La transformation digitale de l’entreprise ne se fera pas sans allier stratégie data et culture analytique

La plupart des entreprises et des administrations reconnaissent désormais l'importance des données et leur valeur patrimoniale même si celles-ci n'apparaissent pas au bilan des systèmes comptables.

Les champions de l'ère numérique ont montré la voie en plaçant les données au cœur de leur stratégie de développement. Mais les entreprises plus traditionnelles aux organisations "éprouvées",  peinent parfois à trouver le chemin d'une transformation numérique considérée par tous comme inéluctable

L'absence d’une véritable stratégie data constitue souvent le premier obstacle. La plupart de ces organisations ont développé avec une efficacité relative leurs processus métiers en automatisant, au rythme des besoins, production, distribution, ressources humaines, relation client, etc., dans autant de sous-systèmes d'information plus souvent générateurs de données que réellement consommateurs de données.

Focalisée sur la performance de chaque métier, cette efficacité atteint ses limites dès lors que la donnée, mal partagée dans l'entreprise, ne délivre pas toute la valeur qu'elle recèle. En effet, à l’image d’un capital circulant, la donnée ne produit pas de valeur si elle n’est pas consommée. 

Le premier enjeu est là : changer la place des données dans la chaîne de valeur pour servir tous les métiers de l’entreprise et décloisonner les systèmes d'information. C'est la première promesse des immenses réservoirs de données et autres "data lakes", reposant notamment sur une approche Hadoop, qui associés à une gouvernance effective des données pourraient former le premier pilier d'une véritable stratégie data.

Le second obstacle réside dans un déficit chronique de culture analytique et plus globalement de culture de la donnée. Les étapes d’une  maturité analytique ont été largement codifiées au cours des dernières années. Les premiers niveaux permettant de mesurer, décrire et produire des rapports ont rapidement été atteints,    notamment grâce aux solutions de business intelligence. Les niveaux suivants, grâce à des modèles de plus en plus performants,  offrent aux métiers la possibilité de donner du sens, d'anticiper, de prédire, et de se faire prescrire des choix ou scénarios de décisions optimaux. Malgré leur très forte valeur ajoutée, ils restent trop souvent réservés à des applications spécifiques. De ce fait, entre des risques mal évalués et des opportunités non envisagées, la plupart des décisions prises dans l’entreprise restent intuitives et non factuelles.

Cet obstacle cache plusieurs défis. Celui des compétences requises, scientifiques et mathématiques des fameux data scientists, dont les profils rares manquent à l'appel dans les organigrammes des entreprises. Celui de l'agilité, de l'humilité, de la patience qu'impliquent les nécessaires approches expérimentales caractéristiques des démarches scientifiques. Enfin, celui d’organisations, encore pyramidales et verticales, peu propices au partage, au travail collaboratif facilité par des organisations plus horizontales. Diffuser largement la culture de la donnée dans l’entreprise et permettre aux rares spécialistes de collaborer de manière agile avec les différents métiers de l’entreprise représente un deuxième enjeu majeur de la transformation numérique.

Le troisième obstacle réside dans la difficulté à concrétiser l’usage de la donnée dans le temps de l’action. La chaîne de valeur de l’information est constituée généralement de trois étapes chronologiquement interdépendantes : mise à disposition de l’information (time to data), analyse et  valorisation  de l’information (time to insight), usage effectif de l’information (time to action).  Compte tenu des obstacles évoqués cette chaîne est  souvent  déséquilibrée, voire rompue, et seuls un nombre limité de processus métiers disposent d’une information à forte valeur ajoutée utilisable de manière opérationnelle. 

Ces déséquilibres mettent en évidence un nouveau défi, celui de garantir la pertinence de la chaîne de valeur de l’information et pour cela gérer deux difficultés supplémentaires :

• Associer de manière quasi automatique les règles, les contraintes et le savoir-faire métier aux résultats de modèles analytiques au cœur des processus métiers. 
• Assurer que les résultats des  actions réalisées réalimentent correctement et en continu (pour ne pas dire en temps réel) la connaissance acquise dans une boucle de retour tenant compte de leurs résultats positifs ou négatifs.

Transformer ces défis en opportunités c’est tout l’enjeu de la  stratégie data adoptée par les plus grandes organisations à travers le monde.

• Une entreprise nationale privée de ventes et locations de véhicules de transport envisage  son avenir économique non plus comme simple fournisseur de produits mais comme fournisseur de services. A cet effet, elle met en synergie ses données fournisseurs, ses données clients et la gestion des véhicules dans un gigantesque réservoir de données pour modéliser et anticiper les risques de défaillance de chaque véhicule et automatiser les besoins de maintenance de chaque unité pour un niveau de service fiable, une disponibilité optimale de son parc de véhicules et une meilleure satisfaction de ses clients. Les ordres de réparation sont émis automatiquement en temps réel par un système auto-apprenant tenant compte de règles métiers spécifiques (contrat de maintenance, garanties, extensions, etc…) et des résultats des modèles prédictifs intégrant à la fois la demande de véhicules, les risques inhérents à chaque véhicule : marque, modèle,  contexte d’utilisation (région, usages, nature des clients).

• Une  administration publique, le service des douanes d’une des toutes premières puissances commerciales du sud-est asiatique a pour principaux objectifs de préserver le revenu national (collecte de taxes) et de prévenir l’échange de marchandises illicites, les infractions à la propriété intellectuelle (brevets), les transactions financières illégales. La multiplication des menaces oblige désormais les 400 agents de contrôle à mener des opérations plus ciblées. Une stratégie d’utilisation systématique des données à leur disposition (cargaisons, flux, transporteurs, passagers, etc...) leur permet d’associer des règlementations métiers complexes à  des modèles analytiques combinant près de 200 facteurs de risques pour choisir de manière automatique les contrôles à effectuer en temps opportun et améliorer ainsi de plus 20% les taux de détection de flux illicites.

Deux exemples qui illustrent l’ambition d’une réelle stratégie data tournée vers l’action comme une opportunité de transformation et de remise à plat de la chaîne de valeur. Entre enjeux métiers, technologiques et organisationnels, les entreprises qui choisiront l'agilité et favoriseront une culture de l'expérimentation, du partage et de l'innovation devraient pouvoir se transformer sans heurts pour exploiter réellement la donnée dans le temps de l’action.