Les meilleurs experts partagent leurs insights avec vous.
Comment briser les silos, connecter les données à l'ensemble de votre organisation et les exploiter pour améliorer le niveau de service que vous offrez à vos clients ?
Cette conférence organisée dans le cadre de l'Alenia Production Tour 2022 a réuni de nombreux DSI, data leaders et experts opérationnels, dont Laurent Demeestere, ingénieur machine learning chez Engie Digital, Guillaume Besson, responsable de la stratégie chez AI Builders et Nathalie Bouillé, directrice régionale chez Dynatrace.
Nous avons abordé des sujets tels que la production applicative pilotée par les données, l'importance de l'exploitation des données dans votre prise de décision, les secteurs les plus performants, la qualité des données, les principaux défis rencontrés par nos invités et bien plus encore. Nous espérons que vous apprécierez cette conversation.
Oksana Biens, Alenia - Bonjour à tous ! Commençons par les bases. Comment définiriez-vous la production applicative pilotée par les données ?
Guillaume Besson, AI Builders - La production applicative pilotée par les données est une expression à la mode qui recouvre plusieurs réalités. Le fait est que nous utilisons la business intelligence, l'IA et l'analyse avancée des données pour comprendre ce qui se passe au sein des systèmes informatiques. Nous avons observé 2 phases dans le développement des solutions data : la période d'innovation (de 2016 à 2019), pendant laquelle les données qui était considérées comme un coût sont devenues un atout, en découvrant toutes les possibilités qu'elles peuvent offrir. Depuis 2019, les solutions pour générer des insights sont plus matures et nous commençons à réaliser tout le potentiel offert par la data.
OB - Merci Guillaume. Nathalie, vous et vos collègues de Dynatrace accompagnez les clients dans la mise en place de solutions pour générer de la valeur à partir des données. Quelle est votre définition de la production applicative pilotée par les données ?
Nathalie Bouillé, Dynatrace - Chez Dynatrace, nous sommes sur le marché de l'observabilité, et la production pilotée par les données consiste pour nous à prendre les bonnes décisions grâce aux données, de la manière la plus automatisée possible. Dans un sens, ce n'est pas nouveau, quand j'étais plus jeune on parlait déjà d'entrepôts de données, de business intelligence... puis les gens ont mis les données dans des data lakes. Ce qui est nouveau, c'est que nous avons tendance à tout tracer. Chaque swipe, chaque action de l'utilisateur sur le mobile et sur l'internet génère d'énormes volumes de données. De plus, nous travaillons désormais dans des environnements de clouds hybrides, et les types de données sont donc très différents. Collecter des données et les placer dans des data lakes coûte très cher. Le défi consiste à rassembler un grand nombre de données afin de générer des informations avec un coût minimal. Il s'agit donc d'observer la production et le développement des données pour aider les équipes à délivrer des applications qui fonctionnent parfaitement, le plus rapidement possible.
"Le défi est de rassembler beaucoup de données afin de générer des insights avec un coût minimum." N. Bouillé, Dynatrace
OB - Merci pour vos réflexions, Nathalie. Maintenant que nous sommes tous d'accord sur le sujet de notre discussion, je voudrais commencer par expliquer pourquoi, chez Alenia, nous pensons qu'il est très important pour les DSI et leurs équipes de commencer à exploiter les données pour guider la prise de décision. D'après notre expérience, nous avons vu de nombreux avantages à gérer votre production applicative grâce à vos données. En voici quelques exemples.
Le premier est de briser les silos. Dans la plupart des organisations, les données sont éparpillées entre les silos métiers et les silos IT, donc le simple fait d'avoir cette vue à 360° de votre écosystème IT, enrichie de l'état de la production en temps réel, est déjà un énorme avantage, qui vous permet d'avoir un aperçu rapide de ce qui se passe dans votre production applicative.
Le second est la réduction du nombre d'incidents suite à des interventions en production. Lorsque vous avez des changements en production qui ont un impact direct sur vos applications métiers critiques, vous avez des procédures bien définies pour limiter l'impact de ces interventions. Mais combien de fois vos équipes techniques ont-elles effectué un changement qualifié de mineur sur un composant de l'infrastructure qui a impacté plusieurs équipes métiers, simplement parce que l'équipe technique n'était pas en mesure d'évaluer l'impact global du changement sur l'écosystème IT ? Il est donc très important de pouvoir qualifier l'impact potentiel exhaustif que vous pourriez avoir pour limiter les effets secondaires et réduire le nombre d'incidents qui surviennent après les interventions.
