David Coerchon chez Winshuttle France
Aujourd'hui encore, à l'heure du numérique tout-puissant, les données et leur gouvernance restent un challenge d'ampleur pour les entreprises. En cause, les difficultés de gestion et les problèmes de qualité qui perdurent au sein des référentiels, plaies de toute transformation digitale.
Les données en question sont à la fois les données transactionnelles, liées au métier de l'organisation (bons de livraisons, factures…) et les master data (données de référence), non directement liées aux opérations, mais critiques pour fluidifier les processus opérationnels parce qu'à la base de toutes transactions. On ne peut établir une facture sans le nom du client, son adresse, une désignation article, etc.
C'est souvent sur cette seconde catégorie de data que le bât blesse le plus. De gros efforts d'investissements dans les systèmes d'information ont bien été consentis par les entreprises pour améliorer la gestion de leurs flux et de leurs process, avec des gains réels au niveau des flux de données quotidiennes. Mais ces améliorations pourraient être bien supérieures si les référentiels sous-jacents ne comportaient pas leur lot d'informations incomplètes, erronées, de doublons, de désignations multiples, etc. Avec les conséquences que cela engendre sur une activité. Notre facture client, envoyée à une mauvaise adresse, sera inévitablement payée avec retard, le temps de corriger l'erreur, impactant ainsi le DSO de l'entreprise.
Les master data, ces objets métier complexes
La difficulté majeure tient à la nature même des master data. Si leur gestion peut paraitre simple, en réalité, il s'agit d'administrer des objets métier complexes, sur tout leur cycle de vie : création, maintenance, suppression/archivage.
Derrière de simples données d'identification d'un objet métier (un client, un article, un fournisseur, un compte bancaire ...) - la partie émergée de l'iceberg - se cache en réalité une masse d'enregistrements de référence qui viennent caractériser ces objets ou les compléter. Outre ses données d'identité, un objet métier est aussi représenté par des données de contextualisation (métadonnées), des attributs et des relations qu’il entretient avec d'autres objets. Pour mesurer cette complexité, prenons le cas de master data articles :
· Des informations articles peuvent servir pour créer d’autres objets (par exemple, des nomenclatures) et s’appuyer elles-mêmes sur d’autres informations dont il est nécessaire de disposer : un article de type emballage sera utilisé pour un article produit fini.
· Certaines informations, pour un même article, peuvent être différentes selon le mode de commercialisation, le lieu de fabrication ou de distribution.
· Les données articles peuvent être utilisées par des métiers différents dans l'entreprise (comptabilité, logistique, commerce ...), ce qui suppose des interdépendances fortes entre des fonctions que l’on pourrait penser éloignées.
· La création d'informations peut nécessiter de s’appuyer sur d’autres informations qui doivent avoir été créées précédemment. Par exemple, un article sera caractérisé par des modes d’expédition, des conditions de prélèvement, de réapprovisionnement, etc. Si l’une de ces informations n’est pas créée, c’est alors toute la procédure de création de l’article, puis ensuite la commercialisation dudit article qui peuvent être remises en cause.
· S'y ajoute le fait que toutes ces informations sont saisies par des personnes différentes, dans des écrans différents.
L'interconnexion des systèmes et des fonctions, permise par les outils intégrés, et la forte cardinalité entre objets métiers génèrent de la complexité et constitue un vrai défi de gestion. A fortiori lorsqu'il s'agit de millions de données, comme c'est le cas dans certains référentiels produit de l'industrie.
Un data management proche des métiers
Simplifier la gestion de ce casse tète numérique est une chose. Mais le data management demande aussi de répondre aux enjeux parfois contradictoires des acteurs de l’entreprise : d'un côté, les métiers qui souhaitent pouvoir gérer les données de référence pour leurs besoins propres, et de l'autre, les directions qui ont besoin d’informations transverses pour piloter l’entreprise et prendre des décisions. Faut-il privilégier une gouvernance centralisée, pilotée par l'IT ou un service dédié, ou répartir les compétences référentiel dans l’entreprise au sein des lignes métier ?
