1. « C'est juste le travail de l'informatique »
Nombre de dirigeants du secteur des services publics perçoivent l'analyse des données comme un projet technique : confions-la au service informatique, laissons-les créer des tableaux de bord, et des informations miraculeuses apparaîtront comme par magie. Or, cette croyance est le reflet du premier mythe identifié par McKinsey & Company dans son rapport sur les données des services publics.
Voici la vérité : l’analyse de données ne se pratique pas en vase clos. Dans le secteur des services publics, où il faut gérer la fiabilité du réseau, les infrastructures, les contraintes réglementaires, les attentes des clients et bien d’autres facteurs, la collaboration des équipes opérationnelles, commerciales, réglementaires et informatiques est essentielle. Si les dirigeants considèrent l’analyse de données comme un simple projet informatique, les enseignements qui en découlent ne seront pas exploités.
En matière d'analyse de données d'entreprise, il ne suffit pas de créer un outil ; il faut aussi faire évoluer les mentalités, les comportements et les processus métier. Ne laissez pas cela aux seules mains du service informatique.
2. « Nos systèmes sont prêts, les informations vont donc affluer. »
Autre idée reçue très répandue : « Nous disposons de tous ces systèmes, l’analyse des données d’entreprise se fera donc d’elle-même. » McKinsey le confirme : de nombreuses entreprises du secteur des services publics pensent qu’intégrer les systèmes ERP, WAM, CIS, GIS, etc., signifie qu’elles sont « prêtes ». Or, elles ne le sont pas.
Voici le problème : vous pouvez avoir toutes les données, mais à moins d’avoir réfléchi à quelles données, dans quel format, comment elles sont rassemblées, comment elles sont nettoyées et si les gens peuvent y accéder sous une forme utilisable, l’analyse des données d’entreprise va stagner.
Par exemple, les systèmes existants peuvent utiliser des langages de données différents. Des silos peuvent persister. Il est donc essentiel pour les dirigeants du secteur des services publics de cartographier leurs données lors de l'analyse de leurs données métier. Il faut connaître les sources, les flux, la qualité et la manière de les relier.
3. « Créez un lac de données et le reste suivra. »
Il s'agit peut-être d'un demi-mythe : de nombreuses organisations pensent qu'une fois qu'elles disposent d'un immense référentiel de données (un « lac de données »), elles pourront en tirer des enseignements. Mais dans le secteur des services publics, c'est risqué. Comme le souligne McKinsey : les grands volumes de données non structurées, dépourvues de contexte métier, deviennent souvent de coûteux « tombes de données dormantes ».
En matière d'analyse de données d'entreprise, l'objectif n'est pas de constituer un stock important. La question essentielle est : à quel problème métier répondons-nous ? Quels cas d'usage analytiques apportent une valeur ajoutée immédiate ? Investir massivement dans des données sans objectif précis se traduit souvent par des coûts élevés (stockage, complexité) et un faible retour sur investissement.
Ainsi, lorsque vous planifiez l'analyse de données d'entreprise dans le contexte des services publics, commencez par le résultat, puis construisez l'écosystème.
4. « La qualité des données et la stratégie peuvent attendre. »
Autre erreur fréquente : sous-investir dans la gouvernance des données, leur qualité et une stratégie analytique. Des études menées dans différents secteurs montrent que les entreprises qui se lancent dans l’analyse de données sans plan précis gaspillent souvent du temps et des ressources, et perdent en crédibilité.
Dans le secteur des services publics, les données proviennent souvent de centaines, voire de milliers de capteurs, d'appareils de terrain et de compteurs intelligents, utilisant des protocoles différents et présentant une qualité variable. La valeur de l'analyse des données d'entreprise repose alors sur la fiabilité des données, la structuration des processus et une bonne gouvernance.
Si vous négligez cette étape, vos analyses fourniront des résultats douteux (« données erronées en entrée, données erronées en sortie ») et vos dirigeants perdront confiance.
