Courbe d'apprentissage de la gouvernance Data

Étape 1 - Incompétence inconsciente : quels sont les “symptômes” d'un manque de data governance ?

1. L'entreprise est confrontée à questions commerciales non résolues en raison d'une mauvaise data governance
2. L'entreprise est acculé au pied du mur par des initiatives existantes nécessitant une data mature (cas d'utilisation stratégique, migration informatique, etc.)
3. La prise en charge de ces symptômes vous aidera à devenir conscients des défis et de la valeur critique de data governance

Étape 2 - Incompétence consciente : quels sont les défis rencontrés par une entreprise lorsqu'elle entame un parcours data governance ?

1. Prouver que data governance est de valeurdata brut est un potentiel inexploité tandis que data raffiné est de l'or
2. Trouver le bon modèle financier pour lancer les premières initiatives : à partir de cas d'utilisation ou sous l'impulsion d'un organe central de transformation.
3. Mobiliser les gens à fournir : au sein des équipes fédérées du data governance, et au-delà

Étape 3 - Compétence consciente : quelles sont les étapes généralement suivies par les entreprises lors du lancement d'un programme data governance ?

1. Première étape - Structurer les actifs data governancedomaines, modèle opérationnel, feuille de route, outillage
2. Deuxième étape - Déployer data governance dans chaque domaine data :data qualité, standardisation et accessibilité. Soit par une rénovation complète dans un délai limité grâce à de grands programmes ; soit par l'étalement des travaux sur une longue période, en commençant par les plus critiques et en faisant le reste petit à petit.

Étape 4 - Compétence inconsciente : que se passe-t-il lorsque data governance devient la nouvelle norme ?

1. Data la gouvernance n'est plus un voyage, mais une compétence accomplie
2. La gouvernance Data est la responsabilité de chacun: Membres du COMEX, chefs d'entreprise, responsables de l'ingénierie, équipes de développement de domaines, responsables Data, équipes chargées des cas d'utilisation et des fonctionnalités.

Comprendre ce qu'est le data governance, pourquoi il est sur le chemin critique de la valeur et comment le déployer concrètement dans votre organisation peut être un long chemin. Lorsque les entreprises ont lancé leurs premiers grands programmes de transformation avec l'IA et les cas d'utilisation data, elles ont rapidement réalisé que ces programmes nécessitaient des catalyseurs clés tels que data platforms, les lacs data, la gestion de la qualité data et le MDM, qui permettent d'exposer la qualité data aux cas d'utilisation. Ce n'est que récemment que le data governance est apparu comme une priorité au regard de la myriade de systèmes complexes créés.

Aujourd'hui, presque tous les acteurs de l'écosystème CDO/CTO comprennent que le data governance est une condition préalable à la transformation de l'IA. Ils connaissent tous les concepts organisationnels et opérationnels de base, mais les mettre en musique pour apporter une valeur concrète est une tâche bien plus complexe. Par conséquent, le data governance est souvent réduit à des initiatives de documentation isolées ayant peu d'impact. Nous voyons de nombreux programmes lancés et de nombreux responsables de data governance apparaître dans les organisations de nos clients. Au début, ils ont tous rencontré les mêmes difficultés à convaincre leurs sponsors et partenaires commerciaux d'investir dans ces activités. Pourquoi ? Parce que le déploiement de data governance est un processus d'apprentissage complet que l'organisation doit traverser, et que chaque étape du chemin est importante.

L'objectif de cet article est de vous aider à comprendre ce qu'est data governance dans la pratique en vous accompagnant dans le processus d'apprentissage de data governance auquel chaque entreprise est inévitablement confrontée.

Avant même de commencer le voyage, le premier défi consiste à identifier le problème de data governance. À ce stade, l'entreprise n'a pas encore réalisé que nombre de ses problèmes commerciaux sont directement liés aux activités de data governance. La première étape du voyage consiste à déterminer les questions fondamentales auxquelles personne au sein de l'organisation n'est en mesure de répondre.

En posant ce type de question, on relie directement le data governance à la valeur commerciale potentielle qu'il peut générer et on évite l'écueil d'une approche axée sur l'informatique ou la protection de la vie privée, qui réduit le data governance au Master Data ou à la gestion des droits d'accès.

Sur le terrain, nous avons observé d'autres situations typiques qui déclenchent le lancement d'initiatives data governance :

Pour progresser sur le chemin de l'apprentissage du data governance, les entreprises doivent faire face à des questions commerciales non résolues ou être acculées. Ce n'est qu'à ce moment-là qu'elles prendront conscience des défis auxquels elles sont confrontées et qu'elles comprendront la valeur critique du data governance.