La seconde approche tend à se répandre pour son caractère pragmatique et sa capacité à mettre les métiers à contribution, de façon étendue. Elle vise à déléguer aux opérationnels la responsabilité de création et de modification des master data, moyennant les garde-fous nécessaires pour garantir une cohérence d'ensemble. Cela passe par la mise en œuvre de solutions offrant des mécanismes de supervision dès le point de saisie, des workflows de validation entre services et une gouvernance qui, elle, reste l'apanage de la DSI. En facilitant la gestion des data au plus près, l'entreprise gagne en réactivité. Elle traite les risques de non-qualité plus rapidement, très en amont, avant qu'elles ne se répandent dans le système d'information. Autre atout de l'approche, les utilisateurs, qui sont les "sachants métiers", sont les mieux à même d'adresser la partie immergée de l'iceberg. Ce sont eux qui, par exemple, peuvent proposer une taxonomie ou la création de nouveaux objets de structure nécessaires dans leur ligne métier. Cette proximité avec les métiers ne doit cependant pas conduire l'entreprise à reconstituer des silos logiques, avec les conséquences sur l'activité décrites précédemment. C’est pour éviter cet écueil que les entreprises envisagent des projets autour de solutions MDM (Master Data Management). Avec une réserve majeure : la complexité d'un tel projet, la longueur de son déploiement et son impact parfois limité (pas assez décentralisé) constituent souvent un frein à son lancement.
L'alternative consiste à déployer une solution de data management plus légère, qui outille les opérationnels. Ils gagnent en autonomie, ne dépendent plus autant du service informatique et contribuent pro-activement à la qualité et à "l’utilisabilité" des données qu’ils manipulent. En prenant une part active à la mission globale dévolue aux data stewards et autres intendants de la donnée dans l'entreprise, ils permettent à ceux-ci de se concentrer sur des tâches de conception et de pilotage à plus forte valeur ajoutée.
Aller vers une vision plus pragmatique des projets master data permet ainsi de conjuguer les besoins de gouvernance décentralisée et de cohérence centrale des différents acteurs de l’entreprise. Et de réconcilier les enjeux contradictoires des métiers et des directions.
Les données en question sont à la fois les données transactionnelles, liées au métier de l'organisation (bons de livraisons, factures…) et les master data (données de référence), non directement liées aux opérations, mais critiques pour fluidifier les processus opérationnels parce qu'à la base de toutes transactions. On ne peut établir une facture sans le nom du client, son adresse, une désignation article, etc.
C'est souvent sur cette seconde catégorie de data que le bât blesse le plus. De gros efforts d'investissements dans les systèmes d'information ont bien été consentis par les entreprises pour améliorer la gestion de leurs flux et de leurs process, avec des gains réels au niveau des flux de données quotidiennes. Mais ces améliorations pourraient être bien supérieures si les référentiels sous-jacents ne comportaient pas leur lot d'informations incomplètes, erronées, de doublons, de désignations multiples, etc. Avec les conséquences que cela engendre sur une activité. Notre facture client, envoyée à une mauvaise adresse, sera inévitablement payée avec retard, le temps de corriger l'erreur, impactant ainsi le DSO de l'entreprise.
Les master data, ces objets métier complexes
La difficulté majeure tient à la nature même des master data. Si leur gestion peut paraitre simple, en réalité, il s'agit d'administrer des objets métier complexes, sur tout leur cycle de vie : création, maintenance, suppression/archivage.
Derrière de simples données d'identification d'un objet métier (un client, un article, un fournisseur, un compte bancaire ...) - la partie émergée de l'iceberg - se cache en réalité une masse d'enregistrements de référence qui viennent caractériser ces objets ou les compléter. Outre ses données d'identité, un objet métier est aussi représenté par des données de contextualisation (métadonnées), des attributs et des relations qu’il entretient avec d'autres objets. Pour mesurer cette complexité, prenons le cas de master data articles :
· Des informations articles peuvent servir pour créer d’autres objets (par exemple, des nomenclatures) et s’appuyer elles-mêmes sur d’autres informations dont il est nécessaire de disposer : un article de type emballage sera utilisé pour un article produit fini.
· Certaines informations, pour un même article, peuvent être différentes selon le mode de commercialisation, le lieu de fabrication ou de distribution.
