Self-BI : comment tenir la promesse de la donnée
Accessible et abondante, la data submerge souvent les métiers, confrontés à de multiples sources de données diverses et hétérogènes collectées et restituées par de nombreux acteurs. L’enjeu de la Self BI est clair : reprendre le contrôle sur la donnée de manière autonome au travers d’outils et tableaux de bord plus accessibles et simples à mettre en place. L’objectif à atteindre est de rendre cette donnée efficace pour mieux piloter sa performance.
L’importance de la donnée dans le pilotage de son activité n’est de nos jours plus à démontrer. Elle apparaît comme indispensable pour prendre des décisions de manière rationnelle : identifier des KPI, y associer des objectifs, vérifier leur atteinte, analyser les écarts dans une finalité d’optimisation de la performance de son activité.
Elle reste néanmoins difficile à appréhender. Sa profusion, son accessibilité généralement subordonnée à l’outil déployé par l’IT avec son cortège de limitations et son caractère transversal à l’ensemble des départements constituent les premiers freins. Ces contraintes d’accessibilité et de transversalité ne permettent généralement pas d’avoir accès aux bonnes métriques et KPI pour piloter sa performance. La question de la gouvernance de la donnée se pose alors et d’autant plus à l’heure où l’Expérience client et l’approche ‘client centric’ touchent tous les métiers : RH, Achat, Marketing.
Aujourd’hui, nous avons un environnement technologique qui a évolué et qui est favorable aux utilisateurs métiers avec la mise à disposition d’outils de data management et de dataviz simples d’accès et d’utilisation. Il ne faut néanmoins pas se tromper d’enjeux. L’outil est au service du pilotage de la performance de son activité. Cela nécessite en amont de définir sa vision de la performance et de réfléchir à son modèle de pilotage ‘data driven’. A trop se focaliser sur le traitement de la donnée, on en oublie souvent le pilotage de la performance et l’alignement entre la stratégie et la mise en œuvre. L’indicateur devient l’alpha et l’oméga. Si ce n’est pas le bon, le risque est une dérive progressive entre les objectifs, les moyens et les résultats.
Pourquoi la Self BI ?
Un des intérêts principaux de la Self BI est sa rapidité de mise en place grâce à ces nouveaux outils de data management et dataviz développés avec des approches ‘low code, no code’. Il n’est plus nécessaire d’être un data analyste confirmé pour mettre en place ses premiers tableaux de bord, même si cela reste fonction bien sûr du niveau de complexité (nombre de sources de données, traitement, connexion). On parle alors de ‘citizen developer’ qui sont le plus souvent les utilisateurs métiers et qui vont eux-mêmes réaliser leur propre outil.
L’autonomie conférée par ces outils permet de s’affranchir des contraintes de l’IT. Les métiers peuvent alors se concentrer sur la création de valeur liée à la sélection des sources de données et la définition des KPI associés pour piloter la performance de leur activité. Cette personnalisation réalisée au niveau de la conception de son modèle de pilotage et in fine des tableaux de bord est essentielle car elle favorise l’usage et le partage de la donnée au profit de l’amélioration continue de son activité.
Dès lors que les tableaux sont réalisés, le bénéfice principal est l’agilité qui en découle dans la prise de décision. Ce dernier point est clé dans un environnement actuel en perpétuelle évolution, aussi bien au niveau de la transformation digitale des entreprises avec des écosystèmes data grandissants, qu’au niveau du contexte sanitaire qui nécessite des prises de décisions rapides et génère une pression commerciale accrue.
Quelle méthode pour déployer la Self BI ?
Concevoir des tableaux de bord pertinents nécessite plusieurs étapes. La première consiste à cadrer et définir le besoin avec le métier (RH, Marketing, Finance…). Il s’agit là de poser les bases du projet, son objectif, les jeux de données sur lesquels nous allons nous appuyer, le choix d’un framework BI existant ou non avec la sélection d’un outil, les premiers principes de gouvernance et la désignation des parties prenantes. Sur ce dernier point il est important d’identifier au sein des équipes les personnes appétentes à la donnée car ce sont sur ces dernières que nous allons opérer un transfert de compétence progressif tout au long du projet.
