Yann, quand tu échanges aujourd’hui avec des Chief Data Officers, quel est le constat le plus fréquent que tu entends ?
Le constat le plus fréquent, c’est qu’ils sont très challengés sur la valeur et le ROI. Et en même temps, c’est extrêmement compliqué à mesurer. Au final, on retombe très souvent sur la mesure de l’adoption, qui est le premier signal : est-ce qu’on répond bien à un besoin ? Est-ce qu’on a vraiment une utilisation ? Et s’il y a une utilisation, c’est qu’on rend service et qu’on apporte une valeur aux utilisateurs.
L’autre point, c’est qu’il y a toujours une volonté d’améliorer l’adoption. Le benchmark marché tourne autour de 30% d’adoption des solutions data. Ce n’est pas énorme, parce qu’on a construit toutes nos hypothèses de ROI en se disant qu’on allait atteindre tel niveau, mais si on n’a que 30% d’adoption, on ne peut avoir que 30% du ROI visé. Et même nos clients qui arrivent à 80-90%, la première question qui revient toujours, c’est : comment faire pour aller encore plus loin ? On n’est jamais satisfait, même à 80-90%. Ce qui est génial, ça prouve qu’on est vraiment focus sur nos utilisateurs.
Qu’est-ce que ce chiffre de 30% dit de notre manière de concevoir la data globalement ?
J’aime bien revenir sur une formule que j’ai vue il y a des années : l’adoption, c’est le désir moins la friction. Du désir, de la volonté, de l’utilité pour la data, il y en a. On a des besoins, des demandes dans tous les sens, on a fait les investissements, on a fait les projets. Mais si l’adoption n’est pas au rendez-vous, c’est peut-être aussi parce qu’on a de la friction. Est-ce qu’on a amené les solutions de manière suffisamment simple et naturelle pour les utilisateurs ? Et au-delà de la solution, a-t-on levé les barrières pour qu’ils puissent vraiment en tirer profit ?
Je te donne deux exemples de ma carrière. La meilleure adoption que j’ai connue, c’est quand j’ai permis à des commerciaux d’avoir chaque jour leur information sur l’atteinte de leurs objectifs et donc de leur bonus. Là, en termes de désir, je n’ai jamais vu mieux : c’était le premier réflexe chaque matin. Avec la même population, on leur avait aussi amené des dashboards pour optimiser les livraisons clients. C’était génial, ça a apporté beaucoup de valeur. Mais comme derrière, il fallait mettre à jour les commandes, recontacter les clients, on avait une friction de process qui faisait que l’adoption était moins bonne.
Où se situe la frustration principalement : côté business ou côté équipes data ?
Elle est partout. Côté business, malgré tous les investissements réalisés, on entend souvent des équipes qui se plaignent de ne pas avoir de données, ou de ne pas obtenir de réponses à leurs questions assez rapidement. C’est parce que chaque jour, chaque employé fait face à une nouvelle situation, une nouvelle question imprévisible à laquelle il doit répondre.
Les équipes data ont essayé de répondre à ces demandes avec des dashboards, des outils analytiques, des moteurs de recommandation, mais en les démultipliant, on a augmenté la complexité. Et côté data, elles sont également très challengées pour fournir toutes ces réponses avec des budgets contraints : le DAF voit des coûts data qui augmentent, a du mal à quantifier la valeur, et si en plus il entend des insatisfactions, ça alimente encore le challenge sur le ROI.
La self-service data, c’est la solution ? Le graal ?
C’est le graal, vraiment. Permettre à n’importe quel employé de trouver la réponse à sa question de manière autonome, j’y crois toujours, j’en suis complètement convaincu. Après, sur la manière, on s’est peut-être un peu trompés. On a parfois rêvé trop grand en se disant qu’il suffisait de donner accès aux utilisateurs à la donnée pour qu’ils se servent eux-mêmes. Ça demande des compétences, ça demande des efforts, et il y a de la friction.
Un commercial, un employé des RH, il ne s’est pas engagé pour être data analyst. Il veut être face à des clients, face à des candidats, et ne pas passer des heures à préparer des analyses. Il faut qu’on arrive à leur simplifier la vie. Et c’est là qu’arrive la GenAI.
Qu’est-ce que la GenAI a réellement changé, ou va réellement changer, dans cette équation ?
Ce qui change radicalement, c’est que l’adoption de ces technologies a été beaucoup plus rapide dans le monde personnel qu’en entreprise. On n’a pas eu besoin de pousser les utilisateurs : ils ont adopté ces outils avant même qu’on leur demande. Et ça crée des attentes.
