Alliancy

Quel datalab et où le positionner dans l’entreprise ?

Cet article a été publié originellement sur mydatacompany.fr

L’émergence d’une véritable culture data dans l’organisation et l’industrialisation des projets sont-elles conditionnées à un positionnement spécifique du datalab au sein de l’entreprise ? Rien n’est moins sûr et ce choix semble avant tout corrélé à la maturité des métiers.

La création d’un datalab, première étape incontournable de la mise en œuvre d’une culture data en entreprise ? Sans doute pas, mais lorsqu’il s’agit d’adopter une démarche d’industrialisation, la réponse est oui.

Le concept de datalab n’est pas neuf et faisait déjà parler de lui des années plus tôt lorsque les organisations s’attelaient à leurs premiers projets big data. Dès 2013, Charles Parat, directeur Stratégie et Innovation chez Micropole, le définissait ainsi :

 

« Le ‘DataLab’ est présenté comme une organisation dotée de moyens en charge de découvrir, de qualifier et de synchroniser des données non encore validées, puis de produire les résultats attendus par les directions métiers sous forme de ‘proof of concepts’, d’études ponctuelles ou de mise en pilote de chaînes d’analyse qu’il faudra ensuite valider par l’expérience métier. »

Un datalab qui ne doit pas être hors sol

Les contours de cette « organisation » peuvent être plus ou moins floues, du moins au départ, en étant composée ainsi de différents collaborateurs, rattachés ponctuellement au datalab dans une logique projet.

Très simplement, sur la base d’un sujet exprimé par le métier, une équipe (pluridisciplinaire avec des membres de la DSI et des métiers) va dans un premier temps mener des tests. Cette phase se compose d’étapes de découverte, de qualification et d’évaluation des données qui pourraient répondre à la problématique cible.

 « Nous avons fait le choix de ne pas mettre en place un datalab centralisé, mais transverse »

Cynthia Traoré, Swiss life

Au fil des années, de nombreuses sociétés ont mis sur pied des datalabs permanents, dédiés aux projets data, et comprenant des datascientists. La réussite de ces projets est-elle cependant dépendante du choix d’organisation fait ?

Au vu des choix effectués d’une entreprise à l’autre et des résultats obtenus, ce n’est pas certain. Et la réussite sera probablement plus une question de moyens, de méthode, de compétences, de sponsoring du Comex ou encore d’une volonté précoce d’industrialiser.

Ainsi, BNP Paribas, Swiss Life, Malakoff Médéric et Engie ont souvent suivi des stratégies distinctes en ce qui concerne leur datalab. Cynthia Traoré, responsable DataLab pour Swiss Life en France, peut en témoigner.

« Nous avons fait le choix de ne pas mettre en place un datalab centralisé, mais transverse. Les membres restent dans leurs métiers et travaillent en même temps sur les sujets datascience et les cas d’usage IA au sein du datalab. »

Pas un laboratoire qui expérimentent dans sa bulle

Si rattachement il y a, c’est directement au Comex. Quant à sa responsable, elle pilote donc à la fois le département datascience et le datalab. L’avantage premier d’après Cynthia Traoré, se prémunir contre la création d’un datalab « hors-sol ».

« Ce n’est pas un laboratoire qui expérimentent des choses dans sa bulle. Ses membres sont ancrés dans les réalités de l’entreprise et de ses métiers. » Autre bénéfice : « diffuser plus simplement tout ce qui est fait au sein du datalab au plus près des métiers. Il remplit donc à la fois un rôle d’ambassadeur et de collecte d’idées répondant à des besoins métier. »

Rapprocher datascience et métiers, une évidence ? Probablement pas, mais Cynthia Traoré estime que la culture data au sein de l’entreprise y contribue nettement. Elle souligne en outre que si les datascientists de Swiss Life sont des experts de la donnée, ils possèdent également une connaissance métier – ou manifeste a minima à réel intérêt à son égard.

Un préalable pour comprendre les cas d’usage et les modèles sur lesquels ils travaillent. Mettre de l’huile dans les rouages ne peut être que bénéfique néanmoins. « Notre souhait est de faire de la datascience pour tous. » Et cela passe par des rencontres et des échanges organisés avec les métiers.

Par ailleurs, les cas d’usage sont travaillés avec les utilisateurs finaux au sein d’ateliers. « Ils permettent aux métiers de comprendre le modèle et les algorithmes. Et ils adorent cela ! » Ces utilisateurs sont-ils aussi enthousiastes chez BNP ?

Ce qui est certain, c’est qu’un choix différent a été fait pour le positionnement du datalab, comme l’explique Jérémie Guez, qui le dirige pour le compte de l’activité Personal Finance de la banque. Qualifié de « décentralisé », le datalab est rattaché à la direction des systèmes d’information (DSI).

