Les données sont devenues un buzzword de nos jours, de nombreuses entreprises vantant leur potentiel à révolutionner leurs opérations. Mais au-delà du battage médiatique, les données peuvent apporter une valeur réelle aux entreprises qui les exploitent efficacement. L’avantage le plus évident des données est l’amélioration des capacités de prise de décision et de prévision.

Bien que la plupart des organisations considèrent leurs données comme un actif stratégique, beaucoup d’entre elles doivent encore en tirer pleinement parti pour progresser. Les organisations ne peuvent pas libérer le plein potentiel des données sans une stratégie de données claire et bien préparée.

Dans cet article, vous découvrirez les stratégies de données, pourquoi elles sont si importantes pour les organisations modernes, et comment ces stratégies sont conçues pour maximiser le retour sur les investissements réalisés en termes d’argent et d’efforts.

Stratégie de données

Une stratégie est définie comme un plan d’actions conçu pour atteindre un objectif à long terme ou global.

Une stratégie de données est un plan d’actions qui décrit comment une organisation collecte, stocke, gère et utilise les données. Elle doit inclure des objectifs pour l’utilisation des données à court et à long terme, ainsi que des règles pour assurer la conformité aux lois et réglementations pertinentes.

« Une stratégie de données est un processus hautement dynamique employé pour soutenir l’acquisition, l’organisation, l’analyse et la diffusion des données en appui aux objectifs métier. » Glossaire Gartner

Une stratégie de données réussie inclut également des plans pour analyser les informations collectées afin d’obtenir des insights sur le comportement des clients ou d’autres tendances au sein de l’environnement métier, et ainsi prendre des décisions éclairées.

Une stratégie de données vise à déterminer comment l’entreprise peut utiliser les données pour prendre des décisions métier et créer une approche combinant les personnes, les processus et la technologie en un plan cohésif. Cela garantira que le plan devient réalisable.

Pourquoi une stratégie de données est-elle nécessaire ?

Les données ne sont plus simplement un sous-produit de l’activité — elles constituent un actif vital qui peut orienter la prise de décision et, par conséquent, les revenus. Disposer d’une stratégie de données est essentiel pour que les organisations restent compétitives et innovantes face aux changements constants. Les entreprises peuvent atteindre leurs objectifs en collectant, en organisant et en utilisant efficacement leurs données, tout en déblocant de nouvelles opportunités qui leur seront bénéfiques.

Disposer d’une stratégie de données permet aux organisations d’être innovantes, donne aux utilisateurs métier les moyens de travailler efficacement et maintient l’entreprise compétitive. Sans une stratégie de données adéquate, les organisations se heurtent à ces défis courants :

  • Des processus métier lents et une incapacité à prendre des décisions data-driven en temps opportun,
  • Un manque de compréhension approfondie des parties critiques de l’activité et des processus qui les font fonctionner,
  • Un manque de clarté sur les besoins métier actuels (un problème que l’analyse descriptive peut aider à résoudre) et sur les objectifs (que l’analyse prédictive et prescriptive peut aider à identifier),
  • Un flux d’information inefficace entre les différentes parties de l’entreprise, et la duplication des sources de vérité par plusieurs unités métier (silos de données).

En résumé, sans stratégie de données, une entreprise a peu de chances de fonctionner efficacement et de manière rentable, ni de connaître une croissance réussie.

Organisations data-centric vs. data-driven

De nombreuses organisations se décrivent comme data-driven ou data-centric, utilisant les deux termes de manière interchangeable. Mais les deux ne sont pas identiques et ont des applications particulières.

Les organisations data-centric se concentrent sur les données elles-mêmes, en les collectant et en les analysant pour obtenir des insights. Elles utilisent ensuite ces informations pour orienter les décisions concernant le fonctionnement de leur activité. En conséquence, les données sont perçues comme un actif précieux pouvant être utilisé pour obtenir un avantage concurrentiel.

