guide gestion des données

Les sujets Data ne sont pas traités au sein du Comité Exécutif.

Ce qui pose problème

Le déploiement d’un projet data nécessite la collaboration entre des équipes qui ne sont pas toujours alignées sur les mêmes objectifs. Sans une figure d’autorité sponsorisant les initiatives data, les projets ont lieu en silo avec un accès à des ressources (data, outils, compétences) limité.

Actions à mettre en place

La mise en place d’une fonction analytique performante au sein de l’organisation commence par des leaders qui comprennent les prérequis et en affirment l’importance face à l’organisation.
‍
Le Comité exécutif doit fixer des objectifs partagés avec le reste de l’organisation, nommer des responsables et mettre à disposition les ressources nécessaires.

Chaque membre du COMEX porte ses sujets Data indépendamment des autres.

Ce qui pose problème

Bien que l'implication de chaque membre soit positive, une approche décentralisée maintiendra les silos et empêchera d’établir une feuille de route globale pour la data afin de mutualiser les ressources.

La mise en place d'une gouvernance de la donnée efficace sera difficile, car elle implique d’aligner l’organisation sur des standards communs de gestion des données.

Actions à mettre en place

Centraliser la gouvernance de la data sous la responsabilité d’un comité dédié ou d’un responsable data au sein du COMEX. Il aura pour mission de définir la stratégie data, d'arbitrer les priorités et de coordonner les initiatives.

Cette personne doit pouvoir influencer les feuilles de route des différentes équipes pour faciliter la gestion des données. Elle est en charge de résoudre les blocages liés à la collaboration inter équipes lors de la mise en œuvre des projets.

Un membre du COMEX ou un comité au sein de ce dernier est responsable des sujets Data.

Pourquoi c’est la situation cible

C’est la situation idéale, car elle témoigne d’une reconnaissance de l’importance de la data au plus haut niveau de l’organisation.

Un responsable data au sein du COMEX assure que les enjeux data sont alignés avec les objectifs organisationnels, et facilite la collaboration ainsi que l’allocation des ressources.

Actions pour maintenir et renforcer cette situation

S'assurer que le responsable dispose des ressources nécessaires (budgets, équipes, outils) pour mener à bien sa mission.

Évaluer régulièrement les compétences du responsable et de l'équipe data, et mettre en place des plans de formation lorsque nécessaire.

Communiquer régulièrement les résultats obtenus grâce à la data pour renforcer l'adhésion des autres membres du COMEX.

Ce rôle est inexistant, les besoins métiers sont mal qualifiés, et les solutions livrées ne répondent pas aux besoins des utilisateurs.

Ce qui pose problème

Lorsque les solutions Data ne répondent pas aux besoins des utilisateurs finaux, l’adoption des outils analytiques et la transition vers un pilotage de l’entreprise par la donnée sont compromises.

Actions à mettre en place

Il est crucial de mettre en place un rôle de gestion de projet qui sera l'interface entre les métiers et l'équipe data. Il devra être capable de concevoir une solution technique à partir d’un besoin métier et accompagner les utilisateurs dans la prise en main des solutions afin d’assurer leur adoption.

Dans chaque département, une personne est l'interlocuteur privilégié de l'équipe Data. Cette personne porte les besoins de son département auprès des équipes IT et Data.

Ce qui pose problème

Cette situation est un premier pas important !Cependant, la gestion des projets data est faite en silo, ce qui rend la priorisation des sujets plus difficile.

La disponibilité de chaque gestionnaire sera limitée par ses autres tâches, et l’hétérogénéité des compétences techniques des représentants de chaque département risque d’affecter les solutions livrées.

Actions à mettre en place

Il est idéal de centraliser la gestion des projets data afin d'avoir une vision globale des initiatives en cours.

Il est souvent difficile de justifier d’une ressource dédiée. Garder des gestionnaires par département peut être satisfaisant s’ils sont formés à l’exercice. Il faudra qu’un membre de l’équipe dirigeante se charge d’arbitrer les priorités.

Un gestionnaire de projet est intégré à l'équipe Data. Cette personne conçoit une solution à partir d'un besoin métier et en coordonne les développements.

