Comment transformer ses équipes pour devenir enfin une entreprise Data –Driven ? 

L'objectif d'une entreprise « data driven » ou « data centric », c'est d'intégrer la donnée à tous les niveaux, de prendre chaque décision en se basant sur des indicateurs fiables et précis, et d'inculquer la culture de l'utilisation systématique des données dès le début de la journée, plutôt que de les considérer en second plan.    

Aujourd’hui peu d’entreprises peuvent s’affirmer être 100% Data Driven... En effet qui peut assurer que TOUS les employés de leur entreprise, ou du moins la grande majorité, basent leur travail, leurs décisions, sur la donnée ?   

Dans un monde de plus en plus digitalisé, qui produit de plus en plus de données, si l’utilisation de la donnée est la clé de la transformation de l’entreprise, pourquoi n’est-elle pas plus démocratisée que cela ?  

Un projet de transformation data n’est pas qu’un projet technologique, c’est aussi un projet de transformation culturelle et d’état d’esprit. L’un ne va pas sans l’autre et nombre de projets de transformation data ont échoué car la partie change management, formation, communication a été largement sous-estimée.   

Même si les cas d’usage en Data Science et en IA sont un moteur pour inculquer une dynamique de transformation, la BI et en particulier la Self BI (autonomie des métiers pour construire leurs propres dashboards sur des jeux de données gouvernées en central) sont la clé d’une transformation réussie des métiers. Il s’agit du premier levier d’appropriation de la donnée 

La réussite d’un projet de transformation des métiers par la data repose sur 4 grands prérequis : réussir à convaincre la cible (ici, les métiers), adopter un process agile, accompagner le changement, et recruter différemment.  

I. L’exemple concret : la meilleure solution pour convaincre les équipes  

Une première étape à la réussite d'un projet de transformation data est de convaincre les équipes des bénéfices qu'ils tireront du changement de leurs habitudes de travail par la mise en pratique du Self BI. 

Pour cela, il faut, avant tout, impliquer les utilisateurs finaux et leur présenter des exemples concrets de process et de résultats pour illustrer les changements par rapport à leurs habitudes quotidiennes : des applications BI « nouvelle génération ». 

1. Démontrer le gain de temps

L'analyse des données d'une entreprise implique trop souvent de nombreux process manuels de la part des équipes : extraire la donnée en CSV, utiliser des formules Excel pour calculer ses KPIs, présenter ses analyses sur PowerPoint… Ces process, généralement très chronophages, sont parfois plus longs que le temps accordé à l’analyse. Par conséquent, il est fréquent que les équipes se posent cette question : comment pouvons-nous gagner du temps en automatisant/industrialisant l'environnement d'analyse ?   

En utilisant les nouvelles solutions de dataviz, telles que Tableau ou Power BI, les bénéfices sont multiples :   

- Les calculs de KPIs sont automatisés, pas besoin de relancer ses formules 

- En appliquant des filtres et des scénarios à ses données, on obtient des résultats avec un temps de traitement rapide, à l’inverse de construire ou faire évoluer un rapport existant.  

- Les données sont actualisées automatiquement à une fréquence définie et en temps réel par l’utilisateur :  pas de tâche répétitive à faible valeur ajoutée de mise à jour des rapports   

Chaque membre de l'équipe peut avoir accès à ces dashboards uniformisés et automatisés sur différents supports (laptop, tablette, smartphone…). Le temps gagné sur la production des rapports peut alors être consacré à l'analyse et aux recommandations qui ont bien plus de valeur ajoutée et d’impact business. En adoptant une culture data à travers l'utilisation de solutions BI, les entreprises ont "trois fois plus de chances d'améliorer leurs processus de prise de décision" (Etude PWC).  Il s'agit ici d'un des plus gros arguments pour convaincre des bénéfices d'une entreprise data driven.    

2. Offrir une nouvelle expérience utilisateur grâce au data story-telling et l’UX design 

Pour de nombreux métiers, l'utilisation de la data est un concept très abstrait alors qu'il s'agit souvent d'une utilisation similaire à ce qu'ils font au quotidien (i.e. analyse des ventes, étude d'un comportement client). Il faut donc donner de la matière à ce concept en proposant des visuels cohérents, avec une prise en main facile et un design attractif.  