Les organisations data-driven adoptent une approche encore plus proactive, en utilisant les données non seulement pour prendre des décisions éclairées, mais aussi pour piloter activement les changements dans leurs opérations et stratégies en fonction de ce que les données leur indiquent. Ce type d’organisation met davantage l’accent sur l’exploitation de technologies telles que l’analyse prédictive ou les algorithmes de machine learning, qui leur permettent d’identifier rapidement et précisément des patterns dans de grands ensembles de données, afin d’agir sur ces découvertes plus vite que jamais avec les méthodes traditionnelles seules.

Décisions data-driven vs. data-centric

En termes simples, les entreprises data-centric sont des organisations pilotées par leur modèle métier qui utilisent les données comme levier pour obtenir des insights et orienter les décisions sur la façon dont elles exercent leur activité.

Les entreprises data-driven sont des organisations pilotées par les données. Elles conduisent le changement dans leurs activités en fonction de ce que les données leur indiquent.

Les éléments clés d’une stratégie de données

1 - La stratégie métier

La stratégie métier doit être « LE MOTEUR » de votre stratégie de données. Une stratégie de données réussie doit renforcer votre stratégie métier globale et doit répondre en premier lieu aux besoins métier pour générer une valeur précise et tangible.

Tout désalignement avec une stratégie métier peut entraîner le risque de prioriser les mauvais projets, de générer des insights faux ou inutiles, de gaspiller du temps et de l’argent en allouant des ressources rares à des activités non rentables, ou même, dans le pire des cas, de perdre l’intérêt et la confiance dans toute initiative data au sein de l’organisation !

De plus, votre stratégie de données ne réussira pas sans le soutien de la direction. Vos dirigeants ne soutiendront pas votre initiative sans un alignement clair entre votre stratégie de données et la stratégie métier globale. La première étape d’une stratégie de données réussie consiste à démontrer comment les données peuvent soutenir leurs objectifs et plans, puis à identifier et encourager des champions métier à considérer les données comme un actif précieux pour leurs départements ou fonctions spécifiques.

À cette fin, établissez des objectifs clairs et des buts mesurables pour votre stratégie de données qui servent votre stratégie métier globale.

2 - Objectifs et feuille de route de la stratégie de données

Le deuxième élément important de la construction d’une stratégie de données est la définition d’objectifs mesurables. Lors de l’élaboration d’une stratégie de données, il est essentiel de définir des objectifs à court et à long terme qui soient quantifiables. En tant que responsable d’une initiative data, vous êtes confronté au défi de réussir dans trois domaines clés : la croissance des revenus, l’efficacité opérationnelle et la gestion des risques liés à la sécurité et à la confidentialité. En établissant des métriques de succès, vous hiérarchisez en fonction de ce qui importe le plus à votre organisation à ce moment précis.

De plus, les départements ou équipes doivent avoir leurs propres objectifs locaux, réalisables grâce aux données. Par exemple, chaque département/fonction doit répondre à la question « Que voulons-nous accomplir d’ici l’année prochaine ? » avec un plan d’action décrivant comment il utilisera les données pour atteindre les résultats souhaités.

Chaque objectif fixé doit comporter un plan d’action pour l’atteindre. Les plans doivent être spécifiques et inclure des informations telles que le responsable de l’objectif, les technologies et processus utilisés, le coût pour atteindre l’objectif, le temps nécessaire et le résultat attendu. Les plans doivent également rester flexibles pour tenir compte de circonstances imprévues ou de changements inattendus.

La feuille de route est le résultat de tout le travail accompli pour rassembler les objectifs à court et long terme, identifier les buts globaux et locaux, et négocier les priorités de ces mesures1, permettant ainsi de mettre en action ce qui a été planifié. Vous savez où vous en êtes et où vous voulez aller. Mais avant de commencer tout processus de conception, de construction ou de formation, ou de modifier une procédure métier, les activités doivent d’abord être priorisées.

Matrice de priorisation

Priorisez les activités les plus faciles à mettre en œuvre et qui procurent des victoires rapides pour l’entreprise2, tout en évaluant la faisabilité et la valeur attendue de chaque recommandation conçue pour combler l’écart entre l’état actuel et l’état futur.

