Data gouvernance : les 7 défis d’une machine à innover


Rédigé par Frédéric FOURQUET le Mercredi 11 Mai 2022 à 10:02

Considérée comme une source d’innovation et de valeur ajoutée, la donnée est un élément dont la valorisation reste difficile dans les entreprises, et ce malgré une prise de conscience et de nombreuses initiatives ces dernières années. Dans les faits, le partage de la donnée dans les organisations ne se décrète pas, il se motive, afin que les métiers jouent le jeu. Une tribune d’experts de Frédéric FOURQUET, Product Marketing Manager, chez MEGA International, éditeur de logiciels SaaS.


la donnée est un élément dont la valorisation reste difficile dans les entreprises (photo Adobe Stock)
la donnée est un élément dont la valorisation reste difficile dans les entreprises (photo Adobe Stock)
En matière de partage de données, les motivations sont simples : le réglementaire représente une nécessité impérieuse pour tous les acteurs, mais c’est surtout l’innovation qui permet de réaliser les gains de performance et les potentialités de croissance. Le processus demeure toutefois complexe avec des défis majeurs à relever en matière de data gouvernance.
 
1 – Impliquer les métiers pour les motiver
Données clients, informations industrielles et métiers, données financières, etc. : dans une organisation, les données sont nombreuses et ne cessent d’augmenter avec le digital. Leurpoint commun : elles sont la propriété d’une fonction métier ou d’une fonction support. Si historiquement certaines données sont partagées entre les fonctions (données clients entre le marketing et le commerce, données produits entre les études et la production, données financières entre le commerce et la DAF, etc.), c’est aujourd’hui la transversalité complète dans l’organisation qui est en mesure de créer de la valeur par l’innovation. 
 
Pour autant, cette transversalité peut-elle se décréter ? Oui en partie, avec des 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 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 acteurs de l’organisation peut leur apporter des bénéfices, et donc les motiver. L’utilisation de l’intelligence artificielle fournit un bon exemple. C’est en mettant en commun toutes les données pour une gouvernance globale que l’ensemble des métiers peuvent en retour bénéficier des innovations disruptives qu’offre l’IA: détection de signaux faibles, compréhension fine des comportements clients, etc. sur la base de données stables, fiables et maitrisées.
 
Si la proximité de l’équipe 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 Officier) qui est là pour organiser la connaissance, favoriser les échanges, s’assurer de la fiabilité et de la conformité des données. Il est aussi là pour embarquer chaque « propriétaire » de données dans la démarche. Concrètement, 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 technicité de la data gouvernance et besoins métiers
La data gouvernance vise à connaître et cataloguer toutes les données d’une organisation, à évaluer et améliorer leur qualité et conformité, pour les mettre à disposition des parties-prenantes 
 
qui assurent la bonne marche de l’entreprise. Un concept extrêmement technique donc - les données étant l’apanage du système d’information, alors qu’il s’agit en priorité de répondre à des besoins et des enjeux métiers. Et c’est bien ce besoin, ce cas d’usage concret qui doit demeurer le point de départ de tout projet : par exemple, détecter des futurs clients ayant une appétence pour tel ou tel produit, détecter les risques de départ de clients, etc.
 
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 (concepts et éléments liés) puis via le data catalogue, qui est l’image concrète des données dans les systèmes réels (applications) - et donc les sources de données à réutiliser en fonction de la qualité, de la validité, de la fraîcheur des données, etc. Cette partie technique est évidemment primordiale, elle devient plus facilement accessible pour tous les acteurs via le glossaire métier.
 
3 – Modéliser le cycle de vie des données
La data n’est pas statique, elle dispose d’une durée de vie. C’est pourquoi, une simple cartographie ne suffit pas : la data gouvernance nécessite de modéliser l’ensemble du cycle de vie des données : création, utilisation, réutilisation, obsolescence, destruction (RGPD). Objectif : lier la modélisation des processus métiers et la data gouvernance, afin de gagner en temps et compréhension des enjeux métiers.
 
Dans ce contexte, pour accélérer la data gouvernance, il s’agira de s’appuyer sur les processus métiers déjà connus dans l’entreprise (saisie et emploi des données dans les différents services), sur les systèmes utilisant ces données et sur les démarches de gestion des risques de l’entreprise (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 pour valoriser la donnée
La maîtrise de la donnée, c’est aussi la maîtrise de sa qualité. Car seule une donnée de bonne qualité au début du processus de collecte garantit une 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 tel ou tel client. C’est à cette seule condition que la performance du service rendu au client mais aussil’innovation pourra se réaliser, dans le cadre d’un processus industrialisé (mise 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. Ce qui permettra de ne pas dupliquer les contrôles, de concentrer toutes les mesures disponibles, de les complémenter et de mettre en place des plans d’amélioration des données prioritaires. 
 
5 – Faciliter l’intégration des normes et des règlements 
Les aspects normatifs et réglementaires sont généralement perçus comme des contraintes, génératrices de coûts. Pour autant, ils peuvent aussi amener les acteurs à collaborer entre eux, et représentent ainsi des opportunités de création de valeur. 
 
Or, de nouvelles obligations réglementaires apparaissent continuellement, tout en étant généralement complémentaires aux précédentes. À chaque nouvelle évolution, une data gouvernance 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 – Inscrire la data gouvernance dans le long terme 
Nouveaux marchés, nouvelles offres, nouveaux processus automatisés… la donnée, sa captation, ses traitements changent en permanence : si la mise en place d’une data gouvernance est longue et complexe, elle n’est jamais terminée et 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 (« quick win ») pour enclencher la machine. Et c’est au CDO - 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 « digital native », telles que les GAFAM ou les start-up, 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. 
 
La gestion du changement y est longue et complexe. Elle demande beaucoup de travail de persuasion de la part des CDOs, 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 Data Governance est donc de favoriser la transformation de l’entreprise, sa pérennité et son renouvellement nécessaire face aux disruptions et évolutions de marché. 
 
En d’autres termes, le plus grand défi des CDOs 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.

Frédéric FOURQUET
www.mega.com/fr





              


Dans la même rubrique :
< >

Administration | Publi-Information | Tribunes Experts | Innovation Web TV | La Smart City | Innovation | Villes et territoires | Vision Citoyenne | Divers


vignette adhésion Banniere Don