Le fait que les données constituent un actif d’entreprise, ne semble plus devoir être démontré. Pour ceux qui doutent encore, la capitalisation des géants du digital, qui se trouvent aussi être les champions de l’exploitation des données, est particulièrement intéressante à analyser. Les GAFAM pesaient début 2020, 5000 milliards de dollars soit 2,4 fois le poids du CAC 40 . L’écart s'est accéléré durant l'année 2021 avec la crise sanitaire, puisque les GAFAM valent désormais 7000 milliards de dollars.
Néanmoins, malgré la prise de conscience de l'importance de la donnée pour l'entreprise, le passage de la conviction à la transformation des pratiques est loin d’être trivial. Cela suppose d’œuvrer à minima sur trois dimensions : la technologie, les acteurs et les process.
La technologie est fondamentale : ce sont bien les évolutions technologiques des dernières décennies avec Internet et l’e-commerce, les objets connectés, l’Intelligence Artificielle, les réseaux sociaux ou encore dans une moindre mesure (pour l’instant) la Blockchain qui sont à l’origine des mutations. Les entreprises l’ont bien compris, elles sont de plus en plus nombreuses à se doter de technologies adaptées comme des solutions de Data management, d’Analytics et d’IA, d’infrastructures Big Data et de plateformes Cloud.
Mais en dépit de nombreux investissements sur les technologies, il est estimé que moins de 5% des entreprises parviennent aujourd’hui à bénéficier réellement de leur patrimoine Data pour créer un avantage compétitif. Ce constat vient rappeler les autres observations sur le taux de succès des grands programmes de transformation dans les entreprises qui est estimé à moins de 30%.
L’un des enseignements clés des études menées sur le sujet est que la transformation des pratiques à l’échelle de l’entreprise ne peut réussir sans un investissement adapté sur les compétences des équipes (savoirs, savoir-faire et savoir-être), la communication et la mise en place de processus adéquats. L’évolution doit se faire aussi bien sur le plan individuel que sur la collaboration pluridisciplinaire.
Pour cela il nous semble indispensable pour les Data leaders de travailler sur les points suivants.
Partager la vision et la stratégie
Une vision claire qui aide à envisager un état cible désirable est, en général, une première source de motivation pour les équipes. Elle permet d’établir une direction commune dont l’absence peut entraîner confusion et incohérence. La stratégie, qui précise les orientations choisies pour réaliser la vision, donne un cadre de référence pour la répartition des ressources et les arbitrages multiples. Elle permet de partager les enjeux et crée les conditions préalables pour l’engagement et l’alignement des équipes en donnant un sens à l’action.
Identifier la variété des rôles dans le contexte et assurer l’accompagnement (enablement) des acteurs
Tous ceux qui manipulent la donnée au quotidien le savent. La transversalité du sujet nécessite l’implication d’une variété de rôles.
Il y’a d’abord les leaders et les managers qui donnent les orientations, contrôlent, valident et arbitrent. Dans la filière Data on retrouvera les rôles tels que : - Chief Data Officer et/ou Chief Analytics Officer à un niveau de direction, - Data Lead, DMOs, Data Governance manager, Data managers, Data Quality managers, Data Analytics officer à différents niveaux de management. Dans les filières métier les correspondants des rôles Data sont les Data Owners, généralement des managers de haut niveau, et les Business Data Stewards qui sont leur relais. On retrouvera aussi bien sûr des rôles de managers dans la DSI avec les responsables applicatifs et les responsables d’architecture.
