SlideShare une entreprise Scribd logo
Les conditions du succès
Jean-Michel Franco
Directeur de l’Innovation et des
solutions
jean-michel.franco@businessdecision.com
Téléphone, : +33 6 67 70 01 32
Twitter : @jmichel_franco
Décisionnel agile
Business & Decision est un groupe international
de consulting et d’intégration de systèmes
CA 2011 : 221,9 M€ dont 52 % à l’international
2
2 500 collaborateurs 16 pays, 17 Agences
en région
Multi-Spécialiste
BI
PM
CRMEIM
E-bus
Expertise unique reconnue internationalement par les analystes indépendants
• Business Intelligence & EPM “European Marketscope for BI Services”. Gartner
• Customer Relationship Mgt & MDM “CRM Wordwide Magic Quadrant”. Gartner
• E-Business “Interactive Design Agency Overview, Europe, 2013 ”. Forrester
3
BI : des exigences que ne cessent de s’accroitre au niveau des
directions fonctionnelles…
Source : Gartner
Survey Analysis: CFOs' Top
Imperatives From
the 2013 Gartner FEI CFO
Technology Study
4
…mais des doutes commencent à poindre sur la capacité
des NTIC à tenir leurs promesses
Source : Gartner
Survey Analysis: CFOs' Top Imperatives From
the 2013 Gartner FEI CFO Technology Study
Innover à l’aide de l’IT, au plus près du terrain
• Comprendre : Une sensibilisation en
amont sur les nouvelles technologies et
leurs usages
• Incuber : une approche par
expérimentation pour mettre l’IT en
pratique au cœur des processus métier
• Industrialiser une fois que le preuve du
concept a été faite
• Améliorer en continu : S’appuyer sur
l’existant plutôt que de le remettre en
cause -> Une démarche d’innovation
continue (« lean »), par incréments …
• Partager les résultats, capitaliser,
transformer les « next practices » en
« bonnes pratiques ».
•
5
http://blogs.hbr.org/cs/2012/03/look_to_it_for_process_innovat.html
6
Approche
top down:
BI d’entreprise
Approche
bottom up :
BI
personnelle
Les équipes de management
La Business Intelligence est elle au milieu du gué ?
La BI d’entreprise telle qu’on la connait
Utilisateur occasionnel 70+ %
Utilisateur “avancé”: 30- %
7
La BI d’entreprise telle qu’on la voudrait
(*) Le prosommateur est un néologisme issu du mot anglais prosumer qui décrit les tendances des consommateurs à
se professionnaliser et à s'approcher de plus un plus du producteur dans la société de l’information. (Wikipedia)
8
9
La BI telle qu’on la voudrait : les conditions du succès
Des
équipes
Une orga-
nisation
Des métho-
dologies
Des Outils
Une Infra-
structure
Métiers / processus
Analyse de données
Gouvernance de données
Intégration de données
Découverte de données
BI Self Service
Self Service Information
Management
Data Lab : environnement de
prototypage et libre service
d’accès aux données
Front office proche du
terrain pour spécification/
expérimentation
+ back office pour
l’industrialisation
Collecte des besoins
métier en amont
Méthodologies agiles
basée sur des templates
La dimension technologique
10
11
La dimension humaine.
Socialiser la Business Intelligence
ou Changer le centre de gravité de la Business Intelligence
pour engager les directions fonctionnelles au-delà des phases de spécification projet
(définition des modèles, indicateurs partagés, vocabulaires…)
12
La dimension Infrastructure : le principe du DataLab
BI d’entreprise
Entrepôt de données
Magasins de données
Applications
Packagées,
Tableaux de
bord
Self Service
DataLab
Magasins éphémères
Prototypes
d’appli-
cations
Self Service
Données
Entreprise
Industrialisation
des applications
Industrialisation
des Modèles
Industrialisation
des sources de
données
Nouvelles
données
13
La dimension projet ; repenser le cycle de vie des
initiatives BI
Quand Challenge Solution
Avant le projet BI Aller à la découverte des nouveaux
besoins.
Formaliser les business cases.
Faire la preuve du concept.
Amener les outils en amont des
projets au plus près des métiers.
Démarche d’incubation des
nouvelles technologies .
Identifier les responsables et leur
donner les moyens
Pendant le projet BI Syndrome de la feuille blanche.
Difficulté de valider les
spécifications, d’anticiper les
problèmes éventuels (ex : qualité de
données).
Méthodologies agiles
Design sur base de templates et
modèles
Une fois le projet BI
déployé
Faire évoluer le système au fil de
l’eau
Installer le mode d’utilisation en
self service
Responsabiliser une certaine
population d’utilisateurs pour :
- L’accompagnement et coaching
- La gouvernance des données
- L’identification des nouveaux
besoins
Enjeux métiers
S’assurer d’être la référence du marché
en matière de qualité d’eau et le faire
savoir à ses clients
=> Bâtir la plate-forme de collecte,
benchmarking et partage de la
qualité de l’eau
Approche choisie
Une plate forme cloud pour permettre à
des utilisateurs experts (profils
statisticiens) d’extraire de la
connaissance de données externes et
de la croiser avec des données
internes
• Démarche:
Démarche agile en amont des projets :
Exemple dans les Utilities (distribution d’eau)
– Capacité à récupérer
des données externes
“multi-structurées “ sur la
qualité de l’eau
– Permet la découverte de
données (y compris
l’analyse qualité) et
l’analyse
– Prototypage sur
population d’utilisateurs
experts avant
déploiement plus large
– “Exposer la donnée
d’abord”, avant de
comprendre comment
l’exploiter
– Premiers résultats en
moins d’un mois
14
Les enjeux métiers
Rénover les fondations du système
d’information marketing :
Approche choisie
• S’appuyer sur un modèle de référence
métier (Acord) couvrant les 17 thèmes
clé du secteur de l’assurance
• Démarches itérative et incrémentale
sur trois volets:
Démarche agile pendant le projet :
Exemple dans l’assurance
– Référentiel client et
entrepôt de données
marketing
– Data Mart destiné au
service des études (score,
analyse de données…)
– Mise en place d’un
progiciel du marché pour la
gestion des campagnes
marketing
– Modélisation des
données
(découpage du chantier
par périmètre de
données et « sprints »
de 2 semaines)
– Alimentation des
données
– Audit et analyse de
la qualité des
données
15
Démarche agile tout au long d’une initiative BI :
Exemple dans un laboratoire pharmaceutique
Les enjeux métiers
Donner un nouveau départ aux
initiatives Business Intelligence :
Approche choisie
– Solidifier le back office
informationnel (modèles de
données, référentiels
partagés, qualité &
gouvernance)
– Rapprocher la Business
Intelligence des usages
dans chaque activité
– Mieux capter les besoins
des utilisateurs en amont et
au sein des projets
– Tirer partie des outils de
découverte et de
visualisation des données
Capter les
besoins
Concevoir
Industrialiser
Des key user, au sein de chacune
des activités métier, pour capter les
nouveaux besoins et découvrir les
données de manière autonome
Un recours systématique au
prototypage dans les phases
amont du projet
Un centre de service et des
standards partagés pour
industrialiser le déploiement des
applications
Accompagner
Des organisations pour
accompagner les usages et
s’assurer de la bonne utilisations
des données et outils
16
Les conditions du succès
Jean-Michel Franco
Directeur de l’Innovation et des
solutions
jean-michel.franco@businessdecision.com
Téléphone, : +33 6 67 70 01 32
Twitter : @jmichel_franco
Décisionnel agile

