Introduction

Le composant Gestion analytique, le huitième élément du DCAM Le cadre de gestion des données joue un double rôle au sein des processus de gestion des données, en agissant à la fois comme créateur et consommateur de données. En tant que créateur de données, la gestion analytique doit respecter les principes énoncés par les sept premiers composants de DCAM; qui définissent les capacités essentielles nécessaires à une gestion efficace des données. Cela garantit cohérence et précision La manière dont les données sont consommées et les informations générées soutient les processus décisionnels de l'organisation. Pour aider les professionnels de l'analyse de données, des processus clairs doivent encadrer la gestion des données analytiques. fonction Ces processus sont structurés et gérés. Ils doivent définir les cadres de gouvernance nécessaires à la conception, à l'exécution, à la validation et à la livraison des modèles, y compris ceux relatifs aux grands modèles de langage, afin de répondre aux besoins de l'organisation.

Le composant Gestion analytique, le huitième élément du DCAM Le cadre de gestion des données joue un double rôle au sein des processus de gestion des données, en agissant à la fois comme créateur et consommateur de données. En tant que créateur de données, la gestion analytique doit respecter les principes énoncés par les sept premiers composants de DCAM; qui définissent les capacités essentielles nécessaires à une gestion efficace des données. Cela garantit cohérence et précision La manière dont les données sont consommées et les informations générées soutient les processus décisionnels de l'organisation. Pour aider les professionnels de l'analyse de données, des processus clairs doivent encadrer la gestion des données analytiques. fonction Ces processus sont structurés et gérés. Ils doivent définir les cadres de gouvernance nécessaires à la conception, à l'exécution, à la validation et à la livraison des modèles, y compris ceux relatifs aux grands modèles de langage, afin de répondre aux besoins de l'organisation.

L'objectif principal de la gestion de l'analytique est de formaliser la structure, la gouvernance et l'exécution des activités analytiques au sein d'une organisation. Ceci garantit leur cohérence avec les pratiques de gestion des données. La structure organisationnelle, notamment la centralisation ou la distribution des équipes analytiques, dépend de la culture de l'organisation. Toutefois, un cadre cohérent pour l'analytique peut renforcer les synergies, optimiser l'efficacité et améliorer la performance globale lorsqu'il est aligné sur une stratégie analytique globale.

Définition

Le Gestion analytique Ce composant fait partie intégrante de la gestion des données. Il s'agit d'un ensemble de capacités nécessaires pour structurer et gérer les activités analytiques d'une organisation. Ces capacités alignent la gestion de l'analytique sur la gestion des données afin de soutenir les priorités métiers et fonctionnelles. Elles concernent la culture, les compétences, la plateforme et la gouvernance requises pour permettre à l'organisation de tirer profit de l'analytique.

Le volet analytique décrit les capacités nécessaires à la réussite, mais n'aborde pas les différentes structures organisationnelles possibles, ni les facteurs à prendre en compte pour choisir la structure la plus adaptée. Chaque organisation devra concevoir une structure appropriée pour répondre à ses besoins et capacités analytiques, en fonction de ses ressources et capacités spécifiques.

Portée

• Élaborer une stratégie analytique alignée sur la stratégie commerciale globale.
• Veillez à ce que la stratégie analytique soit alignée sur la stratégie de gestion des données.
• Mettre en place la gestion analytique fonction.
• Garantir une responsabilité claire concernant les analyses créées et leur utilisation au sein de l'organisation.
• Collaborer avec la gestion des données pour aligner l'analyse avec l'ensemble des données. DCAM composants, notamment Architecture des données et Qualité des données Gestion.
• Mettre en place une plateforme analytique offrant flexibilité et contrôle pour répondre aux besoins des différents partie prenante rôles dans l'analyse Modèle opérationnel.
• Concevoir et déployer une gouvernance efficace du cycle de vie de l'analyse des données, incluant des points de contrôle pour modèle examens, tests, approbations, documentation, plans de mise en production, surveillance et examen régulier des processus, ajustements et mise hors service.
• S'assurer qu'Analytics respecte les directives établies en matière de confidentialité, d'éthique des données et de conformité réglementaire., modèle biais et modèle Exigences et contraintes d'explicabilité.
• Gérer les activités de changement culturel et de formation nécessaires pour soutenir la stratégie analytique.

Proposition de valeur

Les organisations qui excellent dans la gestion de leurs fonctions et ressources analytiques savent exploiter la puissance des méthodes analytiques, des algorithmes avancés et des données de haute qualité. En améliorant la rapidité et l'efficacité de la conversion des données en informations exploitables, elles renforcent non seulement leur capacité à prendre des décisions rapides et éclairées, mais garantissent également le respect des normes éthiques et juridiques. processus améliore les performances globales et la compétitivité.

