Gouvernance big data : 2 exemples extrêmes

Le concept "big data" est relativement nouveau et à la mode, il ne résout pour autant pas toutes les questions qui ont surgi depuis les balbutiements de l'informatique décisionnelle, il y a quelques dizaines d'années. Les modèles de gouvernance, en particulier, continuent à faire débat, par exemple pour choisir entre une organisation centralisée et une approche distribuée. Deux articles récents permettent de comparer ces visions totalement opposées, avec les cas de la compagnie d'assurance MetLife et de la banque Keybank.
Les "exploits" de MetLife en matière de "big data" sont déjà connus, à travers le récit de sa création d'une "vue client 360°" en 3 mois. Un nouvel article d'InformationWeek nous donne cette fois l'occasion d'en découvrir les coulisses. En effet, la tenue d'un grand événement rassemblant une centaine de ses experts des données et de l'analyse révèle que ceux-ci sont dispersés dans l'organisation et géographiquement (la compagnie étant implantée aux 4 coins du monde).
Les collaborateurs concernés sont d'origines très diverses, entre les actuaires (spécialistes des risques d'assurance), les acteurs du marketing (travaillant sur les segmentations de clientèle et les campagnes prédictives) et les quants (modélisant les investissements). S'il faut ajouter à ces différences de fonctions les particularités locales, le choix d'une organisation éclatée n'est finalement pas illogique là où une parfaite connaissance de l'environnement est critique pour le cœur de métier et l'efficacité de l'entreprise.
Le danger est, évidemment, de dupliquer des efforts identiques dans des départements éloignés les uns des autres ou de générer des incohérences lorsque des consolidations sont nécessaires. La "big data party" organisée par MetLife a justement pour objectif de lutter contre ces risques, en donnant aux spécialistes issus de différents horizons une opportunité de se connaître et de partager leurs bonnes pratiques et leurs retours d'expérience. Des sessions d'"idéation" sont même organisées pour essayer de faire émerger collectivement des innovations sur des thèmes récurrents.
La perspective est totalement différente chez KeyBank, 22^ème banque américaine, où l'analyse de données est entièrement pilotée et gérée par un centre de compétence centralisé. Qui plus est, cette cellule est dirigée par un membre du comité exécutif qui porte une double casquette de directeur du marketing et des "recherches" ("insights").
Cette position reflète un choix structurant de l'entreprise : toutes les décisions d'importance doivent être justifiées par des données et l'équipe d'analystes dispose, de fait, d'un pouvoir de veto. Dans ses missions quotidiennes, le centre d'expertise est aussi en charge de produire les rapports demandés par tous les départements de la banque, alors qu'il y avait auparavant une cellule – indépendante – par département (13 au total).
Le changement d'organisation s'est accompagné d'une évolution technologique, puisque les multiples silos de données existants ont été consolidés en 2 entrepôts qui fédèrent l'ensemble des informations disponibles. C'est là une tendance qui prend de l'ampleur dans les approches "big data", permettant de mieux exploiter la valeur cachée des innombrables sources de données présentes dans l'entreprise. Et elle justifie certainement que les spécialistes en charge de leur utilisation soit eux-mêmes rassemblés dans une équipe unique, pour une banque de la taille de KeyBank.
Entre ces deux extrêmes, il est probable que la "vérité" se situe plutôt au milieu pour la plupart des grandes organisations. En effet, mettre en place un centre de compétence centralisé n'apporte pas de valeur (et risque au contraire d'induire des lourdeurs) lorsqu'il embrasse un domaine trop large. Il a cependant tout son intérêt lorsqu'il s'agit d'avoir une vision étendue du métier couvert.
Alors, la solution consiste vraisemblablement à confier à cette équipe transverse les missions de portée stratégique (au niveau d'une entité), tout en laissant les "utilisateurs" disposer d'une autonomie d'accès et d'analyse pour leurs besoins plus opérationnels. Et dans cette configuration, il faudra se souvenir du cas de MetLife et de l'importance d'assurer un partage des meilleures pratiques entre les différents acteurs de la donnée.