Une fois qu'une entreprise a décidé d'entamer officiellement son parcours data governance, trois grands défis se posent : (1) prouver que data governance est utile, (2) trouver le bon modèle financier pour lancer les premières initiatives et (3) mobiliser le personnel pour qu'il s'acquitte de sa tâche.

L'un des premiers défis consiste à convaincre le conseil d'administration. Les défenseurs de la gouvernance Data doivent trouver le bon discours pour prouver que, parfois au détriment des cas d'utilisation, il faut investir dans data governance et trouver de l'espace sur les feuilles de route de la transformation data.

[DU TERRAIN #1] Un leader data governance dans l'industrie des produits de grande consommation a organisé un camp de formation avec des propriétaires data en herbe (excom n-1), parrainé par le PDG et le directeur financier. Ils ont présenté la dette data governance de l'entreprise qui devait être traitée afin de réaliser des gains de transformation data plus rapides (c'est-à-dire les questions commerciales non résolues de chaque département, et la difficulté de fournir des cas d'utilisation COMEX stratégiques en raison de la mauvaise qualité ou de l'accessibilité de data).
[DU TERRAIN #2] Pour convaincre la direction, les responsables de data governance d'un opérateur de télécommunications ont élaboré un plan d'affaires comportant trois types de sources de revenus :
> Recettes manquantes (par exemple, recettes inhibées en raison d'adresses manquantes ou de mauvaise qualité dans les systèmes de commande).
> Economies (par exemple, loyers ou abonnements payés pour des sites techniques ou commerciaux qui ne sont plus utilisés)
> Gains d'efficacité opérationnelle au sein de l'équipe data (par exemple, estimation du nombre d'ETP économisés sur les problèmes de qualité de l'équipe data).

Deux questions reviennent fréquemment sur le terrain : Combien coûte le lancement d'un programme data governance ? Qui doit le financer ? Deux modèles peuvent être distingués :

Le modèle 1 est l'objectif à atteindre après la transformation, lorsque le programme data governance est intégré dans tous les projets dès leur conception. Avant et pendant la transformation, le modèle 2 s'applique généralement à l'établissement des meilleures pratiques.

[DU TERRAIN #3] Le directeur financier d'une grande entreprise de produits de grande consommation, convaincu de la valeur de data governance pour l'entreprise, a créé un bureau central data governance sous son mandat et l'a doté d'un budget central. Le budget estimé était d'environ 15 millions d'euros. Une autre organisation a choisi une stratégie en deux étapes : pour les premières années de la transformation, elle a prévu un budget de 2 millions d'euros par an pour le bureau data governance, mais elle prévoit d'acculturer l'entreprise étape par étape et de passer au modèle 1.

Mobiliser les personnes de votre entreprise autour des questions de data governance est LE défi majeur.

Au sein des équipes data governance, le facteur clé de succès est la mise en œuvre d'un modèle de livraison fédéré, dans lequel les opérations sont décentralisées et dirigées par chaque équipe de domaine d'activité. Un bureau central ou un chef de file (selon la taille) est chargé de structurer le programme, de mettre en œuvre la boîte à outils et de définir les normes. Sa première mission est de segmenter le data de l'entreprise en domaines data et de nommer un propriétaire pour chaque domaine, qui sera responsable de la nomination des rôles clés dans leur domaine (stewards, custodian...).

Au-delà des équipes data governance, le bureau central doit acculturer et perfectionner les équipes, afin d'accompagner les nouveaux modes d'interaction plus structurés avec data.

[DU CHAMP #4]
> Au niveau de la direction : un acteur majeur du secteur des produits de consommation courante a organisé plusieurs sessions avec le COMEX afin de sensibiliser ses membres aux questions liées à data governance.
> Au niveau des cas d'utilisation : un autre acteur du secteur des produits de grande consommation forme tous ses propriétaires de produits et scientifiques Data à déployer data governance by design dans les cas d'utilisation AI et data (développement de contrôles de qualité data, lignage data au sein de Collibra, etc.).
>> Au niveau du domaine : une société de télécommunications formalise la formation des responsables et des propriétaires de data (comment faire, outils, etc.).
> Au niveau de l'entreprise : une entreprise lance des actions de sensibilisation pour tous afin de diffuser sa culture d'excellence data.

Une fois ces défis initiaux surmontés, l'organisation peut être considérée comme suffisamment compétente et mature pour définir les meilleures approches afin de démarrer et d'obtenir les premiers résultats tangibles sans trop d'investissement initial.

