Le volant de données : une meilleure façon de penser votre stratégie de données

Cet article a été co-écrit par Duc Dyksterhouseassocié chez Metis Strategy.

Data & Analytics tient ses promesses. Chaque jour, il aide d’innombrables organisations à tout faire, de mesurer leur Impact ESG pour créer de nouvelles sources de revenus, et par conséquent, les entreprises sans culture de données solide ni plans concrets pour en créer une ressentent la pression. Certains sont nos clients, et plus d’entre eux nous demandent de l’aide pour leur stratégie de données.

Souvent, leur demande est un aveu à peine voilé de submersion. Ils ont du mal à articuler leur objectif, ou ne savent pas par où commencer. Les variables semblent infinies : data—Sécurité, la science, stockage, exploitation minière, la gestion, définition, effacement, l’intégration, accessibilité, architecture, le recueil, gouvernanceet les données toujours insaisissables Culture. Mais malgré toute cette complexité technique, leur dépassement est plus souvent un symptôme d’état d’esprit. Ils pensent que lors de l’élaboration de leur première stratégie formelle de données, ils doivent avoir toutes les réponses à l’avance – que toutes les personnes, processus et technologies concernés doivent être alignés avec précision, comme des dominos.

Nous décourageons cette pensée. Mobiliser des données, c’est plus comme faire tourner un volant d’inertie : il faut des efforts considérables pour faire tourner la roue, mais son élan est en grande partie auto-entretenu ; et ainsi, au fur et à mesure que vous appliquez une force progressive, la roue tourne de plus en plus vite, jusqu’à ce que des touches du bout des doigts suffisent à maintenir une vitesse fulgurante. Au fur et à mesure que la roue avance à cette vitesse, les personnes, les processus et les technologies nécessaires pour la prendre en charge deviennent apparents.

Dans cet article, nous proposons quatre choses que vous pouvez faire pour accélérer la rotation de votre volant d’inertie, et examinons chacune à travers l’histoire d’Alina Parast, directrice de l’information de ChampionX, et comment elle aide à transformer l’entreprise (qui fournit des solutions en amont et en l’industrie pétrolière et gazière intermédiaire) en une centrale électrique axée sur les données.

Étape 1 : Choisissez le bon problème

Lorsque ChampionX est devenu public, son équipe interfonctionnelle (qui comprenait des experts de la chaîne d’approvisionnement, du numérique/informatique et du commerce) a évité ou au moins tempéré toute déclaration grandiose et à la mode sur les « transformations » et les « cultures axées sur les données » en faveur de résolution de problèmes du monde réel. Mais aussi, il n’a pas choisi n’importe quel problème : il a choisi le droit problème – qui est la première et la plus cruciale étape pour faire tourner votre volant d’inertie.

À l’époque, l’une des activités les plus coûteuses de ChampionX dans son secteur des technologies chimiques consistait à surveiller et à entretenir les sites des clients, dont beaucoup se trouvaient dans des régions éloignées du pays. « C’était plus que de la main-d’œuvre et du carburant », a expliqué Alina. « Nous avons dû dépenser beaucoup pour entretenir des véhicules capables de naviguer sur les itinéraires vers ces sites et pour déterminer exactement quels étaient ces itinéraires. Il n’y avait pas, et il n’y a toujours pas, de cartes Google indiquant où nos techniciens sur le terrain doivent se rendre. Ces coûts étaient le prix à payer pour « garder les réservoirs des clients pleins, pas secs » – l’un des principes directeurs de ChampionX et le cœur de sa proposition de valeur pour améliorer la vie de ses clients. « Et donc, nous nous sommes demandé, ‘comment pouvons-nous servir cette fin?' »

Le problème que l’équipe a choisi de résoudre – réduire le coût des déplacements sur site – peut sembler banal, mais il avait tous les bons ingrédients pour faire bouger le volant. Premièrement, le problème était urgent, car il figurait parmi les dépenses les plus importantes de ChampionX. Deuxièmement, le problème était simple (même si sa solution ne l’était pas). C’était facile à expliquer : Cela nous coûte cher de marcher jusqu’à ces sites. Comment pouvons-nous réduire ce coût? Troisièmement, c’était tangible. Cela concernait des objets du monde réel – des camions, des puits, de l’équipement et d’autres choses que les gens pouvaient voir, entendre ou ressentir. Tout aussi important, l’équipe pourrait indiquer les éléments de ligne financière spécifiques que leurs efforts déplaceraient. Enfin, le problème était partagé par l’entreprise dans son ensemble. En tant que membre de l’équipe de direction interfonctionnelle, Alina ne s’est pas limitée à résoudre des problèmes apparemment liés au DSI. Elle a compris : s’il s’agissait d’un problème qu’elle et son organisation pouvaient aider à résoudre, alors il a été un problème lié au CIO.

