Évaluer la maturité
Passer en mode orientation données fait appel à plusieurs aspects incontournables pour garantir le succès :
- Disposer d'un cadre méthodologique afin de cadrer l'approche et ne pas laisser d'aspects importants de côté
- Déployer une organisation, avec les acteurs clés qui vont initier puis porter l'orientation données
- Disposer des technologies adaptées avec les compétences spécifiques afin de les faire bien fonctionner
La prise en compte de ces aspects s'appellent la maturité. Appliqué à la maîtrise des données, on s'intéresse donc à la Data maturité
On représente la maturité sous forme d'une échelle de 5 barreaux. La notation va donc de zéro (le plus mauvais), à 5 le meilleur (un idéal complexe à maintenir). Cette échelle est le reflet de la conjonction de trois type de ressources :
- Des compétences expérimentées, formées... mais aussi formellement investies dans l'entreprise dans ces actions via leur fiche de poste et leur responsabilité
- Des outils adaptés, mis à jours, des licences, des documentations, bref tout ce qu'il faut avoir pour que l'outil remplisse ses fonctions
- Des procédures qui garantissent que les outils sont utilisés, supervisés pour les tâches qu'on leur assigne. Un outil que personne ne sait bien utilisé ou bien qu'on oublie d'activer ne sert pas à grand chose.
Niveau 1 ou initial : Absence d'organisation, de moyens et de compétence "en charge"
Niveau 2 - Reproductible : Connaissance par des personnes clés de la démarche.
- Il faut géré la qualité des données : des opérations ponctuelles sont menées mais sans une approche transverse et coordonnée
- Il faut gérer l'interopérabilité des systèmes : des moyens efficaces sont en place, mais il n'existe pas de démarche couvrant l'ensemble de l'entreprise
- La coordination du capital données est comprise mais l'approche n'est pas organisée
Niveau 3 - Défini : C'est le premier stade de la gouvernance des données
- Le pôle Data Management est opérationnel et coordonne la gestion des données de façon transverse
- Le Chef Data Officer se fait le relai de la stratégie d'entreprise pour orienter les efforts collectifs de Data Management
- Les Data Steward ou intendants des données agissent comme coordinateurs de Data Management au sein des pôles applicatifs
- Les intendants de données se retrouvent régulièrement pour échanger sur leur expérience et remontent des propositions d'évolutions
- La démarche qualité des données est mesurée sur la base d'indicateurs construits selon les règles de l'art. La mesure est automatisée sur les indicateurs importants
- Les référentiels principaux sont partagés
Niveau 4 - Maitrisé : C'est le stade industriel de la gouvernance des données
- Le CDO consulte tous les (2) mois les responsables métiers et IT afin de maintenir le plan d'action autour de la gouvernance des données
- La mesure de maturité est actualisée par domaine. On est en mesure de vérifier les objectifs
- L'acculturation a été mise en place de façon assez marge. Les notions de données, référentiels transverses, qualité des données sont plutôt bien comprise par de nombreuses personnes
- Le Master Data Management permet de disposer d'un point de vérité sur les entités de grande valeur pour l'organisation, comme Client, Produit, Centres de production, Compétences Experts
- La qualité des données est automatisée et produit non seulement des indicateurs mais également des alertes. Une analyse profonde des défauts qualité remonte également des alertes
- Il existe une politique structurante des métadonnées
Niveau 5 - Optimisé : Pilotage avancé de la maitrise des données pour facilité les objectifs métier
- La stratégie d'entreprise peut s'appuyer sur la gouvernance des données pour que la maitrise des données soit en accompagnement des décisions
- Il existe une grande transversalité dans la représentation des événements de l'entreprise. On pourra comprendre le service et la satisfaction client en s'appuyant sur l'outil décisionnel et la data science. On pourra l'anticiper.
- Les capacités de l'outil décisionnel et de la data science sont accessibles sous des formes adaptés à de nombreux usages : Que ce soit avec la self BI, mais aussi à travers des profilages de comportements métier (Client, produit, support, SAV)
- Le contexte métier est enrichi grâce à l'intégration aux modèles des données externes, des IOT et de façon générale aux données non structurées
Et vous comment mesurez-vous votre maturité ? Avez-vous constitué votre propre grille de mesure ?
N'hésitez pas à me contacter si vous souhaitez échanger des expériences sur le sujet : Formulaire de contact