Comment Bâtir Votre Équipe Data?

Alors que les entreprises prennent de plus en plus conscience du pouvoir décisif des données pour atteindre leurs objectifs commerciaux, la plupart d'entre elles espèrent placer les données au cœur de leurs stratégies commerciales et produits. Cela implique de constituer une équipe data capable de fournir du support aux différentes parties de l'entreprise. Cela n'est malheureusement pas une tâche facile.

Pour devenir véritablement data-driven, les entreprises doivent développer trois compétences essentielles : la stratégie, la gouvernance et l'analyse des données.

1. Stratégie : Une stratégie data est la roadmap de votre organisation pour utiliser les données en vue d'atteindre ses objectifs. Cela nécessite une compréhension globale des besoins data inhérents à la stratégie commerciale. Commencez par vous poser les bonnes questions: Pourquoi collectez-vous des données ? Cherchez-vous à générer des revenus, à réduire les coûts, à gérer les risques ou à améliorer l'expérience client? Ou est-ce une combinaison de toutes ces raisons?
2. Gouvernance : La gouvernance des données englobe un ensemble de processus, de rôles, de politiques, de normes et de mesures visant à assurer l'utilisation efficace des informations pour atteindre les objectifs de l’entreprise. Une stratégie de gouvernance des données bien conçue assure que les données de l'entreprise sont fiables, précises et disponibles.
3. Analytics : L'analyse des données consiste à examiner les données brutes pour en tirer des  des conclusions. Ceux impliqués dans l'analyse des données sont généralement des data engineers, data analysts et des data scientists.

En fin de compte, votre capacité à exploiter des données reposera finalement sur ces trois piliers. Si, en lisant cela, vous réalisez que votre organisation ne possède aucun de ces éléments, ne vous inquiétez pas, nous sommes là pour vous aider.

Pour commencer sur de bonnes bases, constituez une équipe data en adéquation avec les objectifs stratégiques de votre entreprise. Ce premier pilier de votre organisation des données sera l'objet de cet article.

Lors de la constitution d'une équipe data, les head of datas se retrouvent souvent confrontés aux questions suivantes:

• Quelle devrait être la taille de l'équipe ?
• Combien de data engineers, data analysts et de data scientists sont nécessaires ?
• Comment l'équipe doit-elle intéragir avec les autres services de l'entreprise ?
• L'équipe data doit-elle avoir une structure centralisée ou intégrée ?

Ces questions sont tout à fait légitimes, car disposer d'une équipe data n'est plus un luxe, mais essentiel à la survie même d'une entreprise aujourd’hui.

Où en êtes-vous dans votre parcours data ?

Avant de composer une équipe data, il est essentiel d’évaluer votre maturité data, car celle-ci  va directement impacter l’organisation de votre équipe. Cette partie sera donc dédié à une évaluation simplifiée de maturité data . Attention, la taille de votre entreprise et votre maturité data sont deux choses différentes. Votre entreprise peut être grande mais manquer de maturité en ce qui concerne les données.

Votre maturité data correspond à votre capacité à tirer une valeur tangible de vos données. Pour évaluer cette maturité, nous proposons un cadre simple dans lequel vous mesurez votre capacité à comprendre votre passé, connaître votre présent et prédire votre avenir.

Dans la plupart des entreprises, chaque service dispose de ses propres indicateurs clés de performance (KPI) pour soutenir la stratégie globale. Mais ce n’est pas suffisant de simplement  définir les KPIs, il est également essentiel de les suivre attentivement et de pouvoir anticiper les  résultats futurs en fonction de ces KPIs. Ceci repose sur une parfaite compréhension du présent, elle-même bâtie sur une connaissance approfondie du passé. En maîtrisant ceci, vous avez trouvé un moyen facile d'évaluer votre maturité data. Par exemple, si vous ne parvenez pas à identifier les facteurs clés de revenus de votre entreprise (votre passé), cela signifie qu’il est essentiel d’améliorer la maturité data en apportant de la visibilité à votre activité avant de chercher à anticiper l’avenir (votre futur). Nous vous conseillons de faire les choses dans l’ordre, sans brûler des étapes. C'est un peu comme la pyramide de Maslow, mais pour les données.

