Cet article fait partie d’une série présentant en détail les principes du DataOps Manifesto et leur application aux services Data Microsoft. Pour une introduction aux principes DataOps, je vous invite à commencer par cette présentation.

Principe #2 : valeur du fonctionnement de l’analyse.

La véritable mesure du succès d’un projet analytique est la valeur des insights livrés, pas seulement le nombre de rapports ou de tableaux. En d’autres termes, le dashboard que vous venez de développer n’a de valeur que s’il est utilisé et qu’il apporte une plus-value à l’utilisateur métier.

Les enjeux mis en lumière par ce principe vont concerner les interactions entre l’équipe Data (Data Analysts / Data Engineers / Analytics Engineers) avec leurs interlocuteurs métier, c’est-à-dire bien en amont de la moindre modélisation de données. La maturité d’une entreprise à être data driven ne se mesure pas au nombre de dashboards, à la taille des entrepôts de données ou à la sophistication des modèles. Le DataOps Manifesto rappelle que la véritable performance doit être mesurée par la capacité à générer des résultats utiles pour les utilisateurs métiers, des décisions éclairées et actionnables.

Mettre la valeur des analytics au centre implique d’aligner très tôt la production des données avec les objectifs stratégiques de l’entreprise. S’ils sont clairement communiqués et compris par l’ensemble des collaborateurs, les demandes des utilisateurs (décideurs, responsables opérationnels) seront fondées sur la définition d’indicateurs métiers clairs. Ces indicateurs doivent être validés avant même de concevoir la moindre visualisation ou pipeline de données.

Ce principe encourage aussi une culture où l’analytique n’est pas un livrable isolé mais un levier d’action business. Un rapport qui ne change rien dans le processus décisionnel n’a pas rempli sa mission. En revanche, un modèle qui aide à prévoir la demande ou à réduire les ruptures de stock aura généré une valeur concrète et mesurable.

L’équipe Data aura donc à cœur d’adopter une démarche dont le point de départ est la définition des KPIs et de leurs modes de calculs. Pour chaque KPI, l’équipe listera :

• les Master Data et leurs attributs utilisés dans le calcul des KPIs
• les axes d’analyses à considérer
• Le mode d’analyse de la données : l’utilisateur a-t-il besoin de visualiser une tendance sur un axe temporel ? Quelles sera la profondeur d’historique à considérer ? Quels indicateurs doivent être mis en avant ?

En résumé, il faudra commencer toute conception par une définition métier claire : qui est l’utilisateur, quelle décision est influencée, quelle est l’action attendue. Par exemple, un dashboard de suivi des ventes doit intégrer directement les KPI qui influencent la stratégie commerciale, avec un focus sur les alertes et tendances.

Ces conseils peuvent paraitre évidents mais combien de projets BI se sont focalisés sur les données (dimensions et faits) à intégrer avant de se poser la question des indicateurs à produire et de leur mode de consommation dans le dashboard final ?

Règle d’or #2 : toujours commencer par la question métier avant de préparer les données.