Comment réussir son projet Data

Améliorer sa proposition de valeur et sa performance opérationnelle :

La promesse de la donnée

Un projet Data dans une entreprise peut impacter positivement l’ensemble de l’organisation si celui-ci est correctement mené. Certains acteurs de l’industrie financière l’ont bien compris tels que JP Morgan qui s’appuie sur l’IA pour optimiser ses processus ou BBVA qui a gagné 33% de ses client grâce à leur stratégie digitale.

Quels bénéfices peut-on attendre de la culture Data-Centric :

Répondre aux attentes d’une clientèle « Digital Native » par du sur-mesure, de la transparence et de l’instantanéité
Prendre des décisions sur la base d’éléments factuels
Se démarquer de la concurrence
Rendre l’organisation plus flexible et favoriser l’automatisation des tâches

Pourquoi 85% de projets Data n’ont-ils pas tenu leurs promesses ?

Au sein du secteur financier, plusieurs acteurs ont lancé des projets Data qui n’ont pas tenu leur promesse malgré des budgets conséquents et des technologies mâtures.

Peu d’apport pour les métiers

Manque d’approche holistique de la donnée et d’approche centrée client
Manque de clarté sur les bénéfices business des projets Data
Manque de partage et de granularité de la donnée pour une exploitation optimale

Des projets trop complexes

Incompatibilité entre les capacités des outils disponibles et le niveau de maturité technologique des banques
Une conduite de changement pas adaptée à cette problématique

Des coûts trop élevés

Coût de développement du Data Lake et frais d’infrastructure trop important
ROI visible sur du long terme et rarement calculé

70% des acteurs de services financiers sont entre les niveaux “Starter” et “Beginner” sur l’échelle de maturité des organisations Data Centric

1. Starter

Les reportings sont réalisés manuellement sur Excel pour agréger les informations et améliorer la qualité de la donnée.
Les données de pilotage sont fournies mensuellement au mieux
Chaque requête ad hoc fait intervenir le service IT

2. Data Beginner

Certains besoins métiers sont traités grâce à la donnée
La donnée est fiable et correctement documentée (gouvernance, contrôle, data catalog, …)
Une gestion des droits pour garantir la protection et la sécurité de la donnée est mise en place
Les Data Scientists peuvent accéder à la donnée à travers une « sandbox »

3. Data Proficient

Les métiers peuvent automatiser leurs process, contrôles et reportings (données clients aggrégées en temps réel, portefeuille d’investissement transparisés,…)
Les métiers ont accès à leur reporting en mode « libre-service » (Data Vizualisation)
De nombreux cas d’usages de la donnée sont disponibles
De nouveaux ensembles de données peuvent être ajoutées facilement
Les métiers peuvent aisément accéder à des données récentes, les aggréger et les combiner

4. Data-Driven

Le management est data-driven. La prise de décision est basée sur des données temps-réel et pertinentes.
Des algorithmes avancés sont intégrés aux opérations permettant aux clients d’obtenir des réponses instantanées
Les clients obtiennent des réponses instantanées grâce à l’intégration d’algorithmes avancés dans les opérations.
Une plateforme Data est accessible et permet de fournir des outils de Data Self Service.
Les données sont fédérées pour que chacun puisse avoir accès à l’ensembles des données de l’organisation.

> Télécharger notre démarche « Data Catalog »

Du Data Lake au Data Pipeline : l’étape pour devenir Data Driven

Les Data Lakes sont des solutions coûteuses, complexes et peu scalable, ce qui ne permet pas de répondre aux besoins des métiers.

Impossibilité pour les métiers de récupérer des données temps-réel
Manque de granularité de la donnée lié au process de normalisation
Cas d’usage limités du fait de cette architecture
Création de nouveaux usages très complexes et solution peu scalable
Implémentation et maintenance coûteuses

Les Data Pipeline permettent aux managers de piloter leur activité à partir de données temps-réel et de passer à l’échelle leurs activités.

Récupération de données granulaires et en temps-réel
Adapter ses prises de décision au fluctuation du marché
Une architecture flexible pour favoriser l’expérimentation et l’agilité
Les métiers créent de nouvelles données et les injectent dans le pipeline de données.
Accessibilité de la donnée pour le métier en Self Service
Traitement des données en continu permettant d’en maximiser l’utilisation

Notre démarche pour une transformation Data réussie

Créer une équipe dédiée avec des compétences transverses
Former l’équipe aux nouvelles architectures Data et à la culture Start-up
Déployer à minima Pub/Sub et NoSQL
Créer un premier pipeline de données sur 1 ou 2 études de cas
Définir des KPIs pour mesurer la performance et la qualité

Mettre en place un Data Catalog pour garantir la fiabilité et la connaissance de la donnée
Elargir la collection de données avec des jeux de données internes et externes
Créer un environnement de test de données où chacun peut explorer librement les jeux de données et expérimenter en toute sécurité
Ajouter de nouveaux outils pour servir de nouveaux usages
Démontrer l’impact de votre projet en mettant en avant l’amélioration de la qualité du service

Définir un modèle d’exploitation cible où les équipes métiers sont libre d’accéder à la donnée et d’en créer
Définir une gouvernance de la donnée applicable à toute l’organisation
Créer des services de plateforme de données pour industrialiser l’infrastructure permettant de supporter les outils de self-service
Lancer votre stratégie API
Intégrer de l’IA et du Machine Learning

Nos références

Pour aller plus loin…

A l’ère du Digital, les acteurs de la finance ont-ils la bonne approche de la donnée ?

Par Pierre Bittner | 12.03.2019 | Article

Lire l'article

A “bottom up” and integrated data quality approach

Par Pierre Bittner | 04.01.2019 | Article | English version