Le secteur informatique aime les mantras, des expressions condensées pour faire passer des concepts complexes et les répéter jusqu’à ce que l’incantation fonctionne : « transformation numérique », « entreprise agile », « entreprise client centric » et désormais « entreprise data centric ». Même si les enjeux liés à la data sont identifiés dans la majeure partie des entreprises, peu d’entreprises sont aujourd’hui data centric et capables de développer une réelle disruption.

Par où faut-il commencer et avec quelles compétences et modes de travail ? Comment ne pas se noyer dans l’entreprise data centric ? Découvrons-le avec Maja Broqué, Business & Information Architect au sein du groupe pharmaceutique français IPSEN. Sa mission : définir et prioriser les capacités de la plateforme data d’Ipsen au service des projets de Business Intelligence, Machine Learning, transferts de data, la gouvernance et la réutilisation des données internes et externes.

1- Devenir une entreprise data centric est une étape fondamentale de la disruption pour soutenir l’agilité

Avant toute chose, rappelons qu’il est essentiel d’investir dans toutes les activités liées au traitement et la maximisation de l’usage de la donnée. Pour trois raisons :

  • Le SI doit être plus agile et pour cela il faut pérenniser les briques stables et rendre ajustables les éléments variables.
  • Tirer de la connaissance de la donnée est une condition sine qua non de la disruption à créer, notamment à travers l’intelligence artificielle et la data visualisation.
  • Le renforcement des régulations (comme le RGPD et, à venir, une IA digne de confiance) et le besoin d’éthique imposent de bien connaitre ses données, leur usage, et de les protéger.

Aujourd’hui, les leçons du passé nous apprennent qu’il n’y a pas d’agilité si elle n’est pas basée sur les données et leurs échanges dans les processus (via les APIs). En effet, suite aux disruptions observées et à des dizaines d’années d’analyse des évolutions des grands SI, on s’aperçoit que le seul élément stable sont les données et les services rendus au moyen des données.

2- Qui dit entreprise data centric dit gouvernance des données

Le concept d’entreprise data centric remet au centre de la réflexion la gouvernance des données, mais l’on constate aussi que le terme est suffisamment large et flou pour donner quelques sueurs froides à ceux qui ont la responsabilité d’en faire une réalité dans l’entreprise.

Le Cigref donne une très bonne description de la gouvernance de SI, mais c’est une vision cible avec beaucoup de variation selon les entreprises (cf. le Guide d’audit de la gouvernance du système d’information de l’entreprise numérique, édité par le Cigref). La gouvernance de données c’est un vocabulaire commun, la connaissance des propriétaires de la donnée et des systèmes associés, une gestion de la qualité et des usages partagés avec le business. L’architecture, la sécurité et le DPO (Data Protection Officer) peuvent participer à la modélisation, la classification et les droits d’accès aux données, ou globalement pallier ce rôle partiellement si la gouvernance business n’est pas encore installée. L’éthique, la qualité et les aspects légaux peuvent aussi prendre plus ou moins d’importance selon les secteurs d’activité. Dans la pharmacie et l’aviation par exemple, la qualité est essentielle !

3- La data implique de nouvelles compétences et métiers

Un des premiers critères pour évaluer la capacité d’une entreprise à exploiter et valoriser ses données est de vérifier si l’entreprise a mis en place les compétences pour exploiter ces données et a clarifié sa nomenclature des métiers : Directeur des Données (Chief Data Officer), Délégué à la Protection des Données (DPO), Data scientist, Responsable des Données, Chef de Projets, etc. Concernant les experts data déjà en place, comme ceux de la Business Intelligence (Analytics), ils vont aussi devoir évoluer car il leur manque souvent la maîtrise des échanges. Pour les experts fonctionnels (type SAP) c’est encore plus complexe car ils sont souvent focalisés sur certaines visions et certains softwares, alors qu’au contraire, pour certains services qualité, dans les secteurs très régulés comme par exemple la santé, ces services peuvent intégrer une très grande maîtrise de la donnée.

Etant moi-même architecte, je sais que mon métier aussi doit se renforcer. Car l’architecte touche à quatre domaines : le business (les processus et fonctions), les applications, les infrastructure et la data, qui est en fait souvent oubliée. C’est une composante du métier à renforcer pour nous aussi, avec une orientation par la data existante, externe, et vers les nouveaux usages de la data. En effet, même si les premiers travaux sur la data ont commencé il y a plus que vingt ans, la propagation de cette approche vers l’ensemble des participants aux travaux d’architecture reste à évangéliser.

4- Les acteurs de l’entreprise data centric parlent un langage commun

Un vocabulaire commun est essentiel. Par exemple « Est-ce qu’un camion est un véhicule comme un autre ? Qu’est-ce qu’un contrat ? Qu’est-ce qu’un produit ? Qui sont vont clients ? » Les définitions ne sont pratiquement jamais partagées au sein de l’entreprise. Il devient par conséquent impossible même d’écrire une spécification et ne parlons pas des échanges automatisés ou de l’Intelligence Artificielle.  S’accorder sur le vocabulaire permet de régler ce problème.

5- Un référentiel des responsabilités de chacun permet de clarifier le « qui fait quoi »

Établir des rôles et des responsabilités vis-à-vis des données permet de clarifier vis-à-vis du business quelles données peuvent être utilisées en toute sécurité. A la clé, répondre à trois enjeux non nécessairement liés à l’IT :

  • L’amélioration de la qualité des données (ou l’identification de moyens pour atteindre la qualité suffisante pour chaque besoin métier) par la responsabilisation des data owners et des data stewards.
  • Les exigences de sécurités (côté RSSI et Risque/GDPR).
  • L’éthique dans les usages de la donnée. Par exemple, si les nouvelles générations donnent facilement leurs données pour des applications comme Tinder ou FaceApp, est-ce une raison pour traquer tous leurs usages et les utiliser dans des contextes différents, pour un recrutement, un concours ?

