et les objectifs que se fixe le COMEX. La stratégie data n’a de raison d’être que si elle est adossée à la stratégie globale de l’organisation. À quels objectifs principaux doit répondre la data (mise en conformité, connaissance client, optimisation des processus opérationnels, etc.) ? Négliger cette étape, c’est prendre le risque que le projet fasse fausse route par la suite.
2. Définir son macro-plan tactique à travers des méthodes d’approche et d’exécution opérationnelles des cas d’usage définis. Comment parvenir à la cible et à travers quels chantiers prioritaires ? La définition de ce plan nécessite de faire un état des lieux de l’existant pour définir tous les cas d’usage à mettre en place. Il faut ensuite mesurer l’impact de chacun d’eux, afin d’avoir un premier aperçu de leur priorisation.
3. Construire sa roadmap de mise en œuvre opérationnelle afin de prioriser concrètement les opérations dans un périmètre déterminé. Quelles ressources humaines, organisationnelles et technologiques mettre en place pour atteindre les macro-objectifs ? Pour définir la priorisation des cas d’usage dans la feuille de route, nous conseillons de les soumettre à une évaluation selon leur intérêt (avantages, retour sur investissement) et leur faisabilité (compétences, technologies, écosystème, données, budget).
Maturité data des organisations : des niveaux disparates en termes de capacités d’exploitation de la donnée
Le niveau de maturité data des organisations
Près de 30% des décideurs considèrent leur organisation « à niveau » en matière de gestion des données. Ils évoquent notamment des capacités à intégrer les données de l’entreprise, mais des difficultés encore à en tirer de la valeur.
Une grande majorité se considère « en retard » avec un fonctionnement encore trop en silos. Les causes de ce recul sont les freins organisationnels (manque de gouvernance), humains (pénurie de compétences et résistance au changement) et technologique (système d’information obsolète). Ils ne sont que 22% à s’estimer « en avance » avec des équipes et des processus dédiés à la data.
Comment évaluer la maturité data ?
L’audit de maturité est une étape fondatrice qui permet de situer les enjeux de l’organisation et garantir l’établissement d’une roadmap combinant simplicité de mise en œuvre et pertinence stratégique.
Comme toujours en matière de data, chaque situation est unique et mérite une évaluation sur-mesure. Le modèle DMA (Data Maturity Audit) conçu par DataValue Consulting, tenant compte des dernières évolutions du marché, identifie 5 niveaux de maturité de l’entreprise « Data Driven ».
Il permet de situer les pratiques et le niveau de maturité de l’entreprise par rapport aux leaders de l’approche data-centric, grâce à des indicateurs déclinées sur trois volets : fonctionnels, organisationnels et technologiques.
Le pilotage par la donnée : la difficulté à définir un système data driven efficace
Les capacités de pilotage des entreprises par la donnée
L’état du marché est mitigé en ce qui concerne la capacité à unifier et restituer les données au sein de tableaux de bord dans un objectif de pilotage et de prises de décision.
52% affirment avoir le sentiment de piloter leurs activités par la donnée, 34% considèrent ne pas être arrivé encore à ce stade. 7% déclarent ne pas parvenir du tout à piloter leurs activités par la donnée.
Le niveau de satisfaction en matière de valorisation
Le niveau de satisfaction global en matière de valorisation des données (tableaux de bord, indicateurs de suivi, processus de pilotage et outils de data visualisation) est, lui aussi, disparate. 66% des sondés indiquent une note de satisfaction en dessous de 5 sur 10.
Comment développer un pilotage par la donnée efficace ?
La clé pour développer des solutions de valorisation des données satisfaisantes est d’impliquer les directions métiers au cœur du projet. Ainsi, ils peuvent identifier les bons KPI, maîtriser les modèles de données et élaborer, avec l’aide de l’IT, des rapports pertinents.
Certaines entreprises font le choix de nommer des référents au sein des directions métiers et de les faire monter en compétences sur l’outil. Beaucoup optent pour un ou plusieurs outils groupe qui font l’objet d’un ambitieux programme de formation et de conduite du changement.
La connaissance ne doit pas uniquement être à la DSI. Nous avons intégré des référents data au sein de chaque département métier (supply, finance, production, achats, etc.) avec un cursus de formation dédié, afin de les aider à produire et faire évoluer en toute autonomie leurs rapports d’aide à la prise de décision.
