Les équipes Data œuvrent en central, mais aussi au sein même des métiers. Cette approche hybride évite de créer un goulet d’étranglement tout en rendant autonomes les métiers. Comment Mazars France, Crédit du Nord et la Banque Postale parviennent à résoudre cette complexe équation.
La réussite des initiatives repose aussi sur un fonctionnement en squads agiles réunissant différentes compétences, dont des profils business, les auteurs du besoin. Voilà pour la méthode, mais quid de l’organisation et de la répartition des rôles et responsabilités ?
La Data Factory de la Banque Postale en mode hybride
A la Banque Postale, le modèle retenu est “hybride”, comme l’explique Clémence Panet-Amaro, Chief Data Scientist en charge de la Data Factory, qui compte une dizaine de membres. Ainsi, celle-ci est rattachée à une direction transverse remplissant des missions Data pour les autres fonctions de la banque.
Parallèlement, des métiers disposent de leurs propres équipes Data capables de mener leurs projets dédiés. “Au quotidien, la Data Factory accompagne donc des experts de la donnée, par exemple au sein de la direction marketing ou des risques. L’enjeu pour nous sera de travailler en complémentarité avec eux, notamment sur des projets innovants pour lesquels ils ne disposent pas de la bande passante nécessaire”, détaille la spécialiste de la Banque Postale.
Cette approche permet de compléter les ressources du business, y compris pour explorer en R&D des usages. Par ailleurs, elle garantit la participation d’un métier au projet, “porteur et sponsor pour lui permettre d’aller jusqu’au bout”, souligne-t-elle. Et ce sponsorship est d’autant plus critique que la phase d’industrialisation est “coûteuse”.
Dès lors, “s’il n’y a pas un métier prêt à le financer, cela n’aboutira pas”, prévient Clémence Panet-Amaro. Différents témoignages d’experts et notamment de CDO le confirment. Ils mettent de plus en évidence que le sponsoring ne peut se cantonner à des déclarations d’intention.
“Chaque projet est soumis à une analyse de la donnée et du ROI, et sous condition d’un sponsorship. Le sponsor s’engage à financer 50 % des coûts. Le métier consacre de l’argent et des ETP métier au projet pour délivrer le projet en mode agile”, détaillait Chafika Chettaoui auprès d’Alliancy début 2022.
A lire aussi : Poursuivre l’acculturation data à tous les niveaux chez Suez
Partage d’expertises et acculturation des métiers
Le Data Office et sa factory appuient les métiers experts de la donnée, au travers d’un “partage d’expertises”, mais leur rôle consiste aussi à “accompagner ceux qui ne sont pas encore experts”, déclare la Chief Data Scientist de la Banque Postale. Son équipe mène donc des projets de bout-en-bout auprès de ces métiers pour “progressivement les acculturer et les former afin, qu’à terme, ils soient autonomes sur leurs projets.”
L’organisation prônée par la banque repose ainsi sur des effectifs réduits en central, complétés par des “spécialistes data au plus près des métiers”. C’est un des grands enjeux de Clémence Panet-Amaro, aux côtés de la réglementation, de l’IA de confiance et des talents.
La proximité métier est une préoccupation pour la plupart des entreprises engagées dans une stratégie Data, dont Crédit du Nord, en cours de fusion avec le réseau de Société Générale. Leur autonomie est aussi un moyen de massifier les cas d’usage sans que le Data Office ne constitue un goulet d’étranglement.
“Nous réfléchissons à la manière de servir tous ces usages et toutes ces stratégies sans démultiplier les équipes IT ou data-métiers, et sans être systématiquement confrontés à des problématiques de qualité de données”, confie Patrice Cougé, directeur Data et expérience clients de Crédit du Nord.
Le futur réseau bancaire prévoit donc de réunir l’ensemble des compétences Data dans une grande direction, rattachée directement au Comex et comptant parmi ses partenaires privilégiés l’IT et les lignes business. Cependant, les experts Data “doivent rester proches des métiers”.
Des relais business et citizen data scientists
Enfin, un profil conciliant data et business aura pour fonction de supervision ces relais et l’ambassadeur réseau. “Il managera cet ensemble et aura, j’espère, une vision globale de toute la stratégie de déploiement d’usages (…) c’est un maillon important. Le Data producteur, avec l’IT, ne doit pas être trop éloigné des métiers (…) jusqu’à pouvoir leur donner des produits sur étagère.”
Le Low Code No Code est une piste à l’étude. Société Générale est d’ailleurs déjà client de Dataiku pour les développements en IA par ses métiers. Son objectif fin 2022 était de compter 200 utilisateurs de la plateforme. A noter que la banque teste aussi l’offre Power Platform du cloud Azure de Microsoft. Plusieurs pilotes sont en cours.
Ces démarches pourraient bénéficier à l’activité de banque de réseau du groupe. A un support Data en central, Société Générale et Crédit du Nord prévoient d’ajouter une seconde couche. L’organisation mise en place vise ainsi à “self-careriser et rendre autonomes la plupart des métiers, notamment les couches d’usage, comme le reporting”, déclare le cadre bancaire.
En autonomisant les métiers sur ces applications, des ressources à la direction Data sont libérées et les collaborateurs business peuvent concevoir eux-mêmes et plus rapidement des solutions adaptées à leurs besoins. Une source d’inspiration pour cela : le Data Mesh, basé sur des data domains, des produits data et une plateforme self-service.
Des métiers plus autonomes et des experts formés
Autonomiser les collaborateurs est aussi un enjeu pour Mazars France, comme l’indique Laurent Inard, chief R&D officer. A cette fin, le cabinet a notamment créé une “Data School”. Le membre du conseil de surveillance fait un parallèle avec Excel pour illustrer l’importance de la démocratisation.
“Tout le monde utilise Excel sur 20% de ce que l’application permet de faire, mais ces fonctionnalités couvrent 80% des besoins. Sur la Data, la logique est la même. Il faut pouvoir rendre les collaborateurs autonomes sur ces 20%. Et lorsque le besoin est trop complexe, ils font appel aux spécialistes.”
Clémence Panet-Amaro insiste sur la nécessité de mettre en place une “complémentarité et une synergie entre métiers, l’IT et la Data Science.” Cet alignement, précise-t-elle, est indispensable pour l’expression du besoin et l’adéquation de la solution avec celle-ci, mais aussi pour le passage de l’expérimentation à l’industrialisation.
A cette fin, la Factory de la Banque Postale met en oeuvre des objectifs MLOps “qui permettent de réunir au même endroit métiers, data scientists et IT, et ce dès le démarrage des projets.” Une vision commune sur le code facilite ainsi l’information des parties et le passage à l’échelle.
Parmi les facteurs clés de succès, la chief data scientist cite également l’acculturation de tous, dont la direction afin qu’elle comprenne “les risques et les opportunités de la Data.” Les actions concernent aussi la formation technique, notamment à destination des statisticiens de la banque pour accompagner leur virage vers la Data Science.
A ces “formations purement techniques” s’ajoutent d’autres modules destinés eux aux jeunes data scientists et portant par exemple sur l’explicabilité. La finalité est ici d’enrichir leurs compétences au-delà des seules métriques d’optimisation et de la “pure technique”.
“Une partie des Data Scientists ne comprend pas toujours bien les enjeux des variables utilisées et leur signification métier. Pour demeurer pertinent avec les métiers, il me semble nécessaire d’acculturer les plus jeunes à ces sujets d’explicabilité, de lutte contre les biais et d’éthique, souvent manquants dans les formations initiales actuelles”, remarque Clémence Panet-Amaro.