Contenu connexe

Tendances

DeciLogic, la gestion d'un projet décisionnel
DeciLogic, la gestion d'un projet décisionnelDeciLogic, la gestion d'un projet décisionnel
DeciLogic, la gestion d'un projet décisionnel
Eric Mauvais
 
Big Data et Business Intelligence de A… Azure
Big Data et Business Intelligence de A… AzureBig Data et Business Intelligence de A… Azure
Big Data et Business Intelligence de A… Azure
Microsoft Décideurs IT
 
Présentation 6 IT 2016
Présentation 6 IT 2016Présentation 6 IT 2016
Présentation 6 IT 2016
Jean-Marc Dupont
 
Comparing technologies
Comparing technologiesComparing technologies
Comparing technologiesFriaa Marwa
 
Business Intelligence
Business IntelligenceBusiness Intelligence
Business Intelligence
Lilia Sfaxi
 
Business intelligence
Business  intelligenceBusiness  intelligence
Business intelligence
mariam belkhiria
 
Qlik view centre de contact
Qlik view centre de contact Qlik view centre de contact
Qlik view centre de contact
Ysance
 
Business intelligence
Business intelligenceBusiness intelligence
Business intelligencecrazytechnet
 
Méthodologie D’Intelligence D’Affaires
Méthodologie D’Intelligence D’AffairesMéthodologie D’Intelligence D’Affaires
Méthodologie D’Intelligence D’Affaires
Alain Charpentier
 
MS Experiences 17 - Comment le contrôle de gestion améliore le pilotage de l’...
MS Experiences 17 - Comment le contrôle de gestion améliore le pilotage de l’...MS Experiences 17 - Comment le contrôle de gestion améliore le pilotage de l’...
MS Experiences 17 - Comment le contrôle de gestion améliore le pilotage de l’...
Jean-Pierre Riehl
 
Projet BI - 1 - Analyse des besoins
Projet BI - 1 - Analyse des besoinsProjet BI - 1 - Analyse des besoins
Projet BI - 1 - Analyse des besoins
Jean-Marc Dupont
 
BUSINESS INTELIGENCE : Exploitation d'un Datamart
BUSINESS INTELIGENCE : Exploitation d'un DatamartBUSINESS INTELIGENCE : Exploitation d'un Datamart
BUSINESS INTELIGENCE : Exploitation d'un Datamart
Falitokiniaina Rabearison
 
Business Intelligence : Offres du marché et benchmarking
Business Intelligence : Offres du marché et benchmarkingBusiness Intelligence : Offres du marché et benchmarking
Business Intelligence : Offres du marché et benchmarking
Samia NACIRI
 
Chp3 - Modélisation Multidimensionnelle
Chp3 - Modélisation MultidimensionnelleChp3 - Modélisation Multidimensionnelle
Chp3 - Modélisation Multidimensionnelle
Lilia Sfaxi
 
Introduction à la Business Intelligence
Introduction à la Business Intelligence Introduction à la Business Intelligence
Introduction à la Business Intelligence
Cynapsys It Hotspot
 
Présentation: Business Intelligence - Cas du Maroc
Présentation: Business Intelligence - Cas du MarocPrésentation: Business Intelligence - Cas du Maroc
Présentation: Business Intelligence - Cas du Maroc
Lamia Ben
 
Si décisionnel
Si décisionnelSi décisionnel
Si décisionnel
Khouloud Ben Cheikh
 
Les 4 piliers de l’intelligence d’affaires.03.10
Les 4 piliers de l’intelligence d’affaires.03.10Les 4 piliers de l’intelligence d’affaires.03.10
Les 4 piliers de l’intelligence d’affaires.03.10
Quotient Management
 