Penchons nous sur quelques examples concrets:

Le Retour sur Investissement (ROI) en marketing : Définissez votre ROI sur divers canaux en utilisant un modèle d'attribution identifié. Ensuite, étudiez son évolution au cours des 12 derniers mois, en particulier ses moteurs de performance (identification des canaux performants, période de l'année, produits, etc.). Puis, suivez régulièrement son évolution grâce à un outil de reporting fiable (présent). Enfin, prévoyez votre budget marketing en vous basant sur ces modèles prédictifs (futur).

La Satisfaction Client : Définissez votre mesure de satisfaction client. S'agit-il du NPS, du CSAT ? Il est essentiel que chaque membre de votre entreprise comprenne parfaitement comment elle est calculée. Tout comme dans notre exemple précédent, étudiez son évolution sur les 12 derniers mois et identifiez ses moteurs (passé). Ensuite, suivez quotidiennement la satisfaction de vos clients grâce à des dashboards fiables. Votre compréhension du passé et de la situation actuelle de la satisfaction client vous permettra de prédire efficacement le taux de désabonnement (futur).

Cette compréhension du passé et du présent est couramment qualifiée d’analyse descriptive. Cela permet à une organisation de comprendre ses performances en fournissant un contexte qui aider acteurs clés à interpréter les informations. Ce contexte se présente généralement sous forme de visualisations de données, comme des graphiques, des dashboards, des rapports et des diagrammes. Lorsque vous analysez des données pour anticiper l'avenir, vous effectuez ce que l’on appelle une analyse prédictive. Le concept est de prendre les données historiques et de les utiliser dans un modèle de machine learning qui examine les schémas clés. Ensuite, appliquez ce modèle aux données actuelles et espérez qu'il prédira l'avenir. Dans cet article, nous emploierons les termes d'analyse descriptive et prédictive pour désigner la compréhension du passé, du présent et la prédiction du futur.

Si vous réalisez que votre organisation n'est pas encore pleinement mature (c'est-à-dire que vous n'avez pas une vision claire de votre passé et de votre présent), voici nos recommandations pour les prochaines étapes de votre équipe data.

Les acteurs clés dans une équipe data

Une équipe data est souvent composée de quatre rôles clés, qui sont décris ci-dessous:

• Les Data engineers: Ils sont chargés de concevoir, construire et maintenir des actifs de données qui seront exploités pour les projets. Les data engineers travaillent donc en étroite collaboration avec les data scientists/ analysts et jouent un rôle essentiel. Nous incluons également le nouveau role d’analytics engineer, même si, en pratique, il se situe entre l’analyse et l’ingénierie.
• Les data scientists: Ils utilisent des statistiques avancées et des outils de programmation pour concevoir des modèles prédictifs. Les rôles des data scientists et des data analysts sont assez similaires, mais les data scientists se concentrent davantage sur l'analyse prédictive que sur l'analyse descriptive.
• Les data analysts: Ils effectuent des rapports et des analyses directes. Contrairement aux data scientists et aux data engineers qui travaillent généralement avec des données brutes ou non-traitées, les analystes travaillent avec des données nettoyées et transformées en formats plus abordables/ collaboratifs.
• Les business analysts / operations analysts : Ils améliorent les processus et systèmes de l'organisation. Ils se concentrent sur les dashboards, répondent aux questions commerciales et proposent leur interprétation. Agiles, ils jonglent entre la tech et le business afin de combler l’écart et améliorer l'efficacité. Ils travaillent fréquemment avec une zone d'activité spécifique telle que le marketing ou les finances, et leurs compétences en SQL vont de la création de dashboards de base à l'analyse avancée.
• Head of data analytics : Ils supervisent stratégiquement l'équipe data. Leur objectif : faciliter l'accès aux données, développer les compétences data de l'entreprise, et assurer la gouvernance des données. Visionnaires et leaders techniques, ils sont le lien entre l'équipe data et l'unité commerciale principale.