Pour convaincre, on peut notamment insister sur le story-telling qui devient beaucoup plus simple grâce aux dashboards et au self-service BI de manière générale. La navigation entre les pages, les filtres dynamiques, ainsi que les info-bulles permettent à l’utilisateur de passer d’un visuel à un autre afin d’avoir un story-telling plus fluide et cohérent que sur un dashboard “figé”, où les visuels n’interagissent pas entre eux.  

Il est également nécessaire d'avoir un design correspondant à la charte graphique de l'entreprise. Cela peut passer par une palette de couleurs spécifiques à l’entreprise, son iconographie, ses logos ou même une police d’écriture en particulier.  Cette charte favorise l'appropriation de la part des utilisateurs, en reproduisant un environnement familier et similaire à ce qu'ils connaissent déjà.    

En créant une expérience utilisateur attractive regroupant les fonctionnalités d’un dashboard (filtres, pages, infobulles...) et à l’image de l’entreprise, les métiers auront plus de facilité à se projeter. 

Ces nouveaux dashboards sont également un levier majeur pour accélérer la transformation data de l’entreprise. Fréquemment, montrer à ses collègues avec fierté le nouvel applicatif crée un tel effet waouh ! qu’il entraine, stimule les autres métiers à adopter cette nouvelle manière de construire ses outils d’aide à la décision. C’est une clé de réussite majeure.  

3. Assurer une fiabilité et une uniformisation des données grâce à une plateforme centralisée

La fiabilité et la qualité de la donnée forment également un bon argument pour convaincre les équipes d'adopter cette transformation vers une solution de self-service BI.   

Dans de nombreuses entreprises, les sources de données sont multiples : CRM, ERP, fichiers Excel… Cette abondance de sources de données peut être la cause d'un manque d'alignement au niveau des KPIs et peut amener à se poser des questions sur la fiabilité de la donnée : pourquoi deux équipes distinctes ont des valeurs différentes pour un même KPI ?    

La centralisation et l'utilisation des données implique de nombreuses améliorations dans les process quotidiens des équipes et est souvent la raison de création d’un organe de gouvernance de données en tant que telle. En rassemblant toutes les données au sein d'une seule et unique solution, chaque collaborateur peut s'appuyer sur les mêmes chiffres que ses collègues. Il est possible de créer une seule et unique source de "vérité" pour chaque acteur de l'entreprise grâce à 3 solutions complémentaires :   

- La construction de plateforme data centralisée, datalake, avec une architecture de données organisée par domaine métiers spécifique dans lequel chaque métier maîtrise et gouverne ses indicateurs métiers est souvent un pré requis. Cette méthode d’organisation des données prônée par les approches dites « data mesh », est de plus en plus fréquente dans le monde de l’analytique. Par exemple, les données financières se trouvent dans un espace dédié, tandis que les données sociales se trouvent dans un autre espace. L’entreprise gagne ainsi en autonomie pour réaliser ses propres dashboards en requêtant les données appropriées et les KPIs sont uniformisés. C’est également le moyen d’éviter un goulot d’étranglement lié à la forte concentration de la charge de développement sur les équipes centrales. 

- L’usage de solutions de data catalogue (Data Galaxy, Collibra…) est un également un véritable accélérateur à la démocratisation de la donnée. Ces solutions permettent d’avoir accès aux définitions fonctionnelles et techniques des KPIs mis à disposition dans la plateforme comme dans les applicatifs BI.  

- Enfin, il faut être capable d'assurer la qualité de cette donnée sur l'ensemble de l'environnement data de l'entreprise, avec des solutions parfois très simples à mettre en place. Par exemple, une entreprise de retail peut contrôler la qualité de ses données en indiquant un intervalle de valeur pour lequel un produit est vendu dans son catalogue. Si le prix affiché du produit est inférieur/supérieur à cet intervalle, une alerte peut remonter à l'équipe concernée pour qu’elle analyse le problème et le corrige. Des solutions spécialisées sur la data quality telles que Unifai, Great Expectation ou des solutions plus génériques/multi usages telles que Power Apps et Power Automate permettent de créer des outils de data quality avec une prise en main accessible à l'ensemble des équipes. 