La troisième est l'accélération du dépannage. En cas d'incident de production, il est très important d'assurer une réponse proactive. Vous pouvez y parvenir en fournissant une plate-forme centralisée à vos équipes d'assistance pour faciliter les enquêtes, établir des corrélations entre les événements et identifier rapidement la cause profonde, et peut-être même faire en sorte que le système suggère automatiquement une action corrective pour l'incident. C'est le but ultime : éviter les incidents avant qu'ils ne se produisent en se basant sur l'analyse des modèles de comportement anormal.
Enfin, le dernier mais non le moindre, est l'optimisation des ressources et des processus. Par exemple, vous pourriez vouloir identifier les demandes récurrentes des utilisateurs pour les automatiser, ou identifier une cause profonde commune à plusieurs incidents pour la traiter comme un problème. Ou encore prévoir un risque de production pour le jour, la semaine ou le mois à venir afin de pouvoir ajuster vos ressources en conséquence.
.webp)
OB - Laurent, vous travaillez au département digital d'Engie, c'est un département transversal qui sert toute l'entreprise. Pouvez-vous nous donner des exemples des grands objectifs que vous aidez votre entreprise à atteindre grâce aux données ?
Laurent Demesteere, Engie - Je devrais peut-être commencer par présenter la place d'Engie Digital dans l'écosystème global d'Engie. Engie Digital est une société de logiciels au sein du groupe Engie. Notre mission est de tirer parti des données et des capacités digitales pour atteindre une économie neutre en carbone. Nous développons, déployons et exploitons des solutions pour les clients des différentes entités d'Engie.
À titre d'exemple, nous aidons nos clients à accélérer la décarbonation en surveillant leur empreinte carbone. Nous optimisons l'équipement et la maintenance des actifs renouvelables d'Engie en collectant les données des équipements éoliens, solaires, hydroélectriques, biogaz et en croisant ces données avec les prévisions météorologiques. Nous permettons la maintenance prédictive en identifiant les comportements anormaux à l'aide de l'IA. Nous transformons les villes en aidant nos clients à relever des défis urbains complexes comme la réduction des émissions de CO2 ou la régulation du trafic.
OB - Le secteur de l'énergie semble assez avancé dans la valorisation des données par rapport au secteur bancaire, où nous n'avons vu que quelques projets de valorisation des données à grande échelle. Guillaume, vous travaillez avec des clients de différents secteurs, lesquels sont les meilleurs de leur catégorie et lesquels sont à la traîne ?
GB - Oui, j'ai beaucoup travaillé avec des clients du secteur pharmaceutique, de l'énergie, de l'industrie lourde et bien d'autres. Nous avons constaté de réels progrès en matière de maturité dans tous les secteurs au cours des dernières années. L'idée de déployer des solutions d'analyse de données a fait son chemin, mais passer d'un projet pilote à une solution industrialisée reste compliqué, et beaucoup échouent.
Nous avons constaté que l'un des plus grands défis est le changement de la culture d'entreprise. C'est à mon avis le facteur le plus important qui détermine le succès ou l'échec des projets de production applicative pilotée par les données.
OB - Et en ce qui concerne le secteur bancaire en particulier, quels sont les défis qui empêchent les entreprises de tirer le meilleur parti des données ?
NB - Au cours des 30 dernières années, de nombreuses banques et compagnies d'assurance ont dépensé beaucoup d'argent dans des outils de monitoring de leurs systèmes informatiques. La profusion d'outils et d'environnements a créé des silos, et il est devenu très difficile d'avoir une vision globale de ce qui se passe. Il ne suffit pas de surveiller séparément le réseau, le middleware et les applications, car il existe de nombreuses dépendances entre ces couches. Le grand défi est de faire en sorte que les gens pensent globalement et comprennent les dépendances entre tout ce qui se passe. L'objectif n'est pas seulement de collecter des données, mais d'obtenir des réponses à partir des données pour prendre les bonnes décisions.
"La qualité des données et le taux d'adoption sont deux défis majeurs auxquels nous sommes confrontés chez Engie Digital" L. Demeestere, Engie Digital
LD - Pour moi, la qualité des données et le taux d'adoption sont deux défis majeurs auxquels nous sommes confrontés chez Engie Digital. En ce qui concerne l'adoption, la question est de savoir comment suivre et augmenter l'adoption des solutions fournies par nos clients. Pour ce faire, il faut utiliser les outils de monitoring appropriés, comme Dynatrace (que nous utilisons volontiers chez Engie Digital). Et avec ce genre d'outil, vous pouvez vérifier l'activité de vos clients et évaluer la satisfaction des utilisateurs en analysant les données.