Pourquoi c’est la situation cible

L'intégration d'un gestionnaire de projet au sein de l'équipe data permet de fournir aux équipes Métiers, IT, et au Comité Exécutif un interlocuteur unique portant la vision d’ensemble des sujets.

Cette personne comprend aussi bien le métier que les méthodes de travail de l’équipe data, ce qui permet de faire le pont entre ces deux mondes.

Actions pour maintenir et renforcer cette situation

Créer des relais au sein des métiers pour co-concevoir les solutions qui répondent au mieux aux problématiques. Il est important que l’équipe dirigeante apporte son appui pour porter les besoins de l’équipe data, notamment auprès des équipes IT gérant les logiciels métiers où se trouvent les données à exploiter.

L’exploitation des données est le royaume exclusif de la finance et de l’équipe dirigeante.

Ce qui pose problème

Cette situation est le minimum vital à la survie d’une entreprise. Il est probable que le focus soit mis sur des indicateurs financiers permettant de comprendre à posteriori la performance de l’entreprise.

La faible utilisation de la donnée aux niveaux inférieurs limite l’amélioration continue des processus et l’identification des bonnes pratiques au niveau des individus.

Actions à mettre en place

Commencer par acculturer les niveaux supérieurs de management : directeurs de département marketing, opérations, produit. Ces derniers doivent formuler des indicateurs permettant de mesurer la performance de leur périmètre et justifier leurs décisions par la donnée.

Élargir l’utilisation de la donnée aux différents métiers et fonctions supports permettra de se concentrer sur les indicateurs prédisant la performance financière, tels que le nombre de prospects dans le tunnel d’acquisition, la taille du carnet de commande, ou les niveaux de stocks.

Les directeurs de départements utilisent les données, alors que les niveaux inférieurs continuent de naviguer à vue.

Ce qui pose problème

Votre entreprise commence à avoir de solides bases dans l’utilisation de la donnée, et il est tout à fait normal que l’adoption se fasse du haut vers le bas.

Cependant, il reste des opportunités non exploitées sur la gestion des opérations du quotidien : répondre à une demande client, prioriser le rappel d’un segment de prospects à forte valeur potentielle.

Actions à mettre en place

Étendre l'utilisation de la donnée à tous les niveaux de l’organisation :

Toutes les équipes doivent réfléchir à la manière dont la donnée pourrait être utilisée pour générer plus de ventes, augmenter la satisfaction client ou baisser les coûts des opérations.

Un environnement propice aux expérimentations et un programme de formation doivent être mis en place pour pousser chacun à essayer de créer de la valeur avec la donnée sans se sentir menacé.

Toutes les équipes utilisent les données lorsque cela est possible pour prendre des décisions.

Pourquoi c’est la situation cible

Cette situation est idéale car elle témoigne d'une culture de la donnée bien ancrée dans votre organisation. Vos équipes mesurent le résultat des processus en place et évaluent la performance individuelle. Vous êtes capables d’optimiser vos opérations avec la donnée partout où cela est possible.

Maximiser le nombre d’utilisateurs de la donnée permet de fédérer les équipes autour de la gestion des données. Une organisation dont les membres sont à l’aise avec la gestion et l’utilisation de la donnée pourra déployer des cas d’usage plus complexes (machine learning, IA), créant énormément de valeur métier.

Actions pour maintenir et renforcer cette situation

Continuer à investir dans la formation des collaborateurs et intégrer dans les critères de recrutement un test de la capacité à utiliser les données pour les postes où cela est pertinent.

Aucun travail n’a été effectué pour identifier les projets data à forte valeur métier.

Ce qui pose problème

L’identification des cas d’usage prioritaires permet de concentrer les efforts sur les projets où la donnée permettra de créer le plus de valeur. Sans cela, il est impossible de créer une feuille de route et les efforts de gestion des données ne sont pas priorisés. Les ressources sont dispersées sur de multiples projets, limitant ainsi la création de valeur.

Actions à mettre en place

La première étape consiste à identifier les cas d’usage des données qui supportent les objectifs de l’entreprise. Cela implique de travailler en étroite collaboration avec les utilisateurs métiers pour comprendre leurs besoins, leurs challenges et leurs attentes.