Aperçu

L'analyse de données vise avant tout à améliorer la prise de décision. Elle va bien au-delà du simple traitement des chiffres ; il s'agit d'en extraire des informations pratiques susceptibles d'orienter les décisions stratégiques. Cette approche privilégie l'importance des connaissances exploitables issues des données, plutôt que la simple analyse. processus elle-même.

La prise de décision en temps réel, fondée sur l'analyse de données, est devenue un facteur de différenciation essentiel pour les entreprises, grâce aux progrès technologiques rapides, à l'accessibilité accrue des données et aux capacités de traitement améliorées, ainsi qu'aux techniques analytiques avancées qui répondent aux besoins des entreprises. partie prenante exigences.

Diagramme 8.1 : Facilitateurs et parties prenantes de l’analyse

Les progrès technologiques et en matière de données comprennent :

• Les technologies de bases de données NoSQL et graphiques permettent d'accéder et de traiter efficacement une plus grande variété et quantité de données structurées et non structurées.
• La baisse des coûts de traitement, associée à des vitesses de traitement plus rapides et à l'évolutivité du cloud computing, rend les techniques d'analyse sophistiquées plus abordables et accessibles.
• La disponibilité de solutions ‘ tout-en-un “ démocratise l'accès aux techniques analytiques.
• La baisse des coûts de stockage des données et l'augmentation des limites de stockage accroissent la quantité de données disponibles pour l'analyse.
• De nouvelles sources de données, telles que les capteurs, la télématique et l'imagerie satellitaire, permettent d'analyser de nouveaux ensembles de données et de nouvelles combinaisons d'ensembles de données.
• La visualisation avancée des données simplifie la façon dont les utilisateurs explorent et interprètent des volumes exceptionnellement importants de résultats analytiques.
• L'acceptation et l'utilisation accrues de l'apprentissage automatique dans modèle Ce développement a été rendu possible par un public de professionnels qui ont adopté et accepté l'intelligence artificielle comme un outil d'amélioration de la productivité, ainsi que par les progrès réalisés en vue de la mise en place d'un cadre juridique et réglementaire pour la soutenir.

Pour mettre en œuvre et gérer efficacement leurs capacités analytiques en adéquation avec les objectifs commerciaux, les organisations doivent respecter la discipline et les principes fondamentaux énoncés dans le DCAM Les meilleures pratiques de gestion analytique, qui comprennent :

• Une stratégie analytique au service des besoins de l'entreprise. L'augmentation du volume et de la diversité des données disponibles pour les organisations a élargi le champ des applications potentielles de l'analyse avancée. Face à la demande croissante pour ces analyses, il devient crucial pour les organisations de prioriser leurs projets en fonction de leur importance. Pour exploiter efficacement l'analyse au service de leurs objectifs commerciaux, les organisations ont besoin d'une stratégie analytique claire, soutenue par un financement adéquat, afin de répondre aux besoins de l'entreprise. Modèle mis en place pour soutenir cet effort.
• Une analyse claire Modèle opérationnel. Dans de nombreuses organisations, les spécialistes de l'analyse de données travaillent souvent plus étroitement avec les unités opérationnelles qu'avec les équipes techniques traditionnelles. Il est essentiel que l'organisation ait une vision claire de ce rôle. modèle opérationnel qui garantit cohérence et l'efficacité de leurs activités. Ceux qui conçoivent ceci modèle doit veiller à rester alignée sur les parties prenantes et à maintenir l'agilité nécessaire.
• Gestion analytique alignée sur la gestion des données. En l'absence d'une gestion efficace des données, une part importante du temps des analystes est consacrée à la manipulation, au nettoyage et à la transformation des données en vue de leur analyse. Il est essentiel que l'analyse des données soit alignée sur la stratégie de gestion des données. La gestion de l'analyse des données doit garantir la compréhension des données et l'utilisation de sources fiables lorsqu'elles sont disponibles. Qualité des données La direction fournira des mesures de qualité des données que les praticiens de l'analyse devraient consulter et utiliser pour gérer qualité des données des problèmes liés à la préparation des données pour leurs modèles.
• Une plateforme analytique pour répondre à des besoins complets. Toutes les activités analytiques n'impliquent pas la création de modèles qui, une fois testés avec succès, seront déployés en production ou intégrés à des services. Certaines analyses sont ponctuelles et visent à étudier des problèmes historiques ou à répondre à des questions spécifiques actuelles. Il peut également s'agir d'expérimentations avec de nouvelles sources de données ou de nouvelles techniques analytiques. La technique ou l'approche analytique appropriée devra être sélectionnée pour chaque problématique afin que l'organisation puisse en tirer le meilleur parti et prendre en compte les aspects connexes. La plateforme d'analyse doit être conçue pour s'adapter à ces différents types d'activités et aux besoins spécifiques des différentes parties prenantes.
• Gouvernance et discipline analytiques. Modèle La gouvernance et la transparence sont essentielles au développement et au déploiement responsables des analyses avancées, notamment l'apprentissage automatique et l'intelligence artificielle. Le respect des réglementations en matière de protection de la vie privée est crucial lors de la mise en œuvre des modèles. Le besoin d'explicabilité est croissant. modèle décisions, qui peuvent également constituer une exigence réglementaire, d'où l'importance d'aborder ces aspects dès le début du processus. modèle développement processus. De plus, l'identification et la maîtrise des biais potentiels dans les données d'entraînement sont essentielles pour prévenir tout résultat préjudiciable à l'encontre de certains groupes. Un contrôle continu est également nécessaire pour les données utilisées en production. Enfin, le respect du Code d'éthique des données de l'organisation est crucial pour garantir une utilisation éthique et appropriée des données dans les modèles, et pour guider les organisations dans la mise en œuvre des décisions et recommandations issues de ces modèles.
• Formation en analytique pour soutenir la culture de l'analytique. Pour relever efficacement les défis liés à la création d'une organisation axée sur l'analyse de données, il est nécessaire d'opérer des changements importants tant au niveau de la culture que des comportements. Il est essentiel que toutes les parties prenantes comprennent les avantages que l'analyse de données peut apporter, ainsi que les répercussions négatives potentielles de son application.

