Datalab, Datafab… Quelles sont les limites atteintes ?

Datalab, Datafab… Quelles sont les limites atteintes ?

 

Les années 2017 et 2018 ont vu se multiplier les départements data au sein des grands comptes. Les processus qui y étaient appliqués furent souvent peu formalisés pour laisser la place à l’énergie des débuts, maximisant ainsi les chances d’aboutissement des différents POC IA voire de cas d’usages IA industrialisés. Cet espace d’intrapreneuriat a eu la vertu de laisser s’installer des interactions fluides entre les différentes parties prenantes d’un projet data (IT, DPO, Métiers,…). Cependant, au fur et à mesure, quelques dysfonctionnements ont été mis en lumière : projets avortés du fait d’un manque de cadrage, prise de conscience trop tardive de la qualité et de l’accessibilité des données, manque d’investissement des métiers dans la durée, difficulté pour accompagner le passage à l’échelle…

Ainsi, nous constatons depuis peu une prise de conscience des limites atteintes par ce manque de structuration et une volonté de repenser le fonctionnement des entités data. Nous avons donc voulu élaborer quelques pistes de réflexion et constats pour aider les responsables data à mieux préparer leur mutation. Nous nous sommes, pour cela, appuyés sur une étude menée auprès de nos clients intitulée “Baromètre de maturité des organisations data 2019” ainsi que sur notre connaissance des métiers exposée entre autres dans deux de nos livres blancs “dessine moi un DataScientist” et “Dessine moi un Data engineer”. L’objectif pour ces espaces créées en 2017-2018 est de passer du titre de Datalab (en charge des expérimentations IA) à celui de département IA ou DataFab (responsable du cycle de vie projet complet, du cadrage au déploiement, et incluant les activités transverses) et, ce faisant, de rendre plus performant le moteur de transformation par l’IA qu’ils ont vocation à incarner. Pour les autres, celles qui se lanceront en 2019 dans leur transformation data, les pistes de réflexions qui suivent seront tout aussi précieuses.

Un second post donnera les clés aux entreprises pour se positionner en termes de maturité et mettra en évidence les bonnes pratiques pour accélérer sa transformation data driven.

Un positionnement souvent noyé dans l’organisation

Source : Baromètre de maturité des organisations data 2019 by Quantmetry

Notre étude semble dessiner deux tendances :

  1. un rattachement direct COMEX peu fréquent (N-2 à 70%) semblant montrer une importance relative donnée par les décideurs à la data au sein de l’entreprise. Ceci est d’autant plus étonnant connaissant l’impact que l’IA aura sur les emplois et les métiers.
  2. un rattachement privilégié au digital et à l’innovation, idéal pour se lancer mais non suffisant lorsque la maturité s’accroît :

(i) Le rattachement à la direction de l’innovation – même si aujourd’hui important (37 %) – est souvent une réminiscence de l’équipe Innovation qui, dans les tous premiers temps, a pu se saisir du sujet de l’IA – comme certain.e.s se sont saisis fin des années 90 du digital, ou plus récemment de la blockchain. Dès les premiers signes de maturité (multiplicité des POC, premières appropriations concluantes par les métiers), il nous semble judicieux de choisir un rattachement plus proche des métiers.

(ii) Un rattachement à la direction du digital se développe de plus en plus (27 %) et nous semble avoir du sens du fait d’une ressemblance et d’un lien fort entre projet data et digital :

  • Leur nécessité commune de proximité avec le métier
  • Leurs méthodes projets (Agile) communes
  • Les profils similaires composant leur équipe
  • Le lien entre les projets data (moteur de résultats) et les projets digitaux (interface de ces résultats)

(iii) Un rattachement au sein de la DSI peut faciliter l’accès aux systèmes d’information donc aux bases de données et donc par extension aux données – notamment dans le cas d’une plateforme on premise. Cela peut également faciliter la mise en place de l’architecture data et l’industrialisation qui nécessitent une implication forte de profils DSI. Cependant, il peut générer un éloignement vis à vis des métiers, éléments clé dans le développement d’un cas d’usage (cf. plus bas).

(iv) Un rattachement au niveau de la DRH peut sembler surprenant (9 % de nos clients) mais dans une logique de transformation d’entreprise avec un fort enjeu de montée en compétences sur des métiers nouveaux via la formation ou des forts enjeux de recrutement, cela prend tout son sens.