Business Intelligence
Business IntelligenceBusiness Intelligence
Business Intelligence
s.poles
 
De la business intelligence au Big Data
De la business intelligence au Big DataDe la business intelligence au Big Data
De la business intelligence au Big Data
Technofutur TIC
 

Tendances (20)

DeciLogic, la gestion d'un projet décisionnel
DeciLogic, la gestion d'un projet décisionnelDeciLogic, la gestion d'un projet décisionnel
DeciLogic, la gestion d'un projet décisionnel
 
Big Data et Business Intelligence de A… Azure
Big Data et Business Intelligence de A… AzureBig Data et Business Intelligence de A… Azure
Big Data et Business Intelligence de A… Azure
 
Présentation 6 IT 2016
Présentation 6 IT 2016Présentation 6 IT 2016
Présentation 6 IT 2016
 
Comparing technologies
Comparing technologiesComparing technologies
Comparing technologies
 
Business Intelligence
Business IntelligenceBusiness Intelligence
Business Intelligence
 
Business intelligence
Business  intelligenceBusiness  intelligence
Business intelligence
 
Qlik view centre de contact
Qlik view centre de contact Qlik view centre de contact
Qlik view centre de contact
 
Business intelligence
Business intelligenceBusiness intelligence
Business intelligence
 
Méthodologie D’Intelligence D’Affaires
Méthodologie D’Intelligence D’AffairesMéthodologie D’Intelligence D’Affaires
Méthodologie D’Intelligence D’Affaires
 
MS Experiences 17 - Comment le contrôle de gestion améliore le pilotage de l’...
MS Experiences 17 - Comment le contrôle de gestion améliore le pilotage de l’...MS Experiences 17 - Comment le contrôle de gestion améliore le pilotage de l’...
MS Experiences 17 - Comment le contrôle de gestion améliore le pilotage de l’...
 
Projet BI - 1 - Analyse des besoins
Projet BI - 1 - Analyse des besoinsProjet BI - 1 - Analyse des besoins
Projet BI - 1 - Analyse des besoins
 
BUSINESS INTELIGENCE : Exploitation d'un Datamart
BUSINESS INTELIGENCE : Exploitation d'un DatamartBUSINESS INTELIGENCE : Exploitation d'un Datamart
BUSINESS INTELIGENCE : Exploitation d'un Datamart
 
Business Intelligence : Offres du marché et benchmarking
Business Intelligence : Offres du marché et benchmarkingBusiness Intelligence : Offres du marché et benchmarking
Business Intelligence : Offres du marché et benchmarking
 
Chp3 - Modélisation Multidimensionnelle
Chp3 - Modélisation MultidimensionnelleChp3 - Modélisation Multidimensionnelle
Chp3 - Modélisation Multidimensionnelle
 
Introduction à la Business Intelligence
Introduction à la Business Intelligence Introduction à la Business Intelligence
Introduction à la Business Intelligence
 
Présentation: Business Intelligence - Cas du Maroc
Présentation: Business Intelligence - Cas du MarocPrésentation: Business Intelligence - Cas du Maroc
Présentation: Business Intelligence - Cas du Maroc
 
Si décisionnel
Si décisionnelSi décisionnel
Si décisionnel
 
Les 4 piliers de l’intelligence d’affaires.03.10
Les 4 piliers de l’intelligence d’affaires.03.10Les 4 piliers de l’intelligence d’affaires.03.10
Les 4 piliers de l’intelligence d’affaires.03.10
 
Business Intelligence
Business IntelligenceBusiness Intelligence
Business Intelligence
 
De la business intelligence au Big Data
De la business intelligence au Big DataDe la business intelligence au Big Data
De la business intelligence au Big Data
 

En vedette

Agile Business Intelligence
Agile Business IntelligenceAgile Business Intelligence
Agile Business Intelligence
Alex Meadows
 
Big Data Analytics from a Practitioners View
Big Data Analytics from a Practitioners ViewBig Data Analytics from a Practitioners View
Big Data Analytics from a Practitioners View
Raghu Kashyap
 
Scrum for BI
Scrum for BIScrum for BI
4 estequiometria s (1) estequiometria
4 estequiometria s (1) estequiometria4 estequiometria s (1) estequiometria
4 estequiometria s (1) estequiometria
Luisa Sanabria
 
Metodologías Ágiles
Metodologías ÁgilesMetodologías Ágiles
Metodologías Ágiles
Diego Martí­n Fernández
 
3 Lecciones aprendidas de aplicar Scrum a proyectos de BI
3 Lecciones aprendidas de aplicar Scrum a proyectos de BI3 Lecciones aprendidas de aplicar Scrum a proyectos de BI
3 Lecciones aprendidas de aplicar Scrum a proyectos de BI
SolidQ
 
Google enterprise business intelligence 1
Google enterprise business intelligence 1Google enterprise business intelligence 1
Google enterprise business intelligence 1audreyyzerd
 
Icc agile analytics overview
Icc agile analytics overviewIcc agile analytics overview
Icc agile analytics overview
Don Jackson
 
Data mining - Introduction générale
Data mining - Introduction généraleData mining - Introduction générale
Data mining - Introduction générale
Mohamed Heny SELMI
 
Traditional BI or Disruptive BI?
Traditional BI or Disruptive BI?Traditional BI or Disruptive BI?
Traditional BI or Disruptive BI?
Raghu Kashyap
 
