Smart Dashboarding : Partie I

MFG Labs
6 min readJul 6, 2021

--

Les enjeux d’un smart dashboard

Photo by Arie Wubben on Unsplash

Dans un contexte volatile et incertain, la prise de décision en entreprise se complexifie alors même les données à disposition permettent de mieux mesurer le passé et parfois prédire certains mouvements. En entreprise, deux grands types de décisions sont prises : les décisions stratégiques et les décisions opérationnelles. Celles-ci sont de natures très différentes…

Décision stratégique Question : Macro en Full service : La personne posant la question n’est pas la personne qui y répond (ex. Sollicitation d’un cabinet, ou d’une équipe interne comme la BI) Données nécessaires : représentative mais pas nécessairement la plus à jour. Temps de prise de décision : Long. Décision opérationnelle Question précise, Self service : la personne se posant la question est la personne qui doit y répondre. Données nécessaire : la plus à jour possible.

… et doivent donc être outillées différemment.

Les décisions stratégiques ont toujours existé et leur nature a peu changé au cours du temps. Les processus industriels s’étant digitalisés, beaucoup plus de données sont disponibles. Ainsi, alors que par le passé on attendait du décideur une bonne connaissance métier et un peu de flair. On attend aujourd’hui de lui des capacités d’analyste : maîtrise des outils de base d’analyse de données tels que Excel ou plus avancés tels que PowerBi/QlickView/Tableau Software, et des connaissances basiques des statistiques…

Pour répondre aux questions stratégiques, les entreprises ont déployé de nombreux moyens : Rapport financiers mensuels, études de sociétés de conseil, audit, datarooms… souvent la personne qui pose la question n’est pas celle qui y répond . Ces solutions ne sont pas adaptées à l’essence même des questions opérationnelles (immédiateté, self-service…).

Les décisions opérationnelles, reposent souvent sur l’expert métier car :

Les données ne sont pas disponibles : Soit la donnée n’existe pas, soit la donnée n’est pas facilement accessible pour le décisionnaire.
Ex. le collaborateur doit faire un ticket à l’équipe BI pour recevoir les données dont il a besoin.

Les données sont à l’état brute et sont difficilement exploitables :
La donnée est inintelligible ou elle est difficile à manipuler
Ex 1 : Les données sont reçues par le collaborateur sous un schéma de donnée IT peu intelligible pour un expert métier et non/mal documentées.
Ex 2 : La donnée arrive à l’état brute sous la forme d’un fichier excel de plusieurs Gigaoctets.

Devenir Data-Driven

Devenir « Data-Driven », le nouvel objectif à la mode, c’est justement de garantir par des systèmes l’utilisation de la donnée dans toutes les prises de décision opérationnelles. Dès lors qu’une décision opérationnelle importante repose sur un processus humain pour récupérer ou traiter la donnée avant la prise de décision alors vous n’êtes pas encore Data-Driven.

En effet, la personne sur laquelle repose la récupération des données et leur traitement avant prise de décision pouvant se tromper (ou être en congés !), son remplacement par des systèmes fiabilise la décision. Notons qu’il ne s’agit pas de remplacer le décisionnaire, mais d’automatiser le processus en amont de ce dernier.

La couche de pré-traitement (calculs, affichage et interactions) de la donnée n’est pas à sous-estimer car elle contribue tout autant que la qualité des données utilisées à la qualité de la décision. Il convient de fournir au collaborateur décisionnaire un outil simple, adapté et performant lui permettant de se focaliser exclusivement et rapidement sur la prise de décision.

L’outil, aux mains du décisionnaire, n’est pas une simple restitution/mise en forme de la donnée. Le collaborateur nourrit une réelle attente servicielle (segmentation, pré-qualifaction, planification, prédiction, recommandation…) boostée par les expériences personnelles du collaborateur (recommandation Amazon, playlist suggérée Spotify, autocomplétion client mail…).

Il y a deux processus à garantir par des systèmes : l’accès à la données et son traitement pré-décision.

