Nouvel "or noir" de notre économie, moteur de la transformation numérique des entreprises, la donnée est aujourd'hui omniprésente. Du sol au plafond, la data infuse les organisations. En parallèle, on assiste à une démocratisation de l'accès à la donnée. Jusqu'à un passé récent, les directions métiers devaient faire appel à un expert du décisionnel et attendre plusieurs jours voire semaines avant de voir leur demande de reporting aboutir.
Une nouvelle génération de solutions de business intelligence (BI) dites en self-service comme Tableau Software ou Power BI de Microsoft a changé la donne. Faciles à installer et à prendre en main, les métiers se sont rapidement approprié ces outils pour créer par eux-mêmes des rapports dynamiques faisant la part belle à la datavisualisation.
Qui dit self-service, dit aussi shadow IT. Ces solutions en mode SaaS ont, pour certaines, été déployées sous le radar de la DSI, leurs éditeurs n'hésitant pas à s'adresser directement aux directions opérationnelles. Ce qui n'a pas été sans entraîner des problèmes en termes d'intégration et d'urbanisation du système d'information.
La dissémination des données dans toute l'organisation pose aussi un enjeu de conformité réglementaire au regard du RGPD. La démocratisation de l'accès à la donnée ne peut donc aller de pair qu'avec une nouvelle répartition des rôles entre la DSI et les métiers. "Business partner" des métiers, la DSI leur fournit les outils pour les rendre autonomes tout en définissant le cadre de leur utilisation.
Contrôle qualité de la donnée
Plus généralement se pose la question de la qualité de la donnée. La confiance portée dans la qualité à la donnée est centrale. Quand un utilisateur publie un tableau de bord, il doit être certain de la fiabilité des résultats. A partir de quel moment la donnée est-elle fiable et sécurisée ? Sinon, quelle politique de remédiation mettre en œuvre pour la redresser ?
La préparation de la donnée suppose d'établir des règles de nettoyage, de normalisation, de classification et de catégorisation afin de s'assurer que la donnée exploitée est complète, intègre, dédoublonnée, cohérente et à jour.
Un projet de gouvernance est à la fois technologique et organisationnel. Il s'agit tout d'abord de cartographier l'ensemble des données d'une organisation pour bâtir un data catalogue. Ce référentiel recense les données mais a aussi pour vertu de donner une définition claire des indicateurs partagés.
Les départements d'une entreprise gèrent tous des données clients mais ils ont chacun une définition souvent différente de ce qui caractérise un client. Pour un service commercial, cela sera une personne physique ou morale qui a passé une commande depuis moins de X mois. Pour la DSI, un client se résumera à un code. Il faut arriver à une terminologie commune.
Sur le plan organisationnel, il convient de définir des rôles et les responsabilités associées avec des profils de propriétaires et de consommateurs de la donnée. Qui est responsable de la donnée et s'assurera de sa qualité ? Qui va gérer son évolution voire sa fin de vie ?
Acculturation à la data
Une entreprise data driven doit aussi mener une politique intensive d'acculturation qui va se gérer sur une temporalité de moyen terme. Il s'agit de sensibiliser l'ensemble des collaborateurs à la valeur de la donnée, vecteur de transformation de leurs métiers. Si les grands comptes sont matures sur ce terrain, ce n'est pas encore le cas des entreprises du mid market.
L'acculturation à la data passe par la nomination de référents justifiant d’une connaissance forte à la fois des enjeux et des outils. Ces ambassadeurs data représentent toutes les fonctions de l'organisation qu'il s'agisse de la logistique, de la vente ou du contrôle de gestion.
Encore baptisés data champions, ils se retrouvent dans des communautés data qui vont travailler sur la montée en compétences et l'élaboration de nouveaux cas d'usage. La rédaction d'un manifeste permet de définir la raison d'être d'une communauté. Il s'agit d'une profession de foi résumée en une phrase comme "enrichir nos savoir-faire pour valoriser la data et imaginer ses nouveaux usages".
Ces communautés vont faire de la prospective et de la veille sur les apports des nouvelles technologies. Les modern data platforms permettent de traiter des données en temps réel ou presque. L'intelligence artificielle apporte, elle, une dimension prédictive alors que la BI offre avant tout une image du passé.
Autre piste de travail : aider les métiers à faire "parler" les données. Le data storytelling utilise, à cet effet, les principes de la narration et un ensemble de conventions graphiques et de codes couleurs pour expliquer de façon simple des chiffres complexes et dégager des tendances.
Comme on le voit, pour les dirigeants, la mise place d’une entreprise véritablement data driven est le fruit d’une politique étendue de la data et d’un ensemble de temporalités maîtrisées.
