Chaque jour, des entreprises de tous types sont submergées par des données provenant de sources diverses, et tenter de leur donner un sens peut s'avérer accablant. Une stratégie de Business Intelligence (BI) solide peut donc aider à organiser le flux et garantir que les utilisateurs ont accès à des informations commerciales exploitables. « D'ici 2025, on estime que 463 millions de téraoctets de données seront créés chaque jour », explique Lisa Thee, responsable du secteur « data for good » chez Launch Consulting Group à Seattle. « Pour que les entreprises puissent rester en contact avec le marché, être réactives et créer des produits qui se connectent avec les consommateurs, il est important d'exploiter les insights qui découlent de ces informations ».

Les logiciels de BI aident les entreprises à faire exactement cela en guidant les bonnes données dans des rapports analytiques et des visualisations afin que les utilisateurs puissent prendre des décisions éclairées. Mais sans une approche adéquate de la mise en œuvre de ces outils, les entreprises sont toujours confrontées à des problèmes pour maximiser la valeur et atteindre les objectifs commerciaux. Voici six défis communs aux entreprises en matière de BI - et comment l'informatique peut les résoudre.

1. Faible taux d'adoption par les utilisateurs

Il est essentiel pour les entreprises qui souhaitent tirer parti des avantages des outils de BI d'obtenir l'adhésion immédiate de toutes les parties prenantes, car toute réticence initiale peut entraîner un faible taux d'adoption. « Le problème numéro un pour notre équipe BI est de convaincre les gens que la Business Intelligence les aidera à prendre de véritables décisions basées sur les données », explique Diana Stout, analyste commercial senior chez Schellman, un évaluateur mondial de cybersécurité basé à Tampa, en Floride. Pour obtenir l'adhésion des employés, l'équipe de Diana Stout construit des tableaux de bord de BI pour leur montrer comment ils peuvent facilement se connecter et interagir avec leurs données, ainsi que les visualiser de manière significative.

Diana Stout, senior business analyst, Schellman. (Crédit : Schellman)

« Par exemple, disons qu'une partie prenante pense qu'une certaine ligne de produits est la plus rentable », dit-elle. « Je peux construire un tableau de bord et leur montrer les renseignements qui prouvent que ce qu'ils pensent est correct, ou je peux leur prouver qu'ils ont tort et leur montrer pourquoi ». Cela permet aux utilisateurs de voir l'intérêt d'adopter des outils de BI, selon Diana Stout.

2. Déterminer la méthode de livraison de la BI qui convient le mieux

Il existe de nombreuses méthodes traditionnelles gérées par l'informatique pour fournir des rapports et des informations sur les données. Mais en utilisant des outils de BI en libre-service, avec des tableaux de bord et des interfaces utilisateur plus intuitifs, les entreprises peuvent rationaliser leurs processus en permettant aux managers et aux autres employés non techniques de mieux gérer les rapports et, par conséquent, de tirer une valeur commerciale accrue des données. Il peut toutefois y avoir des obstacles à l'adoption de l'approche en libre-service. Par exemple, un trop grand nombre d'accès dans de nombreux départements peut entraîner une cuisine pleine de cuisiniers inexpérimentés, ce qui augmente les coûts et expose l'entreprise à des problèmes de sécurité des données. Et voulez-vous que votre équipe de vente prenne des décisions sur la base des données qu'elle reçoit, et qu'elle ait l'autonomie de mélanger et d'assortir pour voir ce qui fonctionne le mieux ? Un contrôle central et normalisé du déploiement des outils est essentiel. Et pour le faire correctement, l'informatique doit bien gérer les données.

En raison de ces compromis, les organisations doivent s'assurer qu'elles choisissent l'approche de BI la mieux adaptée à l'application métier concernée. « Nous avons plus de 100 000 collaborateurs, en plus des externes, qui travaillent pour nous, ce qui représente un groupe d'utilisateurs assez important à servir », explique Axel Goris, responsable mondial de l'analyse visuelle chez Novartis, la multinationale pharmaceutique basée à Bâle, en Suisse. « L'un des principaux défis était l'organisation de la livraison - comment organiser la livraison, car une entreprise pharmaceutique est très réglementée ». Un modèle de livraison de BI géré par l'informatique, explique Axel Goris, nécessite beaucoup d'efforts et de processus, ce qui ne conviendrait pas à certaines parties de l'entreprise.