Les responsables informatiques parlent souvent des personnes, des processus et de la technologie comme des pierres angulaires de la stratégie informatique, mais ils oublient parfois de tenir compte du noyau de tout stratégie : résoudre des problèmes commerciaux réels. Lorsque vous démarrez, mettez de côté vos préoccupations concernant les personnes que vous embaucherez, les outils que vous utiliserez et la façon dont vos employés travailleront ensemble – ces choses deviendront apparentes avec le temps. Mettez d’abord vos chefs dans une pièce. Oubliez les diapositives, les feuilles de calcul et les feuilles de route. Au lieu de cela, demandez, en toute sincérité : Quel problème essayons-nous de résoudre ? La réponse ne viendra pas aussi facilement que prévu, mais la conversation sera inestimable.

Étape 2 : Capturez les bonnes données

Une fois que vous avez identifié un problème digne d’être résolu, l’étape suivante consiste à capturer les données dont vous avez besoin pour le résoudre. Si vous avez bien défini votre problème, vous saurez quelles sont ces données, qui sont essentielles. Tout comme définir votre problème réduit la variété des données que vous pourriez capturer, déterminer de quelles données vous avez besoin, où les obtenir et comment les gérer réduira le vaste catalogue de personnes, de processus et de technologies qui pourraient composer votre environnement de données.

Considérez comment cela s’est passé pour Alina et ChampionX. Une fois que l’équipe a pris connaissance du problème (les visites sur site étaient coûteuses), elle a rapidement identifié la solution logique : réduire le nombre de visites sur site requises. La plupart des visites étaient de routine, plutôt qu’en réponse à un problème actif, donc si ChampionX pouvait glaner à distance ce qui se passait sur le site, ils pourraient économiser beaucoup de temps, de carburant et d’argent. Cette idée leur a indiqué de quelles données ils auraient besoin, ce qui a permis aux équipes informatiques et commerciales numériques de ChampionX de discerner qui et ce dont ils avaient besoin pour les capturer. Ils avaient besoin de capteurs IoT, par exemple, pour extraire les données pertinentes des sites. Et ils avaient besoin d’un endroit pour stocker ces données – ils manquaient d’infrastructure capable de gérer à la fois les téraoctets provenant des capteurs et les données client de couplage (qui résidaient dans des plates-formes d’entreprise telles que l’ERP, le transport et la planification de l’offre et de la demande). Ils ont donc construit un lac de données.

Chacune de ces initiatives – la mise en place d’une infrastructure cloud sécurisée, la conception du lac de données, les capteurs, le stockage, la formation nécessaire – était une entreprise majeure et continue d’évoluer. Mais l’équipe ChampionX n’a ​​pas seulement résolu le problème de la visite sur site ; ils ont fourni une base pour l’environnement de données de l’entreprise et les initiatives axées sur les données qui suivraient. Le lac de données, par exemple, est devenu le foyer d’un volume et d’une variété de données sans cesse croissants provenant des autres unités commerciales de ChampionX, ce qui a à son tour conduit à des informations précieuses (plus à ce sujet dans la section suivante).

Savoir quelles données capturer fournit le contexte dont vous avez besoin pour commencer à sélectionner des personnes, des outils et des processus. Quel que soit votre choix, ils se prêteront à des fins imprévisibles. C’est donc un exercice éprouvant et infructueux d’essayer de cartographier toutes les manières dont un composant de votre environnement de données sera lié à tous les autres, et à partir de là, de choisir une boîte à outils. Au lieu de cela, déterminez ce dont vous avez besoin pour le problème et les données devant vous. Parce que vous ferez des sélections par rapport à quelque chose de réel et d’important dans votre organisation, il y a de fortes chances que vos sélections finissent par servir quelque chose autre réel et important. Mais dans ce cas, vous serez en mesure de spécifier les noms, les coûts et l’ordre des éléments dont vous avez besoin, des détails qui rendront votre stratégie de données réelle et feront tourner votre volant d’inertie plus rapidement.

Étape 3 : Reliez des points qui semblaient autrefois disparates

Au fur et à mesure que vous commencez à capturer des données et que votre volant tourne plus vite, de nouvelles opportunités et données se révéleront. Peu de temps après l’installation des capteurs IoT pour surveiller à distance les sites des clients, l’équipe de ChampionX a réalisé que les mêmes données pouvaient être appliquées ailleurs. ChampionX disposait désormais d’une multitude de données topographiques que personne d’autre ne possédait, et il utilisait ces données pour déplacer à la fois les lignes supérieures et inférieures. Il a déplacé la ligne de fond en optimisant les itinéraires empruntés par les véhicules de ChampionX vers les sites, résolvant le problème de non-Google-Maps-où-nous allons, et il a déplacé le sommet en monétisant les données comme une nouvelle source de revenus.

