Comme dans la plupart des entreprises d’aujourd’hui, le partage des bonnes idées pour utiliser les données à disposition se fait aux travers d’inventaires à la Prévert qui recensent aussi bien des idées pour améliorer l’existant, que des idées pour créer de nouveaux produits ou alors pour lancer de nouvelles offres. On désigne généralement ces inventaires de « cas d’usage de la data » et ils visent tous à utiliser les données l’organisation pour la transformer.

En général, ces cas d’usage sont recensés dans des classeurs Excel ou dans des présentations Power Point, avec une liste d’idées et des scores en face de chaque ligne : quelle priorité pour ce cas ? quel niveau de complexité pour celui-ci ? Peut-il générer rapidement un chiffre d’affaires ? Mobilise-t-il d’importantes ressources humaines ? Augmente-t-il la satisfaction client ? Permet-il de nettoyer la donnée existante ? Et ainsi de suite. On complète ce document au fil des années en espérant que l’innovation va en sortir comme un génie de sa lampe… et de temps en temps, un comité d’innovation vient y piocher une idée pour en faire un projet en espérant une réalité à moyen terme.

Malheureusement ce succès se produit rarement. A qui la faute ? Manque d’idée ? De temps ? De données ? Ou de compétences ? Généralement, on finit par mettre cela sur le compte du choix du cas à développer et on se forge la conviction que l’on aurait mieux fait de choisir tel ou tel cas.

Au-delà de la perte de temps et d’énergie, cette situation est aussi dommageable pour l’organisation car souvent elle s’accompagne de la création d’une « dette technologique ». En effet pour satisfaire aux besoins des projets à lancer, il est nécessaire d’investir dans de nouvelles technologies qui in fine ne seront pas utilisées pleinement. Par exemple, on s’est cru tenu d’investir dans un Data Lake pour mettre à disposition des données (mais pas toutes) et au moment de lancer les projets les données nécessaires ne sont pas disponibles. Il faut alors relancer un autre chantier de mise à disposition des données et de fil en aiguille on a investi des sommes importantes, et le cas d’usage initialement retenu n’est pas mis en œuvre dans les temps pour répondre aux enjeux de l’entreprise.

Les esprits pessimistes pourraient alors arriver à la conclusion que l’entreprise ne peut pas valoriser ses données, que c’est sans intérêt et qu’il convient de faire autre chose ou pire, de ne rien faire.

Pourtant tout le monde est maintenant convaincu que la data est indispensable pour transformer les organisations. Elle constitue un patrimoine, un actif qu’il ne faut pas laisser dormir. En réalité, gérer les cas d’usage, c’est répondre à la question « Quelle valeur je peux tirer de mes données ? ».

On peut parfois identifier plus de 300 cas d’usage potentiels. La difficulté est alors de savoir comment distinguer les bons cas d’usage des mauvais. Dans l’absolu, ils ne sont ni l’un, ni l’autre… C’est le contexte global qu’il faut prendre en compte pour déterminer ceux qui effectivement généreront la valeur attendue. Dans le secteur bancaire par exemple, « détecter les départs à la retraite des clients pour leur proposer un produit financier adapté » semble a priori un bon cas d’usage. Mais si vous ajoutez « Mais je n’ai pas vraiment d’offre sur mesure à leur présenter » et « Il faudrait changer les interfaces des conseillers pour afficher les données nécessaires », vous voyez les choses d’un autre œil.
On parle beaucoup de transformation numérique, mais à mon sens il est surtout question de transformation continue des organisations. Et la data joue un rôle essentiel dans cette transformation : voilà pourquoi il faut choisir des cas d’usage qui permettront de converger le plus vite possible vers une vision-cible de l’organisation. Une fois que cette vision-cible est clairement définie, on est prêt à sélectionner les cas d’usage à mettre en œuvre et par voie de conséquence, à réaliser les investissements nécessaires pour les supporter. Voilà comment on s’engage dans une démarche d’innovation continue par la data. De surcroît on casse l’effet « saisonnier » du choix des projets et son caractère aléatoire qui présidait jusqu’alors.
L’approche « zero-based design », qui consiste précisément à faire table rase de l’existant pour définir la vision-cible de l’entreprise est essentielle. Car si vous tenez compte de l’existant, vous ne concevrez à coup sûr que des améliorations marginales et non réellement transformantes.

Par exemple si vous êtes Pizza Hut, vous allez avoir tendance à dire « Dans dix ans, je veux vendre plus de pizzas » ou « Je veux que mes coursiers passent 10% de temps en moins sur la route ». Alors que le meilleur choix serait peut-être d’arrêter les pizzas, pour vous lancer dans la production de légumes ! Je caricature volontairement, mais c’est pourtant ce qu’a fait Netflix, avec un virage à 180 degrés pour passer de la location de cassettes vidéo au streaming et au tout-data, avec le succès qu’on lui connaît.

Seconde étape : une fois établie la vision-cible, il faut s’atteler à l’état des lieux et revenir à la réalité : de quelles compétences disposez-vous ? De quelles technologies ? De quelles données ? Etc. C’est à ce stade généralement que l’on prend « une douche froide », mais cela reste la meilleure façon de tracer un chemin pour aller vers l’objectif final, avec des jalons intermédiaires. Ces jalons aideront à déterminer les cas d’usage à développer à court terme pour atteindre au plus vite les objectifs. Par exemple, beaucoup d’entreprises nous ont demandé de leur concevoir un chatbot. Mais peu avaient une vision-cible quant à la relation client qu’elles souhaitent construire. Et finalement la plupart de ces chatbots ne servent à rien, ou presque, car il aurait fallu lancer d’autres projets en amont – comme la digitalisation de la gestion des dossiers – pour assurer un véritable impact.

Quant à l’émergence des bonnes idées, c’est plutôt aisé car les opérationnels savent très bien de quoi ils ont besoin et ce qu’il faudrait améliorer. Allez trouver les « Métiers » avec une vision-cible bien établie, demandez-leur comment ils pourraient améliorer les choses et ils vous répondront sans hésitation. Les cas d’usage pertinents viennent presque toujours de la base. Mais attention à bien définir un cas d’usage. Par exemple, prédire l’appétence des clients à un produit ne suffit pas : il faut prédire l’appétence des clients à un produit… pour bâtir le message à leur adresser et en assurer correctement la promotion.

En conclusion, j’invite toutes les entreprises à constituer leur vivier de cas d’usage constitué des cas passés, présents et futurs, afin d’activer les bons comme autant de marches vers l’objectif. De plus, il faut mesurer systématiquement les résultats à chaque étape de la conception au déploiement en passant par le développement, pour créer une base de retours d’expérience. Elle assurera la traçabilité et permettra d’expliquer pourquoi tel cas d’usage a été choisi, repoussé, testé puis abandonné, modifié, étendu etc.
Avec une telle approche, on peut même imaginer qu’un jour des entreprises partagent leurs retours d’expérience pour en tirer des enseignements profitables à tous : quel temps ce cas d’usage-ci risque-t-il de vous prendre ? Quel est son niveau de complexité ? Et son coût ? En mutualisant les expériences de plusieurs sociétés, on pourrait très bien faire du prédictif sur le déploiement de nouveaux cas d’usage pour chaque entreprise.