Axel Goris, global visual analytics lead, Novartis. (Crédit : Novartis)

« C'est parce qu'ils ont l'impression que c'est trop complexe ; il y a trop de frais généraux, et ils veulent aller plus vite et être plus agiles », ajoute Axel Goris. « Et si l'informatique est le lieu privilégié pour la livraison, elle devient un goulot d'étranglement car nous ne sommes pas assez grands pour assurer la livraison pour tout le monde ». Pour faire face à ce défi, Novartis a mis en place deux types de livraison : la méthode gérée par l'informatique et l'approche en libre-service, gérée par l'entreprise. « Avec la livraison gérée par l'entreprise, nous fournissons les plateformes et les outils, et nous permettons à l'entreprise, dans le cadre de certains paramètres, de se débrouiller seule, d'utiliser ses fournisseurs préférés, ou pour les équipes de le faire elles-mêmes, et c'est très populaire", dit-il, ajoutant que tout se résume à déterminer "comment nous pouvons servir tout le monde dans l'entreprise ou permettre aux utilisateurs de BI de se servir eux-mêmes d'une manière qui est évolutive ».

3. Intégrer ou non les données

À mesure que les entreprises se retrouvent à devoir intégrer des données provenant de diverses sources de données, tant sur site que dans le nuage - ce qui peut être un processus long et compliqué - la demande de simplification du processus de mise en place augmente. Mais beaucoup trouvent d'autres solutions. Lionel LLC, par exemple, le concepteur et importateur américain de trains jouets et de modèles réduits de chemins de fer basé à Concord, en Caroline du Nord, utilise son ERP comme système d'enregistrement, selon le DSI Rick Gemereth. « Notre source de données unique est NetSuite, et nous avons tout notre ERP, notre e-commerce, basé sur NetSuite », indique-t-il. « Et l'un des avantages de cela est que nous n'avons pas le défi d'essayer de marier des données provenant de différentes sources ». Pourtant, ce qui fonctionne pour l’importateur américain peut ne pas fonctionner ailleurs. Le défi consiste à trouver la solution qui convient le mieux à votre situation particulière.

Diana Stout, par exemple, explique comment l’entreprise Schellman aborde l'intégration de sa gestion de la relation client (CRM) et de ses données financières. « Un grand nombre de logiciels de veille stratégique s'appuient sur un entrepôt de données dans lequel vous chargez toutes les tables de données qui constituent le back-end des différents logiciels », explique-t-elle. « Ou vous avez un [outil de BI] comme Domo, que Schellman utilise, qui peut fonctionner comme un entrepôt de données. Il suffit de se connecter au logiciel pour que les données soient transférées dans une table. Vous disposez alors de tous ces tableaux en un seul endroit, ce qui vous permet de saisir les informations et de les manipuler ».

Rick Gemereth, CIO, Lionel LLC. (Crédit : Lionel LLC)

Jim Hare, vice-président distingué et analyste chez Gartner, dit que certaines personnes pensent qu'elles doivent prendre toutes les données cloisonnées dans les systèmes des différentes unités commerciales et les déverser dans un lac de données. « Mais ce qu'ils doivent faire en réalité, c'est repenser fondamentalement la façon dont les données sont gérées et accessibles », dit-il. « Ce que Gartner évoque, c'est le concept de tissu de données ». Définie comme un facilitateur de l'accès sans friction du partage des données dans un environnement de données distribuées, la data fabric vise à aider les entreprises à accéder, intégrer et gérer leurs données, quel que soit l'endroit où elles sont stockées, en utilisant des graphes de connaissances sémantiques, une gestion active des métadonnées et un apprentissage automatique intégré. « Data fabric permet aux données de résider dans différents types de référentiels dans le cloud ou on premise », explique Jim Hare. « Il s'agit de pouvoir trouver des données pertinentes et de les connecter via un graphe de connaissances. Et la clé de tout cela est la gestion des métadonnées ».

4. Permettre à la perfection d'être l'ennemi du suffisant

Selon la sagesse conventionnelle, les entreprises doivent travailler avec des données de haute qualité pour glaner les informations nécessaires à la prise des meilleures décisions commerciales. Mais ce n'est pas tout à fait exact, affirme Nicole Miara, responsable de la transformation numérique chez LKQ Europe GmbH, une filiale de LKQ Corp. et un distributeur de premier plan de pièces détachées automobiles basé à Zoug, en Suisse. Ce n'est pas parce que vous ne pensez pas que les données sont de la plus haute qualité qu'elles n'ont pas de valeur.

