Qu’ont en commun des acteurs technologiques comme Amazon, Netflix, Google et Airbnb ? Ils ont tous fait évoluer et industrialisé leur fonction data science. Autrement dit, ils ont constitué des équipes data de premier plan et acquis ou développé leurs propres outils data. Cela a supposé la conception de processus internes et d’architectures puissants, capables d’exploiter les données pour faire avancer l’entreprise.
Lors de notre webinaire du mois dernier, Maksim Percherskiy, Data Engineer à The World Bank et ex-Chief Data Officer de la ville de San Diego, expliquait que ces entreprises étaient bien positionnées parce qu’elles ont grandi avec la donnée. « Les organisations plus anciennes — comme les institutions financières, les établissements de santé ou les administrations — n’ont pas eu ce privilège [de bâtir leur activité autour de la donnée]. La ville de San Diego a été fondée au XIXe siècle, et elle apprend encore à s’adapter et à aligner efficacement les données sur ses opérations. »
Voyons comment les grandes organisations peuvent bâtir une fonction data science efficace. Ces dernières années, beaucoup ont recruté des Chief Data Officers, constitué des équipes de data scientists et de data engineers, et trouvé des moyens de monétiser et de partager leurs données. Pourtant, l’étude de NewVantage Partners de janvier 2020 révélait que, parmi 70 entreprises sondées, 98,8 % investissaient dans des initiatives big data et IA, mais seules 37,8 % déclaraient avoir créé une organisation véritablement pilotée par les données.
Les freins les plus fréquents à devenir piloté par les données concernent les personnes et les processus — notamment l’industrialisation et la mise en place de processus reproductibles, la création d’une infrastructure data opérationnelle et la réduction du déficit de compétences data.
Exigences liées aux données
Le visuel suivant résume ce qui rend les données utilisables et dignes de confiance :
Tout d’abord, les données doivent être collectées au bon moment, de la bonne manière et avec un objectif clair. Ensuite, elles doivent être faciles à découvrir : tous les utilisateurs de données dans l’organisation doivent savoir que ces données existent et pouvoir les trouver. Elles doivent ensuite être fiables, sans lacunes ni incohérences. Elles doivent aussi être facilement compréhensibles — par exemple correctement structurées et étiquetées. Être conforme est essentiel — il faut des protocoles de sécurité adaptés pour contrôler l’accès aux données sensibles, et certains secteurs sont soumis à des normes réglementaires. Enfin, les données doivent être actionnables : les utilisateurs doivent disposer de la technologie, de la formation et de cadres éthiques pour les utiliser correctement.
Les défis pour devenir piloté par les données
Trois grands types de défis se posent pour répondre à ces exigences : organisationnels, culturels et techniques.
Défis organisationnels
Les grandes organisations fonctionnent souvent en silos, avec des équipes aux objectifs différents. Ces silos peuvent être imposés par des obligations légales, fréquentes dans la finance, ou résulter d’une histoire de travail peu collaboratif. Quelle qu’en soit la cause, les silos entraînent des problèmes de communication et d’alignement, qui nuisent à l’efficacité globale.
Un symptôme courant : des managers qui cherchent surtout à agrandir leur équipe, ou la création de plusieurs centres d’excellence en IA concurrents.
Défis culturels
La culture des données à l’échelle de l’organisation — où chacun possède les compétences data nécessaires pour réussir — est souvent perçue comme un objectif ambitieux, et certaines organisations hésitent à s’y attaquer. C’est pourquoi DataCamp s’emploie à démystifier des sujets comme le machine learning afin d’aider les organisations à comprendre l’usage concret des données. Donner les moyens aux collaborateurs et faciliter l’acquisition de compétences est clé.
