C'est une chose de rassembler de grandes quantités de données et d'y appliquer des analyses ; beaucoup d'organisations le font. C'en est une autre d'obtenir une valeur métier optimale à partir de ces données et de cette analyse. Les entreprises qui ont investi massivement dans des outils d'analyse peuvent faire de l'analytique sans pour autant pouvoir garantir qu'une valeur métier résulte réellement de leurs efforts. Plusieurs raisons peuvent conduire à une telle situation. Voici quelques conseils sur la façon de s'assurer que les investissements dans l'analyse portent leurs fruits en fournissant des informations qui font la différence, plutôt que de simplement générer des rapports attrayants qui n'apportent pas grand-chose.

1. Aligner les applications analytiques avec les objectifs métiers

Pour générer plus de valeur à partir des données, aligner plus étroitement les efforts IT sur les objectifs métiers de l'organisation est impératif pour les décideurs IT. « L'analyse de données doit résoudre de vrais problèmes métiers », déclare Dan Simion, vice-président de l'intelligence artificielle et de l'analyse de la société de conseil en technologie Capgemini, qui conseille les clients sur les meilleurs moyens de maximiser les informations et la valeur de leurs données et analyses. « Commencer par des cas d'usage spécifiques à l'entreprise peut être une excellente approche pour gagner l'adhésion d'un plus grand nombre de parties prenantes qui peuvent être en dehors de l'informatique. » Cette stratégie aide le reste de l'organisation à percevoir de la valeur dans divers domaines fonctionnels et entités, car les données génèrent des résultats clairs et compréhensibles en termes métiers. « Commencer par le problème métier, développer une analyse de rentabilité et en faire le suivi est essentiel pour découvrir la valeur des données », déclare Dan Simion. Dans le cadre de ce processus, l'alignement entre l'entreprise et l'informatique est essentiel, dit-il.

Les analystes IT et data doivent travailler avec les métiers pour trouver des cas d'usage internes et des projets gagnants, explique Gary Kern, CIO du fournisseur de services financiers Middlefield Banking Co. « Cela aide tout le monde à comprendre la valeur réelle des données et l'intérêt du travail d'équipe pour y parvenir », dit-il. Middlefield a eu du mal à impliquer plus activement certains métiers dans la prise de décisions basées sur les données et la mise en place de nouveaux processus basés sur des informations plus détaillées. Kern a donc travaillé « pour trouver des utilisateurs précoces au sein de ces départements, avec lesquels nous pouvons nous associer pour obtenir des gains et vendre la valeur à d'autres dans ce domaine », dit-il.

Le fournisseur de services de santé UnityPoint Health a commencé à investir dans des outils d'analyse il y a des années. « Ceux-ci continuent de bénéficier à notre réseau régional et communautaire d'hôpitaux, de cliniques et de soins à domicile, en aidant à gérer la santé de la population et à résoudre les problèmes futurs », explique Laura Smith, CIO du groupe. Un alignement fort avec les directions métier est l'une des clefs du succès. « Il est impératif de s'associer aux métiers pour comprendre le problème ou l'opportunité à traiter », déclare Laura Smith. « Que cherchons-nous précisément à accomplir ? Quelles données importantes nous manque-t-il actuellement ? », poursuit-elle. Une excellente façon de commencer à établir une relation avec les métiers consiste à rechercher le problème ou l'opportunité, en rencontrant les parties prenantes et en effectuant des observations sur le terrain. « Par exemple, notre équipe d'analyse a construit un modèle pour essayer de réduire le nombre de patients qui ont dû être réadmis dans nos hôpitaux », illustre Laura Smith. « Nous avons commencé par travailler avec le métier pour comprendre à quelles questions le modèle devait répondre. Il s'agissait par exemple de déterminer qui sont les bons patients à cibler pour une intervention, ou quelle action nous devions prendre et quand il fallait la prendre. » Grâce à ce modèle, un hôpital a réduit son taux de réadmission dans les 30 jours de 44 % en deux ans, dépassant ainsi les objectifs de performance internes.

2. Embarquer des sponsors exécutifs clefs

Avoir des sponsors exécutifs ou des parties prenantes capables de pousser les métiers à obtenir des résultats et des informations à partir de l'analyse des données peut aider à générer une plus grande valeur. « Ce champion exécutif stimule l'adoption dans toute l'organisation et peut aider à façonner le modèle opérationnel, afin que les collaborateurs puissent agir en se basant sur les informations qui ont été tirées de l'analyse », explique Dan Simion. Avec un niveau élevé d'adhésion et de soutien, « l'entreprise peut commencer à activer les informations découvertes et à en tirer de la valeur », explique Dan Simion. « Si vous créez simplement un rapport à partir des résultats et que personne ne prend aucune mesure, l'entreprise n'obtiendra aucune valeur. Les données vont générer des informations, et celles-ci doivent être utilisées pour les décisions métiers à tous les niveaux au sein des organisations, depuis les actions tactiques jusqu'aux décisions stratégiques. »

Middlefield Banking a formé un conseil de gouvernance des données (DGC), qui comprend le DSI, le DAF, le directeur marketing et deux ou trois autres cadres supérieurs dans des domaines avec un usage intensif des données, a relaté Gary Kern. « Ce groupe se réunit tous les mois pour discuter de problèmes autour d'une 'version unique de la vérité', du nettoyage des données, de la qualité des données, de l'évolution des efforts analytiques et d'autres préoccupations de haut niveau impliquant l'analyse des informations et la propriété des données », explique Gary Kern. « La DGC nous permet de remonter les enjeux et de garantir qu'un organe décisionnel est en place pour piloter les efforts à l'échelon senior. »

3. Revoir son modèle opérationnel - et mesurer son succès

Même s'il est courant parmi les entreprises de l'ère du numérique de vouloir être centrées sur les données, beaucoup d'entre elles ne parviennent toujours pas à saisir la véritable valeur de l'information. « Les entreprises doivent cesser de fonctionner de façon instinctive pour évoluer vers modèles d'organisations axées sur la connaissance et les données », souligne Dan Simion. Pour celui-ci, le fait d'avoir un modèle opérationnel basé sur les données augmente fortement la probabilité de succès et permet aux organisations de voir plus rapidement la valeur de leurs analyses de données - en percevant plus clairement la trajectoire et la manière d'atteindre leurs objectifs.

« Les données, à travers l'information qui en est extraite, alimenteront le processus de prise de décision », décrit Dan Simion. « Grâce au nouveau modèle opérationnel, les collaborateurs seront motivés pour changer les comportements et la valeur des données sera plus rapidement atteinte. » Mais pour reconnaître la valeur résultant d'une information ou d'une donnée précise, les entreprises ont besoin d'un cadre pour mesurer le succès. « Cela aide les organisations à évaluer leurs progrès actuels, à effectuer des ajustements et à optimiser la manière dont elles suivent leurs objectifs analytiques », explique Dan Simion. « Démontrer la valeur et les résultats générés par l'analyse des données à travers un système de mesure claire aidera les leaders data à présenter un retour sur tous leurs investissements analytiques. »

4. Établir des pipelines data en gardant la valeur métier en tête

La valorisation des données ne se fait pas du jour au lendemain ou par une formule magique ; cela demande du temps et des efforts. Il y a environ vingt ans, Lonnie Johnson, CIO du groupe médical KVC Health Systems, a commencé à développer une stratégie analytique de long terme au sein de l'entreprise, qui au fil du temps s'est révélée fructueuse. La première étape a consisté à organiser les données dans une base relationnelle, ce qui a permis à l'équipe analytique de catégoriser les points de données existants. « Nous avons normalisé l'information en cataloguant les domaines d'activité, les bureaux, les programmes, les identifiants chronologiques, les types de transactions et une multitude de caractéristiques concernant nos patients », explique Lonnie Johnson. « Nous avons rassemblé et connecté des informations à partir d'un certain nombre de bases de données et de feuilles de calcul isolées. »

L'équipe a ensuite créé des formulaires numériques, des applications et des interfaces utilisateur pour transformer les documents papier de l'entreprise. Elle a également créé des interfaces pour ces documents afin de pouvoir saisir par la suite des informations dans les bases de données. « Dans nos interfaces utilisateur, nous avons renforcé l'intégrité des données et appris à remplir automatiquement les champs autant que possible », explique Lonnie Johnson. « Nous avons fortement impliqué la communauté des utilisateurs dans le développement de ces interfaces digitales, afin de garantir que nous capturions la valeur métier réelle. Nous procédons toujours ainsi aujourd'hui. » L'équipe a créé des générateurs de requêtes personnalisés dans les applications, qui permettent aux utilisateurs d'extraire des informations de certains champs en se basant sur les descriptions des points de données. « Cela a permis à l'équipe data de se concentrer sur des analyses plus avancées », souligne Lonnie Johnson. « Nous avons également encouragé les utilisateurs à donner leur avis sur le générateur de requêtes pour nous aider à mieux organiser l'information. » L'équipe a commencé à capturer de grandes quantités de données issues de textes et formulaires dans des bases de données NoSQL, à la fois pour le développement rapide et de futurs traitements du langage naturel. « Si vous utilisez des formulaires numériques pour des enquêtes, des documents juridiques, des informations client ou tout autre document susceptible de changer à tout moment, l'utilisation du NoSQL peut accélérer la capture de vos données et libérer les développeurs pour d'autres tâches plus innovantes », conseille Lonnie Johnson.

L'entreprise a investi de façon pointue dans la data science et les outils associés, dans le but de développer les compétences nécessaires en interne. « Nous avons également trouvé un partenaire avec lequel nous pouvons travailler régulièrement pour nous aider à concevoir des solutions utilisant l'apprentissage machine pour l'analyse prédictive », a indiqué Lonnie Johnson. « Cet ensemble de compétences sur site et d'expertise extérieure approfondie a abouti à un nouveau service, qui produit en continu des informations exploitables. »

5. Miser sur des partenaires ou équipes cross-fonctionnelles pour améliorer la pertinence des données

Ce point englobe tous les domaines précédemment couverts, en particulier l'alignement de l'analytique avec le métier et la mise à jour du modèle opérationnel. L'équipe analytique doit être en collaboration régulière avec les utilisateurs métier pour garantir la valeur grâce à des données de meilleure qualité, ou inclure même des utilisateurs métier dans le cadre d'équipes cross-fonctionnelles.

« Un partenariat étroit avec les équipes métiers de votre organisation crée une sécurité supplémentaire pour l'exactitude des données, ce qui améliore la façon dont les équipes data et métier exploitent les données qu'elles voient », déclare Jessica Lachs, vice-présidente analytique et data sciences de la plateforme de commande et de livraison de repas DoorDash. « Lorsque plus d'équipes examinent les mêmes données, vous disposez de davantage d'yeux pour repérer des anomalies que les outils d'alerte automatique auraient pu manquer », explique Jessica Lachs. « Un partenariat étroit contribue également à développer l'intuition métier de l'équipe data, lui permettant de mieux comprendre les applications pratiques des données qu'elle gère. » Cela permet à l'équipe d'être autonome et de prendre de meilleures décisions concernant l'accessibilité, la précision et l'évolutivité en fonction des besoins métiers, explique Jessica Lachs, qui supervise une équipe d'analyse de 85 personnes.

Une autre clef consiste à traiter les données comme la monnaie permettant d'évaluer les décisions et les arbitrages métiers. « Nous pensons qu'en quantifiant autant de choses que possible, nous pouvons mieux évaluer les arbitrages, déterminer ce qui fonctionne et ce que nous devons améliorer, maximisant ainsi notre impact et construisant un meilleur produit », a confié Jessica Lachs. « Pour ce faire, nous devons disposer de quantifications à jour et précises de nos principaux leviers métiers, ce qui est un élément essentiel de la feuille de route de mon équipe. » À partir de là, « nous pouvons utiliser les données pour créer une monnaie interne commune, qui nous permet d'évaluer et de comparer les compromis sur des critères similaires - pour déterminer par exemple s'il serait préférable de réduire les frais de livraison de 1 $ ou d'améliorer les délais de livraison de cinq minutes », dit Jessica Lachs. « Si vous pouvez formuler la question en termes similaires, par exemple en se basant sur l'augmentation du volume de commandes, l'arbitrage devient plus clair, tout comme la valeur pour l'entreprise. »