Stratégie de transformation numérique

Une perspective d'entreprise sur les analyses

par Stan Maklan

Les dirigeants d'entreprise ont réellement pris conscience de l'importance de l'ère de données dans lequel nous évoluons désormais. Si l'utilisation de méthodes statistiques (c'est-à-dire les analyses) dans la résolution des problèmes rencontrés par les entreprises a peu évolué récemment, le contexte n'est plus le même.

Du point de vue des professionnels du marketing, la combinaison d'énormes quantités de données sur le comportement des consommateurs, de technologies qui permettent de réunir ces données et de l'intelligence artificielle entraîne des améliorations notables des activités commerciales et offre la possibilité de créer de nouveaux modèles commerciaux novateurs. Le potentiel du Big Data ne fera que croître avec les progrès de la blockchain et des impressions locales. Les entreprises investissent massivement dans les données et les analyses, ce qui crée le besoin de dirigeants compétents dans ces domaines et d'experts de ces sujets.

Le contexte commercial, les clients et la connaissance du marché sont des compléments nécessaires à la modélisation et à l'apprentissage automatique.

Cet essor des analyses est à l'origine de plusieurs difficultés auxquelles doivent faire face les entreprises. Tout d'abord, d'où viendront les data scientists compétents ? Comment des équipes d'analyse toujours plus habiles avec les chiffres vont-elles collaborer avec les dirigeants ? Comment les compétences d'analyse s'insèrent-elles dans l'organisation des entreprises ? Dans quelle mesure les entreprises doivent-elles investir dans le Big Data ? Où sont les preuves du retour sur de tels investissements ? Quel est l'impact sur l'organisation des différents groupes fonctionnels et sur leur pouvoir respectif ?

De nombreuses études suggèrent que ce ne sont pas les technologies ni les algorithmes qui font prospérer une entreprise. C'est plutôt la capacité à tirer parti de leur utilisation qui est rare et précieuse. Les entreprises les plus à l'aise financièrement peuvent acheter les meilleurs logiciels, embaucher d'excellents data scientists et construire des pools de données de premier ordre, mais tout ceci ne donnera pas forcément des informations contextualisées, ni des stratégies gagnantes. La « réponse », le nouvel algorithme est indispensable, mais ce n'est qu'une pièce du puzzle.

La plupart des guides pratiques dédiés à la transformation numérique offrent une recette de gestion du changement standardisée : commencez par le PDG (le pauvre PDG doit être très occupé par toutes ces initiatives), nommez un comité de pilotage de la transformation numérique, créez des espaces séparés et protégés qui faciliteront l'adoption de nouveaux modèles numériques et conservez une vision radicale.

Cependant, un tel guide peut s'appliquer à n'importe quelle initiative de la direction et fait l'hypothèse d'un programme de changement qui vient d'en haut. Notre étude initiale sur la transformation numérique suggère que la révolution promise par l'analyse comporte des caractéristiques uniques :

  • À la différence de la plupart des transformations entraînées par une nouvelle technologie, ces capacités d'analyse n'ont pas besoin d'importantes dépenses dès le départ. De petites équipes, parfois même un seul data scientist, sont en mesure d'analyser des données à l'aide d'un logiciel libre, d'écrire des algorithmes et de les implémenter sur des sites Internet promotionnels pour de grandes entreprises en quelques semaines. Comparons cela à l'implémentation de logiciels de gestion de la relation client et de la chaîne logistique (ERP et CRM) qui prend 2 à 3 ans et coûte plusieurs centaines de millions de dollars. N'importe quelle entreprise peut exploiter ses données. La difficulté consiste à soutenir sur le long terme les changements qui viennent « d'en bas ».
  • L'expérimentation rapide inhérente à la pensée analytique fait de la transformation numérique plus une démarche d'apprentissage qu'un programme de changement voulu et financé par la direction. Un tel programme nécessite des dirigeants qui réfléchissent, des analystes qui enquêtent et une bonne dose d'innovation. Disposez-vous des structures nécessaires à une telle transformation ? En outre, est-ce que les différentes équipes de direction, et notamment celle du marketing, ont assez confiance en leurs capacités d'analyse pour participer pleinement au programme ?
  • Le contexte commercial, les clients et la connaissance du marché sont des compléments nécessaires à la modélisation et à l'apprentissage automatique. Les projets les plus rapidement bénéfiques sont ceux dans lesquels les dirigeants collaborent de façon rapprochée avec les analystes, ce qui permet des cycles rapides d'apprentissage et d'expérimentation. Les rôles fonctionnels et leur pouvoir sont « en jeu » dans ce nouvel environnement. Généralement, l'équipe marketing a la connaissance des clients et du marché, mais ne dispose ni de compétences d'analyse détaillée ni d'ingénierie informatique. Les data scientists ont les compétences en analyse et en programmation, mais n'ont généralement pas un accès privilégié aux données, ni au contexte du marché. Le service informatique est rarement structuré pour faciliter des analyses interactives, dans une démarche d'apprentissage, et ne connaît généralement pas le contexte commercial. Tous ces rôles doivent être harmonisés, ainsi que leur pouvoir et leur zone de contrôle, au sein de l'environnement riche en données dans lequel nous entrons.

