Là où la collaboration échoue autour des données (et 4 astuces pour y remédier)

Republié par Platon

Suiveurs: 0

Là où la collaboration échoue autour des données (et 4 conseils pour y remédier)
Image par creativeart sur Freepik

Les équipes de données travaillent de plus en plus comme des équipes d'ingénierie logicielle, adoptant des outils d'ingénierie et de développement pour gérer leur travail. Celles-ci vont des systèmes de contrôle de version tels que Github à l'adoption de pratiques agiles telles que Kanban et Scrum, en passant par des cérémonies telles que des stand-up quotidiens, des engagements de sprint et des démos de sprint. Des solutions spécialement conçues (comme dbt pour la modélisation, les tests et l'intégration des données) sont arrivées sur le marché, soutenant l'état d'esprit du génie logiciel. Ces solutions permettent aux grandes équipes de données distribuées de faire de leur mieux.

Mais lorsqu'il s'agit de collaboration entre les équipes de données et le reste de l'entreprise, il y a encore beaucoup de place pour l'innovation.

Même les organisations axées sur les données les plus avant-gardistes s'appuient toujours sur des outils et des pratiques de collaboration standard (par exemple, Slack, e-mail ou réunions régulières) pour gérer la communication entre leurs équipes de données et les parties prenantes de l'entreprise. Après tout, pourquoi pas ? L'équipe des données et ses flux de travail ne devraient-ils pas ressembler à d'autres fonctions de l'organisation ? Cet argument et ce comportement fonctionnent lorsque les interactions sont de nature relativement générique. Mais dans les situations où la dynamique d'équipe est plus complexe (et où les données sont plus au cœur de chaque conversation et décision importante), cette dépendance à l'égard de solutions génériques est insuffisante.

À mesure que les données deviennent plus centrales pour les opérations commerciales, les membres de l'équipe de données doivent souvent porter plusieurs casquettes. Dans certains cas, ils doivent fonctionner en tant que chefs de produit en comprenant les besoins des utilisateurs métier, afin de pouvoir faire évoluer la plate-forme de données. Dans d'autres cas, ils sont tenus de traiter des demandes ponctuelles à titre de soutien. Dans d'autres situations encore, ils doivent intégrer de nouveaux utilisateurs et les aider à interagir avec les actifs de données à leur disposition.

Les outils de collaboration génériques et les approches traditionnelles de gestion du travail s'effondrent rapidement dans ces scénarios. Les équipes de produits et les équipes de support disposent d'outils spécialement conçus pour gérer leur travail. Les équipes data n'ont-elles pas aussi besoin d'une solution pour gérer au mieux les demandes des parties prenantes ? Ou des outils pour gérer leur documentation de support ou former les utilisateurs finaux ? Les meilleures équipes de données se retrouvent souvent aux prises avec cette partie de leur flux de travail et finissent par adopter des solutions conçues pour les autres (dans ce cas, les équipes de produit et de support).

Étant donné que la plupart des travaux de données et des interactions sont internes, il peut être difficile pour les équipes de trouver la bonne façon de travailler avec les parties prenantes de l'entreprise sans créer de confusion et rencontrer la gêne.

Si vous enquêtez sur les problèmes de collaboration entre les équipes de données et les autres, vous trouverez forcément des asymétries d'information entre les constructeurs et les consommateurs d'actifs de données. D'une part, vous avez des constructeurs de données qui ont une connaissance approfondie des données sous-jacentes, comment les manipuler et les analyser, et comment les contextualiser dans un ensemble plus large d'actifs de données. D'autre part, vous avez des consommateurs de données, qui sont généralement des experts du domaine possédant de riches connaissances sur l'entreprise elle-même, ce qui peut être essentiel pour fournir un contexte plus large, comprendre les données et faire évoluer la plate-forme de données.

Prenez Jane, par exemple. Elle vient de rejoindre une entreprise Fortune 500 en tant que directrice des ventes, gérant une équipe distribuée de 15 vendeurs répartis dans le sud-est. Le deuxième jour de son nouveau travail, elle reçoit un e-mail d'un collègue avec plusieurs liens vers diverses ressources : une feuille de calcul avec des informations sur le pipeline, divers rapports dans Salesforce et une poignée de tableaux de bord sur les performances individuelles dans la solution de BI de l'entreprise. Après avoir passé quelques minutes à regarder les données, elle se rend compte qu'elle n'a aucune idée de ce qu'elle regarde vraiment et de ce que cela signifie. Elle envoie un message à son responsable des opérations commerciales pour lui demander de l'aide, qui fait appel à son partenaire de l'équipe de données qui a créé la plupart de ces ressources. L'analyste de données lit l'e-mail, soupire, puis passe l'heure suivante à rédiger une réponse. Ils créent un ticket sur leur tableau JIRA pour « réévaluer la documentation ».