Il y’a ensuite, une diversité de rôles opérationnels qui peuvent être rattachés aux différents domaines du Data Management : - Gouvernance: sous la responsabilité du leader Data, les personnes ayant classiquement les rôles de Data officers / Data managers / Data Stewards en charge de l’exécution des stratégies Data offensives et défensives (protection et conformité réglementaire, qualité, valorisation et monétisation), de la mise en place des politiques et des principes, de la gestion des connaissances Data (métadonnées, classifications) ainsi que de l’acculturation Data et la gestion du changement ; - Analytique et valorisation: les professionnels de la BI (descriptive), BI analystes ou Data analystes, les Data miners spécialistes de la fouille de données, les ingénieurs de Data visualisation, les experts de la Data Science et de l’IA pour le prédictif (voir du prescriptif) que sont les Data Scientists et les ingénieurs ML ; - Gestion du cycle de vie et de la qualité: les spécialistes des données référentielles (MDM et données de référence) et les professionnels de la qualité des données généralement appelés Data Stewards / Data managers / Data officers ; - Définition et modélisation: les architectes de données, les spécialistes des métadonnées, les data modelers qui peuvent être dans la filière Data ou dans la DSI ; - Protection des données: les administrateurs, ingénieurs et architectes sécurité qui sont dans les équipes IT sous la direction du CISO et le contrôle du DPO ; - Gestion des infrastructures: les administrateurs, ingénieurs et architectes en charge des infrastructures Data Lakes, DataWarehouse et des intégrations de données au sein de la DSI ;
Face à la multiplicité des rôles et la diversité des termes utilisés pour les désigner plusieurs initiatives de normalisation sont entrain d’émerger. Bien qu’une partie limitée des rôles mentionnés ci-dessus soit, en général, formalisée par une fiche de poste validée avec la Direction des ressources humaines, la professionnalisation autour des données est bien engagée. Il est donc utile pour les entreprises de cartographier les rôles Data qui existent dans l’organisation (formels et informels) de réaliser des bilans de compétences et d’engager des plans de développement adéquats (formations, coachings, support) pour réussir la transformation.
Promouvoir la collaboration pluridisciplinaire
Considérer les données comme un actif d’entreprise implique de gérer la Data comme une ressource économique qui détient ou délivre de la valeur ; comme par exemple un produit ou un service. Pour gérer le cycle de vie des "produits Data" ou cas d'usage Data, il semble donc indispensable de mettre en place une collaboration efficace entre plusieurs parties prenantes.
Sans surprise, la satisfaction des clients des cas d'usage Data - les utilisateurs internes ou externes qui ont un besoin - peut servir de trame pour organiser les collaborations. Quels sont les problèmes du client qui peuvent être traités ? Quels sont les points de douleur qui peuvent être résolus ? Quels sont les progrès qui peuvent être apportés ? Les exemples de cas d’usage sont très nombreux du fait de l’ubiquité des données : affiner la segmentation clients, améliorer le ciblage de campagnes marketing, identifier l’attrition, détecter les corrélations associées à un événement métier, ... Tous les métiers de l’entreprise sont de potentiels clients.
De l’identification des besoins à leur formalisation, en passant par la conception et réalisation d’une solution, jusqu’à la mise à disposition et fourniture de support, plusieurs parties prenantes métier, Data et IT doivent collaborer de manière efficace et répétable. Les approches agiles (et les pizza teams) présentent un grand intérêt pour réussir la collaboration pluridisciplinaire autour des use cases Data.
Maintenir une communication efficace et régulière pour diffuser l’acculturation Data
La communication est un facteur essentiel de la réussite d’un programme de transformation Data. Une communication efficace doit rappeler les objectifs visés et adapter le contenu en fonction des besoins des différentes parties prenantes.
Quelques bonnes pratiques consistent à : - Décrire la vision de la réussite: il s’agit de visualiser l’état cible pour permettre aux acteurs de comprendre l'impact du changement sur leur périmètre et se projeter dans l’avenir en construction. - Clarté et pertinence: la clarté du propos et son adéquation en termes de détail (ni trop, ni trop peu) seront des éléments clés de conviction. Trop de jargon ou une place trop importante donnée aux aspects techniques peuvent repousser une partie de l’audience. - Partager des histoires et des exemples: les analogies et les histoires sont des moyens efficaces pour décrire et aider les personnes à se souvenir des objectifs des initiatives Data. - Être à l’écoute des retours: la réaction des interlocuteurs est un indicateur de l’efficacité de la communication. Si une tactique ne fonctionne pas, il est important d’essayer un angle différent. - Diversifier les moyens de communication: les formats d’échange produisent des effets différents. Il est donc important de varier les moyens et les formats par lesquels les messages sont transmis : pages web, blogs, e-mails, réseaux sociaux, entretiens individuels, présentations en petits et grands groupes, déjeuners-conférences, ateliers, etc. - Répéter sans relâche: la plupart des messages doivent être répétés pour être entendus et compris par toutes les parties prenantes. Il faut néanmoins le faire de manière à ce que la répétition soit utile pour faire passer le message et ne devienne pas contre-productif.