L’équipe dirigeante doit porter l’initiative pour assurer l’alignement des projets data avec les objectifs de l’entreprise.

Les cas d’usage ont été identifiés, mais leur faisabilité reste incertaine, ce qui bloque la construction de la feuille de route.

Ce qui pose problème

Des cas d’usage identifiés mais non réalisables sont autant de projets inaboutis qui sapent la crédibilité des initiatives data. Cela entraîne une perte de temps et de ressources précieuses. De plus, cela peut briser la confiance des équipes métiers et les rendre réticentes à s’engager dans de nouveaux projets.

Actions à mettre en place

Évaluer la faisabilité technique et économique de chaque cas d’usage. Cela passe par une analyse de la qualité et de l'accessibilité des données ainsi que des compétences nécessaires à la mise en œuvre du projet.

À ce stade, il est recommandé de mettre en œuvre les projets pour lesquels la faisabilité est certaine afin de créer de la valeur rapidement. Ceci permet d’instaurer la confiance entre l’équipe métier et l’équipe data, menant à l’adoption plus rapide des outils analytiques développés.

Les cas d’usage sont priorisés selon leur potentiel de création de valeur et leur faisabilité.

Pourquoi c’est la situation cible

La définition d’une feuille de route permet d’identifier les besoins de l’équipe data et d’influencer les feuilles de route des équipes IT et métiers en charge de la gestion des données dans les logiciels métiers (CRM, ERP, ...) devant alimenter les projets analytiques.

C’est en se concentrant sur les projets les plus porteurs et en planifiant correctement leur mise en œuvre que le retour sur les investissements dans la Data est maximal.

Actions pour maintenir et renforcer cette situation

La priorisation des cas d’usage doit être revue avec les évolutions des priorités de votre organisation. Le référent data doit donner de la visibilité sur les résultats obtenus lors de la livraison de nouvelles fonctionnalités data et sur les challenges ralentissant les équipes afin d’adapter l’organisation.

Il n’existe pas de modèle de gestion de projet. La gestion est informelle, et le peu d’écrits décrivant le projet ne sont pas centralisés.

Ce qui pose problème

L’absence de structure dans la gestion des projets data crée un risque élevé de livrer une solution qui ne répond pas au besoin initial.

Cela rend difficile l'identification des causes racines des problèmes, limitant ainsi l’augmentation de la productivité des équipes.

Enfin, le manque de coordination entre Métier, Data et IT empêche de planifier les projets (formules d’indicateurs non définies, difficulté d’accès aux données, qualité des données), entraînant une perte de temps considérable.

Actions à mettre en place

Mettre en place un processus de gestion de projet structuré avec des rôles clairs, des étapes clés et les livrables associés (i.e. : expression de besoin, spécifications fonctionnelles, développement, test, déploiement) permet d’aligner Métier, IT et Data.

Cette structuration, associée à des outils de gestion de projet adaptés (ex. : Jira, Notion ou Asana), favorise une culture de l’écrit responsabilisant les parties prenantes.

Une première version du processus a été définie avec des étapes, des livrables et des rôles. Cependant, il reste difficile de fédérer les parties prenantes autour de ce dernier.

Ce qui pose problème

Avoir un processus de gestion de projet formalisé est un excellent point de départ. Cependant, il est fréquent que les équipes IT et métiers ne comprennent pas la contribution qui leur incombe au sein d’un projet data. Si ces dernières ne sont pas impliquées durant les différentes phases pour donner le contexte et mettre à disposition les ressources, le projet sera retardé et ne remplira pas ses objectifs.

Actions à mettre en place

Le responsable de la data au sein du comité exécutif doit s’assurer que les équipes Métier et IT libèrent du temps pour mener leurs actions (i.e. : détailler les besoins, mettre à disposition et exposer le contexte à propos des données).

Impliquer Métier et IT dans la définition et l’amélioration de la méthode de travail assure une meilleure adoption. Tester le processus sur un projet pilote réunissant les individus ayant compris la démarche pour en démontrer les bénéfices au reste de l’organisation. Mener des actions de formation une fois que la méthode est validée.

Une gestion de projet est en place et adoptée par les parties prenantes, les projets data sont livrés dans les temps et répondent aux besoins des métiers.