N’oubliez pas d’inclure les contraintes suivantes dans la feuille de route de votre stratégie de données :

  • la disponibilité des équipes et les ressources externes nécessaires,
  • le processus budgétaire avec les considérations d’investissement en capital,
  • les projets concurrents et simultanés susceptibles de limiter les ressources disponibles,
  • les jalons et carrefours majeurs de l’entreprise, tels que les nouveaux lancements de produits ou les fusions-acquisitions.

3 - Évaluation de la maturité des données

Après avoir obtenu le soutien de la direction et identifié les objectifs finaux, il est temps d’évaluer l’état actuel de votre écosystème. Réfléchissez aux aspects qui fonctionnent bien et à ceux qui nécessitent des améliorations pour créer une expérience data-driven. Identifiez également les obstacles qui vous empêchent d’exécuter votre feuille de route.

Vous pouvez vous appuyer sur les initiatives data existantes comme point de départ de votre stratégie de données. Cela peut vous aider à définir des victoires rapides atteignables et à prendre des mesures réalistes et progressives pour devenir plus data-driven.

Avec une compréhension complète de votre situation actuelle, il est possible d’identifier les lacunes, les points de douleur existants et ce qui doit être amélioré — qu’il s’agisse de technologie, de processus ou de personnes — pour que les objectifs de l’organisation soient atteints.

Évaluation de la maturité des données

Cet exercice d’évaluation de la maturité vous aidera à prioriser certains de vos objectifs, à définir des victoires rapides et à offrir un référentiel pour mesurer les progrès au fur et à mesure que vous comblez l’écart entre l’état actuel et l’état futur.

4 - Architecture de données

Pour toute stratégie de données réussie, il est nécessaire de revoir les infrastructures de données existantes (appelées « plateformes de données » dans le reste de la série) et d’analyser comment les utilisateurs métier peuvent en tirer parti. Toute stratégie de données nécessite les bons outils et technologies pour fonctionner comme prévu. Cela permettra d’identifier les lacunes potentielles à combler. L’étape suivante consiste à prendre des décisions centrées sur la technologie en fonction d’exigences spécifiques telles que la qualité des données, la conformité des données, et bien sûr, les principales caractéristiques des données (voir Data 101 - partie 1).

L’architecture de données comprend les outils et les processus qui vous permettent de concevoir la chaîne de valeur des données (appelée « parcours de données » dans le reste de la série). Elle fournit un plan directeur décrivant comment les données seront collectées et stockées au sein de l’environnement technologique d’une organisation, ainsi que la façon dont elles circuleront entre les différentes sources de données et applications. Ces éléments peuvent inclure divers types de matériels et logiciels sur site et dans le cloud. En fin de compte, l’objectif principal de l’architecture de données est de rendre vos données aussi accessibles, partageables et exploitables que possible pour toutes les parties prenantes qui en ont besoin, avec les contrôles de sécurité appropriés en place.

Pour commencer à construire votre architecture de données, il est essentiel d’identifier les ensembles de données présents dans les différentes unités métier de l’entreprise. L’utilisation d’un catalogue de données peut être bénéfique à cette fin ; cependant, s’il n’en existe pas encore, vous devriez consulter à la fois votre équipe et les utilisateurs qui utilisent régulièrement les informations pour passer en revue toutes les sources disponibles. Il est ensuite nécessaire de les stocker dans un référentiel unique, comme un data warehouse ou un data lake, pour analyser et exploiter efficacement vos données.

De plus, vous pouvez ingérer des données brutes provenant de sources disparates et les répliquer vers une destination pour le stockage et l’analyse. Vous pouvez également avoir besoin d’intégrer ou de transformer les informations stockées dans un autre format pour faciliter l’analyse. C’est ainsi que les pipelines de données entrent dans le tableau d’ensemble.

L’architecture de données comprend l’identification, l’ingestion, le stockage, la transformation et l’analyse des données. Une architecture de données bien documentée et mise en œuvre est essentielle pour une stratégie de données efficace et fiable, car elle simplifie la montée en charge de vos opérations de données lorsque le besoin s’en fait sentir.