Agile dwh
Agile dwhAgile dwh
Agile dwh
Christoph Seck
 
Wallchart - Data Warehouse Documentation Roadmap
Wallchart - Data Warehouse Documentation RoadmapWallchart - Data Warehouse Documentation Roadmap
Wallchart - Data Warehouse Documentation Roadmap
David Walker
 
Agile in a Nutshell - Portia Tung
Agile in a Nutshell - Portia TungAgile in a Nutshell - Portia Tung
Agile in a Nutshell - Portia Tung
IIBA UK Chapter
 
Introduction au Data Mining et Méthodes Statistiques
Introduction au Data Mining et Méthodes StatistiquesIntroduction au Data Mining et Méthodes Statistiques
Introduction au Data Mining et Méthodes StatistiquesGiorgio Pauletto
 
Is BI/Analytics and Agile an Oxymoron?
Is BI/Analytics and Agile an Oxymoron?Is BI/Analytics and Agile an Oxymoron?
Is BI/Analytics and Agile an Oxymoron?
Raghu Kashyap
 
(In Agile) Where Do All The Managers Go?
(In Agile) Where Do All The Managers Go?(In Agile) Where Do All The Managers Go?
(In Agile) Where Do All The Managers Go?
Scott W. Ambler
 
Data Mining
Data MiningData Mining
Agile data warehouse
Agile data warehouseAgile data warehouse
Agile data warehouse
Dao Vo
 

En vedette (20)

Agile Business Intelligence
Agile Business IntelligenceAgile Business Intelligence
Agile Business Intelligence
 
Big Data Analytics from a Practitioners View
Big Data Analytics from a Practitioners ViewBig Data Analytics from a Practitioners View
Big Data Analytics from a Practitioners View
 
Scrum for BI
Scrum for BIScrum for BI
Scrum for BI
 
4 estequiometria s (1) estequiometria
4 estequiometria s (1) estequiometria4 estequiometria s (1) estequiometria
4 estequiometria s (1) estequiometria
 
Metodologías Ágiles
Metodologías ÁgilesMetodologías Ágiles
Metodologías Ágiles
 
3 Lecciones aprendidas de aplicar Scrum a proyectos de BI
3 Lecciones aprendidas de aplicar Scrum a proyectos de BI3 Lecciones aprendidas de aplicar Scrum a proyectos de BI
3 Lecciones aprendidas de aplicar Scrum a proyectos de BI
 
Google enterprise business intelligence 1
Google enterprise business intelligence 1Google enterprise business intelligence 1
Google enterprise business intelligence 1
 
Datamining damien-jubeau
Datamining damien-jubeauDatamining damien-jubeau
Datamining damien-jubeau
 
Icc agile analytics overview
Icc agile analytics overviewIcc agile analytics overview
Icc agile analytics overview
 
Business intelligence
Business intelligenceBusiness intelligence
Business intelligence
 
Data mining - Introduction générale
Data mining - Introduction généraleData mining - Introduction générale
Data mining - Introduction générale
 
Traditional BI or Disruptive BI?
Traditional BI or Disruptive BI?Traditional BI or Disruptive BI?
Traditional BI or Disruptive BI?
 
Agile dwh
Agile dwhAgile dwh
Agile dwh
 
Wallchart - Data Warehouse Documentation Roadmap
Wallchart - Data Warehouse Documentation RoadmapWallchart - Data Warehouse Documentation Roadmap
Wallchart - Data Warehouse Documentation Roadmap
 
Agile in a Nutshell - Portia Tung
Agile in a Nutshell - Portia TungAgile in a Nutshell - Portia Tung
Agile in a Nutshell - Portia Tung
 
Introduction au Data Mining et Méthodes Statistiques
Introduction au Data Mining et Méthodes StatistiquesIntroduction au Data Mining et Méthodes Statistiques
Introduction au Data Mining et Méthodes Statistiques
 
Is BI/Analytics and Agile an Oxymoron?
Is BI/Analytics and Agile an Oxymoron?Is BI/Analytics and Agile an Oxymoron?
Is BI/Analytics and Agile an Oxymoron?
 
(In Agile) Where Do All The Managers Go?
(In Agile) Where Do All The Managers Go?(In Agile) Where Do All The Managers Go?
(In Agile) Where Do All The Managers Go?
 
Data Mining
Data MiningData Mining
Data Mining
 
Agile data warehouse
Agile data warehouseAgile data warehouse
Agile data warehouse
 

Similaire à Décisionnel Agile : les conditions du succès

Pilotage & Performance 2012
Pilotage & Performance 2012Pilotage & Performance 2012
Pilotage & Performance 2012
Business & Decision
 
Pres link part
Pres link partPres link part
Pres link partaigle73
 
Atelier comment choisir et déployer un erp - CCI Bordeaux et Prodware - 07 ...
Atelier   comment choisir et déployer un erp - CCI Bordeaux et Prodware - 07 ...Atelier   comment choisir et déployer un erp - CCI Bordeaux et Prodware - 07 ...
Atelier comment choisir et déployer un erp - CCI Bordeaux et Prodware - 07 ...
polenumerique33
 
Matinales performance 2010
Matinales performance 2010Matinales performance 2010
Matinales performance 2010
Jean-Michel Franco
 
Ccimp rdv tic cahier des charges erp 2014
Ccimp rdv tic cahier des charges erp 2014Ccimp rdv tic cahier des charges erp 2014
Ccimp rdv tic cahier des charges erp 2014COMPETITIC
 
Decizia Décisionnel et Pilotage Courte
Decizia Décisionnel et Pilotage CourteDecizia Décisionnel et Pilotage Courte
Decizia Décisionnel et Pilotage CourteDecizia
 
