1/ Formaliser les questions business

Contrairement à un réflexe fréquent, la première phase d’un projet data n’est pas de choisir l’outil informatique à acquérir, mais de définir les besoins business auxquels ce projet est censé répondre. Cette étape de réflexion est fondamentale ; elle détermine en grande partie le ROI et la réussite future d’un projet data.

Il s’agit pour la direction de l’entreprise de lister ses problématiques clés et d’évaluer si l’on peut y répondre par des analyses de données. Ces problématiques doivent être formalisées sous forme de questions précises. Quelques exemples :
• Comment mieux cibler mes prospects ? comment acquérir des clients au meilleur coût ? comment les fidéliser ?
• Quelles sont les produits / services les plus rentables de mon catalogue ?
• Quels sont les postes prioritaires pour réduire les coûts ? pour optimiser les flux, les stocks ?
• Comment prévoir au mieux la gestion de la trésorerie ?

2/ Identifier les données et rendre leur accès possible

La deuxième phase consiste à extraire les données qui vont permettre de répondre aux questions. Ces données sont la plupart du temps chiffrées et disponibles, mais sont souvent dispersées dans plusieurs outils informatiques qui ne communiquent pas toujours entre eux. La démarche typique pour constituer un jeu de données exploitable sera de :
• Identifier et qualifier précisément les données sur lesquelles s’appuyer, à l’aide des divers métiers (finance, contrôle de gestion, commercial, marketing, production, logistique…)
• Localiser les données et y accéder dans les divers outils sources, à l’aide de la DSI : systèmes de gestion (ERP, back-office), outils de gestion de production ou de facturation, catalogue produits, fichier achats, base de données clients, données du CRM, du call center, web analytics, base de données RH…
• Compléter au besoin avec des données externes : open data de l’Insee par exemple
• Réunir les données dans un nombre limité de fichiers simples à exploiter

3/ Mobiliser les seules ressources nécessaires

C’est là le cœur du problème des PME car trop d’entreprises s’équipent avec des solutions surdimensionnées par rapport à leurs besoins. Alors qu’il suffit parfois de disposer d’une version récente d’Excel et d’une personne capable de concevoir des calculs un peu complexes pour mener à bien cette étape !
• Partir des questions business pour élaborer une méthode : quelles données pour calculer quoi ? quelles réponses en attendre ? Pour cela, il est indispensable de disposer d’une double expertise métier et data, et, au besoin, de se faire accompagner pour l’élaboration de la méthode de calcul.
• S’équiper en fonction des besoins connus et à venir : quel volume de données faut-il traiter ? faut-il faire des calculs en temps réel ou bien périodiquement ? Ces questions déterminent directement l’outil dont l’entreprise a besoin : un simple Excel avec macros ou une solution Big Data. On s’aperçoit souvent que, pour les PME, des outils simples sont suffisants et bien plus facilement exploitables par les équipes en interne.
• Consacrer du temps au projet, en interne comme en externe : toutes les équipes concernées devront dédier de leur temps à extraire les données, à spécifier les calculs et les résultats attendus, à les interpréter et… à les challenger ! Typiquement : l’informatique, les équipes métiers (finance, marketing, opérations…) et la direction générale. Il ne faut pas hésiter également à externaliser en demandant à un cabinet de conseil d’intervenir sur cette étape.

4/ Vérifier que l’analyse répond bien aux questions posées

La quantité de données disponibles aujourd’hui dans les entreprises, même de taille modeste, est telle qu’une équipe en charge de mener un projet data peut facilement se noyer dans ce qu’elle doit produire. Il faut sans cesse garder en tête les questions posées, et y répondre de la manière la plus simple, synthétique et visuelle possible.
Le rôle du dirigeant est ici de challenger au maximum les résultats qui lui sont présentés :
• Les résultats répondent-ils bien aux questions business posées ?
• Les réponses sont-elles synthétiques et clairement exprimées (notamment visuellement) ?
• Les réponses sont-elles opérationnelles, actionnables ? peut-on prendre des décisions sur la base des résultats présentés ?

5/ Évaluer le retour sur investissement de la démarche data

Cette cinquième et dernière étape est souvent négligée. Elle est pourtant primordiale dans les PME. Il est indispensable pour le dirigeant d’entreprise de mettre en relation ce que le projet data coûte à l’entreprise et ce qu’il va lui rapporter dans le temps. Surtout si l’entreprise a investi dans un logiciel, consacré des ressources humaines importantes au projet, ou si elle a acheté des données externes ou fait appel à un consultant pour l’accompagner.

Toute présentation de résultats d’analyse de données devraient ainsi s’accompagner d’un récapitulatif des ressources engagées (investissements et charges) et des espérances de gains directement liés aux analyses produites par ces ressources. Par exemple, dans une analyse de données destinée à optimiser la gestion des stocks, on comparera le coût représenté par l’accès aux données, le temps de calcul, les ressources externes éventuelles, à ce que cette optimisation va générer comme économies sur les 12 mois à venir…