Data literacy : vivre la data au quotidien

Dernière modification le 17 janvier 2023

La data est omniprésente, les volontés de transformation data au sein des organisations / entreprises sont systématiquement invoquées, la culture data (ou data literacy – littératie des données) devient un enjeu de transformation[1].

La pression « compétence data » voire en sous-jacent de l’illettrisme data dans les entreprises est de plus en plus forte :

Des nouveaux métiers data viennent côtoyer votre quotidien : data manager, data architecte, data scientist, chief data officer…, des data factory sont créées, un « énigmatique » datalab est créé,
Des nouvelles responsabilités sont inscrites dans les fiches de postes : data ownership, data stewardship. Des cercles données, des communautés d’afficionados data sont créées,
On évalue votre appétence et compétence data dans les revues RH, au travers de quizz d’entreprise. Des kits data sont mis à disposition des managers pour leurs collaborateurs,
Des campagnes de communication et de sensibilisation data fleurissent, accompagnées de grandes messes de la data, de semaines de la data (data week), de challenges et prix du meilleur projet data, de témoignages de succès data, d’une newsletter data, des posters data s’affichent dans les couloirs et salles de réunions,
Des dispositifs de e-learning data sont mis en place, des serious games data sont proposés,
Des datathons sont organisés les week-ends,
Des mantras sont répétées sans cesse : « mobilisez vos données », « ouvrez vos données »,
Des consultants externes auditent le niveau de maturité data de l’entreprise et fixent un plan détaillé pour atteindre le niveau 5,
La data apparait dans la communication des enjeux stratégiques de l’entreprise, 20XX sera l’année de la data, une feuille de route de la donnée est définie au niveau COMEX.
… et internet, la presse le dit : la data va sauver le monde ! … Et en sous-jacent, si vous n’avez pas la compétence data, vous ne saurez pas sauver le monde : « la maîtrise des données est perçue comme LA compétence-clé du XXIe siècle »[2].

Et pour finir ce flot d’injonctions data vient se conjuguer avec la pression au quotidien non choisie : de feuilles excel à remplir, de données à corriger, à saisir, d’indicateurs à expliquer, se conformer.

Hum… comment le dire ? Tous ces efforts aboutissent-t-ils à une véritable transformation ? Sur 10 ans d’initiatives et d’incantations data de ce type que j’ai pu vivre et même mettre en place, le résultat est mitigé. Le constat et la chronologie sont souvent les mêmes : une phase d’enthousiasme data, puis le soufflet retombe, la dynamique s’essouffle, les acteurs data partent, de nouveaux arrivent et relancent une dynamique data et … le soufflet retombe.

Les retours d’expérience montrent que se lancer dans un mode révolution data ou conduite du changement classique est un échec (sauf peut-être à se lancer dans un mode start-up … en partant de zéro ?!).

Le sujet data est transverse et global à l’entreprise, autrement dit le challenge de transformation est gigantesque.

Tout n’est pas à jeter, la boîte à outils classique de la data literacy est utile. Communiquer, former, sensibiliser, accompagner, évaluer … restent des leviers nécessaires …mais non suffisant.

L’idée générale est de renverser le principe de sensibiliser à la data (enseigner) pour l’utiliser, par utiliser la data pour en tirer un enseignement.

Dans cet esprit, j’ai pu accompagner une transformation data fondée sur « vivre la data au quotidien ».

Avec comme principes (de bon sens) :

La data ne doit pas être à coté, isolée mais partie prenante des projets d’entreprise ;
Pour les acteurs, la data doit être vue comme un plus dans leur quotidien : RUN et BUILD. Et pour certains déjà familier de la data[3], aller plus loin dans son utilisation ;
Cela signifie s’ancrer :
- Dans l’exécution au quotidien des activités de fonctionnement : activités de services, pilotage, déroulement des processus d’entreprise (le RUN),
- Dans les projets / programmes de construction et transformation existants (le BUILD).
Et surtout elle ne doit pas faire l’objet d’une séparation IT / métier, l’alignement est primordial. Cet alignement ne se fait pas tout seul. Définir le lien / le pont entre le quotidien métier et l’univers data (et ses capacités) est le point clé (pour les plus anciens … point relevant du rôle de l’analyste programmeur que l’on doit retrouver dans la fonction de data analyst, l’image d’un « passeur data » peut aussi être utilisée pour faire émerger ce lien / pont).

