Les clés d’une transformation digitale efficiente et sans douleur

La stratégie digitale et spécifiquement l’analytics (analyse des données) se base essentiellement sur la connaissance et données métier de l’organisation. Les données ont souvent été vues par le passé comme élément permettant de prendre une décision éclairée sur un projet en cours ou une demande ponctuelle. Le contexte de la donnée a donc été construit pour cet objectif.
Aujourd’hui, les données d’une organisation peuvent être utilisées dans une autre optique que cet usage ponctuel : la constitution d’un patrimoine de donnée suffisant, de qualité et accessible, permet de tirer des conclusions opérationnelles à haute valeur ajoutée, non anticipés lors de la génération primaire de ces données.

Plus la profondeur d’historique et la granularité des données sont importantes, plus cela tient compte d’un maximum d’événements possibles (prédiction de la panne dans le cadre de la maintenance prédictive ou anticipation d’une maladie dans le cadre d’un diagnostic médical) et plus les modèles d’aide à la décision seront performants, robustes et fiables.
La profondeur, la qualité et l’accessibilité de la donnée sont donc des avantages compétitifs déterminants.
Certaines organisations envisagent de commencer à zéro car elles ont des difficultés à trouver les ressources suffisantes pour retravailler sur l’historique des données et en assurer sa qualité, sa pertinence et sa cohérence. Cette stratégie est certes pragmatique mais réduit l’avantage que l’organisation a développé grâce à ses connaissances et son patrimoine de données. Les méthodes de Machine Learning sont une opportunité à considérer fortement pour accélérer la mise en cohérence des données et leur qualité par un traitement semi-automatique ce qui permet de diminuer la contribution des experts. En effet, les solutions semi-automatiques sont privilégiées car nous avons besoin de maintenir une validation par un expert pour aider l’apprentissage du modèle. Une fois le modèle validé il permet de détecter les évènements similaires et reproduire la validation de l’expert automatiquement cependant quand le modèle rencontre un évènement nouveau, il lui faudra une nouvelle validation d’expert pour éviter les mauvaises affectations/corrections. Il s’agit là d’une capacité analytics stratégique pour une organisation mais qui reste malheureusement peu connue et utilisée. Plus l’exploitation de ces données historiques est poussée, plus la détection des incohérences sera fréquente et donc plus ces incohérences seront corrigées.

Au-delà de la disponibilité des données, il faut s’assurer que les technologies choisies permettent d’atteindre les objectifs fixés par le projet.
Une technologie adéquate doit autoriser :
 L’accessibilité facile aux données de tout autre système utilisé : une organisation utilise souvent des solutions différentes (open source, plusieurs propriétaires, hybrides..) et il est donc essentiel que la technologie qui permet de centraliser les données puisse être agnostique et connectable avec tout type de source
 La performance de calcul nécessaire : Plus l’usage des analytics va augmenter, plus les besoins en capacité et puissance de calcul vont s’accroître avec pour conséquence directe, un temps de réponse fortement challengé. La technologie doit donc proposer des qualités intrinsèques de scalabilité linéaire de la performance à adapter avec l’usage.
 Une industrialisation du projet efficace au moindre coût
 Service Level Agreement (SLA) élevé et robuste capable de répondre aux exigences des métiers, absorber les variations et demandes adhoc imposées par le changement de contexte et ne pas risquer d’impacter l’activité (arrêt ou dégradation du fonctionnement).
 L’accompagnement par une méthodologie d’implémentation agile, fédératrice et incrémentale

Comme toute transformation, il est nécessaire de bien analyser les freins et les craintes pour pouvoir les dépasser et continuer à construire. En effet, qui dit transformation dit changement dans le quotidien de travail, cela génère parfois de la peur et de la résistance. Cette résistance est dûe, la plupart du temps, à un manque de repères et une crainte pour le futur. Il est alors essentiel qu’une organisation projette ses collaborateurs post transformation, qu’elle les rassure sur leurs missions et qu’elle leur explique comment leur poste évoluera et tous les bénéfices que cela pourra leur apporter ; il s’agit dans ce cas d’expliquer le bénéfice personnel et non uniquement organisationnel. Il est également essentiel d’identifier les personnes de confiance reconnus par leurs pairs car ils seront les premiers à adopter et à accompagner ces ajustements. La fédération est toujours plus facile avec des exemples (illustrations) réussis chez d’autres.

