Les 7 enjeux du Chief Data Officer et sa feuille de route en entreprise

L’usage intelligent des données reste un défi en entreprise. Cela impose le partage de la donnée. Or, celui-ci ne se décrète pas ! Il se motive et s’organise car il faut absolument que les métiers jouent le jeu. Frédéric Fourquet, Product Marketing Manager, chez Mega International liste les 7 défis à surmonter afin de mieux utiliser ses données que ses concurrents.

Côté motivations des équipes, on trouve les réglementations qui représentent une nécessité impérieuse pour tous les acteurs, mais c’est surtout l’innovation qui sert à réaliser les gains de performance. Le processus demeure toutefois complexe avec 7 défis majeurs à relever en matière de gouvernance des données.

1 – Impliquer les équipes des métiers afin de les motiver

Dans une organisation, les données sont nombreuses et augmentent avec le digital. Il s’agit des données clients, des informations industrielles et métiers, des données financières, etc. Leur point commun est qu’elles sont la propriété d’une fonction métier ou d’une fonction support. Historiquement, certaines données sont partagées comme les données clients entre le marketing et le commerce, les données produits entre les études et la production, les données financières entre le commerce et la DAF, etc. Aujourd’hui, c’est la transversalité complète dans l’organisation qui est en mesure de créer de la valeur par l’innovation.

Les métiers doivent comprendre en quoi partager leurs données avec les autres services de l’organisation peut leur apporter des bénéfices

Cette transversalité peut-elle se décréter ? Oui en partie. Il y a les réglementations et les amendes associées qui imposent une gestion globale des données dans le cadre d’une obligation de conformité. C’est le cas par exemple du règlement RGPD, pour laquelle l’entreprise doit prouver sa maitrise et sa bonne gestion de l’ensemble des données personnelles traitées au sein de l’organisation. Mais pour être réellement source d’innovation, cette transversalité s’acquiert. Les métiers doivent comprendre en quoi partager leurs données avec les autres services de l’organisation peut leur apporter des bénéfices, et cela peut les motiver. Un exemple est l’usage de l’intelligence artificielle. En mettant en commun toutes les données pour une gouvernance globale, les métiers peuvent en retour bénéficier d’innovations disruptives venues avec l’intelligence artificielle telles que la détection de signaux faibles ou la compréhension fine des comportements clients, sur la base de données stables, fiables et maitrisées.

La proximité de l’équipe de Data science avec les métiers peut être une motivation supplémentaire. Une phase d’évangélisation et d’on-boarding est essentielle. C’est l’un des rôles du CDO (Chief Data Officer). Il est là pour organiser la connaissance, favoriser les échanges, s’assurer de la fiabilité et de la conformité des données. Il doit embarquer chaque « propriétaire » de données dans la démarche. En pratique, pour construire cette culture partagée de la donnée, le CDO devra trouver des sponsors métiers – y compris de niveau CODIR, mettre en place une charte de la démarche de Data Gouvernance, puis organiser la démarche d’information, de communication et d’induction des différents correspondants data.

2 – Réconcilier la technicité de la gouvernance des données et les besoins des métiers

La gouvernance des données vise à connaître et à cataloguer toutes les données d’une organisation, à évaluer et améliorer leur qualité et leur conformité, pour les mettre à disposition des parties-prenantes qui assurent la bonne marche de l’entreprise.

La donnée peut servir à détecter des futurs clients ayant une appétence pour un produit ou les risques de départ de clients

C’est une démarche technique. Les données sont l’apanage du système d’information. Or, il faut en priorité de répondre à des enjeux métiers. Ces cas d’usage concrets doivent demeurer le point de départ de tout projet. Par exemple, quand on veut détecter des futurs clients ayant une appétence pour tel ou tel produit ou détecter les risques de départ de clients.  

Sur la base d’un cas d’usage défini, les métiers vont sélectionner avec les Data scientistes les concepts métiers et les dimensions de données les plus pertinentes. Ce « Data Shopping » se réalise via, tout d’abord, le glossaire métier, les concepts et les éléments liés  puis via le data catalogue, qui est l’image concrète des données dans les systèmes réels et les applications – et donc les sources de données à réutiliser en fonction de la qualité, de la validité, de la fraîcheur des données. Cette partie technique est primordiale, et devient plus facilement accessible pour tous les acteurs via le glossaire métier.

3 – Modéliser le cycle de vie des données

La donnée n’est pas statique, elle a une durée de vie. C’est pourquoi, une simple cartographie ne suffit pas. La gouvernance de la donnée nécessite de modéliser l’ensemble du cycle de vie des données. Cela concerne leur création, utilisation, réutilisation, obsolescence et destruction, des phases traitées notamment par le RGPD. L’objectif est de lier la modélisation des processus métiers et la gouvernance des données, afin de gagner en temps et en compréhension des enjeux métiers.