On entend des équipes data nous raconter que des utilisateurs, y compris des membres de COMEX, viennent les voir en disant : « Je n’ai pas trouvé l’information dans vos dashboards, alors j’ai pris le rapport et je l’ai posté dans mon LLM préféré, qui m’a donné une bien meilleure réponse. Comment vous mettez-vous au niveau ? » C’est un challenge constructif, mais il soulève aussi des questions réelles de fiabilité et de sécurité des données.
Est-ce que l’IA générative va sonner la fin des tableaux de bord et des dashboards ?
On l’entend, certains éditeurs de logiciels l’annoncent même, mais je n’y crois pas vraiment. Le conversationnel, le mode ad hoc, c’est parfait pour répondre à des questions ponctuelles, pour itérer, pour creuser. Mais un dashboard, sa première mission, c’est de partager une vision commune. C’est avant tout un acte de communication de l’entreprise auprès de son équipe : voilà notre feuille de route, nos objectifs, et voilà où on en est.
Quand on pilote une organisation, on ne veut pas que chacun parte de zéro chaque matin avec sa propre question. On doit tous partager la même image ensemble. Le dashboard, c’est la vision commune et unifiée. Et le conversationnel vient en complément, pour poser une question plus précise sur la situation qu’on rencontre. Les deux coexisteront.
Peux-tu nous expliquer simplement la différence entre « Talk to Data » et « Data Talks to Me » ?
Talk to Data, c’est très simplement : je suis un utilisateur et je vais poser ma question à mes données. Je peux parler à mes données, obtenir une réponse, des rebonds, des propositions d’axes d’analyse, des recommandations. Mais on dépend encore d’un premier filtre : il faut que l’utilisateur ait l’intuition qu’il y a une question à poser, et le réflexe d’aller la poser.
Data Talks to Me, c’est prendre ces mêmes capacités et les confier à des agents qui comprennent un jeu de données, comprennent les intentions et les objectifs de l’entreprise, et font l’analyse en amont. Un utilisateur lambda a souvent 15 à 20 KPIs à suivre quotidiennement. Juste les analyser, c’est 20 à 30 minutes par jour, et ils ne le font pas, ce qui explique en partie nos 30% d’adoption.
L’agent va scanner tous ces KPIs chaque jour, détecter les changements de tendance, les signaux faibles, et faire remonter chaque matin à chaque employé : « Oublie tes 20 KPIs, ce sont ces deux-là qui comptent aujourd’hui, et voilà sur quoi tu dois agir. » On a pré-mâché le travail, et ensuite on peut enchaîner avec le Talk to Data pour aller plus loin. L’information vient à soi, et ça décale le point d’entrée de l’adoption.
Qu’est-ce qu’un Chief Data Officer doit absolument sécuriser avant de promettre une expérience vraiment augmentée par la GenAI ?
D’abord, il faut scoper, périmétrer. On ne pourra pas brancher une solution magique sur toute sa data platform et répondre à n’importe quelle question sur n’importe quelle donnée, pas encore. Ce que ça demande, c’est d’avoir préparé les données, pas seulement sur le plan de la modélisation et des jointures, mais aussi en mettant en place la sémantique : quel vocabulaire vont utiliser les employés ? Quelles seront leurs intentions ? Et quelles sont les priorités de l’entreprise, par exemple entre volume, marge ou livraisons ?
Tout ça, il faut le packager pour que l’agent réponde comme un collègue bien briefé, qui connaît le contexte et la culture de l’entreprise. Et pour ça, il faut découper par domaines, exactement comme on le faisait avec les dashboards : je prépare ce jeu de données pour répondre à ces questions, je sécurise ça, je passe au suivant. Progressivement, on couvre de plus en plus de périmètre.
Si tu avais un dernier conseil à donner à un Chief Data Officer, ce serait lequel ?
On a beaucoup parlé de moyens de réduire la friction et de simplifier. Mais le réflexe à reprendre systématiquement, c’est de se demander : pourquoi ? Quel problème veut-on résoudre pour nos employés, nos collègues ? À quelles questions veut-on les aider à répondre, et pour quelle action derrière ? Il faut se forcer à reposer la question, à re-challenger, pour vraiment revenir sur cette valeur qui va amener l’adoption. Si on résout vraiment un problème chaque jour, ils vont adopter, ils vont utiliser tous les jours. Et la techno suivra. On revient toujours au fameux « Why ».