5. « Les silos n'ont pas d'importance ; chaque département peut effectuer ses propres analyses »
Dans le secteur de l'énergie, les différentes unités opérationnelles (production, distribution, service client, réglementation, exploitation) gèrent souvent leurs propres analyses et rapports de données. Or, dès lors que des silos de données sont créés, les ambitions d'analyse des données à l'échelle de l'entreprise se trouvent fragmentées. Du point de vue de l'analyse des données dans le secteur de l'énergie, les silos de données constituent un obstacle majeur.
Si les départements A et B travaillent chacun sur leurs propres analyses de niche sans stratégie de données partagée, vous perdez des informations transversales. Par exemple, lier les habitudes d'utilisation des clients aux données sur l'état des actifs du réseau peut révéler de nouvelles priorités de maintenance. Mais si ces données restent cloisonnées, vous n'aurez jamais une vision d'ensemble.
Les dirigeants des entreprises de services publics doivent donc œuvrer pour une harmonisation à l'échelle de l'entreprise des efforts d'analyse des données commerciales, et non pas seulement département par département.
5½. « Le retour sur investissement des analyses sera rapide si nous investissons. »
Voici le revers de la médaille : on espère, voire on croit, qu’investir dans des outils d’analyse et recruter des data scientists permettra d’obtenir rapidement des retours sur investissement importants. Or, la réalité est plus nuancée. Un blog a constaté que de grandes entreprises ont sous-investi dans les infrastructures de soutien à l’analyse de données, ce qui explique l’échec de nombreux projets.
Dans le secteur des services publics, en particulier, vous devez composer avec des systèmes complexes, des actifs existants, des contraintes réglementaires et des investissements à long terme. Par conséquent, l'analyse des données d'entreprise ne garantit pas toujours des résultats immédiats, à moins de concevoir des stratégies axées sur des gains rapides et une vision à long terme.
Solution : choisissez un ou deux cas d’usage à fort impact (par exemple, la maintenance prédictive ou la prévision de la demande) avec des indicateurs clairs. Ensuite, augmentez progressivement la portée. Démontrez la valeur ajoutée. Développez. Ne misez pas tout sur une refonte complète grâce à l’analyse de données en trois mois.
En résumé, tout est réuni
Lorsque les dirigeants des entreprises de services publics abordent l'analyse des données commerciales comme une simple case à cocher (« mettons en œuvre l'analyse »), ils tombent souvent dans les pièges suivants : laisser cela aux services informatiques, supposer que les systèmes seuls suffiront, construire des lacs de données avant les questions commerciales, ignorer la gouvernance des données, tolérer les silos et s'attendre à un retour sur investissement immédiat.
En revanche, une meilleure voie à suivre ressemble à ceci :
• Définir : Quel résultat commercial visez-vous ? (Par exemple, réduire le temps d'indisponibilité de 15 %, améliorer la satisfaction client, optimiser le coût du cycle de vie des actifs).
• Alignement : Mobiliser les équipes de direction, d'exploitation, d'informatique et d'analyse ; l'analyse des données d'entreprise est transversale.
• Inventaire : Cartographiez les données dont vous disposez déjà, leur emplacement, leur niveau de qualité et leur accessibilité.
• Concevoir de manière ciblée : choisissez les cas d’utilisation essentiels. Reliez les systèmes. Nettoyez les données. Assurez la gouvernance.
• Mesurer : Suivre les indicateurs dès le premier jour, à la fois les indicateurs d'adoption de l'analyse (qui utilise les informations ?) et les indicateurs commerciaux (qu'est-ce qui s'est amélioré ?).
• Échelle : Une fois le succès évident, étendre à davantage de domaines, à des analyses plus avancées (prédictives/prescriptives) plutôt que simplement descriptives.
• Rappel : L’analyse des données d’entreprise n’est pas un processus ponctuel ; les données évoluent, l’entreprise se développe et votre maturité analytique doit évoluer.
Lire aussi: Comment stimuler votre entreprise avec une formation d'analyse de données