Questions fondamentales

• La stratégie analytique définit-elle clairement le rôle que jouera l'analytique dans la mise en œuvre de la stratégie commerciale ?
• La stratégie analytique est-elle alignée sur la stratégie de données et de gestion des données ?
• Existe-t-il un alignement organisationnel et un soutien pour la stratégie analytique ?, modèle opérationnel, Quelle est l'approche en matière de financement ? Les activités analytiques sont-elles priorisées en fonction des priorités de l'entreprise ?
• La valeur de l'analyse de données est-elle comprise et mesurée ?
• La gouvernance de la gestion des données et la gouvernance de la gestion analytique sont-elles alignées ?
• La plateforme analytique répond-elle aux besoins des professionnels de l'analyse de données ?
• Existe-t-il des processus permettant de contrôler la mise en production des modèles analytiques ?
• L’approbation et la publication des modèles sont-elles conformes à la gouvernance en matière de protection de la vie privée et d’éthique des données ?
• Existe-t-il des initiatives visant à accompagner le changement culturel et la formation des praticiens de l'analyse de données afin de favoriser la réussite dans ce domaine ?

Artefacts principaux

• Stratégie analytique
• Système de classification analytique
• Analytique Modèle opérationnel
• Méthodologie analytique
• Modèle Documentation Standard
• Stratégies d'obfuscation des données
• Modèle Processus ou procédures de test, d'approbation, de mise en production, d'examens réguliers, de surveillance, d'ajustement et de mise hors service
• Analyse des écarts en matière de comportements culturels et arriéré d'initiatives
• Analyse des écarts de compétences en analytique

Pour une analyse fonction Pour être viable, elle doit être formellement établie et reconnue. Elle doit être approuvée par la direction et soutenue par un financement approuvé. Modèle et une structure de gouvernance efficace. Les rôles et les responsabilités doivent être définis, et une méthodologie d'analyse doit être adoptée.

Description

La stratégie analytique doit être définie en fonction des objectifs stratégiques de l'organisation, tout en tenant compte des capacités analytiques existantes et des avancées récentes. Le rôle de l'analyse fonction Elle doit être communiquée aux parties prenantes et la stratégie analytique doit être formellement approuvée par la haute direction.

Objectifs

• Définir formellement la stratégie analytique de l'organisation.
• Obtenir le soutien de la direction générale pour la stratégie analytique.
• Communiquer le rôle de l'analyse de données au sein de l'organisation par le biais des canaux organisationnels officiels.

Conseil

La stratégie analytique doit être alignée sur les objectifs commerciaux et opérationnels de l'organisation et sur la stratégie de gestion des données.

La stratégie présente la vision de l'analytique, en abordant l'organisation, le leadership, les techniques, la plateforme, les processus et la culture. Elle décrit comment combler les lacunes et concrétiser cette vision. L'objectif de l'élaboration de la stratégie analytique est de définir des objectifs de haut niveau et de les traduire en solutions analytiques réalisables.

