Une transformation silencieuse s’opère. Alors que l’IA générative fait régulièrement la une, les entreprises ont compris le potentiel stratégique de l’intelligence des données, ou Data Intelligence. Comme depuis toujours, « meilleures décisions » équivaut à « meilleures performances » ; et ces décisions peuvent désormais être boostées à la Data Intelligence. Néanmoins, le chemin peut se révéler périlleux. Une des principales causes d’échec est de tomber dans le piège de la technologie pour la technologie, la Data pour la Data et l’algorithme sur étagère.
Comment retirer le plein potentiel de la donnée et en faire un véritable avantage business et concurrentiel ?
Nous vous proposons une approche qui, de notre expérience, permet d’obtenir un ROI très rapide, de moins de deux ans. Pour nous, l’idée phare est de remettre les métiers, le cœur business et le dirigeant au cœur du processus, en :
développant de nouvelles compétences ;
instaurant une gouvernance orientée Stratégie
et en intégrant une dose d’économie dans les réflexions.
La Data Intelligence en quelques mots
La Data Intelligence comprend l’ensemble des outils, des méthodes et des processus, permettant d’extraire des informations pertinentes, à forte valeur ajoutée, à partir de données brutes. Le spectre d’application est extrêmement large, en particulier dans les modèles d’optimisation : optimisation du pricing ou de la décote, allocation des ressources rares, optimisation des stocks, études d’impacts… avec des sauts de performance significatifs, les récentes technologies ayant profondément changé la donne en matière de prise de décision.
Cette utilisation massive de la donnée se traduit concrètement aujourd’hui dans les entreprises pionnières par une industrialisation du processus d’extraction de la Data Intelligence. Cette industrialisation provoque l’apparition de nouvelles spécialités, pour la collecte des données, leur mise en qualité, leur analyse et la visualisation : data engineer, data stewart, data scientist, data analyst, data architect… Elles sont nombreuses.
Heureusement, cette nième industrialisation technologique n’est pas une parfaite inconnue. Nos entreprises ont déjà absorbé la révolution de l’informatique, puis celle du digital. Il est donc aisé d’en identifier le principal risque : celui de la dépossession des Métiers de ce nouveau potentiel.
Les métiers au cœur du processus industriel de la Data Intelligence et les ingrédients associés
La Data Intelligence reste un moyen, non une fin. Et comme tout moyen, elle doit trouver un usage. Un usage que seuls les Métiers peuvent définir, délimiter et valider.
C’est peut-être là que le bât blesse dans de nombreuses transformations en cours que nous analysons : des spécialistes technologiques s’approprient la gouvernance, sous couvert d’expertise rare et chère, en oubliant la finalité de leur action, et surtout le Métier qui est le financeur in fine de l’investissement. Pour générer de la valeur et de la performance, il est essentiel que le Business s’implique.
C’est donc à la Direction Générale et aux Métiers de s’emparer pleinement de ce sujet et cela, de plusieurs manières : développement de nouvelles compétences, gouvernance orientée Stratégie et introduction d’une dose d’économie dans les réflexions.
1. Développer au sein des Métiers et de la Direction Générale trois nouvelles compétences :
a) Une acculturation forte, centrée sur l’usage. De la même manière que nous ne connaissons pas le fonctionnement intime de notre smartphone, nous en maîtrisons l’usage, le prix et les limites. Il en va de même avec la Data Intelligence.
Cette acculturation peut s’acquérir aisément au moyen de processus d’apprentissage, combinant interventions d’experts orientés business, visites de labos, présentation de cas d’usage éprouvés ou bien encore de podcasts / lectures choisies dans ce sens. Nous constatons une durée moyenne de 2 à 3 mois pour qu’une équipe de direction ou métier soit en mesure d’appréhender les tenants et aboutissants de la Data Intelligence.
b) Le sens des données et leur juste utilisation par les experts technologiques, car data science sans conscience des données n’est que ruine de l’investissement.
Ce sont les experts métiers qui possèdent la connaissance nécessaire pour interpréter les données dans un contexte spécifique.
Cette compréhension est indispensable à tous les stades du processus d’industrialisation et d’élaboration des modèles d’optimisation. Elle permet de limiter les biais d’interprétation et de cerner l’historique des données employées.
Néanmoins, force est de constater que cette connaissance « intime » des données est fréquemment éparpillée, dispersée et faiblement capitalisée dans les équipes. L’entreprise doit donc travailler son capital Data auprès des équipes Métiers.
c) L’expression des besoins réels et non supposés ou imaginés par des acteurs technologiques qui cherchent un problème pour la solution qu’ils viennent de développer.
Ce sont les métiers qui définissent les informations dont ils ont besoin pour améliorer leurs prises de décision et qui doivent les prioriser.
