En provenance de sites web, de réseaux sociaux, ou encore d’objets connectés, les données échangées se révèlent chaque année toujours plus volumineuses. Un phénomène qui a pris une toute autre ampleur depuis le début de la crise sanitaire il y a un an et la digitalisation des organisations à « marche forcée » qui en a découlé. Plus que jamais, Abdelaziz Joudar, président de DataValue Consulting, estime que ces dernières doivent maitriser toute la chaîne de valeur de la donnée, de sa collecte au traitement jusqu’à sa restitution.
Abdelaziz Joudar, Président de DataValue Consulting
Leur performance repose en effet pour une grande part sur l’analyse et l’exploitation à bon escient de ces données, qui jouent un rôle prépondérant dans leur prise de décision et la définition de leurs objectifs. Pour cette raison, les entreprises se dirigent aujourd’hui vers des stratégies « data centric », misant sur une architecture construite autour de la donnée afin d’en garantir l’exactitude, l’intégrité et l’actualité.
Vers toujours plus de cas d’usage
Les organisations collectent et stockent des données variées, aux formats hétérogènes : toutes sont potentiellement créatrices de valeur et représentent ainsi des actifs à part entière. Une fois traitées, les données peuvent donner naissance à des cas d’usage quasi infinis, et ce dans tous les domaines d’activité. Peu importe le secteur concerné, toute innovation passe dorénavant par la donnée, à la condition bien sûr que l’organisation de l’entité ait été préalablement recentrée autour de sa data. La création de produits et services est donc désormais fonction de l’analyse des données d’une entreprise. Les traitements de données permettent non seulement d’évaluer leurs chances de succès et leur efficacité opérationnelle, mais aussi de contrôler les risques économiques, de sécurité, ou réglementaires.
A lire aussi : [Chronique] Intelligence digitale : un monde en transition(s)
D’un point de vue marketing, adopter une stratégie « data centric » constitue un facteur d’amélioration de la segmentation et de la connaissance client, ainsi que d’optimisation et de rentabilisation des coûts de campagne. De nombreux cas d’usage ont également vocation à satisfaire un besoin purement opérationnel, en matière de maintenance prédictive par exemple : la détection de futures pannes issue de l’analyse de données provenant des machines offre à l’évidence à l’entreprise l’opportunité de les anticiper et donc de réaliser des économies substantielles. En matière de fraude enfin, la mise en place d’une architecture « data driven » est porteuse de nombreux cas d’application, telle la définition de scorings ou de profils types d’entreprises susceptibles d’effectuer des déclarations administratives mensongères.
De la vision à la réalisation des cas d’usage
Une organisation « data centric » doit assurément s’appuyer sur certains piliers : la réalisation de la cartographie de la donnée, la définition de ses principes de gouvernance, de stockage, d’historisation et de diffusion. Néanmoins, la valorisation de la data est en premier lieu conditionnée par le niveau de maturité de l’entité qui désire se recentrer autour de ses données. Le chemin vers cette nouvelle organisation nécessite sans aucun doute un accompagnement dont les étapes doivent respecter un ordre précis. Il s’agit tout d’abord d’obtenir la vision la plus exacte possible de l’usage à venir de la donnée. La deuxième phase de l’accompagnement doit être l’occasion de définir avec précision les différents cas d’usage, ou autrement dit, l’ensemble des projets générateurs de valeur et de retour sur investissement pour l’entreprise.
Chez les PME, on dénombre généralement 30 à 40 cas d’usage lors de cette phase. Un chiffre qui peut monter à une centaine pour les groupes de taille importante. Gonfler les ventes, optimiser les process, augmenter le nombre d’articles du panier moyen…les « uses cases » émanant des opérationnels et de l’IT sont multiples. Ils concernent aussi bien des problématiques de perte financière, de « churn » par exemple, que des éléments opérationnels bloquants pour l’activité, tel le manque de visibilité sur l’utilisation d’une infrastructure de transport.
Après avoir fait le point sur la pertinence et la faisabilité des cas d’usage, il convient de définir l’organisation à mettre en place, data et humaine, et d’y associer un chantier de conduite du changement. La phase suivante déterminera le cahier des charges technique, tant dans ses aspects de data management (cartographie, qualité des données, gouvernance, qualité des données etc.), que d’un point de vue « data plateforme » (Cloud, intégration du SI etc.). L’étape finale de l’accompagnement sera dévolue à la réalisation des cas d’usage associée à l’établissement des modèles de restitution des données : data visualization, intelligence artificielle, ou encore Machine Learning.
Des points de vigilance à ne pas négliger
Démarrer la mise en œuvre d’une stratégie « data driven » par le chantier technique ou par la définition des cas d’usage figure fréquemment au nombre des erreurs commises par les entreprises. De même, ces dernières négligent parfois la mise en place de démarches de conduite du changement, chantier pourtant crucial dont l’absence peut faire échouer la nouvelle stratégie : la formation des équipes, le détail de leurs compétences, et les ressources disponibles doivent donc impérativement faire partie de la feuille de route du projet. Chacune des étapes de la démarche de l’entité vers une organisation « data centric » présente cependant des points de vigilance auxquels le prestataire doit prêter attention. La qualité de la donnée représente en outre pour les entreprises un autre point d’alerte, qui nécessite d’être maîtrisé avant tout lancement de projet. Les premiers cas d’usage serviront par ailleurs de test à la qualité de la donnée. Au démarrage, la réalisation de cas d’usage simples présentant un nombre de données raisonnable sera favorisée.
Le prestataire devra de plus anticiper les risques inhérents à la mise en place de toute nouvelle architecture, ainsi que les risques spécifiques à la mise en œuvre d’une organisation « data centric » : indisponibilité des ressources, absence de sponsor fort pour mener les projets à leur terme, choix technologiques en décalages avec les use case, ou encore ajustement du cas d’usage en raison d’un écart constaté entre le besoin métier initial et le résultat obtenu.
L’organisation « data centric » : une révolution toujours en marche
A l’avenir, les organisations devront faire face à un traitement de données encore plus important, notamment dans un contexte d’accroissement du stockage dans le cloud et de développement des usages digitaux. Autre enjeu critique pour toute organisation : la cybersécurité, thème sur lequel beaucoup d’attentes se cristallisent, tant sur le volet RGPD que sur celui des cyberattaques, en recrudescence. De nombreux défis à relever concerneront enfin la data visualization et le self service BI, grâce auquel les utilisateurs finaux deviendront maîtres de la donnée et seront en mesure de réaliser leurs analyses en toute autonomie.