Réaliser partie prenante L'adhésion de la direction est essentielle à la réussite de la stratégie. Une stratégie analytique bien documentée constitue à la fois un énoncé d'approche et un document marketing à présenter aux parties prenantes et à la direction. Une communication efficace de la stratégie est primordiale pour favoriser une approche coordonnée au sein de l'organisation et éviter les incohérences et les pertes d'efficacité liées à des approches différentes selon les secteurs d'activité.

Questions

• Existe-t-il une stratégie et une approche formelles et documentées pour l'analyse de données ?
• Les parties prenantes ont-elles été identifiées et impliquées dans l'élaboration et l'approbation de la stratégie ?
• La stratégie analytique et la vision de la stratégie de gestion des données sont-elles alignées ?
• La stratégie analytique soutient-elle les objectifs de haut niveau de l'organisation ?
• La stratégie a-t-elle reçu le soutien de la direction générale ?
• Le rôle de l'analyse de données a-t-il été communiqué officiellement à l'ensemble de l'organisation ?
• Les différents types d'analyses pertinents pour l'organisation sont-ils documentés ?

Artefacts

• Énoncé de vision de l'état cible pour l'analytique et comment elle soutient les objectifs de l'organisation
• Approche priorisée des initiatives nécessaires à la réalisation de la vision analytique
• Alignement documenté de la stratégie analytique et de la vision de la stratégie de gestion des données
• Liste des parties prenantes et preuves de communication bidirectionnelle
• Preuve d'une communication formelle de la stratégie et de l'approche
• Approbation formelle de la stratégie par la direction générale

Score

Description

Un modèle opérationnel est défini pour décrire comment l'analyse sera structurée au sein de l'organisation. Il établit la portée et couverture des différents aspects et types d'analyse et de conception de la manière dont ils doivent fonctionner ensemble pour répondre aux besoins de l'entreprise et soutenir la stratégie de gestion des données. Modèle opérationnel Ce document aborde la structure organisationnelle de l'analyse de données, les responsabilités liées aux rôles, la structure de gouvernance, les processus de financement et les plateformes technologiques, et est intégré à la gestion des données. Modèle opérationnel.

Objectifs

• Définir la structure de l'équipe d'analyse au sein de l'organisation, en délimitant son périmètre et couverture.
• Définir les rôles et les responsabilités au sein de chaque type d'équipe analytique.
• Définir les interrelations entre les différentes équipes d'analyse, entre les équipes d'analyse et le programme de gestion des données et les équipes de données, et entre les équipes d'analyse et les fonctions commerciales.
• Aligner le financement Modèle avec l'approche globale de financement de l'organisation.

Conseil

L'analyse Modèle opérationnel Ce domaine englobe des disciplines issues de différents secteurs tels que l'informatique, les fonctions commerciales et l'analyse de données. Il explique clairement comment ces domaines collaborent pour fournir les données nécessaires grâce à des techniques et des modèles analytiques, et pour déployer ces modèles en production. Modèle opérationnel Les concepteurs doivent veiller à ce qu'ils soient éclairés par les exigences de l'entreprise et architecture d'entreprise et est constamment mise à jour grâce aux contributions des chefs d'entreprise.

L'analyse Modèle opérationnel clarifie la responsabilité des analyses sectorielles, des fonctions transversales et de tout programme d'analyse global. Ce modèle est aligné sur les autres modèles opérationnels de l'organisation. S'il existe une forte culture de modèles opérationnels fédérés, il convient de l'adopter. À l'inverse, s'il existe un modèle centralisé fort, modèle opérationnel culture, examinez attentivement les avantages avant de vous écarter de cette approche.

Les bonnes pratiques suggèrent qu'une équipe d'analyse idéale devrait être composée de personnes possédant des compétences en mathématiques, en analyse et en technique, ainsi qu'un solide sens des affaires et une expérience en gestion de projet. En pratique, on trouve souvent plusieurs équipes d'analyse locales au sein d'une organisation, chacune avec des niveaux de compétences et des approches de mise en œuvre différents. Que l'analyse soit menée de manière centralisée, décentralisée ou fédérée modèle, Il convient de veiller à la mise en place de processus et de routines permettant de développer et de maintenir des normes de bonnes pratiques analytiques cohérentes au sein de l'organisation. L'objectif est de développer une discipline analytique qui inspire confiance et harmonise les attentes des utilisateurs. L'expertise analytique permet ainsi de fournir des solutions performantes grâce à la sensibilisation, la collaboration, le partage et les bonnes pratiques à l'échelle de l'organisation.

