Passer au contenu

Data Trust : comment renforcer la confiance dans la donnée

Yann Ortodoro
6 mai 2022

Dans des environnements de plus en plus complexes, avec un volume exponentiel de données, il devient urgent pour les organisations de répondre aux questions autour de la qualité, de la consommation et pilotage de la data.

Comment développer une approche qui favorise l’adoption et la confiance dans la donnée ?

Lorsque l’on travaille sur des données, des questions reviennent régulièrement : Ce que je fais est-il correct ? Mon analyse se base-t-elle sur des données fiables ? Est-ce que je transmets la bonne information ? Avoir confiance dans les données, c’est n’avoir aucun doute sur la réponse à ces questions. L’enjeu ne réside donc seulement sur la qualité des données, mais bien la perception de cette qualité et sa maitrise. Chez Capgemini, c’est ce qu’on appelle la Data Trust.

« Autrement dit, il ne suffit pas d’améliorer la qualité des données pour améliorer la confiance : il faut aussi convaincre des parties prenantes de cette amélioration (en revanche, si la qualité n’est pas au rendez-vous, la confiance s’envolera instantanément). »

En renforçant la confiance dans les données, on lève donc certains obstacles organisationnels qui entravent souvent les projets data. Les certitudes permettent d’aller plus vite, d’accepter plus facilement de partager ses données et/ou d’utiliser les données fournies par d’autres, et de prendre le bon niveau de précautions. Dans certains secteurs sensibles ou très réglementés, on voit souvent de « surqualités », des contrôles excessifs, qui brident les initiatives data de peur de commettre un impair. En libérant les utilisateurs de leurs doutes et de leurs craintes, la Data Trust est un levier de productivité, de collaboration et d’innovation tout en assurant un respect des règles et contraintes en vigueur.

Data Trust : de quoi parle-t-on ?

Pour prendre une analogie, lorsqu’on est en voiture, on ne peut rouler à une certaine vitesse que si l’on a confiance : confiance dans son véhicule et dans les indicateurs qui décrivent son fonctionnement (compteur, jauge) ; confiance dans ses propres capacités de conducteur ; confiance enfin dans le fait que les autres usagers de la route respecteront un certain nombre de règles. Cet exemple nous montre trois choses qu’il est essentiel de garder à l’esprit lorsqu’on aborde la Data Trust.

Premièrement, c’est une notion dans laquelle la technologie joue un rôle majeur, mais qui reste avant tout humaine. Deuxièmement, c’est une notion subjective, qui dépend du profil de l’utilisateur, du contexte et des conséquences potentielles d’une erreur. Troisièmement, c’est une notion bilatérale : la confiance, c’est celle que l’on reçoit, mais aussi celle que l’on donne.

Pour faire progresser la confiance dans les données, il faudra donc travailler sur trois aspects nécessaires et complémentaires. Premièrement, des outils qui permettront d’améliorer de façon visible et démontrable la qualité et la maîtrise des données : data lineage, Master Data Management… Deuxièmement, des formations et informations des utilisateurs afin d’appréhender les enjeux et ambitions autour des données, leurs origines, possibilités, mais aussi limites, et comment en maîtriser l’usage. Enfin, des règles et des processus collectifs dont le respect évitera à chacun de se reposer systématiquement les mêmes questions. Aujourd’hui, ces trois aspects peuvent s’appuyer sur des solutions technologiques abouties, qui utilisent notamment l’intelligence artificielle pour automatiser de nombreuses tâches de contrôle et de mise en qualité des données.

Allier une vision long terme et une approche itérative/agile pour stimuler l’adhésion des utilisateurs

Le chantier de la Data Trust est donc très vaste et il est possible de se sentir quelque peu découragé par sa complexité. Ou, au contraire, convaincu de son importance, on peut être tenté de se lancer dans une vaste entreprise de normalisation de la donnée à l’échelle de l’entreprise. Le risque est alors de s’enferrer dans une multitude de règles et de processus que les utilisateurs auront du mal à appliquer. Ces nouvelles exigences viendront perturber leur travail quotidien et la Data Trust sera pour eux davantage un frein que l’accélérateur qu’elle devrait être. Si l’ambition doit être de mise, mieux vaut donc procéder de façon pragmatique et par petits pas, en actionnant les bons leviers sur des périmètres choisis.

Une approche Data Trust réussie devient un actif organisationnel et métier précieux. Cela se traduit en premier lieu par une confiance renouvelée dans l’usage de la donnée au quotidien, la réduction des temps de traitement et de coûts ; une prise de décision plus rapide et de meilleure qualité… Sans compter la possibilité de créer de nouvelles sources de revenus via les écosystèmes de données, tout en étant moins exposé au risque de non-conformité.

Pour valider la réussite des projets et démontrer leur bien-fondé, il sera important de définir des indicateurs qui soient suffisamment explicites pour les utilisateurs et mettent en perspective les bénéfices métiers obtenus avec le temps et le coût de la gestion de la donnée. Une mesure comme le temps nécessaire pour enregistrer un nouveau client et le valider, qui a à la fois un intérêt métier et un sens data, peut constituer un bon point de départ. L’objectif est de s’assurer que l’on met en place un dispositif viable et créateur de valeur, et non un système qui produise des données certes irréfutables, mais à grand frais.

Renforcer la confiance dans la donnée est un travail sur le long terme, qui doit sans cesse être remis en perspective par le métier, car le moindre faux pas peut suffire à ébranler des certitudes difficilement acquises. C’est une démarche qui exige un investissement et un engagement de tous dans la durée et la première tâche est sans doute de convaincre (régulièrement) toutes les parties de son importance capitale pour la réussite de la stratégie de l’entreprise.