L'une des premières activités clés du bureau data governance est la structuration des actifs de data en domaines data. Cette activité permet à l'entreprise de :

Une fois l'exercice terminé, l'étape suivante consiste à affecter à chaque domaine des responsables (qui établiront la priorité des activités et fixeront les objectifs) et des intendants (qui déploieront de manière opérationnelle des routines de qualité et de documentation). Nous avons observé que les modèles data governance réussis sont des modèles “fédérés”, avec des activités opérationnelles décentralisées dans les domaines et un responsable data governance dans une équipe data centrale pour donner de l'élan, coordonner les activités et responsabiliser les responsables et les propriétaires.

Les organisations matures sont orientées vers l'entreprise et établissent leur feuille de route data governance en étroite relation avec leur feuille de route data sur les cas d'utilisation. Elles mettent en correspondance les domaines data avec les cas d'utilisation stratégiques de l'entreprise et donnent la priorité aux domaines qui servent de nombreux cas d'utilisation. Un facteur de réussite essentiel consiste à commencer modestement et à éviter l'effet tunnel en identifiant deux ou trois domaines critiques avec des propriétaires et des responsables motivés, et à affiner la méthodologie avant de la déployer dans d'autres domaines.

Les outils sont importants pour soutenir data governance à long terme, mais data governance est avant tout une question d'organisation. Si l'organisation n'est pas convaincue de l'importance de la data governance et si le modèle opérationnel n'est pas en place, les outils ne seront pas adoptés et constitueront une perte de ressources et de temps pour l'entreprise.

[DU TERRAIN #5] Par exemple, le service informatique d'une grande entreprise du CAC 40 a conclu un contrat avec Collibra sans tenir compte du modèle opérationnel nécessaire pour soutenir le déploiement d'une telle initiative. Il a adopté une approche axée sur l'informatique en examinant toutes les bases data pour documenter les schémas de table data. Les responsables de Data n'étaient pas en place pour ajouter la couche commerciale au schéma du tableau. L'utilisation de l'outil a été réduite à quelques acteurs informatiques et le retour sur investissement n'a pas été démontré. Deux ans plus tard, l'équipe data a décidé de relancer une initiative orientée métier avec Collibra, en établissant cette fois une feuille de route basée sur les cas d'utilisation stratégiques qu'elle souhaitait réaliser et en créant une communauté Collibra autour de l'outil afin d'en stimuler l'utilisation. L'outil est passé d'un simple outil de documentation à un outil d'intelligence data, intégré dans les processus clés de data, et est maintenant largement utilisé par les scientifiques de data pour la découverte de data.

L'approche 1 est généralement privilégiée par les grandes entreprises qui ont lancé des programmes de transformation majeurs et qui rencontrent d'importants problèmes pour mener à bien leurs projets data et AI. C'est également le cas des entreprises qui sont en train de passer au cloud et pour lesquelles la structuration de leurs actifs data au sein d'un nouveau data platform est en jeu. Cette approche holistique ou de bout en bout est conçue pour nettoyer un domaine data du sol au plafond en travaillant sur les quatre dimensions de data governance : la qualité, la normalisation, l'accessibilité et la propriété.

[Pour expliquer la méthodologie, prenons l'exemple d'une entreprise de produits de grande consommation qui a lancé un vaste programme de transformation de data. L'entreprise a profité du passage au cloud pour nettoyer son data et restructurer ses actifs data en 18 domaines data, facilement découvrables et accessibles par les utilisateurs finaux, dans le but de fournir des cas d'utilisation de l'IA à forte valeur ajoutée. Après avoir mis en place un bureau data governance pour coordonner l'initiative, ils ont déployé une méthodologie complète pour évaluer la maturité de data, définir des taxonomies de domaines data et développer de nouveaux modèles data sur la plateforme Google Cloud, réutilisables pour de nombreux cas d'utilisation.

Un aspect essentiel d'un programme de transformation data aussi important est la capacité à coordonner les efforts dans 18 domaines data. Le bureau data governance joue un rôle crucial en assurant la cohérence et en fixant les priorités générales entre les domaines data.

La deuxième approche est plus adaptée aux entreprises qui ont besoin de prouver la valeur de data governance avant de lancer des programmes majeurs. Dans un premier temps, ces entreprises se concentrent sur un problème spécifique qu'elles souhaitent résoudre grâce à data governance. Parfois, ces initiatives ne sont même pas qualifiées de “data governance”.

