Surmonter le syndrome de la balle argentée : comment transformer les rêves de données en réalité11 minutes de lecture

Toute technologie suffisamment avancée est indiscernable de la magie.

-Arthur C. Clarke

Je comprends les frustrations que ressentent de nombreux DSI lorsque la dernière mode arrive sur leur bureau. De nulle part, une demande surgit qu’une technologie particulière est nécessaire de toute urgence pour moderniser leur entreprise. Le problème à résoudre est flou, et les résultats souhaités ne sont pas clairs. Je me souviens d’un sketch d’un pair lors d’un événement d’équipe il y a des années. Il y imitait un de ces cadres que nous avons tous rencontrés qui, après avoir quitté un long vol, se précipite dans le bureau et déclare que la « technologie X », présentée dans un magazine de bord, est exactement ce dont notre entreprise a besoin. C’est l’une des raisons pour lesquelles une de mes répliques préférées est devenue : « Merci pour la solution, maintenant quel était le problème ? » lorsqu’ils sont confrontés à ce comportement. C’est le syndrome de la solution miracle à son meilleur : un désir d’être à la pointe sans comprendre pleinement le problème sous-jacent ou la complexité.

Le syndrome de la balle argentée est aggravé par la publicité irrationnelle et les capitalisations boursières gonflées qui se produisent souvent à la simple bouffée de nouvelles technologies. Les données sont un exemple de domaine technologique soumis à cette tendance. Un article récent sur une entreprise de services alimentaires avait pour titre : « La société X n’est pas dans le secteur de l’alimentation, mais dans le secteur des données ». Eh non, ils ne le sont pas. Les clients se rendent dans cette enseigne pour boire un verre ou manger un morceau. Oui, les données jouent un rôle de plus en plus important dans leur entreprise, mais ce n’est pas leur raison d’être. Dans mon poste précédent, j’étais ravi de lire un analyste boursier s’extasier sur nos solutions technologiques, mais le rapport a perdu une certaine crédibilité lorsque l’analyste a postulé que McDonald’s était désormais une entreprise technologique et non une entreprise de restauration. Des microprocesseurs avec vos hamburgers, quelqu’un ?

J’apprécie la promesse que la technologie tient de libérer de la valeur de nouvelles façons. Son application considérée est un différenciateur concurrentiel essentiel et aide les gens à trouver de nouvelles offres ou même des entreprises à lancer. Faire cela, cependant, ne fait pas d’une entreprise une entreprise technologique, tout comme des informations approfondies sur un P&L ne transforment pas une entreprise de construction en une société financière.

Alors, comment aborder ce conflit entre la pensée miracle et ne pas vouloir être laissé pour compte ? La réponse complète serait plus adaptée à un livre qu’à un article de blog, mais je souhaite réfléchir à quatre approches puissantes que j’ai vues fonctionner.

Travailler à rebours ensemble

Trop souvent, les initiatives de données commencent par ce que nous attendons du client, plutôt que par ce que le client apprécie. Les clients donnent aux entreprises des données sur eux-mêmes et leurs comportements en échange d’une meilleure expérience, d’une offre personnalisée ou d’une autre contrepartie. Sans cet échange de valeur dans les deux sens, il n’y a pas d’entreprise ni de données. Comme pour toute initiative, la compréhension de la proposition de valeur client doit précéder toute autre chose. Ensuite, travaillez à rebours à partir de cela pour définir le « comment ».

Méthodologies Agiles fonctionnent bien ici comme dans toute situation hautement incertaine. Des équipes interfonctionnelles à évolution rapide axées sur des problèmes ou des résultats commerciaux définis peuvent dynamiser l’utilité des données. (Je préfère cela à la mise en place d’une fonction d’analyse dédiée, mais c’est un sujet pour un autre jour.) Les principes agiles typiques s’appliquent, y compris les petites, équipes autonomes, des revues de sprint et un accent sur la livraison de valeur. Un avantage supplémentaire de cette approche intégrée est que ces équipes établissent la confiance dès le début, ce qui incite les membres de l’équipe à être plus disposés à apprendre. Cette base permet d’établir des règles du jeu équitables en termes de compréhension des besoins du parcours des données, de réduction des frictions et d’amélioration des taux de réussite.

L’approche itérative de construction-test-apprentissage est également un moyen éprouvé de créer de l’urgence, de l’élan et de la concentration. La priorisation de la valeur permet d’éviter la tendance à produire des rapports de données sans l’action requise qui rend les données utiles.

Augmenter la littératie des données

L’application pratique des données dans une entreprise nécessite un certain niveau de connaissance des données : la vôtre, celle de vos pairs et celle de l’organisation dans son ensemble. Tout comme certaines entreprises ont mis en place des académies numériques internes ou des programmes de formation, il en va de même pour les données. Quel que soit le parcours éducatif que vous tracez, il doit démystifier et contextualiser la terminologie telle que les gestionnaires de données, les lacs de données, les analyses descriptives et prédictives et les mégadonnées. Cela devrait rendre concret ce que l’expression « activé par les données » signifie dans votre entreprise. Dans sa forme la plus simpliste, cela pourrait consister à utiliser les données dont vous disposez déjà pour créer un cercle vertueux de données favorisant une meilleure innovation qui, à son tour, génère de meilleurs produits ou services, un meilleur engagement client et de meilleures données.

Le plus important est l’éducation autour de l’état d’esprit. Notre biais de confirmation intégré recherche des données pour étayer nos hypothèses et nos positions. Les organisations véritablement basées sur les données doivent être ouvertes au fait que les données sont tout aussi susceptibles de contredire des opinions et des croyances profondément ancrées. La promesse du big data va plus loin : nous devons accepter que souvent nous ne connaissons même pas les bonnes questions ou les plus pertinentes à poser. Ce changement de culture est difficile. Dès le début, les dirigeants doivent commencer à exiger des données pour étayer des hypothèses ou des opinions, et poser des questions de recherche pour s’assurer que les opinions sont fondées sur des données plutôt que l’inverse.

Options d’achat

Une pratique que nous sautons souvent dans notre désir d’être décisif est de ne pas prendre de décisions tant que cela n’est absolument pas nécessaire. D’un côté de ce « continuum décider/différer » se trouvent des outils analytiques. Dans l’environnement actuel, il est contre-productif de sélectionner un seul outil. Pour de nombreux utilisateurs finaux, des outils simples tels qu’Excel ou Amazon QuickSight en plus des données abstraites suffiront. Pour d’autres, R et Python et l’accès direct aux données brutes sont essentiels. Au fil du temps, vous pouvez réduire le champ pour faciliter les décisions de recrutement, de formation ou de licence. Dans d’autres domaines, je ne tergiverserais pas. Par exemple, quels que soient vos objectifs commerciaux, un lac de données pour vos données brutes structurées et non structurées a du sens. Étant donné les 3 V de Big Data—vitesse, variété et volume—ainsi que la nécessité d’assurer la rentabilité et une large accessibilité des données, n’essayez pas de le faire sur site !

Dans le même ordre d’idées, les outils pour le déplacement des données, l’ETL, le traçage de la lignée des données ou l’apprentissage automatique ne manquent pas. Au début de votre voyage, optez pour les technologies de paiement à l’utilisation lorsque cela est possible. Cela permet à votre équipe de déterminer ce dont elle a vraiment besoin, même en tant que produit minimal viable, sans être enfermée dans des conditions de licence inutiles et restrictives. Il évite également l’oh-si-facile à glisser dans biais des coûts irrécupérablesun sophisme qui empêche l’émergence de meilleures méthodes de travail.

Comme pour tout changement de culture, il est important d’avoir un seul propriétaire de thread. Dans certaines entreprises, il peut s’agir d’un Chief Data Officer (CDO) ou d’un Chief Analytics Officer (CAO), mais je mets en garde la création de ces nouveaux rôles avant d’avoir une bonne compréhension de ce qui est requis pour votre organisation. Je soupçonne qu’il est de loin préférable de nommer au départ un cadre supérieur existant dont la mission est de faire rouler la boule de données proverbiale. Si vous optez pour un CDO ou un CAO, tout comme les officiers numériques auparavant, utilisez ces rôles pour infuser pensée centrée sur les données dans l’organisation plutôt que de construire un empire des données.