Le lac de données, lui aussi, a pris un nouveau but. D’autres initiatives commerciales ont commencé à se garer leur données qu’il contient, ce qui a incité les équipes interfonctionnelles à envisager les différents types d’informations tourbillonnant ensemble et comment elles pourraient représenter plus que la somme de leurs parties. L’un d’entre eux était les données sur les clients, les commandes et la chaîne d’approvisionnement, que ChampionX devait régulièrement extraire et fusionner avec les données du site pour effectuer des analyses d’impact – des rapports sur lesquels et comment leurs clients ont été affectés par une perturbation des réseaux de la chaîne d’approvisionnement. La fusion de ces données prenait des semaines, en grande partie parce que les deux données avaient toujours vécu dans des écosystèmes différents. Or, les mêmes analyses ne prenaient que des heures.

Il y a deux plats à emporter ici. La première est qu’il n’y a pas de problème si votre volant de données tourne lentement au début, lancez-le. Attirer ne serait-ce que quelques nouvelles opportunités ou types de données vous permettra d’établir des liens entre des éléments qui semblaient autrefois disparates. Cette reconnaissance de formes accélérera votre volant d’inertie à un rythme exponentiel et encouragera un environnement de données suffisamment complexe à prendre forme autour de lui.

Le deuxième point à retenir est similaire à ceux des deux premières étapes : Choisissez judicieusement parmi les opportunités que vous pourriez poursuivre. Toutes les informations intéressantes ne sont pas utiles ; poursuivez ceux qui sont les plus précieux et les plus réels, ceux que les gens peuvent voir, mesurer et ressentir. Celles-ci chevaucheront de manière significative des activités organisationnelles fastidieuses, banales et récurrentes (comme la compilation de rapports d’impact). Si vous pouvez résoudre ces problèmes, vous prouverez la viabilité des données en tant que force de changement dans votre organisation, et une culture des données plus riche commencera à émerger, poussant le volant à un rythme intimidant.

Étape 4 : Construire à partir de votre problème d’origine

L’histoire de ChampionX que nous avons examinée n’est qu’un chapitre d’une histoire beaucoup plus vaste. Au fur et à mesure que l’entreprise a collecté plus de données et que ses employés ont glané de nouvelles informations, les problèmes auxquels Alina et ses partenaires commerciaux s’attaquent ont pris de l’ampleur et de la complexité, et le volant d’inertie de ChampionX a atteint une vitesse capable de propulser la résolution des problèmes en priorité sur les données dans l’ensemble de l’entreprise. toute la chaîne d’approvisionnement.

Pourtant, la plupart des problèmes remontent d’une manière ou d’une autre à la simple question de savoir comment l’entreprise pourrait dépenser moins pour les vérifications sur site. L’équipe de ChampionX n’est pas passée bon gré mal gré des problèmes qui concernent la supply chain à ceux qui concernent le Marketing, ou les RH, ou la Finance ; l’équipe s’étend vers l’extérieur dans une progression logique à partir de son problème d’origine. Et parce qu’ils l’ont fait, leur personnel, leurs processus et leurs technologies, en termes de maturité, ne sont jamais qu’à un jet de pierre d’être en mesure de relever le prochain défi, qui est toujours construit sur celui qui le précède.

Au fur et à mesure que votre volant tourne plus vite, vous aurez plus de problèmes à choisir. Donnez la priorité à ceux qui sont non seulement réalisables et utiles, mais aussi thématiquement cohérents avec les problèmes que vous avez déjà résolus. De cette façon, vous pourrez tirer parti de l’élan que vous avez créé. Votre environnement de données comprendra déjà bon nombre des personnes et des outils dont vous avez besoin pour le travail. Vous n’aurez pas l’impression de recommencer à zéro ou de devoir défendre un cas à partir de zéro auprès de vos parties prenantes.

Construire une stratégie de données, c’est comme faire tourner un volant d’inertie. C’est cyclique, itératif, graduel, perpétuel. Il n’y a pas de ligne spéciale qui, si elle est franchie, considérera votre organisation comme « axée sur les données ». De même, il ne sert à rien de penser votre stratégie de données comme quelque chose de binaire, comme s’il s’agissait d’un bâtiment en construction qui sera un jour terminé. La meilleure chose que vous puissiez faire est de vous concentrer sur l’utilisation de vos données pour résoudre des problèmes urgents, simples, tangibles et précieux. Rassemblez les personnes, les processus et les technologies dont vous avez besoin pour résoudre ces problèmes. Ensuite, passez au suivant, puis au suivant, puis au suivant, permettant aux éléments d’un écosystème de données dynamique d’émerger en cours de route. Vous ne pouvez pas sera votre stratégie de données en existence ; vous pouvez seulement dessine-le dans, en se concentrant sur le volant. Et quand il apparaîtra, vous et tous les autres le saurez.