Quelle structure choisir pour votre équipe data ?

Les organisations ont compris l’importance croissante de la démocratisation des données pour être plus agiles, efficaces, gagner en productivité et en capacité d’innovation. Mais face à des volumes croissants de données provenant de sources internes et externes, comment peuvent-elles structurer une équipe data qui répond à leurs besoins ?

Il n’existe pas de méthode miracle ou de structure parfaite pour une équipe data. Vous devez plutôt analyser vos besoins spécifiques avant de choisir celle qui vous conviendra. Vous pourrez ensuite définir les compétences, la culture et la gouvernance qui vous permettront d’obtenir des résultats.

Il existe plusieurs structures possibles : équipe centralisée, équipe décentralisée ou une version hybride. Quelles sont les caractéristiques de ces différentes structures et quels sont leurs avantages ?

Avec une approche centralisée, chaque personne travaillant avec les données, du Data Analyst au Chief Data Officer (CDO) œuvre au sein d’une seule équipe. Celle-ci gère les données pour la totalité de l’organisation et est chargée de les partager dans des formats adaptés et de garantir une bonne gouvernance en interne.

Cette structure qui réunit des profils spécialisés offre divers avantages. Tous les projets data sont gérés et gouvernés de manière centrale, par une équipe de spécialistes. Cela permet de garantir la cohérence des actions menées et des ressources utilisées et de faire baisser les coûts de gestion, de formation et de licence. Enfin, cela permet d’identifier les responsables de la données simplement. Il est ainsi plus facile d’assurer une bonne gouvernance ainsi que la sécurité et la conformité des données.

Mais à mesure que les besoins de l’organisation évoluent, le modèle centralisé peut présenter quelques limites :

• Charge de travail : plus les organisations exploiteront les données, plus l’équipe data centralisée sera sollicitée. Plus les demandes sont nombreuses et plus les temps de traitement seront longs, freinant ainsi les projets data et limitant l’aide qu’elle peut fournir à l’entreprise.
• Déconnexion des besoins de l’organisation : l’équipe data étant totalement distincte des autres unités, elle peut avoir du mal à comprendre réellement quels sont les besoins et priorités de l’entreprise.
• Difficultés à diffuser une culture de la donnée : l’équipe centralisée étant responsable entre autres de la conformité, la gouvernance et la sécurité, elle peut être vue par le reste de l’entreprise comme étant là pour régenter l’utilisation des données plutôt que créer de la valeur. Ce type de structure peut ainsi compliquer l’adoption d’une culture data-centric par le reste de l’organisation.

Avec une approche décentralisée (ou intégrée/transversale), les spécialistes data sont présents dans plusieurs départements de l’organisation. Ils sont par exemple intégrés à l’équipe Commerciale, Marketing ou Finance afin de répondre aux besoins spécifiques de ces métiers en matière de données.

Cette approche permet aux experts data d’être plus proches des véritables créateurs et utilisateurs des données. Ayant une meilleure compréhension métier, ils peuvent réagir plus rapidement aux demandes de chaque service. Au lieu de demander de l’aide à une équipe data centrale, toutes les ressources nécessaires se trouvent déjà dans l’équipe décentralisée, ce qui leur permet de travailler plus rapidement.

Cette approche présente également ses limites. Le modèle décentralisé entraîne la création de silos et plusieurs projets peuvent potentiellement être gérés en même temps par différentes équipes, ce qui présente un risque pour la cohérence des données. Par ailleurs, cela peut aussi avoir un impact sur la gestion des ressources utilisées pour gérer les données.

De manière assez évidente, les organisations souhaitent profiter des avantages des modèles centralisés et décentralisés, sans leurs inconvénients. C’est pourquoi la plupart des organisations data-centric adoptent un modèle hybride. Avec cette approche, des responsables data sont intégrés dans différents services, mais il existe également une équipe centrale, un Data Office ou Data Desk, qui propose une assistance, de la formation et une stratégie data globale. Cette approche est un aspect clé du concept de data mesh, qui vise à équilibrer le contrôle et l’implication aux niveaux central et local.

Cette approche permet de trouver un équilibre entre les priorités de chaque unité et celles de l’organisation, avec des leaders data capables de choisir quels sont les projets les plus importants à traiter. Elle demande plus de ressources, mais réunit en principe les avantages des deux approches :

• Les données sont gouvernées de manière centrale, garantissant ainsi leur cohérence et leur sécurité.
• Il est plus simple de diffuser une culture data auprès des employés qui peuvent identifier et s’adresser rapidement à des responsables de la donnée
• La création d’usage est décuplée grâce à une plus grande proximité entre les experts data et les métiers de l’organisation.

Si le modèle hybride offre certains avantages, il ajoute en revanche un autre niveau de complexité à la structure, augmentant les coûts et le temps de gestion. Il signifie également qu’une organisation doit employer un nombre conséquent de spécialistes data. Ce modèle convient donc mieux à de grandes organisations ayant déjà un niveau élevé de maturité en matière de gestion des données.

C’est notamment ce qu’a mis en place Schneider Electric :

La structure de l’équipe data au sein de votre organisation dépend de plusieurs critères :

• La taille de l’organisation : quelle est sa taille et quelles sont les ressources à sa disposition pour les projets data ?
• La maturité data : quel est son niveau de maturité en termes d’utilisation de la donnée, à la fois sur le plan métier et sur le plan technique ?
• Les compétences en interne : quelles sont les compétences déjà présentes dans l’organisation et comment les valoriser ?
• Le secteur d’activité : chaque secteur a des besoins spécifiques en matière de données ; les secteurs réglementés tels que la finance ou la santé doivent par exemple répondre à des exigences supplémentaires de conformité, ce qui jouera sur la structuration de leur équipe.

Le modèle adopté par une organisation changera probablement au fil du temps à mesure que l’entreprise devient plus mature. Notre étude 2021 sur la maturité des entreprise a par exemple montré que 41 % des organisations qui étaient encore dans la phase de planification de projets data disposaient d’une équipe centralisée, car cette approche leur offrait le niveau de contrôle nécessaire pour lancer de nouveaux projets. Seules 32 % avaient adopté une approche décentralisée. À l’inverse, 45 % des organisations plus matures avaient décentralisé leurs structures car elles avaient acquis les compétences, l’expérience et la gouvernance requises pour intégrer des spécialistes data dans les différents services.

Quelle que soit l’approche que vous adoptez, il est impératif de régulièrement l’actualiser afin de s’assurer que la structure choisie continue de répondre aux objectifs de l’entreprise et favorise réellement la démocratisation de la donnée dans l’organisation.