6- Sans co-construction, point de salut

L’accroissement de l’utilisation de la data change aussi l’organisation des entreprises. Entre similitudes ou convergences il existe aussi beaucoup de confusions entre les domaines de la data, du digital, et de l’architecture du SI. En fait tous ces domaines ont besoin de travailler en co-construction plutôt que de répartir les rôles et responsabilités. Les compétences IT sont alors d’aider le business à modéliser, choisir les bonnes données mais le business doit rester maître des données et des usages.

Le message central, pour les DSIs, pourrait être : « créez-vous un ami dans le business qui va gérer la data ». Car il faut une paire IT/Data pour gérer la data. Le meilleur ami de la transformation IT serait donc un Data Officier côté Business qui vous aidera à porter l’innovation et à prioriser les problèmes liés à la data et à son usage auxquels vous devrez vous attaquer.

Attention, un département Digital seul ne peut pas porter cette transformation, car il a plutôt pour rôle d’exploiter la donnée avec de nouvelles méthodes et techniques. Il a besoin de data mais n’a pas en général vocation à porter la gouvernance de données ou créer, seul, l’ensemble des capacités nécessaires.

7- Evangélisez les équipes business pour les embarquer dans l’aventure

L’exploitation de la connaissance obtenue par la donnée peut être fortement facilitée par IT. Mais pour apporter la disruption il est primordial de réussir à embarquer le business et surtout aider votre business à comprendre l’importance de la data et de l’innovation, en accord avec la stratégie de la direction générale. Après, qui porte cette partie de disruption de business model dépend de chaque entreprise.

Une de vos missions est donc aussi d’aider les équipes business à comprendre qu’il ne suffit pas de basculer dans le cloud pour passer de logisticien à informaticien ou d’équipementier automobile à loueur de voitures connectées.

8- La data management a besoin de structuration et modélisation

Il ne faut pas non plus oublier les fondamentaux. 80% du temps d’un data scientist consiste à corriger les données (nettoyer les données sales ou non comparables). Il est impossible de faire de l’industrialisation sans structurer la donnée. La modélisation reste le premier fondement du data management, et implique un vocabulaire homogène (partagé), une connaissance d’où sont les données, et le choix des données selon leur qualité.

Sans modélisation, les risques sont nombreux :

  • Refaire des interfaces/services à multiple reprise, et alors perdre de l’agilité au lieu d’en gagner
  • Créer un datawarehouse ou un datalake très rapidement inexploitable
  • Avoir des projets de data science trop longs et des scientists qui s’épuisent
  • Complexifier la sécurité

9- Muscler sa capacité à traiter les données chamboule en profondeur le SI

Après avoir nettoyé et modélisé les données, il sera temps de muscler les performances et connaissances de l’entreprise grâce à la vision amenée par les données. Le traitement et l’analyse de données (structurées et non structurées) s’appuieront sur les capacités d’échange des données et l’API management, des systèmes de master data management, des référentiels des données (pour décrire et classifier les données), de l’analytique, du text mining, du machine learning, de l’orchestration des data traitements et de la visualisation de données.

Il est important de retenir que ces capacités ne peuvent pas être traités comme un petit point supplémentaires dans le SI.

Elles impliquent un profond changement de compétences et de perspective dans les technologies à automatiser. Par exemple des ERPs « classiques » vous permettront de bien automatiser vos fonctions mais ils vous donneront peu de liberté sur le modèle d’information, les interfaces ou les modalités de transformation de votre processus. Pour cela, il faudra passer par des capacités de traitements des données (cf. ci-dessus) et des technologies comme le BPM (Business Process Management) qui amènent la transparence des données et la souplesse des processus et adaptations.

10- Il faut accélérer le mouvement…. Mais par quoi commencer ?

Dans le monde actuel, la rapidité est essentielle – même pour un changement lourd comme celui de faire basculer toute l’entreprise dans le data centric – mais attention à ne pas sauter d’étapes. Plutôt que d’escalader toute la montagne d’un coup, je conseille de commencer son approche data par la modélisation des informations et des échanges, à chaque fois que c’est possible et dans chaque projet de reporting ou d’automatisation. L’idée est de capitaliser petit à petit et que chaque prochain projet puisse bénéficier des précédents. En parallèle, il faut préparer les équipes, identifier des cas d’usage avec une forte valeur métier (éventuellement en utilisant les données externes) et se créer un « ami » data dans le business pour promouvoir le changement de culture.

On avance donc étape par étape, mais la responsabilité d’un architecte est toujours de permettre l’accélération par rapport à ce qui existe : trouver des raccourcis, les meilleurs compromis, quitte à faire du quick and dirty. Si le business n’est vraiment pas moteur, cette partie peut être initié par IT mais il faut rester vigilant et continuer de partager l’ownership des projets, le même vocabulaire et instaurer des échanges sur les processus et data avec le business.

Si vous êtes DSI, CDO, DPO, Architecte, spécialiste de la data et souhaitez apporter votre témoignage sur l’entreprise data centric, contactez l’équipe Atout DSI : contact@atout-dsi.com

FavoriteLoadingAjouter à mes favoris

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée.