« Les sociétés paient des fortunes pour des outils, des data dont elles ne tirent pas de valeur »

Bon, comment dire…

Un outil, quel qu’il soit, ne dégage de valeur, que par ce qu’on en fait. Il faut donc prendre grand soin de la définition des cas d’usage. La data ne fait pas exception.

Vous pourrez avoir le meilleur outil CRM au monde, le CMS le plus performant, les meilleurs algorithmes prédictifs, le plus gros data Lake de la planète ou la meilleure machine outil, à vrai dire, la valeur que vous en tirerez ne se résume qu’à une seule chose, les usages que vous allez mettre en œuvre.

Alors, oui, vous avez raison, poussées par l’enthousiasme lié au buzz, autours du big data, des data lake, du marketing automation, des Data Management Plateforms, ou des Customer Data Plateforme, …, ou par l’envie d’être à la pointe de la technologie, on a vu des sociétés adopter des solutions, parfois couteuses, et peiner à en tirer les bénéfices.

Alors, comment vous lancer en évitant cet écueil et comment convaincre d’aller plus loin ?

Si vous vous lancez en considérant que la transformation digitale orientée data est un projet technique, un projet de spécialistes, vous avez un fort risque d’échouer. faute d’avoir inclus les métiers dans la réflexion et la définition des cas d’usage de vos datade créer un bel outil technique dont vous ne saurez que faire, ou pire, un outil finalement inadapté à vos besoins les plus urgents, .

Avoir des objectifs métiers clairs

Si vous voulez vous donner toutes les chances, de mettre la data au service de votre performance, il faut, avant tout, commencer par vous assigner des objectifs clairs, en définissant, avec les métiers, les cas d’usage data à traiter. La technologie et le volume de données ne seront que des moyens de répondre à vos besoins, et surtout pas des fins en soi.

• Qu’est ce qui aujourd’hui pénalise ma performance ? Y-a-t-il des poches d’inefficience opérationnelles ?
• Ai je trop peu de nouveaux clients ? Est-ce au contraire un manque de fidélité qui me nuit ?
• Est-ce que je subis de la fraude, des impayés ?
• Ai-je un gros volume de courriers à trier très vite, qui monopolise de larges équipes ; équipes que je pourrais utilement employer à résoudre les problèmes de mes clients ?
• Ai-je besoin/envie d’améliorer l’expérience de mes clients en leur remettant automatiquement des conseils de réduction de consommation d’énergie ?
• Ai je des problèmes d’accidents du travail liés, par exemple, au non port du casque de chantier ou à une conduite automobile brutale ?
• Ou encore, mon plus gros risque, est il dans la prévision de mon activité, et dans l’adaptation du personnel , des achats,… aux volumes ?

Bref, listez vos besoins, les objectifs que vous imaginez. Si votre imagination est bouillonnante, si vous avez conscience de ce qui freine votre développement ou votre rentabilité, et, si la volonté d’y remédier est là, les cas d’usage rentables de vos data sont nombreux et ne nécessitent parfois que peu de moyens.

• Calculez combien vous gagneriez si, grâce à l’usage de vos données, vous faisiez 15% d’économie sur vos coûts commerciaux, ou si vous diminuiez de 10% l’indisponibilité de votre machine outil phare, ou si vous aviez besoin de moins de personnel pour trier et répondre aux messages de vos clients, ou encore si vous diminuiez de 25% la fraude ou l’insatisfaction client… .
• Pour chaque cas défini, analysez sommairement la faisabilité (Est-ce bien un sujet data ? Existence, disponibilité et compliance des données ? Savoir faire accessible en interne ou en externe ? Coûts prévisionnels acceptables ? Espoir de rentabilité ? …)
• Au besoin, appuyez vous sur des conseils externes pour vous aider dans cette phase de formalisation des objectifs et d’analyse de la faisabilité.

Restera à choisir, le ou les cas d’usage par lesquels commencer votre transition data, puis à monter un Proof of concept ou un Proof Of Value sur chaque cas (restez modeste, ne vous dispersez pas en courant trop de lièvres à la fois).

 Bien choisir le ou les cas d’usage data à lancer ?

Dans un premier temps, vous devez convaincre, votre direction, vos équipes ou vous-même de l’utilité de l’approche. Pour cela, les objectifs de ces POC/POV, doivent être SMART, comme ceux assignés à vos équipes chaque année :

• Simples :

Précis, faciles à comprendre et légitimes aux yeux de tous. Ce dernier point est essentiel. On n’impose pas la réalisation d’un projet ambitionnant d’entamer une transformation de l’entreprise. Il faut, au contraire, construire collectivement.

• Mesurables :

Vous voulez convaincre de la valeur de ce que vous mettez en place. Par conséquent, il est indispensable de pouvoir mesurer le ROI de vos projets data. Sauf si votre société y est sensible, éliminez les purs démonstrateurs technologiques.

• Ambitieux :

C’est-à-dire suffisamment producteurs de valeurs immédiates et suffisamment visibles pour convaincre ; mais sans impacter opérationnellement trop de monde, trop d’équipes. Dans un premier temps, vous souhaitez convaincre, pas vous lancer dans un projet d’une lourdeur telle qu’il en devienne irréaliste, ingérable.

• Réalisables:

Attention, réalisables en production, pas uniquement en POC/POV. Trop de projets data ne dépassent jamais le stade de concept. Souvent, en raison de problématiques de qualité ou de disponibilité des données ou encore de respect de la réglementation, ils s’avèrent non industrialisables. Comment convaincre le plus grand nombre si vous êtes incapable de déployer, de démontrer « live » votre apport ?

• Temporel :

Comme pour tout projet, vous devez démontrer votre capacité à annoncer et tenir des délais. Soyez agile, pensez Minimum Value Product ; à la date prévue et impérative pour votre client, mieux vaut une 2cv en état de rouler qu’une « hyper car » encore en pièce détachée.

En résumé, pour démontrer la valeur de vos données :

Commencez toujours par déterminer vos objectifs opérationnels, c’est-à-dire, ce qui vous fera progresser.

Soyez agile,

Voyez grand pour vous donner un but et évaluer la scalabilité de votre projet, mais sachez commencer petit.

Au besoin, appuyez vous sur des conseils expérimentés pour sensibiliser votre structure, définir avec vous les cas d’usage, vous aider à les évaluer, à mettre en œuvre les POV, à mesurer les retombées et à déployer.

A bientôt avec « Pas besoin de data. J’ai de bonnes intuitions et les chiffres, on leur fait dire ce qu’on veut», ou le rôle du data analyst.

Retrouver l’épisode précédent ici.

N’hésitez pas à commenter, partager ou à vous abonner à nos actualités.