[Quelques exemples d'initiatives pragmatiques data governance :

“À la source”L'approche "CRM" : Une société pharmaceutique a lancé une initiative d'harmonisation du CRM data pour résoudre le problème de la qualité et de l'harmonisation limitées du data saisi par ses représentants commerciaux dans les différentes filiales. Cette initiative a été déclenchée par des plaintes des équipes marketing centrales, qui n'étaient pas en mesure d'effectuer des comparaisons entre les filiales ou d'avoir une visibilité sur les performances globales (exemple : six façons différentes de désigner un cardiologue dans Veeva).
“Approche axée sur le tableau de bord : une entreprise de services publics a utilisé le catalogue Collibra pour expliquer comment les indicateurs clés de performance de son tableau de bord COMEX ont été calculés et pour aligner l'ensemble de l'organisation sur la manière de calculer ces indicateurs stratégiques.
“Gestion de l'accès”approche " : dans le cadre du passage à cloud, l'un de nos clients a relancé son initiative data governance qui avait échoué deux ans auparavant en définissant le niveau d'accessibilité de data au sein de sa nouvelle plateforme cloud.
“Utilisation au cas par cas”L'approche de l'entreprise : un acteur majeur du secteur des produits de grande consommation a décidé de standardiser son data pour répondre aux besoins d'un cas d'utilisation très critique en matière de planification de la demande. Il a identifié les objets data nécessaires pour réaliser les cas d'utilisation, a sélectionné et qualifié les sources de data, et a standardisé sa data pour construire un modèle unique de data qu'il a utilisé pour développer tout cas d'utilisation qui nécessitera cette data.
“Axé sur la qualité”Approche "qualité" : l'un de nos clients a mis en place un processus d'évaluation de la qualité et de remédiation afin d'identifier les principaux problèmes de qualité data, de les classer par ordre de priorité au sein d'un comité de qualité data et de suivre la résolution des problèmes avec les équipes techniques.

Avant de commencer, il est important de souligner qu'en dehors des pure players ou des entreprises les plus récentes qui ont été conçues autour du data, relativement peu d'entreprises ont atteint ce dernier stade, où le data governance est devenu automatique.

La gouvernance Data n'est plus considérée comme un voyage de transformation qui prend du temps et qui exige de gros efforts de la part des parties prenantes. Il s'agit désormais d'une compétence totalement intégrée dans le processus de l'entreprise et toutes les personnes travaillant avec data sont touchées à son niveau.

Membres du COMEX faciliter la circulation de data au sein de l'entreprise. Ils s'appuient sur une vue unifiée de data (source unique de vérité) pour prendre toutes les décisions stratégiques et contrôler les performances de l'entreprise.

Propriétaires d'entreprises reconnaissent que data governance est un facteur clé de succès pour la transformation de leur entreprise. Chaque initiative commerciale comprend une composante data governance “par conception”.

Chefs d'ingénierie sont les chefs de file d'une data platform orientée vers un domaine. Ils sont chargés de construire les fonctionnalités communes de la plateforme et de définir des normes globales pour garantir l'interopérabilité entre les domaines. La responsabilité de fournir des produits data de haute qualité aux équipes chargées des cas d'utilisation est décentralisée au sein de ces équipes. les équipes de développement de domainele plus proche du data.

Pour s'assurer de la qualité des produits data, les équipes de développement du domaine s'appuient surData stewards pour garantir un haut niveau de qualité et de disponibilité de data. Le responsable du Data n'est pas un rôle, c'est un emploi à plein temps au carrefour des équipes commerciales, informatiques et du data. Il coordonne les efforts pour rattraper la dette de data governance et s'assure que les nouveaux services sont régis “par la conception”.

Équipes chargées des cas d'utilisation et des fonctionnalités qui consomment le data sont traités comme des clients avec des droits et des devoirs :

Bien que la majorité des acteurs d'aujourd'hui se situent encore entre la deuxième et la troisième étape, ils ressentent tous l'urgence pour l'entreprise de progresser dans ce processus d'apprentissage.

3 arguments principaux justifient cette urgence. Tout d'abord, la transformation data / IA est un levier essentiel pour atteindre les objectifs ambitieux des nouveaux moteurs de croissance et rester à la pointe, et la transformation data n'est pas viable sans data governance. Ensuite, nous sommes dans un monde qui évolue rapidement, où obtenir un accès rapide à data et l'analyser et l'exploiter rapidement est essentiel pour réagir vite. Enfin, les entreprises doivent attirer de nouveaux talents qui sont de plus en plus disposés à être data-driven.

L'un des premiers défis pour toute entreprise au début de son parcours data governance est de démontrer cette urgence et de convaincre les parties prenantes internes de l'intérêt de lancer concrètement un programme data governance.

Les contributeurs: Un grand merci à Justine Nerce, Killian Gaumont, Violaine Berland, Sophie Xu, Alexandra Coillard, Marc-Antoine Paing - Artefact