Qui es-tu ?
Bonjour, je suis Didier Mamma , Vice President Advanced Analytics I AI Innovation Sustainability – Circularity – InStore chez Decathlon
C’est quoi ta bonne idée ?
Je vais essayer de vous partager comment les pôles data peuvent se positionner pour aider le métier à se réimaginer.
Tu peux nous en dire plus ?
Historiquement, les équipes data viennent souvent de l’IT, ce qui fait que la data est perçue comme étant au service de l’IT. En réalité, au sein des entreprises, deux grands pôles s’opposent : d’un côté le business, et de l’autre l’IT. Si l’on fait un bond en arrière, on remarque qu’il y a toujours eu ce genre de dichotomie entre les besoins du métier et l’IT, notamment lors de l’arrivée du digital, qui, à ses débuts, était intégré à l’IT.
On a constaté que cette organisation ne fonctionnait pas si bien, ce qui a conduit à une séparation entre l’IT et le digital pour mieux répondre aux enjeux business. Aujourd’hui, le digital est vraiment centré sur l’expérience. On observe maintenant le même phénomène du côté de la data : elle se trouve soit rattachée à l’IT, soit au digital, mais toujours avec cette idée qu’elle est au service de l’un ou l’autre. La data n’est pas encore perçue comme une entité capable de transformer ou réinventer les processus.
Je pense que c’est vraiment le cœur du sujet : la valeur de la data, c’est qu’elle est un catalyseur de la transformation. Elle doit être perçue de cette manière.
Concrètement ? Comment on organise ça ? Des astuces à partager ?
Quand je suis arrivé chez Decathlon, il y avait déjà des équipes en place. Ce que j’ai fait en premier, notamment avec les data scientists, c’est de demander aux leaders de construire un business plan.
Pourquoi ? Parce que ce n’est pas un exercice auquel ils sont habitués.
Mon objectif était de pousser les data scientists à adopter une vision plus business, et à évoluer vers ce que j’appelle “business scientist » : une personne qui gère à la fois la science des données et les enjeux business. Au début, cet exercice a été perturbant pour eux, mais ils ont finalement apprécié et ont proposé d’excellentes idées et programmes.
La deuxième chose que j’ai faite, c’est d’aborder la façon dont les équipes métier amenaient un problème avec une solution déjà en tête, souvent influencée par leur expérience passée. Pour innover à ce niveau, j’ai embauché des « data value engineers ». Ce sont des personnes avec une double compétence : à la fois en data et en business.
En général, ces « data value engineers » sont souvent des personnes ayant travaillé dans des cabinets de conseil, avec une double formation, généralement en école de commerce comme HEC ou ESSEC, et une spécialisation en data, voire en data science pour certains. Leur rôle a été crucial lorsqu’on recevait des demandes des équipes métier, car ils nous permettaient de repartir de zéro et de bien définir la problématique. On s’est rendu compte qu’on pouvait donner de très bonnes réponses à de mauvaises questions, d’où l’importance de bien caractériser la demande dès le départ.
Il est essentiel de bien formuler la bonne question, donc de bien définir le problème. Pour y parvenir, on utilise des méthodes innovantes comme le “design thinking”. On élabore ensuite un “business case” avec la méthode du “business canvas”. Cela signifie que dès le début d’un “use case”, on sait clairement quel est le problème, quelle valeur la data peut créer, et surtout comment on va mesurer cette valeur. Souvent, les équipes métier n’ont pas forcément en tête les KPI nécessaires pour évaluer cette valeur, ce qui est d’ailleurs un indicateur important pour savoir si le problème est correctement posé.
C’est ainsi que j’ai réellement impliqué la data dans des sujets business et des projets transformationnels. Par exemple, nous avons reçu une demande concernant les « scriptwriters ». Nous avions mis en place une organisation assez classique, avec des personnes chargées de rédiger des descriptions de produits. Cependant, nous voulions intégrer de l’intelligence artificielle, mais de manière un peu empirique.
Ce que nous avons fait, c’est observer comment le processus était réalisé, le découper en étapes, et nous sommes rendus compte qu’en utilisant des “large language models”, nous pouvions complètement transformer le processus. Nous avons pu produire en masse des contenus en plusieurs langues avec un bon niveau de qualité. Au lieu d’avoir des “scriptwriters”, nous avons donc eu des superviseurs pour encadrer le travail des LLM. C’est une façon d’aider le business à réimaginer ses processus et la manière dont il réalise ses tâches.
Alors, centralisation ou décentralisation ?
C’est un grand sujet dans les entreprises. C’est vraiment une question à laquelle j’ai beaucoup réfléchi et à laquelle j’ai été confronté à plusieurs reprises. Au final, je trouve que cette question n’a pas de réponse unique. En observant bien la dynamique d’une entreprise, la façon dont les processus fonctionnent, et l’évolution de la data, on constate qu’il y a des sujets qui doivent être décentralisés. Cela permet d’être au plus près des décisions métiers, ce qui a tout son sens. Cependant, il y a aussi de nombreux sujets qui doivent rester centralisés pour éviter les duplications. Cela garantit la cohérence et la consistance des informations fournies. Par exemple, il est crucial que des données comme le chiffre d’affaires soient utilisées et calculées de manière uniforme par tous dans l’entreprise, afin qu’il n’existe pas différentes façons de calculer le chiffre d’affaires, le stock ou la marge.
C’est ce que j’ai observé chez Decathlon, mais aussi dans de nombreuses autres entreprises. Il est crucial de bien définir qui fait quoi et pourquoi. C’est pourquoi je préfère parler d’une organisation fédérée, où l’on établit un cadre global tout en permettant des responsabilités qui évoluent en fonction de l’état de la consommation de la data. Cela favorise une meilleure collaboration et une adaptation continue aux besoins changeants de l’entreprise.
Quels impacts as-tu pu noter ?
Ce que j’ai pu noter comme impact, c’est que la structure de l’organisation est essentielle. L’architecture de l’organisation joue un rôle fondamental. J’aime bien me référer à la loi de Conway, qui stipule que la structure d’une organisation influence la conception de ses produits. C’est une loi que nous avons probablement étudiée à un moment donné, mais que nous avons sérieusement oubliée. Cette loi souligne l’importance de la communication et de la collaboration au sein des équipes pour garantir une efficacité et une cohérence dans le travail.
La loi de Conway stipule que l’organisation détermine les produits que l’entreprise va développer. Dans le contexte de la data, si l’on souhaite favoriser l’agilité, la flexibilité et l’intelligence dans les processus, la manière dont on s’organise est cruciale. Par exemple, si nous nous structurons en silos par domaine, il est certain que nous produirons des solutions qui répondront uniquement aux besoins spécifiques de la supply chain, des ventes ou du design des produits. Cela peut conduire à un manque de cohérence et à des difficultés à atteindre des objectifs globaux.
Mais le besoin de transversalité ne sera pas satisfait. C’est pourquoi il est crucial de définir comment ces produits seront consommés, intégrés dans l’entreprise et réutilisés entre les différents domaines, ce que j’appelle la fertilisation croisée. Pour cela, il est nécessaire d’adopter une organisation appropriée.
Il faut construire l’organisation de manière à répondre aux besoins business et à créer un avantage concurrentiel, plutôt que de l’établir selon des territorialités. J’aime donc rappeler la loi de Conway : la manière dont nous allons nous organiser déterminera ce que nous allons produire.
Où peut-on te contacter ?
Inscrivez-vous à la Newsletter Club Datalogy !
La newsletter qui rassemble les retours d’expérience de ceux qui oeuvrent à booster la culture Data & IA !