L’enjeux est donc de fiabiliser la récupération et de rendre la qualité du traitement et la pertinence des analyses indépendants des compétences du collaborateur pour que ce dernier se focalise sur la décision et les conclusions métier des faits décrits par les données. Nous appelons ces outils des « Smart-Dashboards ».

L’idée est d’apporter au décideur les bons indicateurs avancés au bon moment.

Trivialement, une prise de décision Data-Driven est bénéfique pour l’entreprise dans le sens où elle permet de réduire les coûts d’inefficiences, d’améliorer la qualité du service rendu et donc d’augmenter à la fois la marge et la satisfaction client.

Comment construire des Smart Dashboards?

Construire ces Smart Dashboards — et donc devenir plus data-driven — est une tâche complexe nécessitant de bien comprendre le processus métier, la décision et ses impacts mais également toute l’architecture IT permettant de servir la donnée.

Par exemple, lorsque vous souhaitez ajouter un indicateur de probabilité de conversion d’un prospect sur un dashboard existant. La difficulté ne réside pas dans l’édition du dashboard pour ajouter cet indicateur. Il s’agira plutôt de concevoir une architecture permettant d’entraîner, déployer et monitorer un modèle de machine learning dont le résultat des inférences est présenté sous la forme d’un indicateur dans votre outil de BI préféré.

Ainsi, les architectures sous-jacentes des smart dashboards sont souvent complexes et reposent sur des technologies nouvelles (cloud, data studios, streaming…) qui pourtant se sourcent sur des ERPs legacy avec les limitations que nous connaissons (propriété des données, performance et modalités de l’extraction de la donnée, qualité du schéma de donnée de l’ERP…).

On comprend donc que pour construire les smart dashboards dont elle a besoin, l’entreprise doit faire face à de nombreux challenges :

Les challenges propres à la décision que l’on veut outiller :

  • Comment cadrer le projet avec le métier qui arrive plus souvent avec une solution qu’un besoin et qui ne connaît pas bien le champ des possibles d’un smart dashboard ?
  • Comment définir le « good enough » pour les performances des indicateurs calculés par des modèles sous-jacents ? Ex : Un modèle qui prédit le churn à 90% est-il suffisamment bon pour que ses résultats soient intégrés dans la smart dashboard ?
  • Comment identifier et maîtriser rapidement la donnée métier aux différentes étapes de son cycle de vie à la sortie de l’ERP, dans les data mart de la BI, dans les couches de restitutions utilisées… ?

Les challenges propres aux expertises nécessaires pour concevoir et exploiter le smart dashboard :

  • Comment former les chefs de projet pour qu’ils maîtrisent les enjeux expérientiels, les enjeux IT et les enjeux data (ces derniers étant souvent négligés) et qu’il sache piloter correctement les différents experts et le QCDP du projet (Qualité, Coût, Délais, Périmètre) ?
  • Comment travailler avec le client du smart dashboard ? Agile ou pas agile ? Comment travailler en Agile pour la conception de modèles dont le périmètre est très restreint ?
  • Comment créer une dynamique de travaille positive entre les data scientist & data analyst qui vont concevoir les couches servicielles et indicateurs avancés du smart dashboard avec les data engineer & ops qui vont en garantir la bonne conception et la bonne exploitation ? Où s’arrêtent les responsabilités des premiers et débutent celles des seconds ?
  • Comment faire en sorte que les designers (UX/UI/Service designers) qui qui participent à l’identification des indicateurs et à la définition de leurs comportements soient conscients des contraintes de conception et d’implémentation des data scientists / analysts ?
  • Comment établir un lexique et des métriques communs ? Ex : Comment se mesure la performance d’un smart dashboard ? Un Data engineer s’intéressera principalement au temps de chargement, à la fraîcheur des données ; un data scientist s’intéressera principalement à la performance de ses modèles ; un designer s’intéressera davantage à l’acceptabilité de la solution par les collaborateurs…

Dans la suite de cette série d’articles nous répondrons à à certaines de ces questions pour vous aider à devenir Data-Driven grâce aux smart dashboards.

--

--