En parallèle un travail collaboratif est indispensable pour définir les bons KPIs. C’est la phase clé du projet : définir sa vision de la performance et son modèle de pilotage. En définissant les KPIs de manière collective, cela permet à chacun de mettre en avant les indicateurs dont il a vraiment besoin pour assurer le pilotage de sa performance et favoriser ainsi l’usage par la suite du tableau de bord. Il est également important de ne pas se focaliser uniquement sur l’indicateur de performance sans donner d’information sur la causalité. En effet, chaque métrique s’inscrit dans un contexte et un chemin pour aboutir au résultat affiché, c’est ce chemin qui va influencer la performance finale et faciliter l’analyse. Au même titre, il faut fixer des objectifs aux différents KPI pour faciliter le pilotage de la performance et l’identification des points d’amélioration.
Pour illustration, de la même façon, un service RH peut mettre en œuvre un tableau de bord sur le turn-over, un indicateur basique. Mais il est plus intéressant au-delà de ce chiffre, de mesurer « l’expérience employé » au travers d’indicateurs de satisfaction et de participation sur différents items (formation, politique RSE, activité…). Cela permet d’apporter une vision plus pertinente des actions à entreprendre pour fidéliser les employés et la corréler avec la qualité de vie au travail.
La deuxième étape porte sur la mise en œuvre. Nous travaillons cette étape de manière agile avec une approche MVP (minimum viable product) permettant de favoriser l’usage, la collecte de feedbacks et la mise en place rapide d’un premier tableau de bord fonctionnel. Nous associons les métiers pour concevoir avec eux les écrans lors d’ateliers collaboratifs plus spécifiquement sur la phase de data visualisation. Nous validons avec l’utilisateur le niveau de personnalisation souhaité selon des règles d’ergonomie et d’UX précise : une idée par écran, une vision ‘cockpit’ (vision synoptique) puis la possibilité de ‘drill down’ (ventilations détaillées des données), des approches ‘funnel’ pour les données marketing, des graphiques plutôt que des tableaux, etc. C’est également une bonne façon pour la personne qui a été sélectionnée dans l’équipe métier pour la gestion ultérieure des tableaux de suivre les différentes réflexions et impacts sur la data visualisation. Elle suivra en complément lors de cette étape à la fois des sessions de formation théorique et pratique sur l’outil en cours de développement. Elle est ainsi directement impliquée dans la création et par la même dans l’appropriation de l’outil (Power BI, Tableau, Qlik, Google Data Studio, etc.).
La troisième étape est l’exploitation autonome par le métier de la donnée au travers des tableaux de bord mis en place. C’est la finalité de la Self BI. Nous ne laissons néanmoins pas nos clients seuls sur le sujet. Nous les conseillons sur cette phase finale de transfert de compétence avec un accompagnement pratique et pragmatique sur l’exploitation de l’outil et sur l’enrichissement de sources de données complémentaires. Cette phase dite de ‘run’ permet de tester les principes de gouvernance, les premières analyses et la qualité des insights pour apporter des actions correctives. L’usage des tableaux montre souvent la nécessité de mettre en place une démarche d’amélioration continue. Il faut s’adapter en permanence au contexte économique ou sanitaire avec de nouveaux indicateurs, à l’écosystème data qui évolue avec de nouvelles sources de données ou encore en optimisant leur traitement (automatisation, dimension ‘Live’). Il ne faut pas hésiter en ce sens à collecter les feedbacks pour enrichir les tableaux, à tester de nouveaux croisements de données et nouveaux graphiques pour trouver les visualisations les plus pertinentes.
Raconter pour mieux analyser
Nous observons aussi la nécessité du story telling pour faciliter l’appréhension et la compréhension de la donnée. Ce story telling est porté à la fois par les instances de gouvernance où l’on va discuter à partir des indicateurs et identifier les évènements qui ont contribué à telle hausse ou chute des données. Il peut également être inclus au sein même des tableaux avec l’ajout de légendes ou encore des évènements du mois permettant une lecture illustrée et commentée.
Pour finir sur un lieu commun : si la mesure est utile, elle sera utile. Toutes vos données vous sont-elles utiles ? Mesurent-elles bien vos objectifs ? Vous permettent-elles de piloter votre propre performance ? Ses indicateurs sont-ils alignés sur la stratégie de votre département, de votre entreprise ? Sont-ils compréhensibles par tous ? Si vous répondez non à une seule de ces questions, parmi tant d’autres, il faut peut-être revoir votre tableau de bord.
Julien Samarcq, Directeur BU Digital Data, Axys Consultants
Louis-Elzéar d’Avout, Manager BU Digital Data – Axys Consultants
Et pour aller plus loin, découvrez le replay de notre webinar ‘Self BI et Data Marketing’ : comment prendre le contrôle de la donnée pour la faire parler