La méthode de transformation data appliquée a reposé sur les principes suivants :

Poser les fondations de la cible (l’apport visé de la transformation data)
Mobiliser la boîte à outils data literacy
S’ancrer dans les autres processus de transformation de l’entreprise
S’inspirer de la démarche agile pour constituer des backlogs de transformation

1) Poser les fondations de la cible (l’apport de la transformation data)

« La donnée n’est pas donnée [4]! » : ancrer dans les activités et la culture des acteurs de l’entreprise, les fondations du processus data qui permet de constituer l’actif data : capture des données, traitement des données, interprétation des données et servicification à partir des données, préservation – valorisation – mise en conformité du patrimoine data (on parle aussi par analogie de maîtrise de la « supply chain data »). La sensibilisation aux activités de capture des données, est l’élément premier de la transformation ;
Vivre la valeur de la donnée dans son activité quotidienne : 1- comment les données dont je dispose peuvent améliorer mon quotidien, 2- comprendre quels nouveaux sens il est possible de tirer des données disponibles, 3- identifier les données nécessaires pour résoudre telle problématique connue et 4- pourquoi pas innover dans son domaine d’activité avec les données. La matrice ci-dessous, inspirée de la matrice known-unknown de Rumsfeld, illustre ces quatre domaines de question.

NB : bien entendu ces quatre domaines de question peuvent cohabiter pour une même problématique.

2) Utiliser la boîte à outils data literacy classique : formations aux compétences data, ateliers dédiés, collaboratif – communautés de pratiques (indispensable à la vue de la transdisciplinarité, de la diversité des acteurs à mobiliser), animation en lien avec la gouvernance des données, mentoring, gamification, événements et communication sur la data (la première partie de cet article en donne une première liste)…

3) S’ancrer dans les processus de transformation de l’entreprise : schéma directeur, construction de roadmap annuelles, pluriannuelles, programmes, plans d’action issus de revues de processus projet, portefeuille d’investissement et d’engagement…

Introduire un volet data dans les roadmaps programmes et projets (métier et IT), identification des besoins data dans les chantiers de transformation : pilotage, réglementaire, publication de données, accostage à des référentiels, data science, définition et optimisation de chaînes d’acquisition, simulation sur jumeaux numériques, IA…,
S’aligner sur et décliner la stratégie data (vision CDO – COMEX – approche top down),
Produire une vue data consolidée issue des différentes roadmaps,
Eclairer les irritants, innovations et gains métiers relatifs à la data dans cette vue (approche bottom up). Inventorier les initiatives locales et le cas échéant, les promouvoir comme solution pour le bien commun ;
Proposer un support data adapté (sensibilisation, formation, diagnostic, mentoring, contribution experte) aux projets, aux acteurs qui se confrontent à la data.

4) A partir d’un diagnostic de situation et d’ambition, constituer un backlog d’initiatives concrètes de transformation et lancer la transformation en mode agile.

Avec un MVP (Minimum Value Product) visant à constituer les fondations (cf point 1).

Le mode agile est particulièrement bien adapté et permet d’éviter les démarches de type rouleau compresseur top down, déroulement de : plan de formation, plan de communication par domaine et population, … avec une cible de niveau 5 de maturité à atteindre…

La data est un monde dynamique, innovant, la data s’inscrit dans un existant qui bouge lui aussi, l’appropriation n’est pas mécanique – le facteur humain est clé, être agile permet de viser des pas concrets rapides vers la cible, de tenir compte des résultats (succès comme échecs, mesure des résultats) et d’adapter les pas suivants.

Le schéma suivant résume le cadre de la démarche agile mise en place au travers de différents backlogs.

A préciser que la définition des différents backlogs s’est accompagnée de la définition de personas de transformation : Par profil métier (COMEX, manager, business analyst, technicien terrain…) et profil data (data manager, data analyst, data steward, data owner) . Tous les acteurs de l’entreprise peuvent avoir une relation et un rôle différents vis-à-vis des données. Il s’agit de personnaliser les parcours au plus proche de cette relation au sein des personas (tout le monde n’a pas besoin d’être data scientist !).

Pour aller plus loin vous pouvez lire aussi cette contribution : https://www.datassence.fr/2022/11/23/lenvironnement-de-la-data-literacy-en-un-schema/

Si cet article vous a intéressé, vous pouvez me contacter pour approfondir son contenu.

L’attribut alt de cette image est vide, son nom de fichier est Datassence_Logo1_1.png.

[1] Les autres enjeux à traiter que l’on retrouve sont souvent : la mise en place d’une gouvernance des données, la construction de systèmes data – architectures de données, la sécurité et le réglementaire.

[2]https://www.opendatafrance.net/2022/11/24/rencontre-opendatafrance-2022-levenement-en-syntheses/

[3]Pour certains processus, l’enjeu data est historiquement et intrinsèquement de fait au cœur du processus (exemple des processus comptable, de gestion, de production de bilan, réglementaire de type BCBS dans la Banque…). Les acteurs sont formés data et peuvent même être « mentors » sur les données qu’ils maîtrisent auprès des autres acteurs métier.)

[4]https://www.editions-kawa.com/home/157-la-donnee-n-est-pas-donnee-strategie-big-data.html