Le modèle opérationnel data : à la recherche du Graal de la collaboration

La conception et l'implémentation d'un modèle opérationnel data représentent un défi multidimensionnel, alliant harmonieusement les aspects technologiques, humains et systémiques. La clé de sa réussite réside dans une approche itérative, nourrie par les retours d'expérience du terrain et guidée par un principe d'amélioration continue. Cette synergie entre théorie et pratique, entre vision stratégique et réalité opérationnelle, fait de ce processus un challenge aussi complexe que passionnant. L'agilité et l'adaptabilité sont essentielles pour naviguer dans cet écosystème en constante évolution, où chaque avancée ouvre de nouvelles perspectives et opportunités. C'est précisément cette dynamique qui rend la quête d'un modèle opérationnel data optimal si stimulante pour les organisations modernes, les poussant à repenser continuellement leurs structures et leurs processus pour rester à la pointe de l'innovation data-driven.

La Data, cette matière transverse par essence

Les données sont la pierre angulaire de la réussite entrepreneuriale, une vérité qui mérite d'être constamment répétée. Certains m'objecteront que je "prêche pour ma paroisse" mais il est objectivement observable que les entreprises qui connaissent une croissance significative de leur part de marché et de leur efficacité opérationnelle sont invariablement celles qui ont su exploiter judicieusement leurs données. Cette maîtrise leur a permis d'optimiser leurs coûts, d'attirer une nouvelle clientèle et d'augmenter la valeur du panier moyen de leurs clients existants. En interne, ces mêmes entreprises se distinguent par leur capacité à attirer et fidéliser les talents - notamment dans le domaine des technologies, en leur offrant des environnements de travail hautement automatisés où les tâches administratives sont réduites à leur strict minimum, permettant ainsi à ces professionnels de se concentrer sur des missions à forte valeur ajoutée.

La valeur intrinsèque de la data ne se révèle pleinement que lorsqu'elle est appréhendée et exploitée de manière transverse - c'est-à-dire à chaque étape des chaînes de valeur de l'entreprise. Mais cette transversalité représente un défi de taille pour nos entreprises contemporaines. Depuis le XIXe siècle, ces dernières se sont structurées en silos dans l'optique d'optimiser leur efficacité et de réduire leurs coûts opérationnels. Pour approfondir ce sujet, je vous recommande vivement l'écoute de l'excellent podcast de Philippe Silberzahn (lien en fin d'article). Bien que cette approche compartimentée ait longtemps démontré son efficacité, elle révèle aujourd'hui ses limites face aux exigences de l'exploitation des données, qui requiert une vision globale et décloisonnée de l'organisation.

Toute une chaîne d'expertises pour traiter et valoriser la donnée

Sur la chaîne de valeur data, les travaux de collecte et d'analyse des informations puis la diffusion d'insights générés - via IA ou non - sont réalisés par une chaîne d'expertises variées qui doivent collaborer. L'élaboration d'un produit data (qu'il s'agisse d'une analyse approfondie, d'une information inédite ou d'un système de classification) exige la synergie de multiples compétences, incarnées par des profils professionnels distincts :

les ingénieurs data, véritables architectes de l'infrastructure, conçoivent et implémentent les flux de données ainsi que les transformations complexes nécessaires tout au long de la chaîne de valeur pour aboutir au produit final ;
les data scientists, alchimistes modernes de l'information, élaborent et affinent les modèles analytiques sophistiqués ;
les experts métiers, gardiens du savoir sectoriel, apportent leur compréhension pointue des nuances business encodées dans chaque donnée.

Cette énumération, loin d'être exhaustive, omet les fonctions essentielles liées au déploiement opérationnel, à la supervision continue, à la gestion stratégique des produits data, ainsi qu'au management des équipes pluridisciplinaires et du suivi de l'avancée des différents travaux. Mais on peut considérer que ces fonctions sont communes à tout modèle opérationnel d'un système productif.

Il apparaît d'emblée que ces compétences variées sont traditionnellement dispersées au sein de différentes entités d'une entreprise. Orchestrer leur collaboration harmonieuse et productive nécessite donc l'adoption d'un paradigme organisationnel novateur : l'implémentation d'un modèle opérationnel data (communément appelé Data Operating Model, ou TOM - Target Operating Model lorsqu'il s'agit de définir l'architecture cible), véritable clé de voûte d'une stratégie data-driven cohérente et performante.

