3 conseils pour tirer de la valeur de la donnée

Nombreuses sont les données disponibles pour optimiser les processus métiers. Néanmoins, malgré la richesse des outils, vous ne disposez peut-être pas toujours des indicateurs pour une bonne utilisation opérationnelle des informations qu’ils hébergent. 

Abylon fait le point sur les facteurs clefs pour tirer de la valeur de la donnée, avec leurs applications pour la maintenance, la relation client ou la facturation.

  • Comment intégrer un projet d’exploitation de données dans votre démarche d’amélioration des performances ?
  • Quels leviers pour enrichir la visibilité de votre équipe sur son impact opérationnel et les doter des bons outils d’aide à la décision ?

 

3 étapes pour mettre en œuvre un projet d’exploitation de la donnée

La mise en œuvre d’un projet d’exploitation de données suit les trois étapes du cycle de vie de la donnée :

Une gestion de projet en mode agile, suivant des cycles courts, favorise la pertinence de la solution créée. La collaboration entre les équipes métiers, futurs utilisateurs, et les spécialistes de la donnée est indispensable tout au long du projet. En particulier le partage régulier de résultats, même temporaires ou partiels, permet d’adapter en continu l’analyse des données à leur utilisation au quotidien.

La phase de modélisation est évidemment une phase nécessaire et structurante de la démarche. Toutefois, ce sont les phases amont et aval (source et visualisation) qui font la réussite ou l’échec d’un projet d’exploitation des données. Les 3 conseils suivants se concentrent donc sur ces aspects.

 

Conseil n°1 : Formuler de manière simple et intelligible la question pour laquelle vous attendez une réponse

Un projet d’exploitation de données commence toujours par la formulation d’une question. Il s’agit d’identifier une problématique concrète rencontrée par les équipes métiers, sur laquelle des informations ont été récoltées. Il est recommandé d’affiner la question au fur et à mesure du projet (mode agile).

L’analyse des données pourra alors débuter sur un périmètre opérationnel limité, car « commencer simple » permet de bénéficier d’un rapide retour terrain.

Par exemple,

Bien noter que « commencer simple » veut dire « limiter intentionnellement l’usage opérationnel de l’analyse » et ne signifie en aucun cas « restreindre les sources de données par souci de volumétrie et de temps de traitement ».

En effet, la richesse des analyses de données se situe dans le croisement de données de sources, types, périmètres et réalités métiers divers. En limitant les sources de données, on prendrait le risque de réduire la richesse d’information entrante et de produire des résultats non performants.

 

Conseil n°2 : Veiller à la signification métier des données utilisées

Il convient de s’assurer que toutes les données utilisées ont une signification matérielle, concrète, opérationnelle, réelle. Pour ce faire, seuls des échanges récurrents avec les experts métiers garantissent la prise en compte des logiques de traitement métier et de leurs répercussions opérationnelles.

Par exemple,

En complément, l’exploitation des données non structurées (par exemple : champs libres, commentaires, textes variés, images) développe significativement la valeur de la donnée. Les champs libres sont souvent l’occasion pour les équipes métiers de faire passer des informations utiles mais non couvertes par les champs des formulaires de saisie.
Par exemple, pour la maintenance prédictive des modules, les commentaires ou les photos contenus dans les comptes-rendus d’intervention complètent utilement la réflexion. De même, les commentaires clients enrichissent l’analyse des demandes clients.

 

Conseil n°3 : Simplifier la complexité et hiérarchiser les informations

Pour garantir la clarté et la pertinence opérationnelle des résultats, mieux vaut se concentrer sur l’essentiel et ne pas multiplier les indicateurs. Les actions d’optimisation, d’ajustement ou de correction à mettre en place seront alors facilement identifiables.

L’utilisation de plusieurs niveaux de lecture permet de s’adapter aux besoins de chaque utilisateur. Les indicateurs intéressant les managers (on parle de KPI - Key Performance Indicators) n’intéresseront pas forcément les équipes métiers (qui sont eux concernés par les PI - Performance Indicators) et inversement.

Un projet d’exploitation de données porté par les professionnels métiers, mis en œuvre en mode agile, enrichit durablement la visibilité d’une équipe sur son impact sur le terrain.
Ses résultats jouent également un rôle dans l’appropriation par l’équipe de son processus, facilitant ainsi son implication dans une démarche d’amélioration continue.