#15 Débuter la transformation organisationnelle
Subscribe to get the latest
on Thu Aug 20 2020 17:00:00 GMT-0700 (Pacific Daylight Time)
with Darren W Pulsipher, Sarah Kalicin,
La création de résultats réussis basés sur les données commence par une solide base organisationnelle. Darren et son invité Sarah Kalicin, chef des scientifiques des données du groupe Data Center d'Intel, discutent des aspects clés de ce changement fondamental.
Keywords
#data #management #people #datacentricorganization #organizationalchange
Construire une organisation axée sur les données
La réussite basée sur les données commence par une fondation organisationnelle. Cela signifie que la direction joue un rôle clé dans la réalisation d’un résultat précieux. Au lieu de simplement reconnaître le besoin de données, de demander des informations et d’espérer des résultats, la direction doit fournir un chemin vers la réussite, en commençant par une question fondamentale : Quelle est la valeur commerciale que nous voulons obtenir des données ?
Une fois que la direction a déterminé les questions commerciales, des ressources doivent être disponibles pour soutenir le processus : mettre les bonnes personnes en place, former, collecter des données, préparer, créer des perspectives et opérationnaliser. Cela nécessite des ressources et du temps suffisants ; l’organisation doit le soutenir à partir d’un niveau fondamental et culturel, avec un plan complet en place.
Obtenir de la valeur à partir de l’IA
Dans un article du MIT Sloan Management Review d’octobre 2019 intitulé “Gagner avec l’IA”, les auteurs ont montré que les organisations définies par une personnalité “pionnière” obtenaient le meilleur rendement de leurs initiatives en matière d’IA. La raison en est qu’elles étaient fortement axées sur leur stratégie commerciale et veillaient à ce que les données qu’elles utilisaient influencent l’ensemble de leur modèle commercial. Fondamentalement, elles utilisaient les données pour déterminer comment maximiser les revenus tout en minimisant les dépenses d’exploitation. Elles généraient de la valeur à partir des revenus de l’IA plutôt que des seules économies de coûts.
Les auteurs ont également découvert que ces organisations connaissent davantage de succès lorsque ce sont les cadres de niveau C, plutôt que les spécialistes de l’informatique, qui impulsent les initiatives d’IA. Les cadres de niveau C sont plus proches du modèle commercial et du contexte dans lequel les données sont utilisées. Cette structure permet d’éviter que l’analyse devienne simplement un exercice académique.
Identifier des questions pour créer de la valeur commerciale
Quelles questions les organisations devraient-elles poser pour créer de la valeur commerciale ? Un bon point de départ est de demander à ceux de l’unité commerciale ce qui les préoccupe et où ils manquent de clairvoyance. Après avoir réfléchi à ces problèmes, identifiez les problèmes ayant un impact important mais une faible complexité. Ensuite, déterminez les données que vous avez ou que vous pouvez acquérir pour répondre à ces questions. Obtenir les données dont vous avez besoin n’est pas facile et nécessite de la discipline. C’est là que le soutien et l’engagement de la direction interviennent tout au long du processus.
S’engager pour une solide base organisationnelle
Un socle organisationnel solide n’est pas une simple adhésion, mais un engagement de toute l’organisation envers un processus de résolution de problèmes. Une fois que vous avez défini les problèmes ou la valeur commerciale que vous souhaitez, décomposez-les en étapes réalisables, telles que trouver les données, avoir les bonnes personnes en place et obtenir le soutien de la direction. Une approche de résolution de problèmes où tout le monde est d’accord sur la décomposition et le processus, plutôt que d’essayer simplement de trouver une réponse, est essentielle. Il doit également y avoir un engagement envers les ressources et le temps nécessaires.
Le retour d’information et la vérification tout au long du processus sont importants. L’équipe et la direction doivent comprendre qu’il ne s’agit pas d’un processus linéaire, mais d’une pratique d’amélioration continue. Il se peut, par exemple, que les données les plus pratiques ne soient peut-être pas les bonnes données. Vous devrez peut-être trouver une source différente ou nettoyer les données existantes de manière à les rendre utilisables.
Une autre partie de la base organisationnelle consiste à disposer d’une infrastructure logicielle et matérielle adéquate. Les données massives nécessitent un pipeline sophistiqué. La direction doit comprendre qu’elle va investir de l’argent dans la technologie pour traiter les données de manière utile. Elle doit également investir dans les collaborateurs et leur fournir une formation utilisant un logiciel d’analyse réel afin qu’ils puissent exploiter davantage leurs données.
Tout cela contribue à la culture d’une organisation qui adopte les connaissances numériques et en reconnaît la valeur.
Définir les rôles et responsabilités
Bien que certains rôles liés aux technologies de l’information soient présents depuis un certain temps, il est utile de définir les rôles et responsabilités des cadres clés dans la phase analytique.
Le Directeur de l’analyse stratégique (DAS) permet aux analyses et à l’IA de travailler ensemble pour créer de la valeur pour l’organisation. Ce sont les traducteurs d’analyse qui travaillent avec les cadres dirigeants pour déterminer comment ils peuvent exploiter les analyses et l’IA à travers la livraison et l’exécution.
Le responsable des données en chef (CDO) est responsable de la curation des données de l’organisation afin que le directeur administratif et financier (CAO) et son équipe de scientifiques des données puissent utiliser les données. En plus de la curation, la stratégie de données inclut la sécurité, la maintenance et la qualité.
Le directeur des systèmes d’information (DSI) sécurise, construit et maintient l’infrastructure logicielle et matérielle pour soutenir le travail de données, d’analyse et d’intelligence artificielle. Le DSI et son équipe veillent à ce que les données puissent circuler selon les exigences des ingénieurs et scientifiques des données.
Tous ces officiers et leurs équipes doivent travailler ensemble. Le directeur administratif et les scientifiques des données définissent comment les données seront utilisées, en construisant les modèles et les tableaux de bord pour fournir les informations. Le directeur des données et les ingénieurs des données veillent à l’intendance des données et s’assurent qu’elles sont prêtes pour le travail analytique, tandis que le directeur des systèmes d’information, les équipes d’infrastructure et les architectes de solutions se tournent vers les ingénieurs des données, les analystes et les scientifiques des données pour déterminer le matériel et le logiciel qui peuvent permettre leur travail.
Modèles d’alignement organisationnel
Avec ces nouvelles positions à la direction générale, il existe plusieurs options d’alignement organisationnel allant d’une décentralisation totale à une centralisation complète.
Dans un rapport McKinsey de 2018 intitulé « Dix signaux d’alerte indiquant que votre programme d’analyse échouera », il met en avant les avantages et les inconvénients des modèles d’alignement organisationnel. L’une des idées clés montre que le bénéfice d’une décentralisation complète est de mettre l’expertise directement au sein de l’entreprise. Les travailleurs des données seront étroitement impliqués et comprendront les données, créant ainsi une valeur importante. Cependant, selon l’organisation, il se peut que vous ne puissiez pas soutenir la présence de nombreux professionnels des données dans chacune des unités commerciales. De plus, si seulement quelques professionnels des données sont présents, ils pourraient ne pas pouvoir tirer parti d’autres expertises au sein de l’entreprise. Dans ce cas, quelque chose de plus centralisé pourrait être plus bénéfique.
Traduction en français : Conclusion
Les organisations font face à de nombreux changements pour devenir centrées sur les données, non seulement dans la culture, mais aussi dans la structure organisationnelle. Il ne suffit pas seulement de vouloir profiter des avantages apportés par l’IA, cela nécessite des changements fondamentaux dans notre façon de penser l’organisation elle-même.