(v) Finalement, le rattachement direct à un métier – notre étude mentionne la direction marketing (9%) – permet de :

  • se focaliser sur certaines problématiques centrales dans la stratégie d’entreprise
  • s’assurer de la bonne disponibilité des équipes métiers (mais aussi de leur acculturation et de leur adhésion à l’innovation)

A contrario cela limitera l’ouverture vers un portefeuille de cas d’usage et un patrimoine de données plus larges.

Une priorité donnée au delivery de projet

Les départements data sont généralement en charge du delivery (92 % des cas observés), en commençant par le lancement de plusieurs POC pour démontrer le potentiel des projets. Puis, au fur et à mesure que l’entité gagne en maturité, elle se structure autour d’autres activités. Environ une sur deux a en charge la stratégie data (identification et priorisation de cas d’usage, définition de feuille de route et de budget, mise en place de l’organisation), ce qui permet la création d’une vision commune globale. Une sur deux également se lance dans l’acculturation des collaborateurs afin de démystifier l’IA (témoignages d’EDF et d’Euler Hermès) et de diffuser la culture data au sein de l’entreprise (accompagnement des collaborateurs, animation d’une communauté, organisation d’événements). Enfin, un peu moins de la moitié structure une gouvernance data spécifique (accessibilité et exploitabilité des données, mise en qualité de la donnée et gestion du patrimoine de données, voir notre article sur le sujet).

Source : Baromètre de maturité des organisations data 2019 by Quantmetry

Pour porter ces activités, l’entreprise peut se structurer suivant quatre grands modèles d’organisation. Un modèle de coordination des initiatives permet de centraliser la stratégie, la gouvernance de la donnée et les processus associés tandis qu’un modèle centralisé permet de mutualiser les ressources et la capitalisation des compétences.

Organisation en silos : chaque BU se dote de ses propres ressources et expertises data, il n’y a pas de coordination générale des initiatives au niveau du groupe. Ce modèle permet une forte proximité avec les métiers mais limite la scalabilité du modèle et les synergies.

Centre de services : une entité centrale dispose de ressources mutualisées auxquelles les métiers font appel (sur le modèle d’un prestataire de services) mais sans coordination particulière. Ce modèle facilite la scalabilité et la capitalisation des expertises mais limite les initiatives transverses et la proximité avec les métiers.

Orchestration : chaque BU se dote de ses propres ressources et expertises data avec en parallèle une entité centrale qui coordonne les activités et instruit les enjeux transverses. Ce modèle facilite une standardisation des processus tout en conservant une proximité avec les métiers (certains ne bénéficiant néanmoins pas des apports de la donnée), mais nécessite une coordination efficiente.

Opérateur centralisé : une entité centrale dispose de ressources mutualisées et est impliquée dans l’ensemble des processus, de l’identification au déploiement des cas d’usage. Ce modèle dispose d’une forte scalabilité, standardisation des processus et capitalisation des compétences mais nécessite une bonne collaboration et proximité avec les métiers pour être pleinement efficace.

Le financement des projets dépend du positionnement choisi. Un modèle d’incubateur (maîtrise des compétences avec une sélection des projets décidée par les métiers) sera propice à des organisations ayant une faible coordination des initiatives alors que nous retrouverons à l’opposé un modèle de venture capital (maîtrise du budget et sélection des projets avec une mesure du ROI en logique portfolio).

En pratique, nous observons souvent des modèles hybrides d’organisation et de financement, qui sont fonction de la typologie et de la maturité des entreprises. Les départements data doivent souvent adapter leur fonctionnement selon la maturité des directions métiers. Par exemple, une entité centrale qui définit la stratégie et délivre généralement les projets, va devoir se muer en coordinateur des travaux d’une direction métier plus mature ayant ses propres ressources. Dans un autre exemple, certains projets sont gérés directement par les ressources et le budget du département data alors que d’autres sont sponsorisés par les métiers.

Source : Baromètre de maturité des organisations data 2019 by Quantmetry

Nous observons par ailleurs que ⅔ des POC et des pilotes sont régulièrement financés par le département data (budget plus facilement activable et volonté de démontrer l’intérêt de la data) alors que l’industrialisation est généralement reprise par les métiers (appropriation du projet et pouvoir décisionnel).