Soft Computing & IBM : Digital, Big Data & DMP
Soft Computing & IBM : Digital, Big Data & DMPSoft Computing & IBM : Digital, Big Data & DMP
Soft Computing & IBM : Digital, Big Data & DMP
Soft Computing
 
La PMI du futur dès maintenant avec le Club Alliances
La PMI du futur dès maintenant avec le Club AlliancesLa PMI du futur dès maintenant avec le Club Alliances
La PMI du futur dès maintenant avec le Club Alliances
Loic Simon
 
Présentation générale clients
Présentation générale clientsPrésentation générale clients
Présentation générale clients
BEEZEN
 
Présentation générale clients
Présentation générale clientsPrésentation générale clients
Présentation générale clients
BEEZEN
 
Data Science
Data ScienceData Science
Data Science
Soft Computing
 
Webinaire Business&Decision - Trifacta
Webinaire  Business&Decision - TrifactaWebinaire  Business&Decision - Trifacta
Webinaire Business&Decision - Trifacta
Victor Coustenoble
 
Remettre les données au cœur de la réflexion (Data Centric) du pilotage de la...
Remettre les données au cœur de la réflexion (Data Centric) du pilotage de la...Remettre les données au cœur de la réflexion (Data Centric) du pilotage de la...
Remettre les données au cœur de la réflexion (Data Centric) du pilotage de la...
Olivier Rihouet
 
Dep 2015 projets big data & dq 20151126 v1.3
Dep 2015 projets big data & dq 20151126 v1.3Dep 2015 projets big data & dq 20151126 v1.3
Dep 2015 projets big data & dq 20151126 v1.3
Hervé Husson
 
Bi vf-3
Bi vf-3Bi vf-3
06/07/17 Table ronde Data Transformation Program
06/07/17 Table ronde Data Transformation Program06/07/17 Table ronde Data Transformation Program
06/07/17 Table ronde Data Transformation Program
Soft Computing
 
Atelier Comment choisir et déployer un ERP dans une PME - Pôle numérique CCI ...
Atelier Comment choisir et déployer un ERP dans une PME - Pôle numérique CCI ...Atelier Comment choisir et déployer un ERP dans une PME - Pôle numérique CCI ...
Atelier Comment choisir et déployer un ERP dans une PME - Pôle numérique CCI ...
echangeurba
 
Webinar : Case Study IDEHA
Webinar : Case Study IDEHAWebinar : Case Study IDEHA
Webinar : Case Study IDEHA
Julien ΞSPITΛLLIER
 
Atelier PIM - All For Content 2021
Atelier PIM - All For Content 2021Atelier PIM - All For Content 2021
Atelier PIM - All For Content 2021
Activo Consulting
 

Similaire à Décisionnel Agile : les conditions du succès (20)

Pilotage & Performance 2012
Pilotage & Performance 2012Pilotage & Performance 2012
Pilotage & Performance 2012
 
Pres link part
Pres link partPres link part
Pres link part
 
Atelier comment choisir et déployer un erp - CCI Bordeaux et Prodware - 07 ...
Atelier   comment choisir et déployer un erp - CCI Bordeaux et Prodware - 07 ...Atelier   comment choisir et déployer un erp - CCI Bordeaux et Prodware - 07 ...
Atelier comment choisir et déployer un erp - CCI Bordeaux et Prodware - 07 ...
 
Matinales performance 2010
Matinales performance 2010Matinales performance 2010
Matinales performance 2010
 
Ccimp rdv tic cahier des charges erp 2014
Ccimp rdv tic cahier des charges erp 2014Ccimp rdv tic cahier des charges erp 2014
Ccimp rdv tic cahier des charges erp 2014
 
Decizia Décisionnel et Pilotage Courte
Decizia Décisionnel et Pilotage CourteDecizia Décisionnel et Pilotage Courte
Decizia Décisionnel et Pilotage Courte
 
Soft Computing & IBM : Digital, Big Data & DMP
Soft Computing & IBM : Digital, Big Data & DMPSoft Computing & IBM : Digital, Big Data & DMP
Soft Computing & IBM : Digital, Big Data & DMP
 
La PMI du futur dès maintenant avec le Club Alliances
La PMI du futur dès maintenant avec le Club AlliancesLa PMI du futur dès maintenant avec le Club Alliances
La PMI du futur dès maintenant avec le Club Alliances
 
Présentation générale clients
Présentation générale clientsPrésentation générale clients
Présentation générale clients
 
Présentation générale clients
Présentation générale clientsPrésentation générale clients
Présentation générale clients
 
Data Science
Data ScienceData Science
Data Science
 
Webinaire Business&Decision - Trifacta
Webinaire  Business&Decision - TrifactaWebinaire  Business&Decision - Trifacta
Webinaire Business&Decision - Trifacta
 
Remettre les données au cœur de la réflexion (Data Centric) du pilotage de la...
Remettre les données au cœur de la réflexion (Data Centric) du pilotage de la...Remettre les données au cœur de la réflexion (Data Centric) du pilotage de la...
Remettre les données au cœur de la réflexion (Data Centric) du pilotage de la...
 
