21.02.22
7 MIN

Cet article est la retranscription écrite d’une capsule audio diffusée lors de la 2e édition des Audio Days. Pour en savoir plus sur cet évènement, rendez-vous sur audio-days.com. Vous pouvez également écouter la capsule à la fin de cet article.

Bonjour, je suis ravie d’être parmi vous aujourd’hui pour qu’on parle ensemble des erreurs à ne pas commettre dans une transformation data et digitale. Comme vous le savez, on entend souvent parler ces dix dernières années que nos sociétés se mettent en marche pour la transformation en data et digitale, pour améliorer leurs performances, pour améliorer la satisfaction de leurs clients et aussi développer de nouveaux business models. Mais pourquoi, selon le Gartner, uniquement 12% des sociétés ont réussi leur transformation, et pas la majorité ? Je vais aujourd’hui essayer de vous regrouper les quatre erreurs à ne pas faire et les détailler une par une.

Une des erreurs qu’on a tendance à faire dans les grandes sociétés, c’est qu’on croit que la transformation data et digitale, c’est plutôt une affaire de technologie. Il suffit d’aller voir le plus grand partenaire technologique sur le marché et acheter une plateforme, un data lake, une CDP (Customer Data Platform). Toute une technologie qui va me permettre de centraliser la data et l’exposer pour être data driven. Et bien non, la transformation data et digitale est finalement, et plutôt, une affaire de transformation humaine plus que technologique. On peut avoir la meilleure plateforme au monde si la culture et la raison pour laquelle on se transforme n’est pas comprise par les employés, par les clients et bien on ne pourra pas fédérer et embarquer des personnes. Donc, la transformation en data est de la technologie. Certes, il nous faut des technologies robustes et maîtrisées, mais pas qu’eux. Il faut aussi une organisation data et digitale dans les sociétés, internaliser ces rôles et ne pas dépendre que de providers externes. Une acculturation de tous les collaborateurs à tous niveaux de l’organisation, en commençant par les stakeholders et les C-levels, pour expliquer le pourquoi de la transformation, le pourquoi on doit accélérer la digitalisation de nos process pour être plus performant et différenciant sur un marché 

Une deuxième erreur assez fréquente également, qui est l’erreur de l’objectif business n’est pas important, la data trouvera. On a souvent entendu parler au tout début de ce profil Data Scientist. On va recruter plein de Data Scientist et on va leur donner un set de données, l’historique qu’on a et ils vont nous trouver des corrélations, des zones de réflexions sur lesquelles on n’a pas travaillé. Et en fait, on s’est rendu compte que beaucoup de groupes sont revenus dessus en se disant : mais finalement, si on part pas d’un objectif business ou d’un pain point bien identifié et bien en fait même avec les Data Scientist, les meilleurs du marché, on ne va pas sortir des inputs intéressants. C’est super important de partir d’un objectif business, de partir d’un gain business bien identifié qu’on souhaite avoir, soit de la performance, soit de la satisfaction de nos clients, soit développer de nouveaux business models. Il faudrait avoir une communication didactique très importante pour embarquer les utilisateurs et les convaincre sur la valeur ajoutée de ce projet ou de cette transformation pour qu’on puisse avoir un projet avec un fort ROI et à un coût accessible et adaptable par rapport à ce ROI associé. 