Des enjeux humains sous-estimés

Trouver le bon positionnement et le bon modèle d’organisation est un exercice nécessaire mais ne doit pas occulter la prise en compte des enjeux humains tels que : la proximité des équipes métiers, le développement des compétences, et l’ouverture vers l’extérieur.

Une trop faible proximité avec les métiers

La cause principale d’échec en matière de transformation par la data est l’éloignement avec les métiers :

  • Une forte proximité garantit une vraie compréhension des problématiques et facilite le choix des variables explicatives à explorer et l’identification en amont de mauvaises interprétations du Data Scientist, aboutissant généralement à une meilleure performance du modèle. L’exemple classiquement cité dans le secteur bancaire est le taux d’intérêt d’un prêt bancaire disponible dans une table (incluant l’assurance d’emprunt) mais compris comme le taux d’intérêt brut.
  • La disponibilité des équipes métiers dans la co-construction garantit l’appropriation des modèles développés : les scores d’appétence produits sont légion dans les directions marketing mais rares sont ceux qui sont largement utilisés du fait de la non-adhésion des équipes. Il est à noter que le développement des méthodes d’intelligibilité sur lesquelles nous militons amplement depuis 18 mois ne feront pas tout.
Des équipes data peu nombreuses et peu diversifiées

Source : Baromètre de maturité des organisations data 2019 by Quantmetry

Nous observons que la moitié des départements data de nos clients sont composées de moins de 7 ressources. Nous constatons également que la moitié des ressources sont externes, majoritairement sur les profils techniques (Data Scientists, Engineers et Architects), là où les compétences stratégiques et décisionnelles sont conservées en interne. Enfin, il semble y avoir un rééquilibrage des forces de Data Scientists au profit de Data Architects et Engineers, notamment dans une optique d’industrialisation.

Le syndrome du Data Scientist isolé dans une BU qui ne finit pas sa période d’essai est connu : recruter un talent n’est déjà pas une sinécure, créer un espace qui répond à son souhait d’épanouissement professionnel (l’empêchant de céder aux sirènes d’un marché de l’emploi en tension) est une autre difficulté. Quelque soit le modèle d’organisation retenu et au-delà de la complexité / intérêt des cas d’usage traités (pour le DS) ou de l’environnement technologique retenu (pour les DE), le CDO devra :

  • rapidement atteindre une taille critique d’équipe permettant des échanges entre pairs
  • sanctuariser des temps d’autoformation permettant de garder les DS / DE / DA à l’état de l’art
  • allouer du temps de R&D sur les nouvelles tendances technologiques ou sur les nouveaux algorithmes / modèles.
Un manque d’ouverture vers l’extérieur

L’ouverture vers l’extérieur, au travers de participation à des événements (meetups, conférences tech) ou en communiquant sur les nouveaux métiers, permet d’assoir la légitimité IA de l’entreprise, de la rendre plus attractive vis-à-vis des futurs talents et de renforcer son image dynamique et innovante. Enfin, favoriser le partage d’expérience entre acteurs d’une même industrie, ou ayant des problématiques similaires (par exemple des gestionnaires de réseaux) permet d’accélérer la montée collective en compétences de ces entreprises.

Favoriser l’infusion structurelle et culturelle

La réussite de la transformation data driven d’une entreprise passera par deux facteurs. D’une part, le département data doit s’adapter au contexte global de l’organisation et aux niveaux de maturité souvent hétérogènes des directions métiers, tout en étant clair sur son positionnement et son offre de service (infusion structurelle). Cela signifie prendre en compte les contraintes inhérentes à tout changement (définition d’une vision, pilotage rigoureux, communication, etc.). D’autre part, la gestion du changement et l’humain doivent être au coeur de ses préoccupations car c’est souvent la partie la plus complexe et la plus intangible de toute transformation (infusion culturelle). Le rôle du département data est donc également d’infuser l’IA dans la culture de l’entreprise, et ce, à tous les niveaux. C’est pourquoi sa décentralisation au sein des métiers nous semble être une tendance de fond incontournable.

Dans notre second post, nous proposerons une clé de lecture pour se positionner en termes de maturité, ainsi que des bonnes pratiques pour faire levier sur l’organisation déjà en place tout en accélérant la transformation data driven.

✍Ecrit par Thibault Chanut, Jonathan Cassaigne et Florian Canderlé