Pourquoi c’est la situation cible

Comme dans un orchestre, chaque partie prenante au projet connaît son rôle, ce qui assure l’adéquation du livrable avec le besoin métier et le respect des délais.

Les gains de productivité permettent d’augmenter le retour sur investissement des projets Data. L’intérêt des équipes métier augmente, ce qui se transforme en davantage de projets à succès.

Actions pour maintenir et renforcer cette situation

Mettre en place des mécanismes de feedback réguliers avec les équipes et les métiers pour identifier les points d'amélioration et s'assurer que le processus reste adapté aux besoins de l'entreprise.

Attention à ne pas tomber dans l’obsession de l’optimisation du processus, ce qui pourrait engendrer de la confusion au sein des équipes et forcer à des actions de formation constantes.

Aucun standard n’est en place pour gérer la qualité des données.

Ce qui pose problème

L’absence de standards entraîne une qualité de données imprévisible, ce qui limite leur exploitation pour des analyses et la prise de décision.

Un manque de confiance dans les indicateurs présentés détourne les utilisateurs des outils analytiques.

Enfin, la mise en place de projets data est ralentie en raison du temps passé à nettoyer les données.

Actions à mettre en place

Identifier les données critiques de votre organisation. Ces données permettent de suivre la complétion de vos objectifs, de comprendre les attentes de vos clients, etc. Ce sont les données nécessaires à la mise en œuvre de vos cas d’usage analytiques et dont la qualité doit être gérée en priorité.

Chacun des champs doit avoir des règles claires de format, de complétude et de valeurs potentielles. Le processus de collecte de ces données doit être sécurisé dans les systèmes et via la formation des utilisateurs (i.e. : les commerciaux doivent entrer dans le CRM un statut suite à chaque rendez-vous client).

Les différents responsables des données au sein de leurs départements sont à l’initiative. L’équipe data peut uniquement faire remonter les problèmes de qualité qu’elle observe dans les données traitées, mais elle ne peut pas les corriger dans le système source.

Certaines équipes ont adopté des standards qui leur sont propres ; la qualité des données est hétérogène dans les différents systèmes.

Ce qui pose problème

Les initiatives isolées ne permettent pas une cohérence globale, ce qui limite la fiabilité des analyses transversales (i.e. : l’analyse des délais de livraison implique les systèmes de gestion des commandes, de gestion du transport, et le service client).

Les opérations sont également impactées lorsque différents logiciels métiers échangent des informations corrompues alors qu’elles sont nécessaires à leur fonctionnement (i.e. : lorsque le logiciel de gestion des commandes passe la commande au logiciel de transport et au système de gestion de l’entrepôt).

Actions à mettre en place

Un comité dédié regroupant le référent data et les responsables des données définit les standards de qualité (format, complétude, unicité, traçabilité).

Ces standards doivent être communiqués à tous les utilisateurs manipulant de l’information. Les systèmes permettant la collecte des données doivent être adaptés pour appliquer les standards.

La liste des données critiques de l’entreprise est partagée avec toutes les équipes et des indicateurs de qualité des données doivent être intégrés dans leurs objectifs (i.e. : pourcentage de rendez-vous client dont le statut a été qualifié par l’équipe commerciale).

Tous les systèmes suivent les mêmes standards de qualité des données.

Pourquoi c’est la situation cible

La confiance dans les données est accrue, ce qui améliore l’adoption des outils, la prise de décision et la rapidité de mise en œuvre des projets.

L’harmonisation des pratiques réduit les coûts opérationnels associés à la gestion des données en diminuant les actions de correction/ nettoyage des données.

Actions pour maintenir et renforcer cette situation

Mener des audits de respect des standards de qualité pour identifier les zones de faiblesse.

Mener des actions de formation continues auprès des utilisateurs manipulant de l’information.

Automatiser un maximum le processus de validation des données en implémentant les règles de validation directement dans les systèmes (i.e. : tests unitaires, validations de formulaires).

Il n’existe pas de standard pour réconcilier les données provenant de différents systèmes.

Ce qui pose problème

L’absence de réconciliation des données signifie que les différentes sources d’informations (CRM, espace client, gestion des commandes) restent cloisonnées.