Quelle taille devrait-faire votre équipe?

Différentes entreprises constitueront des équipe data de tailles différentes, il n’existe pas de taille unique qui convienne à tout le monde. Nous avons étudié la structure des équipe data de plus de 300 organisations comptant entre 300 et 1000 employés, voici les informations que nous en avons tiré:

1. En règle générale, vous devriez viser à avoir 5-10% d’employés compétents en analyse de données au sein de votre entreprise. Certaines entreprises comme Amazon or Facebook forment une grande partie de leurs employés, mais nous les avons exclues de notre analyse.
2. Les premiers recrutements au sein d'une toute nouvelle équipe data sont souvent un data engineer et un data analyst. Avec seulement ces deux rôles, les organisations peuvent déjà se lancer dans une analyse descriptive de base. Lorsque vous construisez une équipe plus importante, réfléchissez en termes de compétences dont vous avez besoin. Un projet de données typique nécessite les compétences suivantes : bases de données, développement logiciel, machine learning, visualisation, collaboration et communication. Il est très rare de trouver des individus possédant toutes ces compétences. Vous devez donc être conscient des compétences que chaque candidat apporte à l'équipe. Indépendamment du nombre de personnes que vous décidez d'embaucher, votre équipe devrait idéalement couvrir cet ensemble de compétences. Le stade où vous vous trouvez dans votre parcours data affecte également les personnes que vous embauchez. En général, les data analysts se concentrent sur la compréhension du passé. Autrement dit, ils prennent les données que vous avez et essaient de comprendre les moteurs de la croissance et d'autres indicateurs. Les business analysts / operations analysts sont orientés vers le présent (dashboard). Enfin, les data scientists se concentrent sur la prédiction des résultats futurs. Ainsi, si vous avez du mal à comprendre votre passé, embauchez d'abord un data analyst avant d’embaucher un data scientist.
3. En définitive, ce qui devrait guider la taille de votre équipe data, ce sont le nombre de problèmes commerciaux et la complexité des problèmes les plus sérieux. Examinez la taille de votre roadmap et déterminez combien de personnes vous avez besoin pour mener à bien vos projets data dans un délai raisonnable. Si vous réalisez que cela prendrait plus d'un an à votre équipe data pour terminer ses projets, il est probablement temps d'élargir l'équipe. Nous vous encourageons également à observer le rapport exécution/construction. Les membres de votre équipe data sont en mode "exécution" lorsqu'ils travaillent sur les opérations quotidiennes de l'entreprise, en se concentrant sur les performances actuelles de l'organisation. Ils sont en mode "construction" lorsqu'ils travaillent sur des projets à long terme, comme l'ajout de nouvelles fonctionnalités au produit. Votre équipe data devrait être en mode exécution 2/3 du temps et en mode construction 1/3 du temps. Si votre équipe consacre tout son temps sur les besoins du jour, vous compromettez l'avenir de votre entreprise et il est probablement temps d'agrandir l'équipe.

Enfin, vous devrez peut-être effectuer des embauches spécifiques à des projets. Si vous êtes une fintech qui mène un projet de détection de fraudes, ou une entreprise spécialisée dans la logistique, vous voudrez peut-être embaucher quelqu'un qui connaît les spécificités de votre industrie.

Comment l’équipe data s'intègre-t-elle à l'entreprise ?

Il n'existe pas de structure parfaite pour une équipe data, et votre structure est susceptible de changer à de nombreuses reprises. Si elle n'a pas changé au cours des deux dernières années, il est probable qu'elle soit sous-optimale. Pourquoi ? Parce que les besoins data  de votre entreprise évoluent rapidement, ce qui nécessite une adaptation de la structure de votre équipe de data. Gardez également à l'esprit que plus votre organisation est statique, plus le prochain changement sera difficile. Pour cette raison, nous ne prescrivons pas une structure fixe, mais plutôt nous présentons les modèles les plus courants et comment ils peuvent être adaptés à différents types d'entreprises.