La cause profonde de ce type de problèmes de collaboration de données réside dans les asymétries d'informations entre les constructeurs et les consommateurs, qui laissent tout le monde frustré et mécontent.

Tragiquement, les personnes les plus souvent touchées par ces dynamiques sont les employés subalternes ou les cadres intermédiaires en première ligne, car ils ont généralement moins de pouvoir dans l'organisation et le moins de contexte pour comprendre les décisions prises concernant les données. Sans formation intensive, ces employés sont vulnérables aux types de problèmes de communication qui résultent des asymétries d'information. Ils sont également susceptibles d'être victimes du «syndrome de la roue grinçante», où les voix des cadres et des membres de l'équipe de direction sont naturellement les plus entendues par les équipes de données (et donc leurs demandes et leurs besoins sont prioritaires sur ceux des autres).

Afin d'obtenir un meilleur retour sur investissement des investissements massifs réalisés dans les outils et les équipes de données, nous devons nous attaquer à ces asymétries d'information au cœur de nos problèmes. Atteindre zéro est peut-être un objectif ambitieux, mais les équipes de données doivent continuellement s'efforcer de combler cet écart grâce à des pratiques, des partenariats et des outils. Cela éliminera les frictions, augmentera la transparence et la confiance, et permettra à chacun de tirer le meilleur parti des offres de données de l'entreprise.

Voici 4 conseils proactifs pour les data leaders qui souhaitent réduire les asymétries d'information et parvenir à une meilleure collaboration dans leurs organisations :

Réaligner les structures organisationnelles et d'équipe avec les besoins de l'entreprise. Cela inclut non seulement les modèles de reporting, mais également les rôles et fonctions de l'équipe de données. Nous commençons déjà à voir plus d'offres d'emploi pour des rôles tels que "responsable de produit de données" ou "maître de mêlée de données". Ces nouvelles fonctions aideront les équipes de données à gérer les défis de collaboration qui, en fin de compte, concernent généralement les personnes et les processus par rapport aux problèmes technologiques sous-jacents.
Envisagez d'investir dans un modèle matriciel où les membres de votre équipe - ou dans certains cas des modules entiers - sont alignés sur des unités commerciales spécifiques. Cela permettra d'aligner les initiatives de données à plus long terme sur les besoins commerciaux immédiats, de favoriser le partage des connaissances, ainsi que des relations de collaboration plus étroites entre les analystes et ceux qu'ils soutiennent au quotidien.
Commencez petit et construisez votre succès au fur et à mesure. le pouvoir des premières impressions ne peut être surestimé. Les perceptions initiales de l'équipe de données sont extrêmement importantes pour la façon dont leur travail sera reçu, alors réfléchissez à la façon dont cela se passe avec les membres clés de l'équipe dès le départ. Concentrez-vous en établissant des relations solides avec 1 à 2 champions clés de l'organisation qui peuvent aider à faire connaître à quel point vous êtes incroyable. Développez-vous à partir de là.
Soyez conscient des outils de collaboration peuvent être exploités tout au long du cycle de vie de vos initiatives de données et de vos produits de données. Par exemple, réfléchissez à la manière dont vous souhaitez rallier votre personnel, vos processus et vos systèmes pour chacune des catégories ci-dessous. Souvent, ce qui fonctionnera pour une catégorie échouera lamentablement dans d'autres :
- Collaboration au sein de l'équipe data
- Collaboration générique avec d'autres employés en dehors de votre équipe
- Questions ponctuelles ou demandes de nouvelles fonctionnalités
- Assistance continue pour les produits de données
- Cadrage de nouvelles initiatives de données ou produits de données
- Faire évoluer votre offre de données en fonction de ce qui est précieux pour l'entreprise

Les équipes de données innovantes migrent déjà vers les meilleures pratiques d'ingénierie logicielle et cette tendance devrait se poursuivre dans les années à venir. Alors que vous envisagez d'investir dans l'infrastructure de données pour soutenir la croissance future, pensez aux outils qui prennent en charge la collaboration avec les partenaires commerciaux.

Nicolas Freund est un dirigeant chevronné de l'industrie SaaS avec plus d'une décennie d'expérience dans la direction de startups axées sur la croissance axée sur les produits. En tant que fondateur et PDG de Workstream.io, Nick dirige une startup technologique en phase de démarrage qui aide les équipes de données à gérer les actifs de données critiques. Avant Workstream, Nick a occupé le poste de vice-président des opérations pour BetterCloud, un fournisseur de logiciels indépendant qui propose la principale solution de gestion des opérations SaaS. Auparavant, Nick a occupé des postes de direction en finance chez Tesla, tout en obtenant son MBA à Harvard.