C’est ce qui permet de déterminer quels sont les algorithmes à développer, quels outils utiliser et les données complémentaires qu’il est nécessaire de collecter pour améliorer la qualité des recommandations.
L'expression des besoins permet également de définir les tableaux et les graphiques dont les métiers ont besoin dans l’étape de visualisation. Elle est enfin cruciale pour organiser le travail, prioriser les efforts, gérer les projets et allouer les budgets. C’est en réalité l’objet même de toute la chaîne de la Data intelligence qui se doit de répondre aux besoins des métiers et d’améliorer la performance de l’entreprise.
2. Une gouvernance Stratégique par et pour les Métiers
Ces compétences également doivent entrer en forte synergie avec les experts de la filière Data Intelligence. L’intelligence des données ne peut porter ses fruits que si une collaboration étroite s’établit entre les métiers et les équipes IT. Les équipes métiers orientent les efforts des experts technologiques, en fonction des objectifs opérationnels des métiers et de la stratégie de l’entreprise.
C’est ainsi qu’à l’image d’une gouvernance des investissements SI établie de longue date, il convient de mettre en place une gouvernance des investissements Data, sous l’égide des Métiers et de la Direction Générale.
Les équipes techniques ont pour mission de mettre en place les infrastructures et les modèles d’analyse, mais ce sont les métiers qui orientent ces efforts en fonction des objectifs opérationnels.
Sans une réelle collaboration entre les équipes, une compréhension mutuelle et une gouvernance claire qui définit le rôle de chacun dans la chaîne de valeur, il n’est pas possible de tirer bénéfice de la Data Intelligence.
3. Une dose d’économie dans tout cela
Dans cet environnement de plus en plus complexe, introduire dans la chaîne de valeur de l’intelligence des données des approches venant de l’économie permet d’être plus performant.
Les métiers doivent tout d’abord s’impliquer pour comprendre quelle information est contenue dans les données. Cette étape est indispensable pour éviter des biais (biais de mesure, biais de sélection, biais de non-réponse, biais de confirmation…) qui sont particulièrement fréquents dans les processus de collecte des données. Or cette connaissance, nous l’avons indiqué, se trouve au sein des métiers. Il est donc indispensable qu’ils comprennent quelles données sont utilisées, comment et dans quel but, afin que ces biais ne viennent pas fausser les analyses et les conclusions qu’on en tire.
Les métiers doivent également s’impliquer dans l’étape de modélisation. En IA, l'objectif est prédictif. L'accent est souvent mis sur la précision des prévisions, sans nécessairement expliquer les mécanismes sous-jacents. L'IA peut parfois être une "boîte noire" où les algorithmes produisent des résultats sans que les relations causales ne soient explicitement comprises. En économétrie au contraire, l’accent est souvent mis sur la compréhension des relations causales entre les variables. On cherche à savoir pourquoi un phénomène se produit.
Combiner les deux approches permet ainsi aux métiers de garder la maîtrise des algorithmes. Les métiers n’ont évidemment pas besoin de connaître les techniques statistiques sous-jacentes aux modèles. En revanche, tout modèle reposant sur des hypothèses et des données, celles-ci doivent être explicitées, comprises et validées par les métiers. C’est uniquement à cette condition que les équipes vont pouvoir s’approprier les résultats, croire aux recommandations et les appliquer.
L’entreprise réussira ainsi à se transformer en levant les freins associés à ces changements profonds.
Comment conduire la transformation de l’entreprise par la Data Intelligence
Cette transformation peut être qualifiée, sans exagération, de globale, 360, holistique, tant elle requiert d’agir simultanément sur de nombreuses dimensions, stratégiques, opérationnelles et technologiques, de la stratégie d’entreprise à l’implémentation.
Piloter une telle transformation, sur 3-4 ans, requiert méthodologie et outillage. C’est pourquoi nous avons développé le canevas ETBAI©, Enterprise Transformation By AI. Cette approche permet à l’équipe dirigeante d’élaborer un plan de transformation complet, de faire monter en puissance progressivement les équipes, en respectant leur biorythme, tout en maîtrisant le ROI global.
Canevas ETBAI©
Les métiers sont ainsi au cœur de la transformation.
La Data intelligence est avant tout l’affaire de l’équipe dirigeante et des métiers. En prenant le lead, ils peuvent véritablement transformer durablement les données en un puissant levier d’innovation et de performance. Nouvelles compétences, gouvernance adaptée et approche intégrant une dose d’économie sont les ingrédients à développer dans le cadre d’un plan de transformation élaboré au moyen du canevas ETBAI©.
Auteurs :
Philippe Février
Senior Partner, Kéa, Fondateur et CEO de Veltys
Yves Pizay
Senior Partner, Kéa
Comments