Décisionnel Agile : les conditions du succès
17
Les conditions du succès Jean-Michel Franco Directeur de l’Innovation et des solutions [email protected] Téléphone, : +33 6 67 70 01 32 Twitter : @jmichel_franco Décisionnel agile
-
Upload
jean-michel-franco -
Category
Technology
-
view
854 -
download
1
description
BI Self service et décisionnel agile : pourquoi maintenant ? quelles conditions du succès (organisation, infrastructures, technologies...).
Transcript of Décisionnel Agile : les conditions du succès
Les conditions du succès
Jean-Michel Franco Directeur de l’Innovation et des
solutions
Téléphone, : +33 6 67 70 01 32
Twitter : @jmichel_franco
Décisionnel agile
Business & Decision est un groupe international
de consulting et d’intégration de systèmes
CA 2011 : 221,9 M€ dont 52 % à l’international
2
2 500 collaborateurs 16 pays, 17 Agences
en région Multi-Spécialiste
BI
PM
CRM EIM
E-bus
Expertise unique reconnue internationalement par les analystes indépendants
• Business Intelligence & EPM “European Marketscope for BI Services”. Gartner
• Customer Relationship Mgt & MDM “CRM Wordwide Magic Quadrant”. Gartner
• E-Business “Interactive Design Agency Overview, Europe, 2013 ”. Forrester
3
BI : des exigences que ne cessent de s’accroitre au niveau des
directions fonctionnelles…
Source : Gartner Survey Analysis: CFOs' Top
Imperatives From the 2013 Gartner FEI CFO
Technology Study
4
…mais des doutes commencent à poindre sur la capacité
des NTIC à tenir leurs promesses
Source : Gartner Survey Analysis: CFOs' Top Imperatives From the 2013 Gartner FEI CFO Technology Study
Innover à l’aide de l’IT, au plus près du terrain
• Comprendre : Une sensibilisation en
amont sur les nouvelles technologies et
leurs usages
• Incuber : une approche par
expérimentation pour mettre l’IT en
pratique au cœur des processus métier
• Industrialiser une fois que le preuve du
concept a été faite
• Améliorer en continu : S’appuyer sur
l’existant plutôt que de le remettre en
cause -> Une démarche d’innovation
continue (« lean »), par incréments …
• Partager les résultats, capitaliser,
transformer les « next practices » en
« bonnes pratiques ».
•
5
http://blogs.hbr.org/cs/2012/03/look_to_it_for_process_innovat.html
6
Approche
top down:
BI d’entreprise
Approche
bottom up :
BI
personnelle
Les équipes de management
La Business Intelligence est elle au milieu du gué ?
La BI d’entreprise telle qu’on la connait
Utilisateur occasionnel 70+ %
Utilisateur “avancé”: 30- %
7
La BI d’entreprise telle qu’on la voudrait
(*) Le prosommateur est un néologisme issu du mot anglais prosumer qui décrit les tendances des consommateurs à
se professionnaliser et à s'approcher de plus un plus du producteur dans la société de l’information. (Wikipedia)
8
9
La BI telle qu’on la voudrait : les conditions du succès
Des équipes
Une orga-nisation
Des métho-dologies
Des Outils
Une Infra-structure
Métiers / processus Analyse de données
Gouvernance de données Intégration de données
Découverte de données BI Self Service
Self Service Information Management
Data Lab : environnement de prototypage et libre service
d’accès aux données
Front office proche du terrain pour spécification/
expérimentation + back office pour l’industrialisation
Collecte des besoins métier en amont
Méthodologies agiles basée sur des templates
La dimension technologique
10
11
La dimension humaine.
