LMi-MAG14 juillet - Flipbook - Page 44
© DR
RETOUR D’EXPÉRIENCE
Analytique
supérieurs dans des domaines avec un usage intensif des données, relate Gary Kern. « Ce groupe se
réunit tous les mois pour discuter de problèmes autour
d’une “version unique de la vérité”, du nettoyage des
données, de la qualité des données, de l’évolution des
efforts analytiques et d’autres préoccupations de haut
niveau impliquant l’analyse des informations et la propriété des données », détaille Gary Kern. « La DGC nous
permet de remonter les enjeux et de garantir qu’un organe décisionnel est en place pour piloter les efforts à
l’échelon senior. »
3. Revoir son modèle opérationnel
et mesurer son succès
Même s’il est courant parmi les entreprises de l’ère du
numérique de vouloir être centrées sur les données,
beaucoup d’entre elles ne parviennent toujours pas à
saisir la véritable valeur de l’information. « Les entreprises doivent cesser de fonctionner de façon instinctive
pour évoluer vers des modèles d’organisations axées sur
la connaissance et les données », souligne Dan Simion.
Pour celui-ci, le fait d’avoir un modèle opérationnel
basé sur les données augmente fortement la probabilité de succès et permet aux organisations de voir plus
rapidement la valeur de leurs analyses de données - en
percevant plus clairement la trajectoire et la manière
d’atteindre leurs objectifs.
« Les données, à travers l’information qui en est extraite,
alimenteront le processus de prise de décision », décrit
Dan Simion. « Grâce au nouveau modèle opérationnel, les
collaborateurs seront motivés pour changer les comportements et la valeur des données sera plus rapidement
atteinte. » Mais pour reconnaître la valeur résultant d’une
information ou d’une donnée précise, les entreprises ont
besoin d’un cadre pour mesurer le succès. « Cela aide
les organisations à évaluer leurs progrès actuels, à effectuer des ajustements et à optimiser la manière dont
elles suivent leurs objectifs analytiques », rapporte Dan
Simion. « Démontrer la valeur et les résultats générés par
l’analyse des données à travers un système de mesure
claire aidera les leaders data à présenter un retour sur
tous leurs investissements analytiques. »
4. Etablir des pipelines data en gardant
la valeur métier en tête
La valorisation des données ne se fait pas du jour au
lendemain ou par une formule magique ; cela demande
du temps et des efforts. Il y a environ vingt ans, Lonnie
44 / juillet / août 2022
PROFIL LINKEDIN
cutt.ly/linkedin-Smith
« Il est impératif de s’associer aux métiers pour comprendre le problème
ou l’opportunité à traiter », Laura Smith, CIO de UnityPoint Health.
Johnson, CIO du groupe médical KVC Health Systems,
a commencé à développer une stratégie analytique de
long terme au sein de l’entreprise, qui au fil du temps
s’est révélée fructueuse. La première étape a consisté à
organiser les données dans une base relationnelle, ce qui
a permis à l’équipe analytique de catégoriser les points de
données existants. « Nous avons normalisé l’information
en cataloguant les domaines d’activité, les bureaux, les
programmes, les identifiants chronologiques, les types
de transactions et une multitude de caractéristiques
concernant nos patients », raconte Lonnie Johnson.
« Nous avons rassemblé et connecté des informations à
partir d’un certain nombre de bases de données et de
feuilles de calcul isolées. »
L’équipe a ensuite créé des formulaires numériques, des
applications et des interfaces utilisateur pour transformer les documents papier de l’entreprise. Elle a également créé des interfaces pour ces documents afin
de pouvoir saisir par la suite des informations dans les
bases de données. « Dans nos interfaces utilisateur, nous
avons renforcé l’intégrité des données et appris à remplir
automatiquement les champs autant que possible », explique Lonnie Johnson. « Nous avons fortement impliqué
la communauté des utilisateurs dans le développement
de ces interfaces digitales, afin de garantir que nous cap-