Tu me racontais, en préparant cet échange, que la data est partout chez Betclic. L’adoption n’était donc pas le sujet. Pourquoi avoir fait le choix d’une organisation hybride, avec une équipe centrale et des équipes très proches des métiers ?
C’est l’organisation qui fonctionne le mieux dans notre modèle actuel. La raison est simple : nous voulons garder le contrôle sur des éléments clés, par exemple la façon de calculer les KPIs. Pas question que le revenu soit mesuré différemment d’une équipe à l’autre, ni que les approches analytiques et statistiques varient selon les équipes. Nous voulons aussi maintenir une exigence constante sur la qualité des profils recrutés. D’où l’importance d’une équipe centrale.
Mais à l’inverse, trop centraliser nous éloigne du métier. Le bon équilibre, pour nous, c’est une équipe centrale, divisée en petites sous-équipes rattachées à différents domaines : fraude, paiement, marketing, CRM. Chaque domaine dispose de ses propres Data Scientists, Data Analysts et Data Engineers, très experts de leur sujet, tout en faisant partie de l’équipe data centrale.
L’hybride, donc, non pas comme un compromis mou, mais comme un vrai choix stratégique. Chez Criteo ou Accor, où tu as aussi travaillé, l’organisation était un peu différente, avec un centre d’excellence. Quel était son rôle ?
Chez Accor comme chez Criteo, nous étions toujours, d’une certaine manière, dans des organisations hybrides. C’est ce qui fonctionne le mieux. La différence tenait au reporting : la direct line et la dotted line étaient en quelque sorte inversées.
La problématique de ces deux entreprises, c’était le nombre d’analystes. Chez Betclic, nous en avons une trentaine. Chez Criteo et Accor, nous étions proches de 200, répartis géographiquement : au Japon, aux États-Unis, dans différentes régions. Or piloter une équipe analytique de 200 personnes depuis un seul endroit, alors qu’elles sont dispersées dans le monde, c’est compliqué.
À cette échelle, on atteint aussi une masse critique qui permet de constituer des équipes indépendantes. Mais des équipes totalement indépendantes ne fonctionnent pas davantage, pour la raison déjà évoquée : des opérations basiques comme le calcul d’un KPI finissent par diverger, les doublons se multiplient, les mêmes dashboards sont refaits plusieurs fois.
D’où le choix, dans les deux entreprises, de créer un centre d’excellence. Les équipes analytiques restaient en région et y reportaient directement, mais une équipe centrale forte les reliait par une dotted line. Son rôle : garantir une méthodologie, des approches et des bonnes pratiques communes, et éviter de recréer dix fois le même dashboard.
C’est souvent là que se situe la difficulté des organisations hybrides : comment éviter que l’équipe centrale soit perçue comme la « police de la data » ? Aurais-tu des conseils sur ce point ?
Dans un cadre de centre d’excellence, on sera toujours un peu perçu comme la police, parce que c’est en partie le cas : cette équipe restreint une part de la liberté des autres, qui ont alors le sentiment d’avoir moins de marge de manœuvre.
Il faut donc promouvoir l’importance des standards, de la gouvernance et des approches communes, mais surtout rendre leurs bénéfices très visibles. Par exemple : « Tu n’as pas besoin de créer ce dashboard, il existe déjà dans une autre région. » Et voilà du temps gagné, une solution déjà éprouvée. Montrer la valeur de cette approche centralisée est essentiel.
L’autorité vient souvent de la plateforme. Il existe une autorité naturelle dans le fait d’apporter de la valeur et de proposer quelque chose de partagé. C’est pourquoi il est important de disposer d’une plateforme unique, pilotée par l’équipe centrale. Sans cela, difficile d’assurer la gouvernance et de vérifier que les pratiques de chaque région la respectent.
Au fond, je crois que tout fonctionne par cycles. Il n’existe pas un modèle valable en toutes circonstances. Une start-up avec une équipe data de cinq personnes restera toujours centralisée. Une entreprise comme Google ou Amazon sera, elle, très décentralisée, parfois sans même de CDO. Ce qui compte, c’est de choisir le bon modèle au regard de la taille et de la maturité de l’entreprise.
Et très souvent, quel que soit le choix, le bon modèle repose sur un double reporting, central et local. La seule chose qui change avec la taille et la maturité, c’est laquelle de ces lignes est directe et laquelle est dotted. Parfois, on les inverse. Mais il n’y a pas d’état parfait : la tension est permanente, c’est toujours en mouvement, et on se remet régulièrement en cause.
Il y a aussi un cycle plus long. À trop rester dans une organisation centralisée, on finit par n’en voir que les inconvénients et plus la valeur ajoutée. On décentralise alors un peu, puis les problèmes liés à la décentralisation apparaissent à leur tour. Les entreprises centralisent et décentralisent ainsi par cycles, en fonction des difficultés qu’elles rencontrent.
Autre sujet qui revient souvent chez les CDO que j’accompagne : comment animer des experts data très proches des métiers, sans tomber dans une logique purement client-fournisseur ? Comment faire vivre cette communauté d’experts au cœur des métiers ?
Nous avons agi sur deux plans.
D’abord, pour la construction de produits, nous avons une équipe dédiée de Data Product Owners et Managers, experts à la fois de la data et du domaine métier sur lequel ils travaillent. Cette double expertise les rend proactifs : ils proposent de nouvelles solutions et sont parfois moteurs de nouveaux produits.
Ensuite, pour l’analytics, il est essentiel d’amener les analystes à un niveau d’expertise suffisant pour qu’ils deviennent forces de proposition. Ils sont alors intégrés aux équipes comme des acteurs proactifs, et non comme des exécutants qui attendent l’arrivée de tickets.
Avec le recul, quel premier conseil donnerais-tu à un CDO qui réfléchit à mettre en place une organisation data hybride ?
Regarder avant tout la taille et la maturité de l’entreprise. Plus elle est grande, avec de nombreux acteurs et plusieurs régions de business, plus l’organisation sera distribuée. Moins elle est mature et plus la communauté data est réduite, plus il vaut mieux rester centralisé.
Tout dépend donc du nombre de personnes dans les équipes. Il existe une masse critique à partir de laquelle on peut vraiment créer des équipes indépendantes. Au-delà, je le répète, il n’y a pas de solution idéale : il faut regarder où l’on se situe sur la courbe de maturité et choisir l’option la plus adaptée à la taille de l’entreprise, à celle des équipes data et au nombre de personnes qui travaillent sur la data dans toute l’organisation.
Conclusion
Ce que je retiens de cet échange, c’est qu’il n’existe pas de modèle d’organisation idéal, mais plutôt un curseur que l’on ajuste en permanence entre centralisation et décentralisation, selon la maturité de l’organisation, sa taille et ses enjeux business du moment.
Je retiens aussi que faire vivre une organisation data hybride suppose une vraie démarche d’animation des experts data. Ce n’est pas un sujet secondaire, mais un travail à part entière, qui demande du temps et des méthodes : training, data talks, acculturation. Quel que soit le degré de centralisation, cet investissement est indispensable pour faire vivre la communauté.
Et cela tombe bien : cette animation de communauté est précisément au cœur de notre métier chez Datalogy. Merci beaucoup, Iouri, pour ce retour d’expérience. La data, finalement, c’est surtout une aventure humaine. Nous n’avons pas employé un seul mot technique, et c’est tout à fait l’esprit.