En ce qui concerne la qualité des données, la question est de savoir comment mesurer, suivre et contrôler la qualité des données que vous utilisez, car des données de mauvaise qualité génèrent des informations de mauvaise qualité. Cette question implique plusieurs défis : vous devez vous doter des outils et des techniques appropriés, vous devez impliquer les bonnes personnes et vous devez définir le niveau d'alerte adéquat. Lorsque vous avez des corrections à appliquer, vous devez le faire au niveau de l'entreprise, et pas seulement à l'échelle de votre projet, ce qui constitue également un défi important. Pour conclure, vous devez allouer suffisamment de temps et de ressources aux sujets liés à la qualité des données, qui sont souvent sous-estimés.
OB - Je suis tout à fait d'accord, surtout en ce qui concerne le défi de la qualité des données. C'est le principal problème que nous rencontrons chez nos clients. Certains d'entre eux attendent que leurs données soient parfaitement nettoyées avant de commencer à les exploiter, ce qui, à mon avis, est une erreur. La gestion de la qualité des données n'est pas un exercice ponctuel, mais un effort continu.
Vous devez créer un cercle vertueux : plus vous exploitez vos données, plus les gens voient ce qu'ils peuvent obtenir en termes de valeur commerciale, plus ils comprennent qu'ils doivent jouer un rôle dans l'amélioration de la qualité des données à leur niveau, et plus les données s'améliorent, générant ainsi de meilleures perspectives.
Lorsque vous avez décrit les défis qui empêchent les entreprises de tirer parti de leurs données, je m'attendais à entendre parler des compétences techniques requises, en particulier avec Dynatrace. N'est-ce pas quelque chose dont vous avez besoin ? Vous pouvez vous procurer une voiture de Formule 1, mais cela ne signifie pas que vous êtes capable de la piloter, n'est-ce pas ?
NB - Eh bien, l'un des avantages de Dynatrace est de permettre aux personnes qui ne sont pas des experts de comprendre ce qui se passe avec leur production applicative. Donc, si vous n'êtes pas un expert, vous serez toujours en mesure de voir les problèmes dans votre écosystème, d'en déterminer la cause profonde, d'évaluer l'impact et d'identifier les actions correctives nécessaires. Mais vous devez avoir quelques personnes formées qui sont en charge de la plateforme pour la déployer à l'échelle, et Dynatrace ne fonctionne pas indépendamment. Je veux dire qu'elle doit être connectée à des systèmes d'alerte et à d'autres systèmes pour effectuer une remédiation automatique ou automatiser les barrières de qualité ou de sécurité.
.webp)
OB - Pourtant, malgré tous les défis mentionnés, il existe de nombreuses entreprises qui réussissent à exploiter leurs données. Pouvez-vous partager avec nous quelques exemples de réussite ? Comment avez-vous aidé vos clients ou votre entreprise à utiliser les données pour prendre de meilleures décisions et améliorer la gestion de la production applicative ?
GB - Permettez-moi de commencer par un exemple que nous avons vu il y a quelques mois chez AI Builders. Il y avait cette entreprise, travaillant dans le secteur de l'énergie, et en retard en termes de valorisation des données. Ils ont décidé d'accélérer leur transformation data et ont conçu une nouvelle organisation des données qui regroupait le data office, les services IT et numériques au sein d'une même entité directement sous la responsabilité du Chief Strategy officer. Cela a permis d'aligner toutes les parties prenantes sur un objectif commun et de placer les considérations relatives aux données au cœur de la stratégie globale de l'entreprise.
NB - Chez Dynatrace, nous travaillons avec de nombreuses banques internationales. Elles ont toutes le même défi, qui est de fournir de meilleures applications et d'offrir un meilleur service aux clients finaux. Pour relever ce défi, l'objectif est d'éviter les défaillances, de réduire le temps de réparation et de livrer plus rapidement de meilleures applications en production.