Socialiser la Business Intelligence ou Changer le centre de gravité de la Business Intelligence
pour engager les directions fonctionnelles au-delà des phases de spécification projet
(définition des modèles, indicateurs partagés, vocabulaires…)
12
La dimension Infrastructure : le principe du DataLab
BI d’entreprise
Entrepôt de données
Magasins de données
Applications Packagées, Tableaux de
bord
Self Service
DataLab
Magasins éphémères
Prototypes d’appli-cations
Self Service
Données Entreprise
Industrialisation des applications
Industrialisation des Modèles
Industrialisation des sources de
données
Nouvelles données
13
La dimension projet ; repenser le cycle de vie des
initiatives BI
Quand Challenge Solution
Avant le projet BI Aller à la découverte des nouveaux besoins. Formaliser les business cases. Faire la preuve du concept.
Amener les outils en amont des projets au plus près des métiers. Démarche d’incubation des nouvelles technologies . Identifier les responsables et leur donner les moyens
Pendant le projet BI Syndrome de la feuille blanche. Difficulté de valider les spécifications, d’anticiper les problèmes éventuels (ex : qualité de données).
Méthodologies agiles Design sur base de templates et modèles
Une fois le projet BI déployé
Faire évoluer le système au fil de l’eau Installer le mode d’utilisation en self service
Responsabiliser une certaine population d’utilisateurs pour : - L’accompagnement et coaching - La gouvernance des données - L’identification des nouveaux besoins
Enjeux métiers S’assurer d’être la référence du marché
en matière de qualité d’eau et le faire
savoir à ses clients
=> Bâtir la plate-forme de collecte,
benchmarking et partage de la
qualité de l’eau
Approche choisie Une plate forme cloud pour permettre à
des utilisateurs experts (profils
statisticiens) d’extraire de la
connaissance de données externes et
de la croiser avec des données
internes
• Démarche:
Démarche agile en amont des projets : Exemple dans les Utilities (distribution d’eau)
– Capacité à récupérer
des données externes
“multi-structurées “ sur la
qualité de l’eau
– Permet la découverte de
données (y compris
l’analyse qualité) et
l’analyse
– Prototypage sur
population d’utilisateurs
experts avant
déploiement plus large
– “Exposer la donnée
d’abord”, avant de
comprendre comment
l’exploiter
– Premiers résultats en
moins d’un mois
14
Les enjeux métiers
Rénover les fondations du système
d’information marketing :
Approche choisie
• S’appuyer sur un modèle de référence
métier (Acord) couvrant les 17 thèmes
clé du secteur de l’assurance
• Démarches itérative et incrémentale
sur trois volets:
Démarche agile pendant le projet : Exemple dans l’assurance
– Référentiel client et
entrepôt de données
marketing
– Data Mart destiné au
service des études (score,
analyse de données…)
– Mise en place d’un
progiciel du marché pour la
gestion des campagnes
marketing
– Modélisation des
données (découpage du chantier
par périmètre de
données et « sprints »
de 2 semaines)
– Alimentation des
données
– Audit et analyse de
la qualité des
données
15
Démarche agile tout au long d’une initiative BI : Exemple dans un laboratoire pharmaceutique
Les enjeux métiers
Donner un nouveau départ aux
initiatives Business Intelligence :
Approche choisie
– Solidifier le back office
informationnel (modèles de
données, référentiels
partagés, qualité &
gouvernance)
– Rapprocher la Business
Intelligence des usages
dans chaque activité
– Mieux capter les besoins
des utilisateurs en amont et
au sein des projets
– Tirer partie des outils de
découverte et de
visualisation des données
Capter les
besoins
Concevoir
Industrialiser
Des key user, au sein de chacune des activités métier, pour capter les nouveaux besoins et découvrir les données de manière autonome
Un recours systématique au prototypage dans les phases amont du projet
Un centre de service et des standards partagés pour industrialiser le déploiement des applications
Accompagner
Des organisations pour accompagner les usages et s’assurer de la bonne utilisations des données et outils
16
Les conditions du succès
Jean-Michel Franco Directeur de l’Innovation et des
solutions
Téléphone, : +33 6 67 70 01 32
Twitter : @jmichel_franco
Décisionnel agile