Cette situation génère des difficultés majeures (i.e. : réconciliation manuelle, incomplétude des données) pour obtenir une vision unifiée de la clientèle, des opérations et des performances.

Actions à mettre en place

Mettre en place une initiative pour identifier les systèmes qui ont besoin de communiquer entre eux (i.e. : un utilisateur qui s’inscrit sur l’application doit, au même moment, être créé dans le CRM. Lorsqu’il passe commande, il est créé avec les produits achetés dans le système de gestion des commandes. Une ID unique doit être propagée dans les 3 systèmes pour identifier cet utilisateur).

Les responsables des données doivent favoriser la collaboration des équipes IT pour permettre l’intégration des données entre systèmes.

Les premiers standards d’architecture des données ont été définis, mais la collaboration entre équipes reste difficile pour mettre en place les actions.

Ce qui pose problème

Bien que l’existence de règles constitue un bon point de départ, elles doivent être appliquées de manière systématique par les différentes équipes, qui doivent trouver un moyen de collaborer efficacement.

L’intégration des systèmes requiert le développement de fonctionnalités à part entière et leur maintenance. Cela représente un coût supplémentaire pour les équipes IT, dont les objectifs ne sont pas toujours alignés.

Actions à mettre en place

Créer des objectifs communs aux équipes IT en les alignant sur des besoins métiers.

Mettre en place des identifiants uniques inter-systèmes (par exemple : Customer ID global) et définir de manière précise les règles de mise à jour des entités (par exemple : customer) entre systèmes.

Les différents systèmes de l’organisation communiquent entre eux de manière fluide, lorsque cela est nécessaire.

Pourquoi c’est la situation cible

Une communication fluide entre les différents systèmes est indispensable pour l’automatisation de vos opérations et la mise en place de projets analytiques à fort impact.

L’intégration des systèmes permettra d’avoir une vision globale de la performance de l’entreprise et de traiter chaque client de manière personnalisée.

Actions pour maintenir et renforcer cette situation

Il est important de continuer à investir dans l'intégration des systèmes et de mettre en place des mécanismes de surveillance de la qualité et de l'exhaustivité des données.

Il est également recommandé de réaliser régulièrement des audits de l'architecture des données afin d'identifier les éventuelles améliorations à apporter.

Il n’existe aucune documentation écrite, toutes les connaissances résident dans la tête des employés.

Ce qui pose problème

L'absence de documentation crée une dépendance excessive aux experts de l'organisation, ralentit l'onboarding des nouveaux collaborateurs et augmente le risque de perte de connaissances en cas de départ.

Par ailleurs, sans une définition partagée des données, la gestion de la qualité des données devient difficile.

Actions à mettre en place

Définir des standards de documentation applicables à chaque donnée critique de l'entreprise (origine, définition métier, valeurs potentielles, usage, responsable). Encourager une culture de la documentation au sein des équipes.

Les responsables de données sont à l'initiative : leur rôle est de s'assurer que la documentation évolue avec les systèmes. L'équipe Data doit également se soumettre à cet exercice afin de proposer aux utilisateurs des solutions analytiques une documentation claire (par exemple : formule détaillée des indicateurs d'un tableau de bord).

Le niveau de documentation varie fortement entre les différentes équipes.

Ce qui pose problème

La documentation dispersée entre différents systèmes et l'hétérogénéité des contenus rendent la collaboration difficile et créent de l'incertitude lors de la réalisation des projets.

Actions à mettre en place

Mettre en place un référentiel de données centralisé permet de faciliter l'accès aux informations essentielles, favorisant ainsi le partage des connaissances au sein de l'organisation.

Harmoniser les pratiques de documentation et définir des standards communs garantiront une meilleure compréhension et cohérence des informations.

Il est crucial de former les équipes sur ces standards et de commencer avec un minimum vital pour éviter de les surcharger et garantir une adoption rapide. Une fois que ces bases seront en place, l'effort pourra être progressivement étendu.

Les équipes respectent toutes les mêmes standards de documentation.

Pourquoi c’est la situation cible

Une documentation standardisée et exhaustive permet de garantir la qualité des données et d'accélérer les analyses. Elle facilite la collaboration entre les équipes et réduit les coûts liés à la gestion des données.