La toute première étape à suivre lorsque vous structurez votre équipe data est de repérer les personnes qui travaillent déjà avec les données au sein de votre organisation. Si vous ne prenez pas le temps de repérer soigneusement les personnes travaillant déjà avec les données, vous risquez de vous retrouver avec une structure d'équipe data mal ~~~~organisée, peu adaptée aux besoins de votre entreprise.

Modèle centralisé

Le modèle centralisé est la structure la plus simple à mettre en œuvre, et c'est généralement la première étape pour les entreprises qui souhaitent être data driven. Cependant, ce modèle présente quelques inconvénients, qui seront énumérés ci-dessous. Cette structure conduit généralement à une "plateforme" de données centralisée, où l'équipe data a accès à toutes les données et sert l'ensemble de l'organisation dans une variété de projets. Tous les data engineers, analysts et scientists de cette équipe sont directement gérés par le head of data. Avec cette structure, l'équipe data rend compte en pointillés aux parties prenantes des données basées dans les unités commerciales, dans une relation de type consultant/client.

Ce modèle flexible s'adapte aux besoins en constante évolution d'une entreprise en croissance. Si vous en êtes au début de votre parcours data, c'est-à-dire si vous avez encore du mal à avoir une vision claire de votre passé et de votre présent, c'est la structure que nous recommandons. Les premiers projets de l'équipe data chercheront à apporter de la visibilité à l'entreprise, en veillant à ce que tous les départements de votre organisation disposent d'indicateurs clés de performance et de dashboards auxquels ils peuvent se fier. Ce type de structure est particulièrement adapté à l'analyse où la réutilisation et la gouvernance des données sont importantes.

Avantages:

✅ L’équipe data peut aider à d’autres projets au sein de l’entreprise tout en travaillant sur son propre agenda.

✅ L’équipe peut prioritiser les projets dans toute l’entreprise.

✅ Il y a plus d’opportunités pour le développement des talents et des compétences au sein d'une équipe centralisée. En effet, l'équipe data travaille sur une variété plus large de projets, et les data engineers, les data scientists et les data analysts peuvent bénéficier des connaissances de leurs pairs.

✅ Le Head of data a une vue centralisée de la stratégie de l'entreprise et peut affecter les personnes travaillant avec les données aux projets qui conviennent le mieux à leurs capacités.

✅ Encourage la croissance de carrière, car les data engineers, les data scientists et les data analysts ont une vision claire des rôles de niveau supérieur.

Inconvénients:

❌ Fort risque de déconnexion entre l'équipe data et les autres unités commerciales. Dans ce modèle, les data engineers et les data scientists ne sont pas impliqués dans les activités quotidiennes des autres équipes, ce qui rend difficile l'identification des problèmes les plus pertinents à résoudre.

❌ Risque que l’équipe data soit réduite à devenir une fonction de "support", avec d'autres départements ne prenant pas leurs responsabilités.

❌ Étant donné que l'équipe data sert le reste de l'entreprise, les autres unités commerciales pourraient avoir l'impression que leurs besoins ne sont pas correctement pris en compte, ou que le processus de planification est trop bureaucratique et lent.

Modèle décentralisé

Dans un modèle décentralisé, chaque département embauche ses propres spécialistes data, avec une plateforme de données centralisée. Dans ce modèle, les data analysts et les data scientists se concentrent sur les problèmes spécifiques à leur unité commerciale, avec peu d'interaction avec les spécialistes des données des autres secteurs de l'entreprise. Avec cette structure, les data analysts relèvent directement du responsable de leur unité commerciale respective.

Avantages

✅ Les équipes intégrées de spécialistes des données sont agiles et réactives, car elles se consacrent à leurs fonctions commerciales respectives et possèdent une bonne connaissance du domaine.

✅ Les Heads of product peuvent attribuer des tâches liées aux données aux personnes les plus qualifiées pour les exécuter.

✅ Les équipes commerciales n'ont pas besoin de se battre pour obtenir des ressources pour construire leur projet de données car les ressources sont intégrées aux équipes.