Lorsqu'il s'agit de prendre des décisions, le désir d'une entreprise d'obtenir des données parfaites peut ralentir ses efforts car elle passe du temps à en rassembler le plus possible, à corriger des données incomplètes ou à corriger des formats. Selon Nicole Miara, il est difficile de disposer de données parfaites, mais il est possible pour les entreprises de travailler avec des données imparfaites et de les analyser pour commencer à les traduire en informations commerciales. Elle cite comment, avec le projet Zebra, un groupe de réflexion à source ouverte composé de chefs d'entreprise, d'universitaires et de technologues travaillant à l'amélioration de la chaîne d'approvisionnement, elle a pu utiliser des données imparfaites pour prendre de bonnes décisions commerciales et améliorer considérablement la chaîne d'approvisionnement. « Les données n'ont pas besoin d'être parfaites pour commencer le voyage », dit-elle. « C'est une approche étape par étape ». De plus, ajoute-t-elle, vous ne pouvez pas faire de prédictions si vous n'avez pas la couche de données de base.

Nicole Miara, digital transformation lead, LKQ Europe GmbH. (Crédit : LKQ Europe GmbH)

Par exemple, LKQ Europe essayait d'appliquer ses données, notamment les données de vente, pour améliorer les opérations de sa chaîne d'approvisionnement à la lumière des 35 mois de perturbation qu'elle a subis en raison de la pandémie. Cependant, l'entreprise ne disposait de données sur l'historique de ses ventes que pour environ 12 mois. « Nous avons pris les données des factures, et nous n'avions pas d'informations supplémentaires concernant nos ventes, alors nous avons pris ces données de vente imparfaites et avons essayé de trouver des corrélations avec nos activités futures », explique Nicole Miara. « Mais nous voulions comprendre si nous pouvions améliorer nos prévisions pour prédire la demande sur la base de ces seules données. Nous avons constaté que nos données imparfaites étaient très bien corrélées avec des signaux extérieurs, comme l'inflation et l'indice de l'emploi, même si les données n'étaient pas parfaites ».

5. Gérer la résistance au changement

La gestion du changement a été la principale difficulté à laquelle Happy Feet International a été confrontée lors de la mise en œuvre de la veille économique, déclare Nick Schwartz, DSI de l'entreprise de revêtements de sol en vinyle de luxe et en carrelage basée à Ringgold, dans l’Etat de Géorgie. L'industrie du revêtement de sol est une industrie naissante sur le plan technologique et, par conséquent, beaucoup de gens n'utilisent pas la technologie, selon M. Schwartz. En fait, lorsque M. Schwartz a rejoint l'entreprise il y a trois ans, les vendeurs n'utilisaient même pas le courrier électronique au quotidien, car ils étaient plus à l'aise au téléphone.

Nick Schwartz, CIO, Happy Feet International. (Crédit : Happy Feet International)

« Les gens sont habitués à faire les choses d'une certaine manière », dit-il. « Ils le font de cette façon depuis des années et ils demandent pourquoi vous essayez de le faire différemment. Nous devons donc simplifier l'expérience autant que possible pour eux, et aussi organiser des sessions de formation plus longues ».

6. Cohérence de la gouvernance des données

Les entreprises doivent s'assurer qu'elles ont mis en place des processus de gouvernance des données matures, y compris la gestion des données de référence ainsi que la gouvernance autour des mesures clés et des indicateurs de performance clés (KPI), explique Justin Gillespie, principal et chief data scientist chez The Hackett Group, un cabinet de conseil et de recherche. « Nous entendons tous les histoires d'horreur », dit-il. « Toutes les entreprises avec lesquelles je discute ont le même problème : les gens arrivent aux réunions avec des chiffres différents et ils passent toute la réunion à se disputer pour savoir comment untel a obtenu son chiffre. Il est essentiel de disposer d'un ensemble d'indicateurs clés de performance (KPI) et de mesures centralisés et gouvernés, certifiés par l'organisation ».

La gouvernance consiste également à normaliser les outils et les plateformes, selon Justin Gillespie. « Du point de vue des outils et des technologies, il s'agit rarement de ne pas avoir d'outils, mais plutôt d'en avoir trop », dit-il. « Les entreprises devraient donc normaliser un ensemble d'outils, puis créer une compétence autour de cet ensemble ».