Vous avez un projet ERP et vous souhaitez parler à un expert? 📞 Prendre RDV
L’industrie 4.0 devient de plus en plus une réalité, alors que les données sont générées sur tous les fronts, de l’usine aux services support, et en externe dans l’écosystème de l’entreprise. Or, les données permettent de gagner en efficacité et en compétitivité à condition d’être préparées pour en extraire de précieuses informations utiles à la décision. C’est pourquoi, de la donnée brute à l’information décisionnelle, l’entreprise doit construire et exploiter son patrimoine data.
Les données sont désormais omniprésentes dans l’entreprise, générées en de multiples points – données commerciales de devis, de commandes, de livraisons, données comptables et de flux financiers, données de production, de stock, de matières premières… À l’extérieur, l’entreprise va aussi récupérer des données du marché, de ses clients, et depuis toutes les interfaces avec son écosystème. Le tout donne à l’industrie l’opportunité de devenir un vaste système global de flux de données qui communiquent entre personnes, logiciels et machines.
Toutefois, cette possibilité peut se concrétiser uniquement si l’entreprise s’attache à construire et entretenir son patrimoine de données dans l’optique qu’il offre une utilité pratique aux métiers. Ainsi, les données générées doivent suivre tout un parcours de valorisation pour permettre aux utilisateurs d’en tirer la valeur informationnelle qu’elles détiennent, mais ne livrent pas d’office à l’état brut.
Bien exploiter les données requiert d’entamer la démarche dès la source. Dans et autour de l’entreprise, la génération des données se fait à de multiples points. Aussi, il faut commencer par identifier les données disponibles, leurs sources et leur structure, leur contenu et leur qualité, mais aussi comment elles sont distribuées et sous quel format. Cette cartographie des données permet de savoir où aller les collecter afin de les rassembler pour les préparer à l’analyse.
Par ailleurs, entre données structurées, non structurées, données texte, chiffres ou images, l’ensemble des données collectées n’a initialement rien d’homogène et s’avère inexploitable pour analyse. D’où l’intérêt de les structurer et de les ranger en colonnes et lignes correspondant au niveau d’agrégat qui convient pour l’analyse qui va suivre. Cette tâche prépare le terrain pour que les données soient disponibles dans un format exploitable par les outils d’analyse de l’entreprise, parmi lesquels son ERP.
> lire l'article Industrie 4.0 et « Data Analytics »
Une fois les bonnes données collectées et agencées, leur qualité va pouvoir monter en force. Leur nettoyage permet de se débarrasser des données caduques, erronées ou de doublons qui peuvent ensuite compromettre la fiabilité et la précision des analyses. Leur enrichissement est un autre processus de valorisation. Le principe : mélanger des données issues de différentes sources métier et les recouper pour qu’elles s’apportent mutuellement du contexte. Cette contextualisation permet de cerner quelles sont les données essentielles pour répondre aux besoins d’analyse de l’entreprise, sachant que toutes ne sont pas indispensables.
Pour mettre au point les scripts de nettoyage et d’enrichissement des données, mieux vaut les roder sur des échantillons restreints de données. Reste ensuite à les valider grandeur nature sur l’ensemble des jeux de données pour garantir la qualité de toute la data exploitée par l’entreprise. Cette opération permet ensuite aux outils tels que l’ERP de livrer toute leur valeur en travaillant sur des données saines et fiables.
Un patrimoine data reçoit constamment de nouvelles données. Pour que la machine ne s’emballe pas, il est essentiel de bien gérer ce patrimoine et de l’entretenir. Ainsi, le nettoyage des données doit être constant, non seulement pour la qualité des analyses, mais aussi pour des questions de conformité. Le RGPD impose entre autres des délais de rétention précis des données à caractère personnel qu’il n’est pas possible de dépasser. De plus, l’archivage et la destruction des données doivent être finement maîtrisés pour être ajustés à chaque type de données et aux règles de rétention qui les concernent. Le RGPD pose nombre d’autres obligations, par exemple l’anonymisation des données à caractère personnel.
Dans la mesure où beaucoup de règles complexes se croisent dans l’exercice, il importe que le patrimoine de données fasse l’objet d’une véritable gouvernance pour en assurer la qualité et la conformité. L’entreprise doit donc prévoir les ressources et les expertises à même de définir une stratégie de gouvernance des données en bonne et due forme, sans rien laisser au hasard. L’entreprise ne doit pas hésiter à se faire accompagner dans ce domaine quand elle ne peut pas relever la mission avec ses propres ressources.
Plus les données sont utilisées et utiles aux activités, plus elles prennent de la valeur. Un patrimoine de données doit donc être « en service actif ». Pour ce faire, l’intervention des utilisateurs doit être simplifiée au maximum pour qu’ils ne rencontrent pas d’obstacle rédhibitoire dans l’usage qu’ils en font.
En premier lieu, les utilisateurs doivent pouvoir accéder aux données en toute simplicité. Quoiqu’élémentaire, cet aspect peut être omis et se révéler une entrave, alors que toutes les autres dimensions de l’exploitation des données ont été travaillées. La virtualisation des données répond à cet enjeu, avec des API permettant aux utilisateurs d’y accéder depuis leurs outils métier quotidiens, notamment leur ERP. Ainsi, les utilisateurs peuvent puiser dans le patrimoine de données, sans devoir répliquer les données utiles à leur travail au niveau de chaque application employée. De plus, les accès doivent faire l’objet de règles fines dans les permissions attribuées aux utilisateurs. Ces règles garantissent que chaque personne accède à toutes les données nécessaires à son travail, sans accéder à celles qui ne la concernent pas.
Si les données préparées pour analyse constituent un patrimoine de données sain et exploitable, les utilisateurs métier ne sont pas toujours des experts de l’analyse des données. Il importe donc de leur faciliter la tâche pour qu’ils puissent « se servir » dans ce patrimoine au gré de leurs usages et en récupérer une analyse des informations décisionnelles qu’il recèle.
La restitution des analyses de données doit s’appuyer sur des outils capables d’en produire des formats lisibles et intuitifs, compréhensibles sans connaissances d’expert. Notamment, des outils de visualisation restituent les analyses des données sous forme de représentations graphiques explicites. Graphiques, cartes, ou tableaux de bord, ces restitutions des informations clés permettent en un coup d’œil de comprendre des tendances ou de repérer des valeurs inhabituelles dans les données. Ces outils de visualisation des données à des fins de pilotage ou de processus décisionnels comme la Business Intelligence, sont d’autant plus utiles qu’il faut analyser d’énormes volumes d’informations. D’autres formats de restitution existent, à l’exemple de la production de rapports à des fins de conformité et de pilotage des activités. La mission est alors accomplie : de la source de données jusqu’à l’information exploitée par l’utilisateur, le patrimoine de données a livré toute sa valeur.