Je ne pense pas qu'il existe une solution unique applicable à toutes les entreprises (malgré ce que prétendent souvent les guides généraux de gestion du changement). Chaque entreprise rencontre des circonstances uniques et définit ses propres objectifs, ce qui rend certaines approches ou combinaisons d'approches plus pertinentes que d'autres. Les changements sont si profonds qu'il peut s'avérer impossible de créer un guide pratique du type « si A, alors B », un schéma ou un manuel qui proposerait une tactique idéale pour chaque ensemble de circonstances.

Il y a simplement trop de cas à prendre en compte : la stratégie doit-elle mettre l'accent sur la croissance ou la maximisation des profits ? Empreinte locale ou internationale ? B2B ou B2C ? Marchés qui évoluent rapidement ou relativement stables ? Leader sur le marché ou entreprise spécialisée sur un marché de niche ? Marchés de haute technologie très volatils ou marchés stables et bien définis ? Stratégies novatrices ou stratégies évolutives ?

L'école de Cranfield travaille sur ces questions dans le contexte d'analyses de marchés ou de clientèles, à travers la transformation du Big Data. Nous nous concentrons sur les rôles, le pouvoir et la zone de contrôle de trois groupes fonctionnels : marketing, informatique et business intelligence. Une transformation numérique est-elle susceptible de mieux réussir si elle est conduite par un de ces trois groupes ? Quelles sont les configurations idéales en termes de structure, de tâches et de correspondance à la stratégie qui donnent lieu au changement le plus rapide et réussi ? Par où commencer ? À quelle vitesse la transformation se produit-elle ?

Nous pensons que les réponses que nous allons apporter impliqueront un certain nombre de thèmes qui ressortent de nos travaux initiaux :

  • Faire monter en compétences les experts métier afin qu'ils soient en mesure de participer à la révolution de l'analyse. JMP démocratise l'accès aux données et aux analyses avancées grâce à son interface intuitive. Je l'utilise pour enseigner aux étudiants en marketing qui ne sont généralement pas formés aux statistiques ni à la programmation — moi non plus d'ailleurs.
  • L'accès aux données doit être démocratisé et ne plus être réservé au service informatique. Les données intéressantes pour le service responsable de l'activité principale se trouvent en dehors du système d'exploitation de l'entreprise et de ses bases de données. L'accès ouvert à de larges ensembles de données progresse. Bientôt, des outils intuitifs permettront aux services métier comme le marketing d'accéder directement aux données.
  • Les fonctions métier, en particulier marketing et commercial, devront développer leurs propres stratégies relatives aux données et technologies ou au moins participer pleinement aux décisions de l'entreprise en la matière. Les analystes qui collaborent de façon rapprochée avec les experts métier ou, mieux, qui sont intégrés aux fonctions métier, peuvent jouer un rôle essentiel dans la compréhension par le marketing des données disponibles, des données utiles, des difficultés d'accès, etc.
  • Les analystes métier et les professionnels du marketing travailleront de façon plus rapprochée et apprendront les uns des autres. Les concepts clés du développement Agile (Scrum, produit minimum viable, etc.) vont gagner le marketing et faire augmenter la demande en compétences analytiques. Une grande partie de cette demande doit être satisfaite par des professionnels qui montent en compétence : la formation de data scientists n'est pas assez rapide. C'est l'occasion pour les analystes d'occuper des rôles plus importants.

Les logiciels progressent afin de pallier le manque de compétences et démocratiser le Big Data pour les dirigeants. Les analystes auront la possibilité d'améliorer leurs propres rôles en guidant, en accompagnant l'évolution de leur entreprise et en y contribuant.

JMP Foreword

Cet article a été publié dans le magazine JMP Foreword.

Lire le dernier numéro

J'autorise JMP à m'envoyer par e-mail des informations concernant les nouveautés, événements ou offres promotionnelles. Je peux retirer mon consentement à tout moment.

*
*

JMP est une division de SAS Institute Inc., vos informations seront utilisées en accord avec la politique de confidentialité de SAS.

 
 

Vous souhaitez en savoir plus à ce sujet ?

Back to Top