Une question simple telle que « Combien y a-t-il de pays dans le monde ? » semble appeler une réponse simple. Comme l'illustre le schéma ci-dessous, ce n'est pas tout à fait le cas. Selon les Nations Unies, il n'existe que 195 États souverains, mais on dénombre entre 204 et 207 pays autoproclamés, sans compter les 211 pays affiliés à la FIFA pouvant participer à la Coupe du monde, ainsi que les 206 nations olympiques. Alors, quelle est la « bonne » réponse ? Tout dépend de la personne à qui vous posez la question et de son interprétation.
À la recherche de la vérité
Alors que les entreprises tirent de plus en plus parti de leurs données, elles constatent qu'il n'est pas toujours simple d'aboutir à une réponse, ou une « vérité », unique et fiable. C'est ce qui a incité les départements IT à réclamer un renforcement de la gouvernance et du contrôle des données afin que, lorsque des employés posent la même question, ils puissent accéder à des données et à des analyses fiables et précises, pour obtenir la même réponse.
Le concept semble intéressant en théorie : maîtriser vos données en un seul endroit, avec la garantie que la même question donne la même réponse. Malheureusement, ça ne fonctionne pas ainsi dans la plupart des entreprises. Pire encore, les processus mis en place pour créer cet environnement peuvent finir par être plus néfastes que des réponses différentes à une même question.
La dure vérité sur la quête de la vérité
Voyons tout d'abord pourquoi il existe souvent des chiffres différents dans des systèmes qui contiennent des réponses différentes à des questions similaires.
Supposons que vous soyez un fabricant d'appareils électroménagers. Vous souhaitez connaître le coût total de toutes les pièces utilisées pour fabriquer ces appareils l'année dernière. Vous envoyez alors deux analystes pour obtenir cette information. L'un d'eux détermine qu'elles ont coûté au total 100 millions de dollars et considère que « l'année dernière » fait référence à toutes les pièces commandées entre janvier et janvier.
Le deuxième analyste aborde la même problématique avec deux définitions légèrement différentes. Tout d'abord, pour lui, le nombre total de pièces couvre non seulement les pièces utilisées pour fabriquer les appareils neufs, mais également celles utilisées pour réparer les appareils déjà en service. De plus, il considère qu'il faut inclure les pièces qui ont été payées durant cette période, plutôt que celles qui ont été commandées dans le même intervalle.
Alors, qui a raison ?
Quelle est la bonne approche ? En réalité, les deux, l'une d'elles seulement ou aucune pourraient convenir. Tout dépend de la problématique à résoudre.
Dans une entreprise, chaque système conserve des versions légèrement différentes des chiffres, adaptées à ce que ces systèmes sont appelés à résoudre. Le service des achats se focalise sur les commandes et les équipes chargées de la comptabilité fournisseurs s'occupent des paiements. D'autres départements ont besoin de définitions plus nuancées pour répondre aux spécificités des problématiques qu'ils sont souvent amenés à résoudre. En fin de compte, il existe de nombreuses réponses à la question « Quel est le coût total de toutes les pièces utilisées pour fabriquer les appareils électroménagers l'année dernière ? ».
À chacun sa vérité
Qui peut déterminer quelle version de la vérité est la bonne ? Dans cet exemple, vous avez sans doute constaté que la vérité dépend probablement du point de vue de chacun. Si la question est posée par l'équipe comptable, c'est à elle, et vraisemblablement à elle seule, qu'il revient de déterminer quelle version répondra à ses besoins. Si quelqu'un d'autre essaie de contrôler le processus, les réponses obtenues ne seront probablement pas utiles.
Il apparaît clairement que la vérité dépend également de la question qui est réellement posée. Lorsque vous voulez connaître le coût total de toutes les pièces utilisées pour fabriquer des appareils électroménagers l'année dernière, les analystes peuvent légitimement vous demander de quel type de coûts il s'agit. Avec les taxes ? Avec les frais de livraison ?
Comment mettre tout le monde d'accord
Même si certains estiment qu'il est illusoire d'espérer une version unique de la vérité, les entreprises doivent néanmoins s'assurer que les équipes se sont accordées sur différents aspects des données et des analyses. Voici nos trois conseils pour parvenir à une version unique de la vérité.
- Démocratisez les données de manière responsable : partagez les données à l'échelle de l'entreprise en créant un lac de données pour faciliter l'accès. Veillez cependant à mettre en place une gouvernance des données. Les entreprises doivent s'assurer que les données sont non seulement facilement accessibles pour tous les employés, mais également qu'elles sont exactes, fiables, sécurisées et vérifiées. Pour obtenir une version unique de la vérité, il faut que toutes les équipes aient accès aux mêmes données. Elles pourront alors trouver exactement ce qu'elles recherchent en fonction de leurs spécifications.
- Proposez des formations sur les données et favorisez le développement des compétences : aidez vos employés à acquérir les compétences nécessaires pour transformer les données en décisions, et à devenir ainsi des citizen data scientists. Avec la formation appropriée, ils pourront exploiter les données avec aisance et assurance, formuler des questions précises, reconnaître les nuances dans la recherche de réponses et découvrir eux-mêmes des informations exploitables.
- Favorisez le partage et la réutilisation : assurez-vous que les requêtes, les modèles analytiques, les documents de référence, les tableaux de bord, les rapports et les insights sont partagés. Cela contribue à établir une version unique de la vérité au sein des équipes. Cela permet également de gagner en efficacité. Par exemple, plutôt que de créer une nouvelle requête pour calculer le « total des ventes », en effectuant une simple recherche l'utilisateur pourrait trouver des requêtes pertinentes, ainsi que la documentation rédigée par d'autres équipes. L'utilisateur doit bénéficier d'une transparence totale sur les données qui sont collectées et leur provenance afin de pouvoir tirer parti des connaissances collectives de l'entreprise.
Si votre entreprise a entamé sa transformation digitale, nous serions très heureux d'entendre vos retours d’expérience — réussites comme échecs — dans la quête de la « vérité ». Dites-nous comment vous favorisez l'amélioration de l'efficience, ou mieux encore, comment vous avez vous-même bénéficié du soutien de votre équipe data science.