Pour accélérer la gouvernance des données, il s’agira de s’appuyer sur les processus métiers déjà connus

Pour accélérer la gouvernance des données, il s’agira de s’appuyer sur les processus métiers déjà connus dans l’entreprise, la saisie et l’emploi des données dans les différents services, sur les systèmes utilisant ces données et sur les démarches de gestion des risques de l’entreprise avec la maîtrise des données personnelles par exemple.

Ainsi, le processus métier modélise chacune des activités des acteurs métiers afin de conceptualiser concrètement les données qui seront ensuite utilisées dans l’organisation. Par exemple, lors de la mise en place d’une offre de crédit dans une banque, le conseiller financier saisit des données (CNI, Salaire, situation familiale, médicale, etc.) servant à l’ensemble du processus.

4 – Favoriser la qualité des données pour les valoriser

La maîtrise de la donnée, c’est aussi maîtriser sa qualité. Seule une donnée de bonne qualité au début du processus de collecte garantit la qualité du cas d’usage en sortie. Par exemple, un accord de crédit ou un coût d’assurance dépendent des données recueillies et utilisées au départ sur le client. C’est à cette seule condition que la performance du service rendu au client mais aussi l’innovation pourra se réaliser, dans le cadre d’un processus industrialisé et mis en production, reproductible et agile. 

La qualité des données est déjà mesurée dans de nombreux systèmes informatiques clients, de manière hétérogène et cloisonnée. La mise en œuvre d’une gouvernance de la donnée avancée doit permettre de construire un référentiel des règles de contrôle et de qualité. Cela permettra de ne pas avoir à dupliquer les contrôles, de concentrer toutes les mesures disponibles, de les compléter et de mettre en place des plans d’amélioration des données prioritaires.

5 – Intégrer en continu l’évolution des normes et des règlements

Les aspects normatifs et réglementaires sont généralement perçus comme des contraintes et générateurs de coûts. Pour autant, ils peuvent aussi amener les acteurs à collaborer entre eux, et représentent ainsi des opportunités de création de valeur. 

De nouvelles obligations réglementaires apparaissent continuellement. Elles sont généralement complémentaires des précédentes. À chaque nouvelle évolution, une gouvernance des données efficace consiste à ne pas tout reprendre depuis le début, mais à capitaliser sur les contrôles déjà en place, afin d’identifier les éléments uniquement nécessaires et complémentaires à intégrer pour une mise en œuvre efficiente.

6 – S’inscrire dans le long terme afin de gouverner la donnée

La donnée, sa captation et ses traitements changent en permanence au gré de l’ouverture de nouveaux marchés, de la création de nouvelles offres, du déploiement nouveaux processus automatisés. La mise en place d’une gouvernance de la donnée est longue et complexe, et elle n’est jamais terminée. Elle doit s’inscrire dans le temps long. 

Comme dans tout projet de ce type, les premiers cas d’usage doivent permettre de démontrer rapidement une véritable efficacité, ce que l’on appelle des « quick win » pour enclencher la machine. Et c’est au Chief Data Officer au travers de tableaux de bord et d’indicateurs de savoir communiquer sur ces résultats auprès de sa communauté pour continuer de construire une gouvernance des données optimale, pour motiver et multiplier les usages dans la durée.

7 – Installer une culture de partage de la donnée

Dans les entreprises qui sont nées avec le digital, telles que les GAFAM ou les startups, la culture de la donnée est innée. D’autant que c’est généralement sur la donnée que se détermine et se construit la valeur ajoutée de ces nouveaux leaders. Dans les autres entreprises, c’est tout un état d’esprit qu’il faut faire évoluer.

Le partage de données demande beaucoup de travail de persuasion de la part des Chief Data Officers

La gestion du changement y est longue et complexe. Elle demande beaucoup de travail de persuasion de la part des Chief Data Officers, qui doivent s’appuyer sur des cas d’usage réussis pour créer le réflexe du partage de la donnée (Data literacy) et ainsi favoriser l’innovation et offrir de nouveaux avantages concurrentiels à l’entreprise.

Le rôle de la gouvernance des données est donc de favoriser la transformation de l’entreprise, sa pérennité et son renouvellement nécessaire face aux disruptions et évolutions de marché. Le plus grand défi des Chief Data Officers est d’éveiller les consciences pour que toutes les parties-prenantes se dirigent ensemble vers l’innovation, la création de valeur pour assurer, à terme, la survie et le développement de l’entreprise.

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *