Il existe un mythe persistant dans la transformation d'entreprise qui, je pense, ralentit plus d'entreprises que n'importe quel fossé technologique ne pourrait jamais le faire.
C'est l'idée que si vous voulez digitaliser le travail, automatiser des processus ou généraliser l'analytique, il faut d'abord centraliser tout entre les mains de spécialistes techniques.
Cela semble rigoureux. En pratique, cela crée souvent une distance entre les personnes qui comprennent le travail et celles qui sont censées l'améliorer.
Pour l'entreprise véritablement intelligente, il faut faire plus que simplement ajouter de la technologie aux workflows existants. Il faut repenser la façon dont l'amélioration se produit. Cela implique de donner à plus de personnes la possibilité de résoudre directement des problèmes, en particulier celles qui possèdent les compétences les plus approfondies dans le domaine. Dans de nombreux cas, la personne qui comprend le mieux le goulet d'étranglement n'est pas à l'IT. C'est la personne qui vit avec le goulet d'étranglement chaque jour.
Cela a été l'une des leçons les plus importantes de notre parcours chez Siemens Energy.
Repenser qui peut se charger de la conception
Le moment où notre réflexion a changé, c'est quand nous avons arrêté de nous demander comment obtenir plus de ressources techniques pour nous intéresser plutôt à la façon de faire parvenir les bonnes données aux collaborateurs qui connaissent le métier et les processus.
La première question suppose un processus où l'analytique reste centralisée, et où les insights proviennent d'une équipe de spécialistes. La deuxième question suppose que les personnes qui comprennent les problèmes quotidiens — le responsable des achats qui connaît le coût d'un retard fournisseur, l'analyste d'usine qui comprend pourquoi une mesure de production est erronée — sont les mieux placées pour construire des solutions.
C'est ce que nous appelons le développement citoyen. L'idée centrale est simple : permettre à des utilisateurs qui ne sont pas des codeurs traditionnels de concevoir des solutions analytiques en utilisant des outils low-code. Donnez-leur accès aux données, à la bonne plateforme et à l'assistance des spécialistes technologiques, et de grandes choses arriveront.
Poser les bases de l'accès aux données
Avant de pouvoir donner de l'autonomie à nos citizen developers, nous devions résoudre le problème de « l'accès aux données ». Si les utilisateurs doivent déposer une demande ou exporter un rapport énorme juste pour voir des données brutes, c'est trop frustrant. Personne ne peut créer quoi que ce soit. Alors ils retournent à leurs feuilles de calcul.
Nous avons donc mis en place le SE Data Center, et les macros Alteryx qui se connectent à Snowflake où les données SAP brutes de tous nos différents systèmes SAP sont répliquées toutes les 20 minutes. Cela constitue le cœur de notre concept de démocratisation des données.
Nous avons inclus des garde-fous en créant des workflows standardisés, des modèles réutilisables et un registre de paramètres centralisé, ce qui donne aux équipes la liberté de créer tout en maintenant l'intégrité des données. Cet équilibre entre indépendance et structure est un point auquel j'encourage toute entreprise à bien réfléchir avant de passer à l'échelle.
À quoi ressemble le passage à l'échelle de l'analytique en libre-service
Nous avons commencé en 2018 avec seulement quelques licences à explorer, mais nous avons rapidement progressé. En 2020, nous avions déjà atteint 100 licences Alteryx et nous les utilisions pour divers cas d'usage. Le premier grand projet a été d'automatiser un rapport hebdomadaire d'encaissement. Pas glamour, mais cela fonctionnait, et cela a libéré les heures que les analystes consacraient à ce travail manuel.
Cette bonne nouvelle s'est répandue dans la branche des achats, où l'un de nos acheteurs passait plusieurs heures chaque semaine à rédiger manuellement des e-mails destinés aux fournisseurs, pour des confirmations de commandes en attente. Nous avons créé un workflow qui a analysé les données SAP brutes de notre usine, identifié chaque confirmation de bon de commande manquante, puis envoyé automatiquement des e-mails à nos fournisseurs dans différentes langues.
Ce cycle s'est poursuivi, une victoire en entraînant une autre, ce qui nous a finalement conduits au Procurement Cockpit, une suite d'outils de visualisation de bout en bout basée sur Snowflake, Alteryx et Tableau qui offre aux acheteurs opérationnels et aux équipes d'achats une transparence en temps réel sur toute la chaîne opérationnelle du processus d'achat, de la demande à la réception des marchandises.
Aujourd'hui, cette solution est opérationnelle dans plus de 20 usines réparties dans neuf pays et permet de gagner plus de 150 000 heures par an. Cette solution unique, en particulier l'architecture de workflow dynamique sous-jacente, est devenue un modèle que nous pouvons adapter et reproduire dans d'autres cas d'usage très scalables et encadrés.
L'expertise métier prend de plus en plus d'importance à l'ère de l'IA
Avec toute l'attention portée à l'IA, il est tentant de supposer que l'avenir dépendra moins des analystes les plus proches du travail.
Je vois les choses différemment.
À mesure que l'automatisation et l'IA abaissent les obstacles à la création, la configuration et le déploiement de solutions à grande échelle, l'expertise métier n'en devient que plus précieuse. Pas moins.
Pourquoi ? Parce que le plus difficile n'est souvent pas de créer le workflow. C'est plutôt de savoir comment les données sont reliées entre elles tout au long du processus, ce que le workflow doit faire, quelles exceptions comptent, quelles décisions nécessitent une aide, quelle logique métier doit guider le processus, et ce que signifie réellement un résultat dans son contexte.
Cette compréhension vient de personnes qui connaissent le business et ses processus. Elle pose également les bases du cas d'usage de l'IA, car les données brutes sont enrichies par la logique métier.
C'est une raison supplémentaire pour laquelle les plateformes low-code et l'IA peuvent être si puissantes. Elles ne font pas qu'accélérer l'exécution technique. Elles permettent à plus de personnes de participer à l'amélioration et de transformer une question métier en une solution basée sur les données.
Les entreprises qui tirent le plus de valeur de ces technologies seront celles qui les relieront au raisonnement des personnes les plus proches du travail. Le parcours de Siemens Energy le montre bien : l'essor du citizen development, une participation plus large et l'expérimentation étaient indissociables des progrès de l'entreprise en matière d'analytique et d'automatisation.
Les premiers pas des dirigeants
Pour les dirigeants, le défi pour devenir une entreprise intelligente est de savoir si votre entreprise établit les bonnes conditions pour que ce changement se produise de manière scalable, digne de confiance et connectée aux personnes qui comprennent le mieux le travail.
Je recommande ces étapes pratiques pour commencer :
- Commencez par une vraie problématique, pas par une preuve de concept
- Impliquez les utilisateurs finaux dès le premier jour
- Considérez l'accès aux données comme un prérequis
- Mettez en place la gouvernance et les garde-fous dès le début
- Concevez pour la réutilisation, pas seulement pour la résolution
Les entreprises qui définiront l'entreprise intelligente seront celles qui trouveront comment mettre la capacité analytique entre les mains des personnes qui comprennent le travail. Ensuite, elles établiront la culture, l'infrastructure et la confiance pour permettre à ces personnes de l'utiliser.