Postuler
Demander une démo
Être rappelé
Aujourd’hui encore, 85% des projets Data échouent et ne sont pas mis en production ou industrialisés.
De nombreuses raisons peuvent expliquer ce constat qui persiste d’années en années : données de mauvaise qualité, volume de données important, mauvaise acculturation des équipes… Parmi les raisons, on note également la difficulté à « embarquer » les métiers dans la mise en place du projet.
En cause ? Le fameux fossé entre la Tech / Data et les métiers et une mauvaise définition et alignement des objectifs et des enjeux des projets.
Pourtant, sans cette approche « métier », un projet Data ne restera qu’un projet technique.
La meilleure mesure de réussite, c’est lorsque les équipes adoptent au quotidien les projets Data, qui leur permettent de mieux comprendre leur métier et d’améliorer toujours plus leurs performances.
Mais comment arriver à ce Graal ?
Chez AdvanThink, nous croyons que le secret de la réussite, c’est lorsque les équipes métiers sont la véritable locomotive des projets Data.
Pour cela, nous adoptons dans tout le cycle de traitement de la donnée une approche centrée sur le métier et l’utilisateur final. A la fin du projet, le livrable est un produit Data, sous forme de Web App visuelle et simple d’utilisation qui traduit les besoins des métiers, exploitant toutes leurs données.
On vous explique tout !
Pourquoi les projets Data ont du mal à embarquer les métiers ?
L’adoption par les métiers des solutions qui sont mises en œuvre pour eux est un facteur essentiel de succès. Sans adoption, vous aurez beau avoir surpassé des challenges techniques, c’est comme si vous aviez donné un coup d’épée dans l’eau.
On constate généralement trois causes d’échec :
- Trop technique : la solution déployée est trop technique et les équipes métiers n’arrivent pas à les utiliser ou se retrouvent dépendantes de l’IT ou d’experts Data pour l’exploiter et la faire évoluer
- Trop statique : la solution est trop simple ou figée (tableau de bord) ce qui rend ses résultats obsolètes ou trop peu actionnables
- L’usage de solutions non-adaptées au projet : c’est souvent le cas lorsque des solutions ou des outils existent déjà dans l’organisation, mais ne répondent pas aux enjeux du projet.
Ce phénomène n’est absolument pas nouveau. Carroll et Rosson l’ont mis en avant dès 2005 déjà dans la Théorie de l’Appropriation des Technologies (Technology Appropriation Theory) : l’appropriation d’une technologie ne dépend pas uniquement de sa conception, mais aussi de la manière dont les utilisateurs s’en emparent. Ce n’est d’ailleurs pas uniquement vrai dans la Data, c’est le cas dans l’adoption de toute technologie : sans usage, pas de technologie !
La conclusion est sans appel : sans appropriation de la part des métiers, le succès n’est pas au bout du projet !
Pour maximiser le succès d’un projet Data, il faut prendre en compte dès le départ ce sujet et s’assurer que le livrable deviendra essentiel aux métiers.
Le Data Product, une réponse plus engageante
Dans ce contexte, la mise en place d’un Data Product est une réponse tout à fait appropriée pour les métiers !
Mais qu’est-ce qu’un Data Product ? Gartner définit un Data Product ainsi : « a curated and self-contained combination of data, metadata, semantics, and templates, including access and implementation logic certified for tackling specific business scenarios and reuse. » (Hype Cycle for Data Management 2023 – Gartner). Plus qu’une simple datavisualisation, un Data Product est un outil stratégique pour le métier, qui va lui permettre d’exploiter la donnée dont il a besoin et de répondre à des challenges spécifiques. Cet outil va faire partie de son quotidien et va littéralement le faire gagner en efficacité dans sa prise de décision et lui donner des résultats tangibles.
L’étape de conception du produit Data est une étape cruciale dans la mise en place d’un projet. Elle est son « last mile », celle qui peut faire basculer le projet dans un sens ou dans l’autre.
Il faut donc bien préparer les différentes étapes – et là aussi, la méthode est importante.
Parmi les incontournables questions à se poser : bien identifier le problème, bien comprendre le cas d’usage et les fonctions-clés qui permettront de le réaliser, bien designer la solution idéale aux problèmes du métiers… mais nous pourrons y revenir dans un prochain article.
Pour rendre les choses plus concrètes, voici quelques exemples de Data Products que nous réalisons chez AdvanThink pour le compte de nos clients :
- Application de détection de fraude aux paiements bancaires en temps réel à destination des équipes de lutte contre la fraude
- Application de scoring de clients et de prospects en fonction de leurs habitudes et comportements à destination d’équipes marketing
- Application de détection d’anomalies dans la consommation d’énergie de bâtiments autonomes
Les 3 fonctions-clés d’un Data Product qui fonctionne !
Chez AdvanThink, nous avons l’habitude de créer des Data Products dont nos clients ne peuvent plus se passer.
Avec plus de 1000 projets industrialisés chez nos clients, nous avons identifiés 3 bonnes pratiques incontournables dans la mise en place d’applications pensées pour le métier :
- La méthodologie AdvanThink et notre approche « Bottom Up » : la méthodologie AdvanThink implique les métiers dès les premières phases du projet. A chaque étape, utilisateurs finaux et les experts métiers collaborent afin de créer le produit Data le plus efficient pour les utilisateurs finaux. Nos solutions intègrent notamment une approche « DataOps by Design » qui permet d’intégrer les différents utilisateurs à toutes les étapes de la mise en place du projet. Nos logiciels Amadea et FraudManager offrent un point centralisé pour superviser l’ensemble des projets Data et en faciliter la compréhension à des non-experts de la Data. Cette collaboration entre les différentes parties prenantes du projet est renforcée par notre UX qui permet de visualiser en temps réel et de façon visuelle toute transformation, permettant à un non-expert de la Data de tester et d’explorer à la volée toutes ses données. Cette approche agile et itérative a fait ses preuves et est aujourd’hui adoptée par 100% de nos clients.
- Des fonctionnalités désignées pour le besoin du métier : le Data Product doit avoir été conçu avec les utilisateurs pour les utilisateurs. Chacune de ses fonctionnalités répond à un besoin du métier, qui a été impliqué dans sa conception. Il répond donc exactement au parcours d’utilisation de son utilisateur final. Il est également pensé pour être maintenable, scalable et répondre à des usages futurs.
- L’importance du temps réel et des levées d’alertes : le Data Product doit être conçu comme le bras armé du métier, qui va lui permettre de gérer tous les imprévus et gagner en efficacité. La capacité à réaliser des cas d’usage en temps réel est essentiel dans certains cas, comme la lutte contre la fraude aux paiements bancaires. Dans la plupart des cas d’usage, la capacité à lever des alertes est une caractéristique essentielle. Il s’agira notamment de la capacité à prévenir automatiquement le métier en cas d’anomalies ou de comportement anormal, ou de seuil dépassé… Une caractéristique essentielle au métier augmenté par la Data !
En bref : nous proposons des outils pour concevoir et maintenir des Data Products simples, performants… et français !
Vous avez un projet Data et vous souhaitez partir avec les meilleures chances de succès ? Contactez notre équipe