BI_Part1_2020.pdf
BI_Part1_2020.pdfBI_Part1_2020.pdf
BI_Part1_2020.pdf
 
Dep 2015 projets big data & dq 20151126 v1.3
Dep 2015 projets big data & dq 20151126 v1.3Dep 2015 projets big data & dq 20151126 v1.3
Dep 2015 projets big data & dq 20151126 v1.3
 
Bi vf-3
Bi vf-3Bi vf-3
Bi vf-3
 
06/07/17 Table ronde Data Transformation Program
06/07/17 Table ronde Data Transformation Program06/07/17 Table ronde Data Transformation Program
06/07/17 Table ronde Data Transformation Program
 
Atelier Comment choisir et déployer un ERP dans une PME - Pôle numérique CCI ...
Atelier Comment choisir et déployer un ERP dans une PME - Pôle numérique CCI ...Atelier Comment choisir et déployer un ERP dans une PME - Pôle numérique CCI ...
Atelier Comment choisir et déployer un ERP dans une PME - Pôle numérique CCI ...
 
Webinar : Case Study IDEHA
Webinar : Case Study IDEHAWebinar : Case Study IDEHA
Webinar : Case Study IDEHA
 
Atelier PIM - All For Content 2021
Atelier PIM - All For Content 2021Atelier PIM - All For Content 2021
Atelier PIM - All For Content 2021
 

Plus de Jean-Michel Franco

A commonsense approach to data
A commonsense approach to dataA commonsense approach to data
A commonsense approach to data
Jean-Michel Franco
 
Prendre la data par le bon sens
Prendre la data par le bon sensPrendre la data par le bon sens
Prendre la data par le bon sens
Jean-Michel Franco
 
Reveal the Intelligence in your Data with Talend Data Fabric
Reveal the Intelligence in your Data with Talend Data FabricReveal the Intelligence in your Data with Talend Data Fabric
Reveal the Intelligence in your Data with Talend Data Fabric
Jean-Michel Franco
 
Dévoilez l'essentiel de vos données avec Talend
Dévoilez l'essentiel de vos données avec TalendDévoilez l'essentiel de vos données avec Talend
Dévoilez l'essentiel de vos données avec Talend
Jean-Michel Franco
 
3 Steps to Turning CCPA & Data Privacy into Personalized Customer Experiences
3 Steps to Turning CCPA & Data Privacy into Personalized Customer Experiences3 Steps to Turning CCPA & Data Privacy into Personalized Customer Experiences
3 Steps to Turning CCPA & Data Privacy into Personalized Customer Experiences
Jean-Michel Franco
 
Delivering data governance with a Yes
Delivering data governance with a YesDelivering data governance with a Yes
Delivering data governance with a Yes
Jean-Michel Franco
 
Delivering data you can trust with Talend 2019
Delivering data you can trust with Talend 2019 Delivering data you can trust with Talend 2019
Delivering data you can trust with Talend 2019
Jean-Michel Franco
 
Delivering data you can trust for data privacy
Delivering data you can trust for data privacy Delivering data you can trust for data privacy
Delivering data you can trust for data privacy
Jean-Michel Franco
 
Deliver Data Governance with a “Yes”
Deliver Data Governance with a “Yes”Deliver Data Governance with a “Yes”
Deliver Data Governance with a “Yes”
Jean-Michel Franco
 
Libérez vos données avec un catalogue de données
Libérez vos données avec un catalogue de donnéesLibérez vos données avec un catalogue de données
Libérez vos données avec un catalogue de données
Jean-Michel Franco
 
Liberating data with Talend Data Catalog
Liberating data with Talend Data CatalogLiberating data with Talend Data Catalog
Liberating data with Talend Data Catalog
Jean-Michel Franco
 
Delivering Analytics at Scale with a Governed Data Lake
Delivering Analytics at Scale with a Governed Data LakeDelivering Analytics at Scale with a Governed Data Lake
Delivering Analytics at Scale with a Governed Data Lake
Jean-Michel Franco
 
GDPR Benhmark: 70% of companies failing on their own GDPR compliance claims
GDPR Benhmark: 70%  of companies failing on their own GDPR compliance claimsGDPR Benhmark: 70%  of companies failing on their own GDPR compliance claims
GDPR Benhmark: 70% of companies failing on their own GDPR compliance claims
Jean-Michel Franco
 
Enacting the data subjects access rights for gdpr with data services and data...
Enacting the data subjects access rights for gdpr with data services and data...Enacting the data subjects access rights for gdpr with data services and data...
Enacting the data subjects access rights for gdpr with data services and data...
Jean-Michel Franco
 
Operationalising gdpr compliance with data management
Operationalising gdpr compliance with data managementOperationalising gdpr compliance with data management
Operationalising gdpr compliance with data management
Jean-Michel Franco
 
Make Data Better Together
Make Data Better Together Make Data Better Together
Make Data Better Together
Jean-Michel Franco
 
Delivering analytics at scale with a governed data lake
Delivering analytics at scale with a governed data lakeDelivering analytics at scale with a governed data lake
Delivering analytics at scale with a governed data lake
Jean-Michel Franco
 
Enacting the Data Subjects Access Rights for GDPR with Data Services and Data...
Enacting the Data Subjects Access Rights for GDPR with Data Services and Data...Enacting the Data Subjects Access Rights for GDPR with Data Services and Data...
Enacting the Data Subjects Access Rights for GDPR with Data Services and Data...
Jean-Michel Franco
 
Créer la vue 360° des employés
Créer la vue 360° des employés Créer la vue 360° des employés
Créer la vue 360° des employés
Jean-Michel Franco
 
Are Your Data Ready for GDPR? (with MAPR and Talend)
Are Your Data Ready for GDPR? (with MAPR and Talend)Are Your Data Ready for GDPR? (with MAPR and Talend)
Are Your Data Ready for GDPR? (with MAPR and Talend)
Jean-Michel Franco
 