Troisième erreur fréquente et j’en parlais tout à l’heure sur la data science, c’est le fait de se dire qu’il suffit de recruter des Data Scientist. Il est super important d’avoir des experts qui vont pouvoir développer des modèles basés sur du machine learning d’intelligence artificielle, de manière générale, pour trouver des insights, pour prédire et pour faire parler la data. Sauf que, on s’est rendu compte aussi qu’avoir que des profils Data Scientist, on va faire ce qu’on appelle une machine à POC. On va faire beaucoup de proof of concept des projets, mais qui ne peuvent pas être industrialisé à grande échelle, dans des gros projets ou dans des produits qu’on vend à l’extérieur. Et c’est là où il y a deux autres rôles pour simplifier, qui sont aussi essentiels pour accompagner le Data Scientist. On a un rôle technique, qui est le Data Engineer, qui est clé pour permettre aux projets de Data Scientist, de scaler et d’assurer toute la partie sécurité, que l’infrastructure soit bien solide et que l’architecture data choisie soit bonne pour une industrialisation efficace de ces projets IA. De l’autre côté, un autre profil important aussi, c’est un profil plutôt business, c’est la personne qui va s’assurer de la qualité des données qu’on va mettre dans tous nos modèles. Donc, c’est une parcelle plutôt business qui s’assure de la qualité et de la pertinence de la valeur des données sur laquelle le Data Scientist va travailler. Donc, le Data Scientist est central, mais il faut quand même qu’il y ait d’autres profils data qui peuvent l’accompagner et s’assurer que l’outil et la data vont être utilisés pour les prises de décision et intégrer dans vos process. 

Enfin, la dernière erreur fréquente est le big project pour big data. On a souvent tendance à se dire qu’il nous faut avoir un gros budget pour avoir des projets satisfaisants et des projets réussis. Et on oublie souvent la démarche des petits pas. Quand on fait un gros projet, on divise pas en petits pas, on augmente les expectations parce que leur ROI doit être très fort. Et comme vous le savez, dans un projet data et digital, parfois le projet n’est pas satisfaisant parce qu’on atteint pas des objectifs à court terme. Et du coup cette notion de petit pas en mode agile est la meilleure démarche pour permettre la fédération des utilisateurs pour fédérer et faire accepter ce nouveau process et cette nouvelle façon de travailler et diviser des investissements importants et incertains. Le rôle d’ailleurs d’un Chief Data Officer est là pour s’assurer qu’on est vraiment dans cette démarche de petits pas, qu’on embarque les bonnes personnes autour de ces projets là et de s’assurer qu’à chaque fois, en mode agile, on répond à une attente bien particulière et surtout, qu’on embarque les personnes qui vont utiliser ce projet. On dit souvent chez nous un projet IA ou un projet digital n’est réussi que s’il est utilisé, il peut avoir la meilleure performance, il peut être vraiment super user friendly, le meilleur outil du monde, mais si on n’a pas fédéré les personnes pour l’utiliser et s’il n’est pas utilisé dans un process et bien ça sert à rien !

Du coup, pour résumer, tout ce qu’il faut retenir, c’est vraiment réfléchir à la contribution de la data à la stratégie business. De la data toute seule, sans objectif business, sans être liée à la stratégie de la société, ne sert à rien. Il faut que les deux, la data et le digital, soient au service de la stratégie de la société. Deuxièmement, prioriser les actions. On ne peut pas tout digitaliser d’un seul coup. Il faut vraiment montrer la valeur, embarquer les personnes et s’assurer qu’elles ont compris le pourquoi ils vont l’utiliser dans leur process. Et enfin, comment c’est délivré en agile tout en embarquant les end users et les personnes qui vont transformer ce process dans leur quotidien. On a une phrase globalement qu’on dit « Think big, Start small, Show value fast » Il est important d’avoir la cible, la cible qui est : transformer le groupe pour servir une stratégie business, « start small » : prioriser les actions et commencer petit, « show value fast » : montrer ce qu’on sait faire et ce qu’on ne sait pas faire. Parce que le fait de ne pas savoir faire est aussi important de communiquer dessus pour pouvoir embarquer des personnes et faire de cette transformation, la transformation de tous et non pas uniquement la transformation de la Data Office ou du DSI.

Comme ce média Decriiipt, les Audio Days sont une création originale de notre Groupe Iteractii et de Intuiti, avec le soutien de supers partenaires et sponsors. Vous souhaitez nous écrire ? Envoyez-nous un mail à l’adresse contact@groupe-iteractii.com.

Cette capsule audio est également disponible sur les plateformes suivantes : Deezer – Spotify – Apple Podcast