Adrien Geraldes, Application Manager chez Novéal
La définition et la priorisation des cas d’usage data : tendances et difficultés rencontrées
La présence d’une roadmap priorisée de cas d’usage au sein des entreprises
Beaucoup rencontrent des difficultés à construire un portefeuille de cas d’usage. Ce frein entraîne des interférences dans la priorisation des chantiers, faute d’une direction claire. Près de 73% des interrogés affirment ne pas disposer de roadmap priorisée de cas d’usage. 42% affirment initier ce travail pendant que 22% l’envisagent seulement.
54% des sondés affirment avoir mis en production 5 cas d’usage ou moins. Ils sont 15% à n’avoir pas mis en production de cas d’usage jusqu’à présent, et 25% à en avoir mis plus de 9. Bien que majoritairement équipés d’une plateforme data (pour 54% des interrogés), beaucoup peinent encore à franchir la marche de l’industrialisation.
Les 3 avantages clés de la mise en place une roadmap de cas d’usage :
- Ancrer la transformation dans le concret : favoriser l’adhésion des utilisateurs et la pérennité de la démarche,
- Lotir finement les chantiers : éviter l’effet tunnel et présenter régulièrement les bénéfices de la démarche,
- Initier un portefeuille d’opportunités : adapter en permanence la transformation data aux priorités métiers
Les principaux objectifs auxquels répondent les cas d’usage
Les principaux objectifs auxquels doivent répondre les cas d’usage sont l’amélioration de l’expérience et la connaissance client (57%), l’optimisation des processus métiers (48%) et l’amélioration de la rentabilité de l’entreprise (42%). La réconciliation des données client fait partie des priorités de beaucoup d’entreprises qui gèrent une forte volumétrie de clients, ou qui évoluent dans des secteurs réglementés.
La réussite de la stratégie data est dépendante de la capacité d’une entreprise à valoriser les données, en partant de la visualisation à la data analyse jusqu’au prédictif. Beaucoup de sondés envisagent d’exploiter les technologies d’innovation dans les prochaines années, avec le Machine Learning et l’IA en priorité (73%), puis le Data Mining (52%).
Ces chiffres font écho à la composition actuelle des équipes data : 48% des sondés affirment disposer de data scientists et 64% de data analysts. Cette représentation démontre l’importance des compétences d’analyse et d’exploration des données.
Méthodologie pour définir et prioriser ses cas d’usage
Pour assurer un retour sur investissement de la stratégie data, il est important de définir des cas d’usage qui permettent de dégager de la valeur. Que la data soit commercialisée, partagée ou même exploitée à des fins de prise de décision, ses usages finaux doivent être inscrits dans la stratégie de l’entreprise.
Il est important de se rapprocher des directions métiers pour collecter leurs besoins en matière d’usage de la donnée. Il est conseillé de démarrer par des cas d’usage simples à mettre en œuvre et d’éviter ceux qui entraînent trop de complexité (nombreux modèles de données, données non qualitatives, enjeux de déploiement à l’international, etc) même s’ils génèrent un ROI élevé.
La définition du portefeuille de cas d’usage se fait à deux niveaux : la phase d’idéation et la phase de maturation.
1. Phase d’idéation
La phase d’idéation sert à faire un état des lieux de l’existant et à alimenter les réflexions pour aboutir à des cas d’usage concrets. Le modèle de scoring est basé sur des critères d’organisation et de stratégie. Chacun de ses critères accepte 3 valeurs (bas, moyen, haut) qui décrivent des options qualitatives ou quantitatives.
2. Phase de maturation
La phase de maturation est la finalisation du travail avec les parties prenantes opérationnelles. Le modèle de scoring est basé sur le scoring de l’idéation et d’une étude de faisabilité. Il est complété par une matrice de décision intérêt/faisabilité où l’on positionnera le résultat obtenu. C’est ce modèle qui permettra de cibler où mettre l’effort.
Conclusion
Les entreprises sont en ordre de marche pour faire de 2022 l’année qui saura transformer leur organisation et les faire converger vers un modèle data centric. En témoignent l’augmentation des dépenses en data envisagée pour 70% des sondés. Aujourd’hui, l’enjeu majeur est d’anticiper les freins potentiels du projet et mettre en place des actions pour les éviter avant qu’ils n’affectent le projet. Cela passe par la construction d’une culture data durable à travers des règles, des procédures, des outils et une organisation adaptée.
La rédaction vous conseille
> Méthodologie pour identifier et prioriser des cas d’usage data
> Stratégie Data : comment élaborer sa roadmap data ?