Plus de Jean-Michel Franco (20)

A commonsense approach to data
A commonsense approach to dataA commonsense approach to data
A commonsense approach to data
 
Prendre la data par le bon sens
Prendre la data par le bon sensPrendre la data par le bon sens
Prendre la data par le bon sens
 
Reveal the Intelligence in your Data with Talend Data Fabric
Reveal the Intelligence in your Data with Talend Data FabricReveal the Intelligence in your Data with Talend Data Fabric
Reveal the Intelligence in your Data with Talend Data Fabric
 
Dévoilez l'essentiel de vos données avec Talend
Dévoilez l'essentiel de vos données avec TalendDévoilez l'essentiel de vos données avec Talend
Dévoilez l'essentiel de vos données avec Talend
 
3 Steps to Turning CCPA & Data Privacy into Personalized Customer Experiences
3 Steps to Turning CCPA & Data Privacy into Personalized Customer Experiences3 Steps to Turning CCPA & Data Privacy into Personalized Customer Experiences
3 Steps to Turning CCPA & Data Privacy into Personalized Customer Experiences
 
Delivering data governance with a Yes
Delivering data governance with a YesDelivering data governance with a Yes
Delivering data governance with a Yes
 
Delivering data you can trust with Talend 2019
Delivering data you can trust with Talend 2019 Delivering data you can trust with Talend 2019
Delivering data you can trust with Talend 2019
 
Delivering data you can trust for data privacy
Delivering data you can trust for data privacy Delivering data you can trust for data privacy
Delivering data you can trust for data privacy
 
Deliver Data Governance with a “Yes”
Deliver Data Governance with a “Yes”Deliver Data Governance with a “Yes”
Deliver Data Governance with a “Yes”
 
Libérez vos données avec un catalogue de données
Libérez vos données avec un catalogue de donnéesLibérez vos données avec un catalogue de données
Libérez vos données avec un catalogue de données
 
Liberating data with Talend Data Catalog
Liberating data with Talend Data CatalogLiberating data with Talend Data Catalog
Liberating data with Talend Data Catalog
 
Delivering Analytics at Scale with a Governed Data Lake
Delivering Analytics at Scale with a Governed Data LakeDelivering Analytics at Scale with a Governed Data Lake
Delivering Analytics at Scale with a Governed Data Lake
 
GDPR Benhmark: 70% of companies failing on their own GDPR compliance claims
GDPR Benhmark: 70%  of companies failing on their own GDPR compliance claimsGDPR Benhmark: 70%  of companies failing on their own GDPR compliance claims
GDPR Benhmark: 70% of companies failing on their own GDPR compliance claims
 
Enacting the data subjects access rights for gdpr with data services and data...
Enacting the data subjects access rights for gdpr with data services and data...Enacting the data subjects access rights for gdpr with data services and data...
Enacting the data subjects access rights for gdpr with data services and data...
 
Operationalising gdpr compliance with data management
Operationalising gdpr compliance with data managementOperationalising gdpr compliance with data management
Operationalising gdpr compliance with data management
 
Make Data Better Together
Make Data Better Together Make Data Better Together
Make Data Better Together
 
Delivering analytics at scale with a governed data lake
Delivering analytics at scale with a governed data lakeDelivering analytics at scale with a governed data lake
Delivering analytics at scale with a governed data lake
 
Enacting the Data Subjects Access Rights for GDPR with Data Services and Data...
Enacting the Data Subjects Access Rights for GDPR with Data Services and Data...Enacting the Data Subjects Access Rights for GDPR with Data Services and Data...
Enacting the Data Subjects Access Rights for GDPR with Data Services and Data...
 
Créer la vue 360° des employés
Créer la vue 360° des employés Créer la vue 360° des employés
Créer la vue 360° des employés
 
Are Your Data Ready for GDPR? (with MAPR and Talend)
Are Your Data Ready for GDPR? (with MAPR and Talend)Are Your Data Ready for GDPR? (with MAPR and Talend)
Are Your Data Ready for GDPR? (with MAPR and Talend)
 