En mettant en œuvre ces bonnes pratiques, les équipes peuvent s'assurer d'être alignées sur les chiffres avant de pouvoir les communiquer/partager. Elles évitent également de perdre du temps à investiguer sur l'asymétrie d'un calcul de KPI entre deux équipes.   

II. Adopter un process agile pour construire vos applicatifs data

Un projet de transformation doit être agile pour à la fois    

- Convaincre dès le démarrage   

- Répondre aux besoins évolutifs du métier   

- Impliquer la plus grande majorité des utilisateurs.    

- Faciliter son appropriation et son usage 

Lors du lancement de ce type de projet, les équipes sont difficiles à convaincre car elles sont souvent tendance à être réticentes au changement, notamment parce qu’il coute du temps au démarrage. Pour rassurer les équipes et favoriser l'implémentation de nouveaux outils data, il est primordial de convaincre les équipes dès le démarrage.    

1. Impliquer les métiers lors d’ateliers ou l’expression de besoins et démonstrations sont rois  

Une solution est donc d'organiser des ateliers avec l'ensemble des personnes concernées par le projet de transformation. L'objectif de ces ateliers est de récolter le besoin du métier, mais aussi de faire une démonstration de ce qui a été produit jusqu'ici. Ces démos peuvent se baser sur des dashboards inspirants pouvant correspondre aux différentes problématiques métiers rencontrées au quotidien. En visualisant ces démos basées sur des scénarios concrets, les utilisateurs peuvent s'imaginer d'autres problématiques ou cas d’usage pouvant être appliqués à cette nouvelle solution. En faisant cela, les équipes métiers seront beaucoup plus impliquées dans la suite du projet. Certains scénarios non identifiés lors du cadrage peuvent alors apparaître, permettant de répondre à tous les besoins au fur et à mesure des ateliers.     

2. Mettre à disposition les nouveaux outils rapidement grâce à des environnements bac à sable   

Pour pouvoir convaincre dès le démarrage, il est possible de mettre en place des environnements “bacs-à-sable”, où les utilisateurs peuvent pratiquer avec les nouveaux outils sans pour autant affecter l’environnement data de l’entreprise. On peut notamment créer une base de données fictives où les métiers peuvent requêter et créer leurs premiers dashboards sans craindre de « casser » l’environnement data de l’entreprise.   

Cet environnement bac-à-sable peut proposer différents niveaux d’accès selon les compétences data du métier : plus l’utilisateur est qualifié en data, plus il aura accès à des fonctionnalités complexes de cet environnement.  

Dans des contextes où la donnée source est mal maîtrisée ou si l’interlocuteur ne sait pas clairement ce qu’il veut, les développements sur ces environnements bac-à-sable deviennent un bon moyen d’explorer les données, de tester différentes UX avec des données réelles, afin de créer une maquette qui servira à avoir une expression des besoins bien plus claire pour la cible. 

III. Accompagner le changement dans la durée 

1. Les Data Champions, un interlocuteur privilégié à identifier rapidement

Le processus d’accompagnement démarre dès la construction des nouveaux dashboards par l’identification de Data Champions par métier, dans une optique de favoriser et accélérer l'acceptation des équipes face au changement d'environnement data. Les data champions doivent pouvoir aider les autres membres de l'équipe dans ce projet et doivent donc remplir certains critères afin d'être le profil adéquat :   

- Connaître très bien le métier et ses enjeux stratégiques 

- Avoir une appétence particulière pour la data, avec éventuellement de l’expérience dans ce domaine 

- Être ouvert au changement 

- Être le principal interlocuteur de son équipe sur les sujets data 

Grâce à ces qualités, ce profil aura les capacités d’analyse pertinentes pour tirer de la valeur « métier » des données. Il sera juste nécessaire de l’accompagner sur les compétences techniques liées à l’outil utilisé et l’environnement data. 

Les équipes auront davantage confiance envers le projet et les changements car elles seront directement représentées par un de leurs membres. Cela favorise les échanges et la communication, sans pour autant impliquer plus de monde que nécessaire.    