Un modèle opérationnel Data pour équilibrer la combinaison des expertises transverses

Un modèle opérationnel, dans sa définition la plus simple, est la façon dont une entreprise s'organise pour délivrer de la valeur à ses clients. Il englobe la structure organisationnelle, les processus, les systèmes et les compétences nécessaires pour atteindre les objectifs stratégiques de l'entreprise. Dans le contexte de la data, le modèle opérationnel doit permettre de collecter, traiter, analyser et valoriser efficacement les données à travers toute l'organisation mais également de gérer le patrimoine informatique qui le soutient.

Quels sont les défis d'un modèle organisationnel data par rapport à un modèle organisationnel général ?

La mise en place d'une gouvernance des données robuste, servant à la fois de fondation au modèle opérationnel au travers de l'explicitation de certains rôles et responsabilités propres à la gestion des données et de mécanisme d'audit interne pour l'application des règles et politiques internes et externes.
L'indispensable redéfinition de la frontière entre les métiers et la Tech, une clarification des rôles et responsabilités respectifs, avec l'ambition de tendre vers un cadre où cette frontière s'estompe, notamment grâce à une chaîne DevSecOps parfaitement intégrée et simplifiée, accessible à l'ensemble des collaborateurs.
La prise en compte du caractère dynamique d'un TOM : soumis à la tectonique des organisations et des innovations technologiques, les modèles opérationnels data évoluent rapidement, rendant obsolète l'idée d'un modèle unique et figé.
La recherche d'un équilibre optimal entre centralisation et décentralisation des activités, permettant à la fois cohérence globale et agilité locale. Le curseur dépend essentiellement du niveau de maturité Data de l'organisation générale. Nous constatons que les prémisses de la mise en place d'activités dédiées à la data nécessite une centralisation des fonctions principales, principalement pour valider les concepts, les process, les outils, avant de procéder à un mouvement de décentralisation parallèle au passage à l'échelle des activités.
La loi de Conway, qui énonce que les organisations construisent leur système d'information en miroir de leur structure de communication, peut être augmentée d'une dimension avec la donnée. Effectivement, de manière empirique, on constate que les entreprise ont tendance à construire leur structure de données en fonction des structures organisationnelles de l'entreprise. L'architecture de la donnée en elle-même et son lien avec l'organisation générale et donc avec la construction d'un modèle opérationnel pour la data doit donc être prise en compte.

Quel modèle organisationnel pour la Data ?

Au risque de vous décevoir, il n'y a pas de solution universelle ou de modèle opérationnel prêt à l'emploi. En revanche, la construction d'un modèle organisationnel data efficace peut être guidée par les réflexions suivantes :

Les pré-requis

Avant d'élaborer le modèle opérationnel, il est crucial de :

Définir clairement la stratégie data de l'entreprise en lien avec la stratégie globale de l'entreprise. Idéalement cette stratégie se décline dans des feuilles de routes actionnables ;
Identifier les objectifs concrets que l'entreprise souhaite atteindre avec l'exploitation à l'échelle de ses données.

Sans ces documents importants, le modèle opérationnel ne reposera sur aucune fondation et sera compliqué à mettre en place.

Les questions clés à aborder

Rôles et responsabilités sur l'exploitation de la données et des assets data produits : Qui exploite la donnée (et comment) ? Qui crée et maintient le système informatique support de la donnée (et comment) ? Qui cadre les travaux, les projets, les feuilles de route, les chantiers (et comment) ?
Opérationnalisation de la gouvernance Data : comment se déclinent les règles définies par la data gouvernance d'un point de vue opérationnel (outils, process, résultats attendus) ?
Culture collaborative : quelles stratégies mettre en place pour favoriser le partage d'expérience et cultiver un esprit de collaboration entre les équipes ?
Gestion budgétaire : quels sont les mécanismes d'allocation des budgets pour les initiatives data ?
Structure décisionnelle : quelle comitologie adopter pour assurer une circulation fluide de l'information sans multiplier les instances redondantes ?
Processus clés : quels sont les processus essentiels à définir et à optimiser de manière itérative ?

Tips & Tricks

Pour finir, voici quelques conseils pour une mise en œuvre réussi de votre modèle opérationnel data :

Pensez modularité : votre modèle doit être une structure flexible, où l'ajout, la modification ou la suppression de composants doit être facile.
Pensez à la veille technologique et à l'innovation continue : définissez qui est en charge de la veille technologique et quels sont les espaces dédiés à l'exploration et à l'expérimentation.
Pensez à la formation et à l'accompagnement au changement avant même le début de la mise en place du modèle opérationnel.
La patience et la persévérance sont vos meilleurs alliés : acceptez que la mise en place d'un modèle opérationnel data est un processus de longue haleine.
L'agilité est votre arme secrète : adoptez une approche itérative avec des ajustements progressifs et continue du modèle. Ces itérations sont nourries des retours de l'expérience de terrain des collaborateurs.