« Le datalab est aussi là pour fédérer une communauté et acculturer les métiers »

Jérémie Guez, BNP Paribas

Parallèlement, les trois grands métiers que sont le risque, le marketing et les opérations disposent de leur propre équipe de datascientists. « Cela permet d’évangéliser beaucoup de lignes métier à la datascience. Et le datalab est aussi là pour fédérer une communauté et acculturer les métiers dénués de datascientists. »

Chez Malakoff Médéric, l’organisation est très matricielle, agile, et structurée autour des projets – ou plutôt de « produits data » et de « cas d’usage data ». Et cette approche place les métiers de l’entreprise au premier plan en tant que « product owner ». La raison est simple pour son directeur du digital, David Giblas, qui met les points sur les i.

« L’objectif, c’est quand même d’impacter le P&L de l’entreprise, sinon in fine vous dépensez de l’argent et vous ne faites pas grand-chose d’autre. » Et cela se traduit donc par des « products owners » en charge de la valeur et du déploiement à l’échelle – les deux étant indissociables.

Il n’existe pas d’organisation clé

Le groupe a par ailleurs mis en place une équipe fonctionnant comme un centre de compétences [« skill center »]. Cette direction n’est rattachée ni aux métiers ni à la DSI et mobilise des « squads ». Ainsi, à chaque cas d’usage se monte une squad, sous la responsabilité un product owner.

Ces équipes projet se composent pour moitié de compétences data, mais aussi du métier, de l’IT, de l’organisation, et des RH. « Cette squad en tant que telle est un projet de transformation qui se met à disposition d’un product owner » précise encore David Giblas.

« Cette squad en tant que telle est un projet de transformation qui se met à disposition d’un product owner »

David Giblas, Malakoff Médéric

Le tout est piloté chaque trimestre en Comex sur la base de deux indicateurs principaux que sont le ROI et un indice de maturité (évaluant le niveau d’industrialisation du cas d’usage).  On constate donc des formes diverses de fonctionnement. Y-a-t-il néanmoins une recette gagnante ?

« Je ne pense pas qu’il y ait d’organisation clé. Chacun, selon sa maturité et son organisation d’origine, son ADN, construit sa stratégie autour de la data. Il est tout aussi important d’avoir un sponsoring au sommet de l’entreprise. Chez BNP, nous sommes suivis par les quatre membres du Comex. Cela permet d’avancer plus vite » réagit Jérémie Guez.

La direction est engagée ; l’adhésion des métiers est au rendez-vous. Non ? A première vue, oui, selon ces témoignages, mais là encore la maturité est inégale d’un métier à un autre. Cynthia Traoré de Swiss Life le confirme : « On ne s’était pas rendu compte que certains métiers avaient besoin de plus d’accompagnement au changement. »

Un accompagnement au changement pour des métiers « hybridés »

Un sentiment partagé par Aïssa Belaid, responsable Big Data & Analytics pour Engie. Selon lui, les CDO (chief data officer).

doivent conduire un travail de pédagogie auprès des métiers « pour qu’ils imaginent et arrivent à appréhender ces nouveaux outils et savoir-faire – pas toujours si nouveaux que cela d’ailleurs. »

Souffriraient-ils ces métiers d’un manque d’imagination ou témoigneraient-ils d’une forme de résistance au changement ? Pas nécessairement. Aïssa Belaid avance plusieurs hypothèses : « inertie des systèmes des grandes entreprises, habitudes, et aussi la peur du risque, la peur de l’échec. Il est indispensable dans les entreprises de travailler sur le rapport à l’échec. On doit pouvoir se tromper. »

Mais si l’implication de la direction est nécessaire, l’engagement des métiers l’est sans doute plus encore. David Giblas estime que ces produits data sont de véritables projets de transformation conduisant à une « hybridation du métier. »

« Il est indispensable dans les entreprises de travailler sur le rapport à l’échec »

Aïssa Belaid, engie

Pour l’étayer, il cite l’exemple d’un algorithme de traitement des arrêts maladie dits abusifs. L’assureur travaille sur ce dernier depuis plus d’un an. Livré en 6 mois, il a déjà fait l’objet de trois itérations – avec un facteur de performance passé de 30 à 150%. Mais surtout, « le métier lui-même a profondément changé. »

« Nous sommes en train de redéfinir ce métier qu’est celui de contrôleur. Nous avons redéfini les process, et nous avons redéfini les outils legacy. » Et, insiste-t-il, « il ne faut pas regarder par le petit bout de la lorgnette. Ce n’est pas seulement poser un algo sur la table (…) Ce sont des vrais projets de transformation qu’il faut mener de bout en bout. »

De bout en bout, c’est une formule, car de fin, il n’y en a pas réellement, avance-t-il encore. « C’est une itération permanente. » Les algorithmes évoluent, les « données s’enrichissent », le métier « a de nouvelles idées (…) conduisant à une hybridation du métier. »

« Et cela, c’est un nouveau modèle de fonctionnement d’entreprise. Une vraie transformation data, c’est une hybridation du métier par la data » conclut David Giblas, dont l’équipe d’une trentaine de personnes a accouché (selon une stratégie de focalisation) de 50 cas d’usage, dont 10 « dans le cadran magique ». Mais aux dernières nouvelles, l’équipe continuait de rechercher « les licornes » et leurs stimulantes promesses de création de valeur.

Quitter la version mobile