2. Former progressivement les équipes avec plusieurs niveaux de formation   

Un projet de transformation peut être composé de beaucoup d'étapes et cela prend du temps à mettre en place. Si l'on veut réussir ce type de projet, il faut accompagner les équipes du début du projet jusqu'à la mise en production de l'ensemble des nouvelles solutions. A long terme, l'objectif est d'avoir des équipe autonomes, capables de prendre en main toutes les solutions de l'environnement data mises en place lors du projet. Il faut donc être vigilant pour commencer les formations au bon moment : ni trop tôt car les équipes pourraient oublier leur apprentissage avant la mise en production ; ni trop tard car du temps d’adaptation est nécessaire pour changer d’environnement de travail.    

Chaque profil a une vision différente de la data au sein d'une équipe, et certains souhaiteront monter en expertise davantage que d'autres. Pour cela, une solution est de proposer plusieurs niveaux de formation à l'environnement data. Les premières sessions peuvent concerner l'utilisation "basique" des outils : consulter un dashboard, accéder à la donnée ; tandis que des sessions destinées à des utilisateurs avancés peuvent présenter des concepts plus complexes : création de dashboard, mise en place d'un système d'alerte…   

Dans certaines entreprises, il est fréquent de trouver des communautés data où se réunissent les utilisateurs de la solution BI par exemple, comme des certifications internes, attestant des capacités data du collaborateur. En validant ces programmes de compétences, il est plus facile de connaître l’appétence voire l’expertise de chaque équipe vis-à-vis de la donnée. Ce sont également des outils de communication majeurs pour incarner la transformation de l’entreprise.  

3. Documenter et communiquer sur les projets et les initiatives 

En plus des sessions de formation, il faut également prévoir beaucoup de documentation. Les formats peuvent varier : texte, vidéo de présentation, power point…   

La documentation est une étape à ne pas négliger, car la pérennité du projet repose essentiellement sur cette dernière. Si l’entreprise veut assurer une transformation data dans le long-terme, il faut pouvoir historiser toutes les informations concernant les nouveaux outils.  

Enfin, pour rendre pérenne le support aux équipes, un dispositif complet de communication doit être prévu pour centraliser l’accès à ces outils, ces documents, ces supports de formation afin de partager facilement cette connaissance et ce patrimoine data à tous.  

On voit ainsi les premiers data portal fleurir chez les grands groupes, soit via du développement de site web ou intranet dédié, soit via l’usage d’outils tels qu’OpenDataSoft ou la solution développée par Pernod Ricard comptant plus de 9000 utilisateurs et maintenant proposée au marché pour mutualiser les coûts.   

IV. Revoir la manière de recruter

Enfin, réussir un projet de transformation implique que les solutions apportées seront utilisées au long terme par les équipes, et de manière optimale. Les formations permettent de monter en compétence, avec plusieurs niveaux d'expertise les talents actuels de l’entreprise.   

En parallèle, il faut aussi que l'entreprise revoit sa manière de recruter, et intègre les compétences data dans les critères de sélection sur la plupart des métiers. Nombreuses sont les formations qui intègrent aujourd’hui un volet data avec les outils du marché, il faut les prioriser : ce n’est plus réservé aux experts et ingénieurs, c’est tout aussi valable pour les écoles de commerces, les gestionnaires, les profils RH…. Et pour compléter ce recrutement, le dispositif de formation interne devra comporter un volet data sur l’environnement en propre de l’entreprise pour les métiers qui le nécessitent le plus.   

En conclusion, pour réussir un projet de transformation d’entreprise data-driven, il est essentiel de mobiliser les efforts non seulement sur le volet technique du projet mais aussi sur le volet change afin de convaincre les équipes en leur montrant les avantages concrets de ce changement. Impliquer les utilisateurs finaux, garantir la qualité des données, identifier des "data champions", assurer un accompagnement continu et revoir le processus de recrutement sont des étapes cruciales. En adoptant ces mesures, l'entreprise maxime l’impact de sa transformation data dans le temps et minimise le risque d’échec.