Les défis culturels se traduisent aussi par des systèmes d’incitations divergents. Le management veut des tableaux de bord percutants à présenter à sa hiérarchie, les ingénieurs souhaitent utiliser les outils les plus récents, et les métiers veulent répondre à une question précise ou fluidifier un processus. Il est impossible de satisfaire tout le monde en permanence. Cela renvoie aux défis organisationnels évoqués plus haut : l’objectif est d’aligner la stratégie data avec la stratégie d’entreprise.
Défis techniques
Maksim souligne que les grandes organisations ont souvent « un patchwork de systèmes historiques » comme socles d’enregistrement des données. Ces systèmes rendent l’extraction ou la montée en charge difficiles — et bien souvent, les responsables de département ne veulent pas lancer un grand projet. Ils redoutent les coûts de bascule, le risque d’échec, les coûts de reformation et un impact temporaire sur la productivité. Autant d’erreurs de court terme qui découlent d’une absence de stratégie data unifiée.
D’autres défis techniques concernent la conformité et la sécurité, avec des cadres comme HIPAA, FERPA, RGPD et CCPA. Les entreprises doivent s’y conformer pour éviter tout usage non éthique des données.
Céder à ces écueils aboutit à ce que Brian Balfour décrit comme la roue de la mort de la donnée, illustrée ci-dessous. Elle montre que des données non entretenues deviennent obsolètes ou erronées, ce qui fait perdre confiance et, au final, réduit leur usage.
Solutions pour devenir piloté par les données
Alors, comment des entreprises bien établies peuvent-elles devenir aussi data-driven que Netflix et Airbnb ? Elles doivent se reconstruire autour de la donnée. Voici comment.
Comprendre l’existant
Les grandes organisations doivent cartographier les silos en place et leurs modes d’échange. Elles doivent identifier des sponsors au niveau exécutif qui soutiendront cette transformation. Et elles doivent partager les objectifs data avec toutes les parties prenantes.
Identifier vos utilisateurs
Ensuite, pour réussir une transformation pilotée par les données, vous devez comprendre vos personas. Développer une réelle empathie pour chaque profil — consommateur de données, dirigeant, data analyst ou data scientist — vous aidera à mieux les accompagner et à tirer parti de leurs forces pour votre mission.
Commencer petit et rester simple
Selon Maksim, on ne peut pas tout corriger d’emblée. Il est essentiel de rester concentré sur l’impact. Choisissez un projet visible et transversal, à fort impact, qui ne requiert pas une multitude de parties prenantes ni une coordination complexe. Enchaîner quelques victoires rapides au départ favorise l’adhésion et assure la visibilité des projets data. Vous pourrez itérer et capitaliser sur les apprentissages pour les projets suivants.
Aligner la stratégie data avec la stratégie d’entreprise
Concrètement, aligner stratégie data et stratégie business signifie choisir des projets data qui développent et éprouvent votre infrastructure, rendent service aux utilisateurs métiers et s’alignent sur les objectifs et résultats de l’entreprise. Assurez-vous que chaque projet soit documenté, reproductible et conforme aux bonnes pratiques. Puis, valorisez vos réussites à l’échelle de l’entreprise, avec l’appui des dirigeants, pour capitaliser et continuer à itérer.
À quoi ressemble une organisation pilotée par les données
Être piloté par les données suppose de mesurer le succès des initiatives data. La tentation est grande d’utiliser des indicateurs facilement accessibles, comme le nombre total de projets, de jeux de données finalisés ou d’abonnés à un dépôt.
« Ces métriques sont utiles, mais elles ne reflètent pas le cœur de votre réussite, » explique Maksim. « Je regarderais plutôt le nombre de décisions prises grâce aux données. Également, le temps nécessaire pour trouver un jeu de données ou y accéder. Il faut aussi suivre combien d’objectifs, de KPIs et d’OKR sont définis et pilotés par la donnée, ainsi que la manière dont ils sont revus. »
Pour en savoir plus sur la mise en production de la donnée au sein de grandes organisations aux processus complexes, regardez le webinaire de Maksim sur Operationalizing Data Within Large Organizations.