Inconvénients

❌ Absence de source de vérité, duplication du contenu des données

❌ Les spécialistes des données finissent par travailler sur des problèmes redondants en raison d'un manque de communication entre les différentes équipes.

❌ La création de silos conduit à une érosion de la productivité car les spécialistes des données ne peuvent pas s'appuyer sur l'expertise de leurs collègues comme dans le modèle centralisé.

❌ Ce modèle rend plus difficile l'attribution optimale des spécialistes des données à différents projets.

❌ Les responsables commerciaux, qui ont généralement peu de connaissances techniques, auront du mal à gérer les spécialistes des données et à comprendre la qualité de leur travail.

‍Centre d'excellence

Un modèle fédéré convient le mieux aux entreprises qui ont atteint une maturité data qui ont une stratégie data claire et qui s'engagent dans l'analyse prédictive.

Dans le modèle du Centre d'excellence, les spécialistes des données sont intégrés aux unités commerciales, mais il y a aussi un groupe centralisé qui offre direction, aide et formation. Si les data analysts et les data scientists sont déployés dans les départements commerciaux, vous aurez toujours un head of data qui établit les priorités et supervise les projets data. Cela garantit que les projets de données les plus bénéfiques sont traités en premier.

Cette stratégie convient le mieux aux grandes entreprises avec une roadmap data claire. Le modèle de centre d'excellence implique une équipe data plus large, car vous avez besoin de data scientists à la fois dans le centre d’excellence et dans les différentes branches commerciales. Si vous êtes une petite ou moyenne entreprise, vos besoins peuvent ne pas nécessiter une équipe data de cette taille.

Cette approche conserve les avantages du modèle centralisé et du modèle intégré. C'est une structure plus équilibrée dans laquelle les actions de l'équipe data sont coordonnées, mais où les experts des données restent intégrés aux unités commerciales.

Encore une fois, il est extrêmement important de savoir qui sont vos spécialistes des données. Lorsque vous construisez une équipe centralisée au début de votre parcours de données, assurez-vous de ne pas avoir d'analystes commerciaux/ops intégrés dans d'autres départements. Sinon, vous vous retrouverez avec un modèle mixte indésirable, créant un chaos complet dans votre organisation. Lors de la création d'un COE, assurez-vous que c'est souhaité et planifié.

‍

Avantages

✅ Le modèle du Centre d'excellence offre les avantages à la fois du modèle centralisé et du modèle intégré.

‍

Cependant, il présente également quelques inconvénients :

Inconvénients

❌ Ce modèle nécessite une couche supplémentaire de coordination et de communication pour assurer l'alignement entre le COE et les unités commerciales.

❌ Non adapté aux petites et moyennes organisations, celles-ci peuvent alors profiter des avantages de ce modèle.

‍

En conclusion

Construire une équipe data est un pilier clé que vous devez mettre en place si votre entreprise souhaite devenir axée sur les données. La mesure dans laquelle vous allez tirer de la valeur commerciale de vos données dépend en fin de compte de l’éfficacité de cette équipe et de la symbiose qu'elle entretient avec le reste de votre entreprise. Il n'y a pas de conseils prêts à l'emploi pour la taille, la composition et la structure de votre équipe data.

‍

S'inscrire à la newsletter

‍

À propos de nous

Nous écrivons sur tous les processus impliqués dans l'exploitation des actifs de données : de ladata stack moderne à la composition des équipes data, en passant par la gouvernance des données. Notre blog couvre les aspects techniques et moins techniques de la création de valeur tangible à partir des données.Chez CastorDoc, nous développons un outil de documentation des données pour la génération Notion, Figma, Slack.Ou, pour les adeptes de Fivetran, Looker, Snowflake et DBT, une solution axée sur les données. Nous avons conçu notre logiciel de catalogue pour qu'il soit facile à utiliser, plaisant et collaboratif.Envie de le découvrir ? Contactez-nous et nous vous ferons une démonstration.

‍