Pour y parvenir, la première étape consiste à réduire le nombre d'incidents, les gros mais aussi les petits. Cela commence en fait avant la sortie de l'application, en s'assurant que tout problème potentiel est détecté par l'équipe de développement, l'équipe d'assistance IT et les testeurs avant la mise en service, ce qui réduit les difficultés et améliore la satisfaction des utilisateurs.
Il y a beaucoup de choses à dire, mais derrière cela, il y a beaucoup de données. Et le défi consiste à organiser les données, à les structurer et à s'assurer que vous n'obtenez pas seulement des données mais aussi des réponses pour améliorer la qualité du service fourni à vos clients.
LD - J'aimerais vous parler de notre plateforme Ellipse qui nous aide à envisager un avenir neutre en carbone. Nous aidons nos clients à effectuer une décarbonation à l'échelle, et les utilisateurs finaux de cette plateforme sont les managers développement durable. La plateforme leur permet de suivre leurs progrès dans la transition vers la neutralité carbone, en utilisant des données provenant de sources multiples, notamment les factures de consommation d'énergie, pour surveiller et contrôler les émissions de CO2.
OB - Merci beaucoup pour ces exemples. La promesse offerte par l'exploitation des données est grande, mais il n'est pas toujours facile de donner le coup d'envoi. Pourriez-vous nous donner quelques conseils pratiques : par où les entreprises doivent-elles commencer pour exploiter leurs données ? Quels sont les pièges à éviter et les facteurs clés de succès ?
GB - Je pense que la clé pour réussir à mettre en œuvre une production applicative axée sur les données est d'avoir des alliés au sein de votre organisation. Développez un projet ou une organisation qui crée un consensus entre les différentes parties prenantes. Construisez cela en faisant travailler les gens ensemble et en les alignant à la fois sur la partie stratégique et sur la partie déploiement.
"Vous avez besoin d'alliés au sein de votre organisation pour réussir la mise en œuvre de l'informatique basée sur les données" Guillaume Besson, AI Builders
NB - Si je prends le cas d'utilisation "comment observer l'écosystème informatique pour augmenter la qualité et réduire les coûts", je dirais que vous devez avoir le parrainage du CTO et du responsable des données. Parce qu'il y a beaucoup de résistance au sein de chaque entreprise, chacun veut gérer son propre domaine, ses propres outils, ses propres données. Il est important de penser globalement. Il faut voir grand et en même temps commencer quelque part. Il y a donc une sorte d'évaluation de la maturité à faire pour comprendre où vous en êtes actuellement, où aller et qui va embrasser le projet progressivement pour le déployer localement et ensuite à l'échelle.
LD - Et ne négligez pas la qualité de vos données. Lorsque vous budgétez vos projets, allouez-y du temps et des ressources. N'oubliez pas d'augmenter l'adoption par vos clients et de construire une forte culture de la donnée dans votre entreprise.
OB - Merci beaucoup, nous allons maintenant ouvrir les questions-réponses. "Quelles sont les industries les plus avancées dans l'exploitation des données ?". Guillaume, cette question s'adresse à vous!
GB - Je ne connais pas toutes les industries existantes, évidemment ! Les industries les plus avancées que j'ai vues sont celles de l'énergie et de la pharmacie. L'industrie énergétique parce qu'elle est en concurrence avec de nombreuses entreprises mondiales. Elles doivent être à la pointe de ce qui existe aujourd'hui en termes de données, y compris la production applicative pilotée par les données. L'industrie pharmaceutique est également très performante parce qu'elle a traditionnellement dû traiter beaucoup de données provenant de sa R&D...
OB - Et je pense qu'il ne faut pas oublier non plus le secteur de la vente au détail...
NB - ... Oui, bien sûr. Les équipes numériques sont en avance dans le secteur de la distribution.
OB - Merci. Question suivante : "Quelles sont les meilleures solutions pour surmonter les problèmes de qualité des données ?"
NB - Il y a la question de la collecte des données et des informations contextuelles, les métadonnées, pour mettre les données dans un modèle de données qu'ensuite l'intelligence artificielle va utiliser. Si vous ne collectez pas les informations contextuelles avec les données, au final vous aurez des données qui ne sont pas propres.
LD - Il y a beaucoup d'outils existants qui peuvent aider. Chez Engie Digital, nous utilisons Splunk pour construire des tableaux de bord pour contrôler la qualité des données, mais vous pouvez penser à d'autres outils, par exemple des outils de gouvernance des données comme Colibra, pour aborder ce genre de questions. Vous devez trouver un bon équilibre entre les solutions personnalisées et les solutions prêtes à l'emploi dans votre entreprise. Si vos projets et vos problèmes sont très spécifiques, une solution personnalisée peut être la meilleure.