Les prochains articles de cette série se concentreront particulièrement sur les différentes architectures de données qui existent et détailleront leurs principaux composants, car ils sont la manifestation concrète de toute initiative data.

5 - Les personnes

Pour devenir une organisation data-driven, vous avez besoin de plus que de la technologie. Les bonnes personnes aux bons postes sont essentielles pour garantir que la technologie et les processus sont adoptés et que les objectifs métier sont atteints. Par exemple, l’équipe de stratégie de données comprend généralement des représentants du comité exécutif, de l’analyse métier et des équipes IT.

Lorsque vous réfléchissez à qui utilise les données dans votre organisation, pensez à tout le monde — même ceux dont les responsabilités professionnelles tournent principalement autour d’autre chose que le travail avec les données. De plus, lorsqu’une organisation dispose de plusieurs ensembles de données, vous devez spécifier quel ensemble de données appartient à quel « propriétaire », c’est-à-dire qui est responsable du stockage, du traitement et de l’interprétation des différents ensembles de données.

La première étape pour constituer une équipe de stratégie de données efficace consiste à choisir ou à identifier votre modèle opérationnel. Votre modèle opérationnel dicte la structure de l’équipe et les rôles nécessaires pour atteindre vos objectifs.

Une organisation peut adopter trois types de modèles opérationnels : décentralisé, centralisé et hybride.

  • Décentralisé : répartit les responsabilités entre les différentes lignes métier (LoB) et l’IT. Créer une stratégie de données selon cette approche est appelé Data offense. Il reconnaît que plusieurs unités métier interprètent les mêmes données différemment. Il prend en compte ces différentes interprétations en autorisant des transformations de données contrôlées pour le reporting, pouvant être fiablement rattachées à la source unique de vérité. Cela aboutit à une approche collaborative (équipes multidisciplinaires, guildes transversales…).
  • Centralisé : tout relève de la responsabilité d’une fonction exécutive spécifique. Ce modèle opérationnel, souvent appelé Data defense, est une approche hautement centralisée et orientée contrôle de la gestion des données. L’architecture de données comprend généralement une source unique de vérité pour chaque grande catégorie de données. Cela permet une gouvernance plus accessible et des processus de prise de décision plus rapides.
  • Hybride : un mélange des modèles décentralisé et centralisé, avec une autorité centrale pour la gouvernance et des groupes d’unités métier décentralisées dans toute l’organisation. Ce modèle apporte une gestion cohérente des données et davantage d’autonomie et de flexibilité pour chaque ligne métier (LoB) pour gérer ses propres actifs de données.

Spectre offense-defense ©HBR

Le choix du type de modèle dépend de la taille et des ressources de votre organisation ainsi que de ses besoins actuels et futurs en matière de données. Aucun modèle n’est meilleur que les autres ; tout dépend des besoins spécifiques de l’organisation.

Enfin, vous devez évaluer et comprendre les compétences de votre équipe de données : leurs points forts et les domaines où ils auront besoin de soutien (par exemple, quel est le niveau de culture des données de chacun ? Devez-vous recruter des personnes supplémentaires avec des compétences spécifiques ? Quelle formation votre personnel nécessite-t-il ?…).

Voici quelques exemples de profils qui se réunissent pour créer et mettre en œuvre une stratégie de données :