Par ailleurs, comme expliqué dans la section ci-dessus, la qualité des données est cruciale pour une bonne exploitation de la connaissance de l’organisation. Il est alors également nécessaire d’instaurer une culture de la donnée au sein de l’organisation, exposant aux générateurs de ces données, le potentiel que peut découler de leur exploitation par eux-mêmes ou par d’autres consommateurs de ces données. Cela se fait par de la formation et l’utilisation des bons outils.

Ce change management s’effectue tout au long de la chaine hiérarchique, avec le support des ressources humaines. Ces dernières jouent, du reste, un rôle crucial pour valoriser l’investissement consenti dans le sens de ces transformations par les collaborateurs.

Il ne suffit pas d’avoir les données et les bonnes personnes, il faut absolument trouver également le bon cas d’usage à forte valeur ajoutée. Par cas d’usage, il faut comprendre la problématique métier que l’on souhaite résoudre. En effet, selon le Gartner, uniquement 15% des projets analytics ont abouti à de vrais projets industrialisés en 2017 ; les autres ont fini aux oubliettes. Une des raisons principales est que le sujet choisi n’a pas fédéré la majorité des décideurs. Cela peut parfois même induire à démotiver les troupes et faire perdre le mouvement de transformation.

Il est donc essentiel de prendre le temps pour définir les bons sujets qui ont pour objectif, certes d’aider l’organisation à prendre de meilleures décisions, mais aussi à prouver aux collaborateurs l’importance de ces nouvelles méthodologies de travail pour leur quotidien. Il s’agit donc d’une étape à ne pas rater dans le processus de transformation.
Des méthodologies et experts en Design Thinking (approche de l’innovation qui s'appuie sur un processus de co-créativité impliquant des retours de l'utilisateur final) permettent d’aider les équipes à réfléchir ensemble sur le bon cas d’usage et à en construire le Business Plan et le retour sur investissement associé.
Cette étape est importante car elle permet de fédérer le projet autour d’une thématique et surtout devant une attente ambitieuse et réaliste.

Une transformation digitale, comme toute transformation, prend du temps et suit une feuille de route sur trois voir cinq ans tout dépend de la maturité de l’organisation sur l’usage de l’analytics et des approches numériques plus généralement. Il est donc essentiel d’avoir un fort sponsoring au niveau des directions d’entreprises (C-level) car la roadmap de la transformation digitale sera parfois pavée de doutes, voire d’échecs.
Il est alors essentiel d’avoir une culture du risque et de l’échec et d’avoir une vision du gain global à moyen/long-terme plutôt que de travailler sur le bénéfice court-terme. La méthodologie du « test and learn » (j’apprends en avançant) prend tout son sens pour expérimenter et avancer/progresser par étapes.
Ce fort sponsoring nécessite un vrai engagement au sein du comité de décision de cette transformation et un partage de risque avec tous les acteurs. Les réussites se fêtent ensembles et les échecs se rediscutent ensemble pour mieux rebondir.
En synthèse, un fort sponsoring est un comité présent, qui accompagne la décision et l’assume, qui encourage et félicite en cas de succès, qui rebondit et construit en cas d’échecs.

Une fois les quatre piliers établis et actés, subsiste la question de comment et par où commencer, mon conseil et retour d’expérience pour la réussite de la transformation digitale est de :
- Commencer petit (Begin Small);
- Avoir une vision à trois/cinq ans ambitieuse (Think Big);
- Suivre une feuille de route réaliste avec des étapes de réalisations concrètes et visibles (Agility).

Chafika Chettaoui est docteure/Ingénieure en Mathématiques, elle a commencé sa carrière dans le conseil en data mining et accompagnement de grands groupes sur l’usage de l’analytics pour de meilleures prises de décision. Elle rejoint en 2010 la recherche du groupe L’Oréal pour construire la stratégie et l’organisation Data science. Elle a pû mener une mission de change management et adaptation de ces nouveaux usages analytics auprès de chercheurs et évaluateurs qui ont pu expérimenter l’apport de ces méthodologies en gain de productivité, capacité d’innovation et sécurisation des prises de décision. Elle dirige aujourd’hui l’équipe Analytics de groupe Teradata en France et apporte ses compétences techniques, organisationnelles et conseil auprès de ses clients pour les accompagner dans leur transformation digitale et adoption de la puissance de l’analytics.