OB - J'ajouterais également qu'à mon avis, la meilleure façon d'améliorer la qualité des données est d'améliorer la culture des données au sein de l'organisation et de veiller à ce que chacun comprenne qu'il a un rôle à jouer dans ce processus. Ensuite, il faut s'assurer que des contrôles de la qualité des données sont en place pour vérifier les inconnues connues (c'est-à-dire lorsque vous supposez qu'un problème potentiel pourrait survenir à un point particulier du processus ou du système). De cette façon, vous pouvez contrôler ce type particulier de problème dans un système spécifique, à un point précis de votre écosystème. Mais il y a aussi des inconnues inconnues, c'est-à-dire des choses imprévisibles qui peuvent se produire, et dans ce cas, l'observabilité peut être d'une grande aide.
.webp)
OB - Voici une nouvelle question : "Comment penser globalement si l'organisation est cloisonnée et non globale ?".
GB - Je pense que le fait qu'une organisation soit cloisonnée n'est pas nécessairement une mauvaise chose à deux conditions. La première est que la direction doit avoir une vision globale, et la seconde est que les gens peuvent se parler même si l'entreprise fonctionne en silo.
OB - Notre dernière question : "La production applicative pilotée par les données est-elle plus facile à améliorer lorsque les équipes de production sont intégrées aux équipes de développement ou lorsque les équipes de production des applications sont indépendantes ?
Pour moi, c'est beaucoup plus facile si les équipes de support sont intégrées aux équipes de développement, de sorte qu'elles sont au courant des nouvelles versions et peuvent anticiper les problèmes d'exploitation potentiels auxquels les développeurs pourraient ne pas penser parce que ce n'est pas dans leur culture. Si un problème survient après une nouvelle version, les équipes de support peuvent être plus proactives pour le résoudre si elles savent ce qui a été modifié.
Marjane Mabrouk, Alenia - Je suis partiellement d'accord avec vous. D'après ce que nous avons vu, lorsque le support de production est intégré à l'équipe de développement, comme dans les modèles agiles à l'échelle, la plupart du temps, la qualité des données diminue.
"Les meilleurs résultats que nous avons constatés jusqu'à présent pour améliorer la production informatique basée sur les données sont obtenus lorsque les équipes de support pilotent la conception des solutions de monitoring." D. Cebrián, Santander
Dámaso Cebrián, Santander - D'après notre expérience à Santander, lorsque vous avez une équipe applicative orientée produit qui prend vraiment en compte l'observabilité et l'entraînement des modèles de données, c'est génial car ce sont eux qui peuvent adapter les modèles aux cas d'utilisation réels qui apportent une vraie valeur ajoutée. Mais le problème est qu'à l'heure actuelle, très peu d'équipes de support de production se préoccupent de l'observabilité et savent comment la mettre en place. Nous obtenons donc généralement de meilleurs résultats lorsque ce sont les équipes de support qui pilotent la conception des solutions de monitoring.
MM - et il est important d'impliquer l'entreprise parce que la plupart du temps, l'IT fait de la surveillance sans les métiers, elle pense pour eux au lieu d'intégrer les utilisateurs dans cet exercice. Nous nous orientons davantage vers le monitoring que vers les données, mais ces deux sujets sont définitivement imbriqués. Nathalie, constatez-vous ce schéma chez vos clients ?
NB - C'est une bonne question. Parfois, les gens ont tendance à tellement aimer Dynatrace qu'ils le gardent. Ils gardent la plateforme pour eux, donc ils travaillent avec une plateforme d'observabilité améliorée, mais ils ne vont pas vers le business, ils n'impliquent pas d'autres personnes dans le projet. C'est juste un outil de plus qui s'ajoute aux autres. Ce n'est pas un échec, mais ce n'est pas l'ambition massive que nous avons d'améliorer la qualité des données et la qualité du service.
Donc les conditions pour obtenir un grand projet est de penser grand, mais d'obtenir le soutien ou le parrainage des personnes qui travaillent dans les équipes DevOps, des personnes dans les équipes de support des applications ainsi que des personnes dans le monitoring.
OB - Merci beaucoup à vous tous. Si vous souhaitez approfondir ces sujets, vous pouvez nous contacter ici, nous serons heureux de poursuivre cette conversation.
