Data for Businesses

Entrer dans la « Dimension data », nouvel univers très imbriqué avec celui du Digital mais régi par ses propres lois, c’est aujourd’hui une des préoccupations clés des entreprises.
Plus précisément, c’est avant tout les Directions métier qui souhaitent conquérir par elles-mêmes ce nouveau monde de la donnée.
Il ne s’agit plus seulement de demander à son équipe Business Intelligence de fournir des rapports ou des Dashboards, ce qui est recherché c’est :

  1. Comprendre les données par soi-même,
  2. Les explorer et les visualiser,
  3. Les enrichir et les associer à des données externes,
  4. En extraire de la valeur pour sa propre Direction ou pour l’entreprise dans sa globalité.

L’atteinte de ces objectifs de « réappropriation » des données par les Directions métier, nécessite de réunir quatre conditions, tant au niveau de l’organisation autour des données (certains parleront de gouvernance de la donnée), que de l’architecture des systèmes d’information.

Condition N°1 – Rendre les données facilement accessibles :

Pour rendre les données facilement accessibles aux Directions métier, cinq actions peuvent être engagées :

  1. Identifier et cartographier clairement à la fois les données référentielles et les données d’usage, afin de donner une vue d’ensemble du portefeuille de données disponibles.
  2. Si nécessaire : les urbaniser, les normaliser, améliorer la qualité, de manière à s’assurer de la cohérence et de la pertinence des sources de données, gage de la performance de celles-ci.
  3. Clarifier et préciser leur signification, afin d’éviter les mauvaises interprétations.
  4. Exposer leur horizon temporel de fiabilité et de validité.
  5. Enfin, permettre la sélection et la mise à disposition des données jugées intéressantes pour le déroulement d’une analyse, d’une exploration ou de la réalisation d’un cas d’usage.

Il s’agit d’un travail de fond qui peut s’avérer conséquent selon le point d’où l’on part.

Deux points clés faciliteront les travaux :

  • Travailler l’architecture d’ensemble du système d’information sur l’axe data, notamment en vue d’urbaniser les référentiels (données master invariantes) et les exposer en mode « service ».
  • Consolider un dictionnaire de données, intelligible pour les Directions métier, qui servira de référence quant à la signification des attributs de celles-ci.

Condition N°2 – Ouvrir son « Data store » :

Une fois les Directions métier en mesure d’accéder et de comprendre le patrimoine de données de l’entreprise, il s’agit de leur permettre d’évaluer par elles-mêmes le potentiel de ces données.

À cette occasion, on privilégiera le fait :

  • De mettre à disposition, en mode self-service, des capacités de visualisation et de requêtage simples, permettant d’explorer, de combiner, d’analyser les données. Cela constituera un premier niveau de valorisation qui s’avérera néanmoins très pertinent.
  • D’accompagner le lancement de ce « Data store » en travaillant par exemple :
    • L’intégration des capacités du Data store avec une digital workplace, afin d’amener le Data store sur le poste de travail.
    • L’installation d’un chatbot vocal, couplé aux capacités du Data store, afin de permettre le requêtage ou la visualisation de données « à la voix ».
    • La préparation de Data sets pertinents si quelques grands domaines de valorisation de données ont été préalablement identifiés (domaine Client, domaine Collaborateur…).

Condition N°3 – Favoriser la génération de cas d’usage :

Ce point est tout particulièrement sensible.

Il faut en effet convenir du fait qu’il n’est pas si simple d’identifier des cas d’usages pouvant être traités par telle ou telle capacité de calcul, si l’on ne maîtrise pas bien le potentiel de ces dites capacités (dans quels cas s’appliquent-elles, quels types de problèmes peuvent-elles résoudre concrètement…).

Par exemple, comment reconnaître qu’un sujet peut être traité avec un algorithme d’optimisation multi-objectif ou que tel autre est plutôt du domaine de la simulation ou du Machine Learning ?

Il est donc très important ici :

  • D’expliquer et d’illustrer les capacités offertes par les différentes technologies de Data science disponibles.
  • De déployer une méthode d’identification de cas d’usage potentiels :
    • Par exemple, une approche déclinée des enjeux stratégiques ou opérationnels, permettra d’identifier très rapidement des zones d’investigation possibles, des processus à optimiser, des analyses à faire, de nouvelles données à acquérir…

Condition N°4 – Aller au bout de la valorisation des données :

C’est l’ultime étape qui va permettre de concrétiser les résultats visés.

La valeur des données peut revêtir différentes formes :

  • Une valeur marchande (monétisation des données brutes ou enrichies).
  • Une valeur de levier opérationnel (optimisation de processus, de prise de décision…).
  • Une valeur d’actif stratégique (prise de décision éclairée, identification de nouveaux drivers de performance…).

La valeur est extraite des données par le traitement qui leur est appliqué, puis la chaîne d’exploitation de cette valeur concrétise l’obtention effective des résultats opérationnels.
Par exemple, supposons que nous souhaitons augmenter le taux de transformation d’un site de e-commerce. Plusieurs solutions s’offrent à nous.
Nous pourrions notamment cibler les paniers abandonnés en cherchant à augmenter le taux de conversion avant abandon.

La démarche serait la suivante :

  • Objectif :
    • Prédire à l’avance qu’un panier va être abandonné.
  • Technique :
    • Identifier, au travers des données de navigation, les « comportements » caractéristiques d’un internaute qui précédent un abandon de panier.
    • Détecter ces occurrences de comportement, en calculant une probabilité d’abandon de panier.
    • Segmenter ces occurrences en les corrélant avec d’autres critères, comme par exemple le montant du panier (afin de maximiser l’impact sur le taux de transformation).
    • Définir et/ou calculer le type d’incitation qui va permettre de réorienter le comportement (frais de port gratuits, coupon de réduction ou chèque cadeau…).
    • « Pousser », en temps réel, cette incitation vers l’internaute, afin de modifier son comportement.

Au travers de cet exemple, on constate que nos quatre conditions ont dû être réunies pour finalement atteindre un enjeu métier effectif.

Quant au point de vue organisationnel, si la Direction métier se doit d’identifier l’objectif et de concevoir la tactique, la DSI devra de son côté être en mesure de délivrer un « catalogue de services » qui permettra de réaliser et d’industrialiser la chaîne complète de valorisation de la donnée.

C’est ce mode de collaboration qui permettra de se rendre maître de la dimension data.

Jean-Bernard Guidt
Directeur associé
Keyrus Management – Practice Business et Technologies 

 

 

Leave a Reply