  • Ingénieurs données : un ingénieur données est un professionnel qui conçoit, construit, maintient et dépanne le parcours de données. Il est responsable de la création de pipelines efficaces pour collecter, stocker et traiter de grandes quantités de données provenant de sources multiples afin de fournir des insights pouvant être utilisés par les entreprises ou les organisations. Les ingénieurs données développent également des outils et des processus permettant aux parties prenantes de l’organisation d’accéder rapidement et précisément à ces informations.
  • Architectes données : opèrent à un niveau d’abstraction un cran au-dessus des ingénieurs données. Les architectes données conçoivent le plan directeur de la gestion des données organisationnelles, en cartographiant les processus, l’architecture de données globale et les systèmes. Ils servent également de pont entre les côtés techniques et non techniques d’une organisation. Ils mettent en œuvre des politiques de gestion des données à travers les silos et les unités métier, pilotent des stratégies globales telles que la gestion des données et la gouvernance des données, et guident les initiatives majeures. Les architectes données jouent souvent un rôle central dans les migrations vers le cloud et la conception cloud en greenfield. Les architectes données qui réussissent ont généralement des « cicatrices de bataille » issues d’une vaste expérience en ingénierie, leur permettant de guider et d’assister les ingénieurs tout en communiquant efficacement les défis techniques aux parties prenantes métier non techniques.
  • Data scientists : un data scientist est un professionnel qui utilise des méthodes scientifiques, des processus, des algorithmes et des systèmes pour extraire des connaissances ou des insights des données que le pipeline fournit. Les data scientists utilisent généralement des techniques avancées telles que le machine learning, l’analyse prédictive, le traitement du langage naturel (NLP), l’intelligence artificielle (IA) et le deep learning pour analyser de grands ensembles de données afin de découvrir des patterns pouvant être utilisés à des fins décisionnelles. Ils développent également de nouvelles façons de collecter des informations par le biais d’enquêtes ou d’expériences.
  • Analystes données : un analyste données est un professionnel qui utilise les données pour analyser et interpréter des patterns, des tendances et des relations afin de fournir des insights pouvant être utilisés pour la prise de décision. Les analystes données utilisent généralement des techniques statistiques telles que l’analyse de régression ou l’analyse prédictive pour identifier des informations significatives à partir de grands ensembles de données. Ils présentent ensuite leurs résultats par le biais de rapports ou de visualisations afin que les parties prenantes puissent prendre des décisions éclairées sur l’activité.
  • Analystes métier : un analyste métier est un professionnel qui travaille avec une organisation pour aider à identifier et à résoudre les problèmes liés à ses opérations, processus, stratégies et systèmes. Les analystes métier utilisent des techniques d’analyse de données telles que la cartographie des processus et les analyses des écarts pour comprendre l’état actuel des opérations de l’entreprise. Ils développent ensuite des solutions qui amélioreront l’efficacité ou réduiront les coûts tout en répondant aux besoins des clients.
  • Managers métier ou propriétaires de données : un manager métier est un professionnel qui supervise les opérations quotidiennes d’une organisation. Il est responsable du développement et de la mise en œuvre de stratégies pour garantir que son entreprise atteigne ses objectifs, ainsi que de la gestion du personnel, des budgets, des ressources et d’autres aspects d’une entreprise prospère. Il est également propriétaire de ses actifs de données.
  • Gestionnaires de données : un gestionnaire de données est une personne responsable du stockage, de la confidentialité, de la sécurité et de la conformité des données au sein d’une organisation. Il est généralement chargé de s’assurer que tous les systèmes sont protégés contre les accès ou manipulations non autorisés, et de gérer les sauvegardes afin que les données puissent être récupérées en cas de perte. Il peut également former sur la façon d’utiliser et d’accéder aux données.
  • Directeurs des données (CDO) : un Chief Data Officer (CDO) est un cadre dirigeant responsable de la stratégie, de l’architecture et de la gouvernance des données à l’échelle de l’entreprise. Ce rôle émergent a été créé en 2002 chez Capital One pour répondre au besoin croissant des organisations de gérer leurs données comme un actif stratégique.

L’équipe données (Datasmiths)

6 - Gouvernance de la stratégie de données

Si vous avez regardé autour de vous, vous avez probablement vu des histoires d’entreprises ayant de bonnes stratégies de données qui ont échoué. Leurs stratégies de données étaient solides, mais elles n’ont pas réussi à les mettre en œuvre efficacement parce qu’elles n’ont pas pu créer une organisation interne capable de délivrer à la fois de la valeur à partir de leurs actifs de données pour les clients internes et de générer des niveaux de profit adéquats (retour sur investissement).

