Réussir un projet data – qu'il s'agisse de mettre en place une solution de Business Intelligence, un Data Warehouse, ou de développer un algorithme sur mesure – requiert une méthodologie rigoureuse.
Cet article propose des conseils pratiques, tirés de l'expérience, du cadrage initial à la gestion post-implémentation.
Sommaire
Etape 1 : Cadrer le projet et identifier des quick wins
Commencer par une phase de "cadrage", pour lancer le projet sur des bases saines
L'exercice de cadrage consiste à :
- décrire et caractériser précisément le besoin,
- prendre connaissance des spécificités et des complexités du projet,
- et établir un plan de travail réaliste pour le projet.
L'importance de cette phase ne doit pas être sous-estimée. À l'image de la construction d'un bâtiment, établir les plans fait entièrement partie du projet avant de se lancer dans le développement technique en tant que tel. Prendre le temps de définir ces plans en amont garantit la solidité et la cohérence de l'édifice, réduisant ainsi les risques potentiels de la phase de construction.
Dans cette phase de travail, constituer et mobiliser un groupe de travail multidisciplinaire (métier, Finance, Data, Commerce, etc.) est essentiel. Prenez le temps nécessaire pour identifier les objectifs spécifiques du projet et assurez-vous que toutes les parties prenantes sont impliquées.
Expliciter et documenter le besoin - et même éventuellement le faire émerger
La phase de cadrage est l'occasion de préciser le besoin exprimé initialement.
Le besoin est généralement clair dans les grands principes, mais doit être précisé :
- à quels besoins ou quelles "souffrances" du métier la solution doit-elle répondre ?
- quelles doivent être les fonctionnalités, dans les grandes lignes ?
- quelles sont les implications techniques ? quelles sont les contraintes ?
- comment la solution développée impactera-t-elle les process ?
- etc.
Identifier des "quick wins"
La clé de cette étape est de minimiser les risques d'exécution en identifiant des "quick wins" - des réalisations rapides qui démontrent la valeur du projet, et permettent d'emporter l'adhésion des parties prenantes.
Etape 2 : Anticiper la question de l'accès aux (sources de) données
Il est toujours possible d'accéder aux sources de données, mais l'accès peut être long à obtenir, pour des raisons :
- techniques (besoin d'accéder aux bases de données et d'en comprendre le modèle de données, appel d'APIs, etc.),
- organisationnelles et administratives (gestion des droits d'accès),
- ... voire politiques.
Il est donc important d'anticiper ces délais.
Nous recommandons même d'aborder ce sujet dès les tous premiers échanges.
Etape 3 : Collecter et préparer les données
Corollaire de l'étape précédente : une fois établi l'accès aux données, suit une phase d'exploration et de compréhension des données.
Rares sont les organisations dans lesquelles on trouve une seule et même personne maîtrisant l'ensemble des données.
Cette phase "d'appropriation" des données consiste donc à :
- interroger les experts data,
- consulter les éventuelles documentations, si elles existent,
- interroger les experts métiers et autres utilisateurs finaux de la donnée,
- lorsqu'aucune documentation ou connaissance n'est disponible dans l'entreprise, faire un exercice de rétro-ingénierie pour donner du sens aux données.
Etape 4 : Réaliser les développements en cycles courts, en lien constant avec le métier
Organiser les travaux en "sprints"
Cette phase est le cœur du projet, lors duquel les premiers développements techniques voient le jour.
Selon les principes de la méthode Agile :
- L'approche à privilégier consiste à travailler en cycles courts de développement, généralement appelés sprints. Chaque sprint, d'une durée typique d'environ 2 semaines, consiste à réaliser une série de développements en étroite collaboration entre les équipes techniques et les équipes métier.
- L'accent est mis sur la livraison rapide de fonctionnalités essentielles, permettant aux parties prenantes de voir rapidement des résultats tangibles. Ce processus itératif permet non seulement d'ajuster rapidement la trajectoire du projet en fonction des retours, mais également de rester suffisamment agile pour s'adapter à l'actualité de l'entreprise, susceptible d'induire des changements de priorités. En somme, cette approche favorise la création d'un produit final en phase avec les attentes métier tout en minimisant les risques potentiels.
Valider les données, valider les données, valider les données !
Confronter les données à des sources connues ou solliciter l'expertise du métier permet d'assurer leur exactitude, leur cohérence et leur adéquation avec la réalité opérationnelle. Cette démarche va au-delà de la simple vérification formelle, elle garantit que les informations collectées reflètent fidèlement les nuances spécifiques du domaine d'application. En confrontant les données à l'expérience des experts métiers, on s'assure de leur interprétation correcte et de leur conformité aux attentes opérationnelles.
Cet exercice de validation des données doit être mené de façon continue.
Etape 5 : Anticiper l'après-projet et le fonctionnement en "run"
Anticiper la maintenance de l'outil
La dernière étape consiste à anticiper l'après-projet et le passage en mode "run".
La mise en place de mécanismes de suivi et de maintenance est essentielle pour assurer que la solution reste fonctionnelle au fil du temps.
Pour cela, il faut identifier tôt dans le projet les équipes qui seront compétentes pour prendre en main ("handover") techniquement la solution. Les solutions data pouvant être complexes, il est important de démarrer la phase de handover suffisamment tôt afin d'assurer une bonne transition et un bon transfert de connaissance et d'expérience.
Prévoir un dispositif de suivi de la qualité des données
Sans données de qualité, la solution data développée ne pourra pas être utilisée de façon satisfaisante.
Il est donc indispensable de mettre en place un dispositif garantissant la qualité des données, notamment :
- identification de responsabilités au sein de l'organisation,
- développement d'outils de suivi d'indicateurs de qualité de la donnée,
- etc.
Pour en savoir plus sur les stratégies et les techniques de contrôle de la qualité des données, retrouvez ici notre article Qualité des données : enjeux & stratégies (Guide pratique).
Conclusion
Suivre attentivement ces étapes permet d'anticiper, de dé-risquer, et de livrer une solution en adéquation avec le besoin identifié en amont.
Réussir son projet data nécessite à la fois des compétences techniques pour développer la solution imaginée, mais aussi des compétences de gestion de projet. Il faut être à même d'organiser des ateliers réguliers, de tenir un agenda, de savoir précisément à qui s'adresser, de mettre en relation les bonnes personnes entre équipes métier et équipes techniques.
C'est précisément en cela que réside la force des cabinets de conseil spécialisés en data : leurs consultants sont formés à cette double compétence, et suivent cette méthodologie pour répondre finement aux besoins de leurs clients.