Sur le plan organisationnel, l’instinct est souvent d’aller embaucher un groupe (corrélation ?!) de data scientists avant de comprendre quelles compétences sont réellement requises. Ces descriptions de poste initiales définissent souvent les rôles des licornes : une expertise et des réalisations techniques, commerciales et culturelles approfondies au-delà de ce qui est raisonnable. Dès le début de votre parcours de données, utilisez des ressources de conseil pour vous aider à comprendre quelles compétences sont vraiment nécessaires, ainsi que pour accélérer votre courbe d’apprentissage. Normalement, il existe un potentiel inexploité important dans les données déjà disponibles ou des problèmes importants à surmonter pour obtenir les données, tels que des silos fonctionnels qui résistent à l’abandon de leur contrôle. Dans ces situations, avoir des compétences de niche en interne s’avérera coûteux, peu bénéfique et assez démotivant pour les personnes qui assument les rôles. De nombreuses grandes organisations que j’ai vues ont des désaccords internes sur ce qui doit être fait au niveau central et ce qui doit être fait dans les unités commerciales. Déterminez ces dynamiques avant que d’autres rôles de dotation ne subissent les conséquences d’une agilité réduite et d’un conflit accru, comme je l’ai expliqué dans un article de blog précédent.

Opérationnaliser les informations

Imaginez que quelqu’un se présente chez vous pour vous dire qu’il était là pour réparer votre machine à laver, qui allait tomber en panne dans cinq jours. Les croiriez-vous ? Eh bien, c’est le problème que j’ai rencontré sur un projet Internet des objets il y a dix ans, axé sur la surveillance en temps réel de dizaines de milliers d’équipements. L’analyse de rentabilisation hypothétique était convaincante et nous avons été satisfaits de certains des détails de mise en œuvre intéressants, tels que les communications de données via le câblage électrique. Le problème, comme c’est le cas pour plus de la moitié des initiatives fondées sur la technologie, est que nous avons terriblement sous-estimé le rôle du comportement humain.

Les données sans action de première ligne sont coûteuses et académiques. L’analyse consiste à comprendre et à motiver un changement dans une organisation. Comme pour de nombreux changements à grande échelle, la règle d’or est que la moitié de l’investissement dans les données doit être consacrée à la composante d’habilitation humaine. J’ai été témoin de cela dans les années 1990 avec le déploiement de l’analyse des aliments dans les restaurants britanniques. Des efforts considérables ont été consacrés à la formation du personnel du restaurant sur la façon d’utiliser les données comme diagnostic pour identifier les sources de déchets, et leurs commentaires nous ont aidés à nous assurer que les rapports étaient significatifs et digestes. Des dizaines de millions de livres ont ainsi été économisées. La simplicité et l’engagement sont les clés. S’assurer que les rapports sont clairs et viscéraux aux yeux des utilisateurs finaux ; en fait, impliquez-les dans la conception. Investir dans la formation et collecter des données sur l’efficacité avec laquelle les données sont utilisées pour identifier d’autres opportunités de formation. Encouragez les dirigeants à parler de la valeur des données. Saisissez toutes les occasions de dialoguer avec ceux qui utilisent les données pour comprendre les obstacles à leur transformation en action utile.

Fait intéressant, les balles en argent réelles sont moins précises et plus chères que les balles ordinaires et ont été fabriquées de manière spéculative pour tuer des créatures mythiques. Bon contexte pour la prochaine fois qu’on vous présentera l’équivalent technologique !

BIOGRAPHIE DE L’AUTEUR :

Phil Le-Brun est stratège d’entreprise et évangéliste chez Amazon Web Services (AWS). Dans ce rôle, Phil travaille avec des dirigeants d’entreprise pour partager des expériences et des stratégies sur la façon dont le cloud peut les aider à augmenter la vitesse et l’agilité tout en consacrant davantage de leurs ressources à leurs clients. Avant de rejoindre AWS, Phil a occupé plusieurs postes de direction technologique senior chez McDonald’s Corporation. Phil est titulaire d’un baccalauréat en génie électronique et électrique, d’une maîtrise en administration des affaires et d’une maîtrise en pensée systémique en pratique.