Certaines organisations auraient pu prendre de meilleures décisions concernant l’accompagnement du changement et l’allocation des ressources rares pour atteindre les objectifs de la stratégie de données. Sans surprise, elles n’ont pas été en mesure de libérer le plein potentiel de leurs actifs de données et leur compétitivité sur le marché s’est effondrée au fur et à mesure que des concurrents plus concentrés ont commencé à offrir des services supérieurs et plus abordables aux consommateurs, grâce à de meilleures décisions data-driven.

« Selon une estimation, 37 % de la valeur des entreprises dans tous les secteurs est perdue en raison d’une mauvaise exécution de la stratégie. » Harvard Business Review (HBR)

Il existe de nombreuses histoires de ce type. Dans chacune d’elles, on trouve une stratégie de données bien formulée, mais qui aurait pu être mieux exécutée. Et bien que vous puissiez trouver beaucoup de conseils sur la façon de concevoir de meilleures stratégies, il manque des orientations sur la façon d’exécuter ces stratégies.

C’est pourquoi la gouvernance des données est un élément clé de toute stratégie de données réussie, car elle établit le contrôle sur les actifs de données et est directement responsable de l’exécution de la stratégie de données.

La gouvernance des données encourage tous les membres de l’équipe à considérer les données comme un actif précieux, plutôt que comme un simple résultat des opérations métier. Elle garantit également que tout le monde dans l’organisation respecte les politiques établies lors du traitement des données.

Votre activité évolue, tout comme ses règles de gouvernance ; la gouvernance des données définit des processus et des responsabilités pour garantir l’alignement strict de la stratégie de données avec la stratégie métier.

7 - Gestion du changement

Après avoir créé votre stratégie de données, vous êtes prêt à aller de l’avant avec les initiatives pertinentes. Il est essentiel que la gestion du changement soit traitée avec soin au cours de ce processus, car elle impliquera de nombreux changements pour les équipes et potentiellement de nouvelles responsabilités ou attentes. Sans accompagnement du changement de culture, les bénéfices potentiels de votre stratégie de données pourraient ne pas être pleinement réalisés.

Après avoir évalué les compétences de votre équipe de données et comblé les lacunes, il est temps de créer un plan pour les doter des connaissances dont ils ont besoin pour réussir. Cela devrait inclure une orientation et une formation sur la culture des données, l’habilitation technique, les meilleures pratiques et la sensibilisation aux objectifs métier.

Pour assurer un soutien financier continu à tous les éléments de votre feuille de route et aux changements imprévus, vous devez démontrer comment la mise en œuvre de cette stratégie a contribué à atteindre les objectifs métier — au-delà de la simple mesure des « heures économisées ». Appuyez-vous sur vos champions et parties prenantes pour soutenir et valider votre message de retour sur investissement.

Enfin, un plan de communication doit également être mis en place, détaillant qui doit recevoir des informations sur les changements de processus ou techniques, quelles métriques sont discutées, les prochaines initiatives, etc., tout en restant cohérent dans les messages qui mettent en avant les progrès réalisés et leur impact sur les objectifs métier. Le soutien de la direction fera également une grande différence ici !

Résumé

Cet article explore l’importance de la stratégie de données dans le paysage des affaires modernes. Il examine l’impact de la prise de décision data-driven sur les opérations métier, et les bénéfices potentiels du développement d’une stratégie de données complète au-delà du battage médiatique.

Il examine les composants clés d’une stratégie de données, tels que l’alignement avec la stratégie métier, la constitution de l’équipe données, l’identification des objectifs et de la feuille de route, l’évaluation de la maturité des données, la mise en œuvre d’architectures de données modernes, la mise en place d’une gouvernance appropriée, et enfin l’accompagnement de l’organisation dans le changement culturel pour créer un avantage concurrentiel.

Références

  1. Dans la plupart des entreprises, les différentes fonctions des départements ont des priorités différentes selon leurs centres d’intérêt. Il y a donc toujours une phase de négociation lors de la définition d’une feuille de route globale des données.
  2. Inclure un calendrier dans votre feuille de route qui reconnaît les petites victoires rapides obtenues en cours de route contribuera à maintenir le moral et la motivation élevés au sein de votre équipe.