Comment démarrer et surtout bien terminer un projet data et/ou CRM ?

Migration vers le cloud, fusion d’entités, changement d’outil ou de plateforme CRM, exposition de ses données à un nouveau partenaire, création de nouveaux datamarts, les occasions ne manquent pas de lancer un projet Data ou CRM… et de ne pas le terminer ou d’être déçu du produit fini.
Notre contribution à de nombreux projets de ce type, nous a permis d’identifier 4 incontournables pour traverser au mieux ces périodes parfois difficiles pour les équipes techniques comme métier.

1) Segmenter ses objectifs

Un projet data est en théorie le plus souvent drivé par la qualité, plutôt que les coûts ou les délais, ne serait-ce que par le caractère légal ou de sécurité qui lui est associé. Toutefois, adopter un protocole itératif est indispensable pour maintenir la motivation des équipes et rapidement ajuster les éventuels écueils, une méthode agile avec MVP, même si il ne s’agit pas de la finalité, semble donc essentielle pour avancer.

2) Savoir se faire accompagner

Un projet data touche forcément à l’héritage des systèmes d’information et de choix d’une époque souvent révolue. Les utilisateurs et les responsables d’application sont parfois très attachés à de protocoles objectivement caduques et non efficients, mais qu’ils maîtrisent. Quoiqu’il arrive un projet Data CRM est souvent une transformation et un regard extérieur permet d’être agnostique et de faire émerger sans parti pris des problèmes d’architecture, de qualité de données ou de process trop customisés, mais auxquels les équipes se sont habituées.

3) Ouvrir le capot et documenter

Comme pour le point précédent, les équipes doivent faire avec un patrimoine conséquent et le plus souvent les connaissances sont dans les têtes et les versions actualisées, ne sont pas forcément écrites. C’est toujours une étape fastidieuse, mais sans nécessairement être à 100% exhaustif, un dictionnaire de données, un Modèle Conceptuel de Données et des contrats d’interfaces a minima sont indispensables pour démarrer ce type de projet. De même, des variables erronées ou qui ne sont plus utilisées peuvent encore faire parti des environnements et il est nécessaire d’être transparent vis-à-vis des équipes internes et de ceux venus vous accompagner.

4) En profiter pour faire du refactoring

Ce n’est pas le plus facile à réaliser, car en général ces tâches viennent se cumuler aux tâches initiales du projet, mais dans de nombreux cas précis, notamment le Data Processing ou la Data Quality, cela est très pertinent. Optimiser ses traitements ou optimiser un morceau de son architecture avec une nouvelle plateforme sera toujours bien accueilli par vos DBA et transformer un champs texte en liste de sélection, lorsque cela est possible fera le bonheur de vos Data Analysts, et par extension la pertinence de vos futures décisions.