Actions pour maintenir et renforcer cette situation

Continuer à investir dans la formation des équipes, à améliorer les outils de documentation et à communiquer régulièrement sur l'importance de la qualité des données.

Mettre en place des indicateurs de performance pour mesurer le niveau de conformité aux standards et identifier les éventuelles zones d'amélioration.

Les données sont extraites manuellement et stockées dans de multiples feuilles de calcul.

Ce qui pose problème

L’extraction manuelle des données est chronophage, et le stockage dans des feuilles de calcul dispersées rend les données impossibles à gouverner.

L’augmentation du volume des données entraîne des lenteurs et des crashs lors de la manipulation des feuilles de calcul. Le nombre de lignes maximum (i.e. : environ 1 million de lignes sur Excel) que peut comporter un fichier contraint les projets analytiques à rester sur de faibles volumes.

Enfin, Excel ne peut pas interagir directement avec une API pour récupérer des données.

Actions à mettre en place

Equipez vous d’un entrepôt de données (i.e. : Google BigQuery) pour centraliser les données provenant de vos différents systèmes. L’objectif est de créer une source de vérité unique pour vos données analytiques (i.e. : indicateurs de performance) qui alimentera tous les projets de l’équipe Data.

Vous devrez mettre en place des flux de données partant de vos systèmes métiers (i.e. : CRM) pour alimenter l’entrepôt de données. Il existe des outils tels que Airbyte, Stitch permettant de recopier les données de vos systèmes dans l’entrepôt sans écrire de code. Si aucun outil ne permet de créer ce type de flux, l’alternative est de développer un programme informatique dédié.

Votre data engineer est la personne chargée de mettre en place l’entrepôt de données et de l’alimenter avec les données de votre entreprise.

Les données commencent à être centralisées dans un entrepôt de données qui alimente différents projets analytiques.

Ce qui pose problème

Votre équipe Data a mis en place les bases de la plateforme de données (ensemble d’outils servant au traitement des données et à l’hébergement des fonctionnalités data).

Cette phase induit la présence d’outils concurrents pour la gestion des projets analytiques. Tant que la migration n’est pas achevée, la création d’une source de données unique reste un défi.

Actions à mettre en place

Cette phase de migration vers la nouvelle architecture implique que le stockage des données restera décentralisé pendant un certain temps.

Le plan de migration doit s’efforcer de migrer une source *(i.e. : données du CRM)* ainsi que ses fonctionnalités *(i.e. : tableaux de bord de performance du tunnel d’acquisition)* et ses utilisateurs avant de passer à la suivante. Cela permet d’éviter de replonger dans les projets “sous-marins”.

Votre organisation doit veiller à ce que les principes de gouvernance des données soient également appliqués dans l’entrepôt de données (i.e. : application de la RGPD).

L’entrepôt de données centralise toutes les sources de données de l’entreprise et alimente tous les projets analytiques.

Pourquoi c’est la situation cible

Dans cet environnement, les limitations techniques et organisationnelles des feuilles de calcul sont effacées. La préparation et la validation des données peuvent être automatisées. Ces gains de productivité permettent de démocratiser l’usage de la donnée dans tous les pans de l’entreprise.

Actions pour maintenir et renforcer cette situation

Votre entrepôt de données et d’autres outils servant au traitement des données sont édités par des fournisseurs de services hébergés dans le cloud (Google, Amazon). Ces outils ont des modèles de facturation à l’usage.

Il est important de suivre les coûts liés à ces outils lors de l’ajout de nouvelles fonctionnalités et de faire les optimisations nécessaires pour contrôler les coûts.

Les données sont transformées manuellement à l’aide d’outils tels qu'Excel / Google Sheets.

Ce qui pose problème

Les feuilles de calcul rendent la manipulation des données chronophage et sont sources d'erreurs humaines. Ces facteurs limitent la reproductibilité de chaque analyse. Elles rendent impossible toute automatisation des tâches telles que la mise à jour quotidienne d’un tableau de bord.

Les outils tels qu’Excel permettent uniquement de manipuler des données au format tabulaire (stockées en lignes et colonnes) et leurs fonctionnalités de base ne permettent pas de mettre en place de transformations complexes.

