Les outils de data visualisation proposés par les acteurs du marché offrent sans cesse de nouvelles fonctionnalités, ainsi que des capacités d’analyse et de visualisation de plus en plus avancées. Les éditeurs se bousculent pour promettre l’outil « magique » qui construirait presque le produit de data visualisation à lui tout seul. Pour autant, les entreprises continuent à éprouver des difficultés à disposer de données intelligibles et actionnables, et ceci quel que soit l’outil mis en œuvre.
1. Cadrer
Afin de piloter efficacement la mise en place d’un produit de data visualisation, il est nécessaire de cadrer dès en amont, avec les parties prenantes, les contraintes projets résumées dans le triptyque périmètre, délai et budget.
La méthode des 5W (ou QQCQP) est un bon outil, qui, adapté au contexte des projets de data visualisation, questionne les éléments suivants :
- Objet de la data visualisation (Quoi),
- Objectif de la data visualisation (Pourquoi),
- Parties prenantes du projet (Qui),
- Profils et nombre des utilisateurs cibles (Qui),
- Périmètre fonctionnel et technique des données sources (Comment),
- Fréquence de rafraichissement des données (Quand),
- Date de mise à disposition et contraintes métier associées (Quand).
Ce travail préparatoire permet d’évaluer la complexité des travaux à mener, la priorité du projet et anticiper les contraintes de passage à l’échelle.
2. Disposer de données de bonne qualité
Une information erronée peut conduire à une prise de décision aux conséquences non maîtrisées
Il est primordial de s’assurer du niveau de qualité de l’information présentée
Une validation en bonne et due forme par les utilisateurs concernés et les responsables des données est nécessaire. De surcroit, la mise en place de principes de gouvernance de la donnée, permet de piloter les risques liés à une mauvaise qualité des données (fraîcheur, disponibilité, cohérence …).
3. Co-construire
Il est nécessaire d’inclure les utilisateurs cibles dès la définition des besoins et tout au long de la construction du produit.
Une construction incrémentale et itérative est conseillée pour permettre de recueillir au plus tôt les retours des utilisateurs afin d’être au plus près des besoins.
Par exemple, il est préférable de construire un produit sur un périmètre limité des données afin de valider la complétude et l’intelligibilité de l’information plutôt que d’engager de lourds travaux d’industrialisation de la chaine de traitement de données dont l’utilité n’est pas certaine.
4. Simplifier
Un produit réussi doit être intuitif et accessible avec un minimum d’effort de présentation et de formation.
Le message doit être clair, compréhensible et sans ambiguïté.
5. Déployer très tôt et itérer
Il est nécessaire de s’assurer de l’utilité du produit de data visualisation et de son utilisation effective.
Déployer au plus tôt une version (MVP) utilisable dans des conditions réelles.
L’analyse de l’utilisation réelle et la prise en compte des retours des utilisateurs permet d’envisager les éléments à intégrer au backlog en vue d’améliorer la complétude et l’intelligibilité de l’information.
Les règles citées ci-dessus vous permettront d’aborder un projet de data visualisation du bon pied, indépendamment du choix de l’outil. Pour autant, un choix avisé des outils et des ressources peut influer de manière significative sur la qualité et l’efficacité du produit livré.
Cet article a était rédigé en collaboration avec Clément Froissart, Senior Consultant chez Orange Consulting
Manager chez Orange Consulting, j’aide mes clients à découvrir le potentiel de leur patrimoine Data et à mettre en œuvre la transformation organisationnelle et technique pour en tirer de la valeur.