· Les données articles peuvent être utilisées par des métiers différents dans l'entreprise (comptabilité, logistique, commerce ...), ce qui suppose des interdépendances fortes entre des fonctions que l’on pourrait penser éloignées.
· La création d'informations peut nécessiter de s’appuyer sur d’autres informations qui doivent avoir été créées précédemment. Par exemple, un article sera caractérisé par des modes d’expédition, des conditions de prélèvement, de réapprovisionnement, etc. Si l’une de ces informations n’est pas créée, c’est alors toute la procédure de création de l’article, puis ensuite la commercialisation dudit article qui peuvent être remises en cause.
· S'y ajoute le fait que toutes ces informations sont saisies par des personnes différentes, dans des écrans différents.
L'interconnexion des systèmes et des fonctions, permise par les outils intégrés, et la forte cardinalité entre objets métiers génèrent de la complexité et constitue un vrai défi de gestion. A fortiori lorsqu'il s'agit de millions de données, comme c'est le cas dans certains référentiels produit de l'industrie.
Un data management proche des métiers
Simplifier la gestion de ce casse tète numérique est une chose. Mais le data management demande aussi de répondre aux enjeux parfois contradictoires des acteurs de l’entreprise : d'un côté, les métiers qui souhaitent pouvoir gérer les données de référence pour leurs besoins propres, et de l'autre, les directions qui ont besoin d’informations transverses pour piloter l’entreprise et prendre des décisions. Faut-il privilégier une gouvernance centralisée, pilotée par l'IT ou un service dédié, ou répartir les compétences référentiel dans l’entreprise au sein des lignes métier ?
La seconde approche tend à se répandre pour son caractère pragmatique et sa capacité à mettre les métiers à contribution, de façon étendue. Elle vise à déléguer aux opérationnels la responsabilité de création et de modification des master data, moyennant les garde-fous nécessaires pour garantir une cohérence d'ensemble. Cela passe par la mise en œuvre de solutions offrant des mécanismes de supervision dès le point de saisie, des workflows de validation entre services et une gouvernance qui, elle, reste l'apanage de la DSI. En facilitant la gestion des data au plus près, l'entreprise gagne en réactivité. Elle traite les risques de non-qualité plus rapidement, très en amont, avant qu'elles ne se répandent dans le système d'information. Autre atout de l'approche, les utilisateurs, qui sont les "sachants métiers", sont les mieux à même d'adresser la partie immergée de l'iceberg. Ce sont eux qui, par exemple, peuvent proposer une taxonomie ou la création de nouveaux objets de structure nécessaires dans leur ligne métier. Cette proximité avec les métiers ne doit cependant pas conduire l'entreprise à reconstituer des silos logiques, avec les conséquences sur l'activité décrites précédemment. C’est pour éviter cet écueil que les entreprises envisagent des projets autour de solutions MDM (Master Data Management). Avec une réserve majeure : la complexité d'un tel projet, la longueur de son déploiement et son impact parfois limité (pas assez décentralisé) constituent souvent un frein à son lancement.
L'alternative consiste à déployer une solution de data management plus légère, qui outille les opérationnels. Ils gagnent en autonomie, ne dépendent plus autant du service informatique et contribuent pro-activement à la qualité et à "l’utilisabilité" des données qu’ils manipulent. En prenant une part active à la mission globale dévolue aux data stewards et autres intendants de la donnée dans l'entreprise, ils permettent à ceux-ci de se concentrer sur des tâches de conception et de pilotage à plus forte valeur ajoutée.
Aller vers une vision plus pragmatique des projets master data permet ainsi de conjuguer les besoins de gouvernance décentralisée et de cohérence centrale des différents acteurs de l’entreprise. Et de réconcilier les enjeux contradictoires des métiers et des directions.
Autres articles
-
La data, plus importante que le produit physique dans nombre de business modèles
-
Pas de Robotic Process Automation qui tienne sans données saines
-
Et si la robotisation en col blanc redonnait la part belle à l'humain ?
-
Gestion des données : pourquoi il faut s'intéresser à la valeur du temps
-
Gestion des données : gare aux coûts cachés qui minent la rentabilité