Actions à mettre en place

La transition vers l’utilisation de requêtes SQL pour transformer les données est une étape clé afin de systématiser leur transformation.

Une requête SQL permet de définir une tâche qui, à partir d’une entrée X, produira un résultat Y. Une requête SQL est exécutable automatiquement par un ordinateur, ce qui permet d’automatiser les tâches de transformation.

Un prérequis à l’utilisation de SQL est de stocker vos données dans une base conçue pour la mise en place de cas d’usages analytiques (entrepôt de données). Ceci permettra de traiter des volumes de données très importants en un temps record.

Les données sont transformées via des requêtes SQL. Elles sont cependant mal organisées dans l’entrepôt, ce qui complique le développement de nouvelles fonctionnalités.

Ce qui pose problème

Un modèle de données permet d’organiser l’information de manière à faciliter le développement de nouvelles fonctionnalités data. S’il n’est pas adapté à l’ensemble des besoins de votre organisation, l’ajout de fonctionnalités et les évolutions sur l’existant coûteront un temps précieux à votre équipe Data.

Les mécanismes de préparation des données permettent de tester la cohérence d’un champ du modèle avec les caractéristiques attendues *(i.e. : tester qu’une adresse email contient @)*. Sans cela, il est compliqué d’identifier les anomalies dans vos données analytiques. Les indicateurs restitués contiendront des erreurs.

Actions à mettre en place

Concevoir un modèle de données permettant la réutilisation des tables pour servir de multiples projets data et faciliter la résolution des bugs *(cf. architecture Médaillon, Kimball data model)*.

Mettre en place un outil de gestion de modèles de données comme DBT ou DataForm. Il facilitera la mise en œuvre de votre modèle dans l’entrepôt, la validation de vos données et la génération d’une documentation de votre modèle.

Les données sont transformées via un outil dédié permettant de définir le modèle de données et de valider les données.

Pourquoi c’est la situation cible

L'utilisation d'un outil dédié à la transformation des données et à la gestion du modèle permet d’augmenter le nombre de fonctionnalités développées tout en maintenant la qualité des données et la reproductibilité des analyses.

Vous avez un socle solide pour agrandir votre équipe Data et démocratiser l’analytique dans votre organisation.

Actions pour maintenir et renforcer cette situation

Les fonctionnalités offertes par les outils comme DBT offrent une grande liberté aux équipes dans la mise en œuvre de leurs modèles de données. Lorsqu’une équipe Data grandit, il est important d’établir des standards de travail communs pour garder une cohérence globale et faciliter la maintenance.

La préparation des données est complètement manuelle, de l’extraction à la restitution des indicateurs.

Ce qui pose problème

Votre pipeline de données est constitué de différentes tâches consistant à extraire vos données, les transformer en un format propre à l’analyse et les restituer à un utilisateur final.

Sans automatisation du pipeline, il est impossible d’augmenter le nombre de fonctionnalités Data à niveau de ressources égales. La mise à jour d’un indicateur demande de faire à chaque fois les mêmes gestes manuels.

Actions à mettre en place

Pour automatiser les actions de préparation des données, le prérequis est d’utiliser une suite d’outils dédiés au traitement de la donnée. À minima : entrepôt de données, outil/script d’ingestion, requêtes SQL pour les transformations.

Les orchestrateurs de tâches permettent de programmer ces outils pour qu’ils exécutent leurs tâches dans un ordre et à un moment définis. Ainsi, vos données seront disponibles dès que nécessaires.

Le pipeline de données est en partie automatisé avec des orchestrateurs de tâches propres à chaque outil.

Ce qui pose problème

Les pipelines de données sont des systèmes qui prennent en entrée des données sur lesquelles ils n’ont pas de contrôle. Tôt ou tard, ils finissent par casser et doivent être mis à jour.

La multiplication des outils d’orchestration et d’observabilité du pipeline empêche d’avoir une vision globale et unifiée sur la totalité du processus. La dispersion de l’information rend la résolution des bugs et les évolutions chronophages.

Actions à mettre en place

Un orchestrateur de tâches comme Apache Airflow permettra de piloter les différents outils intervenant dans la préparation de vos données. Il exécutera les tâches dans l’ordre que vous aurez défini, arrêtera le processus s’il rencontre une anomalie, et notifiera la personne en charge de ce processus le cas échéant.

L’interface utilisateur permet de surveiller l’exécution des tâches, d’obtenir le contexte sur les erreurs et de relancer les tâches en échec après correction. C’est le panneau de contrôle permettant de visualiser la santé de vos pipelines de données.

Un orchestrateur unique permet d’automatiser et de suivre l’exécution des pipelines de données de bout en bout.

Pourquoi c’est la situation cible

Un orchestrateur assure l’automatisation et l’observabilité des processus de préparation des données. Il vous garantit un suivi centralisé et une traçabilité des erreurs améliorée.

Ceci se traduit par des gains de productivité significatifs permettant à l’équipe data de se concentrer sur la livraison de nouvelles fonctionnalités en restant à niveau égal de ressources.

Actions pour maintenir et renforcer cette situation

Les orchestrateurs de tâches comme Apache Airflow sont des technologies qui comportent leur lot de complexité. Il faut vous assurer que les utilisateurs aient la compétence tant sur l’utilisation que sur la gestion de l’instance pour éviter les erreurs et minimiser les coûts.

Les données sont restituées aux utilisateurs sous Excel / Powerpoint.

Ce qui pose problème

L’utilisation de ces outils demande un travail manuel pour mettre à jour les données. Ils offrent des possibilités limitées pour explorer vos données : les graphiques disponibles sont basiques et l’interactivité très limitée. Résultat, l’utilisateur ne pourra pas découvrir ces insights permettant de prendre des décisions impactantes.

Actions à mettre en place

Equipez vous d’une plateforme centralisée de visualisation des données comme Tableau, Power BI ou Looker. Connectez l’outil choisi à votre entrepôt de données pour alimenter la plateforme. Vos indicateurs seront mis à jour automatiquement et vous aurez accès à des possibilités d’exploration des données avancées.

Un outil de visualisation de données est en place. Cependant, votre équipe croule sous les nouvelles demandes.

Ce qui pose problème

Vous avez mis en place une série de tableaux de bord fournissant des indicateurs à vos utilisateurs. Avec la pratique, les besoins de vos utilisateurs en matière de données changent et votre équipe Data se retrouve saturée de nouvelles demandes.

Ces demandes portent sur de nouveaux indicateurs, mais aussi la mise à disposition d’informations granulaires sur, par exemple, un client.

Actions à mettre en place

Vous devez démocratiser l’utilisation de la donnée dans l’entreprise sans devoir ajouter un nouveau membre à l’équipe Data dès que vous avez une nouvelle demande.

Pour cela, vous devez former les utilisateurs de la donnée à utiliser l’outil de visualisation de données pour construire leurs analyses et accéder aux données dont ils ont besoin.

En retour, votre équipe Data doit préparer les données de manière à adresser les besoins des utilisateurs et leur fournir une documentation pour permettre de s’inscrire dans cette approche de self-service analytics.

Les utilisateurs sont formés à l’utilisation des outils de visualisation de données. Certaines informations analytiques remontent directement dans les logiciels métiers.

Pourquoi c’est la situation cible

Votre équipe Data délègue les demandes du quotidien aux utilisateurs, ce qui permet de concentrer les efforts sur les projets de plus grande envergure en limitant l’augmentation des effectifs et donc des coûts.

En manipulant les données de manière autonome, les utilisateurs métiers peuvent prendre des décisions éclairées rapidement et plus souvent.

L’automatisation et l’intégration des données analytiques dans les logiciels métiers permettent d’intégrer l’usage des données directement dans les flux de travail.

Tous ces points permettent une démocratisation plus rapide de l’usage des données dans votre organisation.

Actions pour maintenir et renforcer cette situation

Ouvrir l’accès aux données au plus grand nombre expose aux risques de mauvaise utilisation des données ou d’actions qui compromettraient sa sécurité. Former les utilisateurs aux outils et à la gouvernance des données permet de limiter ces risques.

15 questions pour évaluer si votre organisation est équipée pour utiliser ses données afin d'accélérer son développement.