Décisionnel Agile : les conditions du succès

  • 1. Les conditions du succès Jean-Michel Franco Directeur de l’Innovation et des solutions jean-michel.franco@businessdecision.com Téléphone, : +33 6 67 70 01 32 Twitter : @jmichel_franco Décisionnel agile
  • 2. Business & Decision est un groupe international de consulting et d’intégration de systèmes CA 2011 : 221,9 M€ dont 52 % à l’international 2 2 500 collaborateurs 16 pays, 17 Agences en région Multi-Spécialiste BI PM CRMEIM E-bus Expertise unique reconnue internationalement par les analystes indépendants • Business Intelligence & EPM “European Marketscope for BI Services”. Gartner • Customer Relationship Mgt & MDM “CRM Wordwide Magic Quadrant”. Gartner • E-Business “Interactive Design Agency Overview, Europe, 2013 ”. Forrester
  • 3. 3 BI : des exigences que ne cessent de s’accroitre au niveau des directions fonctionnelles… Source : Gartner Survey Analysis: CFOs' Top Imperatives From the 2013 Gartner FEI CFO Technology Study
  • 4. 4 …mais des doutes commencent à poindre sur la capacité des NTIC à tenir leurs promesses Source : Gartner Survey Analysis: CFOs' Top Imperatives From the 2013 Gartner FEI CFO Technology Study
  • 5. Innover à l’aide de l’IT, au plus près du terrain • Comprendre : Une sensibilisation en amont sur les nouvelles technologies et leurs usages • Incuber : une approche par expérimentation pour mettre l’IT en pratique au cœur des processus métier • Industrialiser une fois que le preuve du concept a été faite • Améliorer en continu : S’appuyer sur l’existant plutôt que de le remettre en cause -> Une démarche d’innovation continue (« lean »), par incréments … • Partager les résultats, capitaliser, transformer les « next practices » en « bonnes pratiques ». • 5 http://blogs.hbr.org/cs/2012/03/look_to_it_for_process_innovat.html
  • 6. 6 Approche top down: BI d’entreprise Approche bottom up : BI personnelle Les équipes de management La Business Intelligence est elle au milieu du gué ?
  • 7. La BI d’entreprise telle qu’on la connait Utilisateur occasionnel 70+ % Utilisateur “avancé”: 30- % 7
  • 8. La BI d’entreprise telle qu’on la voudrait (*) Le prosommateur est un néologisme issu du mot anglais prosumer qui décrit les tendances des consommateurs à se professionnaliser et à s'approcher de plus un plus du producteur dans la société de l’information. (Wikipedia) 8
  • 9. 9 La BI telle qu’on la voudrait : les conditions du succès Des équipes Une orga- nisation Des métho- dologies Des Outils Une Infra- structure Métiers / processus Analyse de données Gouvernance de données Intégration de données Découverte de données BI Self Service Self Service Information Management Data Lab : environnement de prototypage et libre service d’accès aux données Front office proche du terrain pour spécification/ expérimentation + back office pour l’industrialisation Collecte des besoins métier en amont Méthodologies agiles basée sur des templates
  • 11. 11 La dimension humaine. Socialiser la Business Intelligence ou Changer le centre de gravité de la Business Intelligence pour engager les directions fonctionnelles au-delà des phases de spécification projet (définition des modèles, indicateurs partagés, vocabulaires…)
  • 12. 12 La dimension Infrastructure : le principe du DataLab BI d’entreprise Entrepôt de données Magasins de données Applications Packagées, Tableaux de bord Self Service DataLab Magasins éphémères Prototypes d’appli- cations Self Service Données Entreprise Industrialisation des applications Industrialisation des Modèles Industrialisation des sources de données Nouvelles données
  • 13. 13 La dimension projet ; repenser le cycle de vie des initiatives BI Quand Challenge Solution Avant le projet BI Aller à la découverte des nouveaux besoins. Formaliser les business cases. Faire la preuve du concept. Amener les outils en amont des projets au plus près des métiers. Démarche d’incubation des nouvelles technologies . Identifier les responsables et leur donner les moyens Pendant le projet BI Syndrome de la feuille blanche. Difficulté de valider les spécifications, d’anticiper les problèmes éventuels (ex : qualité de données). Méthodologies agiles Design sur base de templates et modèles Une fois le projet BI déployé Faire évoluer le système au fil de l’eau Installer le mode d’utilisation en self service Responsabiliser une certaine population d’utilisateurs pour : - L’accompagnement et coaching - La gouvernance des données - L’identification des nouveaux besoins
  • 14. Enjeux métiers S’assurer d’être la référence du marché en matière de qualité d’eau et le faire savoir à ses clients => Bâtir la plate-forme de collecte, benchmarking et partage de la qualité de l’eau Approche choisie Une plate forme cloud pour permettre à des utilisateurs experts (profils statisticiens) d’extraire de la connaissance de données externes et de la croiser avec des données internes • Démarche: Démarche agile en amont des projets : Exemple dans les Utilities (distribution d’eau) – Capacité à récupérer des données externes “multi-structurées “ sur la qualité de l’eau – Permet la découverte de données (y compris l’analyse qualité) et l’analyse – Prototypage sur population d’utilisateurs experts avant déploiement plus large – “Exposer la donnée d’abord”, avant de comprendre comment l’exploiter – Premiers résultats en moins d’un mois 14
  • 15. Les enjeux métiers Rénover les fondations du système d’information marketing : Approche choisie • S’appuyer sur un modèle de référence métier (Acord) couvrant les 17 thèmes clé du secteur de l’assurance • Démarches itérative et incrémentale sur trois volets: Démarche agile pendant le projet : Exemple dans l’assurance – Référentiel client et entrepôt de données marketing – Data Mart destiné au service des études (score, analyse de données…) – Mise en place d’un progiciel du marché pour la gestion des campagnes marketing – Modélisation des données (découpage du chantier par périmètre de données et « sprints » de 2 semaines) – Alimentation des données – Audit et analyse de la qualité des données 15
  • 16. Démarche agile tout au long d’une initiative BI : Exemple dans un laboratoire pharmaceutique Les enjeux métiers Donner un nouveau départ aux initiatives Business Intelligence : Approche choisie – Solidifier le back office informationnel (modèles de données, référentiels partagés, qualité & gouvernance) – Rapprocher la Business Intelligence des usages dans chaque activité – Mieux capter les besoins des utilisateurs en amont et au sein des projets – Tirer partie des outils de découverte et de visualisation des données Capter les besoins Concevoir Industrialiser Des key user, au sein de chacune des activités métier, pour capter les nouveaux besoins et découvrir les données de manière autonome Un recours systématique au prototypage dans les phases amont du projet Un centre de service et des standards partagés pour industrialiser le déploiement des applications Accompagner Des organisations pour accompagner les usages et s’assurer de la bonne utilisations des données et outils 16
  • 17. Les conditions du succès Jean-Michel Franco Directeur de l’Innovation et des solutions jean-michel.franco@businessdecision.com Téléphone, : +33 6 67 70 01 32 Twitter : @jmichel_franco Décisionnel agile