Le financement Modèle Il est impératif de prendre en compte tous les aspects de l'analytique. Les types de travaux allant au-delà des projets d'analytique axés sur les besoins de l'entreprise doivent être abordés. Cela inclut l'expérimentation, les travaux de base, la création de ressources de données réutilisables, les analyses ponctuelles prioritaires, etc. Le financement des licences logicielles, de la plateforme et des coûts d'infrastructure doit être pris en considération. Concernant les coûts liés au personnel, il convient de tenir compte des différences de coûts entre les spécialistes en analytique. L'alignement avec la stratégie de financement globale de l'organisation peut nécessiter… modèle pour distinguer les initiatives analytiques alignées sur les unités opérationnelles et les aspects de modèle opérationnel qui ne sont pas spécifiques à une unité opérationnelle.

Veiller à ce que l'analyse soit financée de manière durable fonction. Utilisez les fonds Modèle distinguer les aspects du financement qui sont discrétionnaires de ceux qui ne le sont pas. Partie prenante participation à la création du financement Modèle est essentiel pour obtenir un engagement financier durable.

L'adhésion des parties prenantes est essentielle à l'efficacité de l'organisation analytique. Ces dernières doivent être impliquées tout au long du processus de création. modèle opérationnel pour éviter des attentes divergentes.

Questions

• La structure des équipes d'analyse au sein de l'organisation a-t-elle été définie ?
• Les rôles et les responsabilités de chaque type d'équipe d'analyse ont-ils été définis ?
• Chaque structure d'équipe définit-elle clairement le périmètre et couverture de chacun ?
• Les interactions entre les équipes d'analyse, l'initiative de gestion des données et l'entreprise sont-elles définies ?
• Le financement Modèle conformément aux approches de financement et aux processus budgétaires établis de l'organisation ?
• Le financement Modèle aborder la question du financement continu et durable de l'analyse de données fonction?
• Les avantages mesurables découlant des initiatives d'analyse de données sont-ils utilisés comme argument pour justifier les besoins de financement ?
• Les parties prenantes ont-elles approuvé le modèle opérationnel?
• La structure fonctionnelle décrite dans le modèle opérationnel a été mis en œuvre ?

Artefacts

• Modèle opérationnel Termes de référence
• Structure organisationnelle des équipes d'analyse
• Définitions des rôles et matrices RACI (entre les équipes analytiques et entre l'analyse et les autres fonctions)
• Processus modèles pour l'analyse, la gestion des données et les interactions commerciales
• Financement documenté Modèle
• Un écrit processus examiner, modifier et valider les plans de ressources
• Preuve d'alignement avec les processus budgétaires et les cycles organisationnels
• Documentation des avantages mesurés
• Plans de financement et répartition budgétaire
• Liste des parties prenantes et preuves de communication bidirectionnelle
• Approbation formelle documentée de modèle opérationnel et des dispositions pour réviser et actualiser au besoin

Score

Description

Une gouvernance explicite de l'analytique doit être mise en place au sein d'une organisation. Cette structure de gouvernance supervise la mise en œuvre et assure la pérennité de l'analytique. modèle opérationnel Pour l'analyse de données, elle inclut la mise en œuvre de la plateforme analytique et les initiatives continues visant à façonner la culture analytique de l'organisation. Elle garantit l'alignement de l'analyse de données avec la stratégie commerciale, l'éthique des données et le programme de gestion des données.

Objectifs

• Définir la structure de gouvernance pour l'analyse de données.
• Élaborer des politiques pour garantir la mise en œuvre de la gouvernance analytique.
• Mettre en place des instances de gouvernance dotées de chartes écrites et approuvées.
• Mettre en place des structures de gouvernance opérationnelle.
• Identifier les parties prenantes et interagir avec elles.
• Communiquer partie prenante rôles et responsabilités.
• Responsabiliser les parties prenantes quant à leur participation à l'analyse des données, par le biais d'évaluations de performance et de considérations relatives à la rémunération.

Conseil

La structure de gouvernance doit compléter et s'aligner sur l'analyse de données. Modèle opérationnel. Il convient de veiller à ce que la structure de gouvernance n'entrave pas la prise de décision en temps opportun. Les membres de la structure de gouvernance analytique doivent avoir une vision claire de leur rôle et être habilités à impulser le changement. Il est essentiel de s'assurer de la représentation de toutes les disciplines nécessaires à la résolution des problèmes liés à l'identification des opportunités, à la collecte et à la mise à disposition des données. modèle déploiement.

L'analyse des données dépendra d'autres secteurs de l'organisation pour des livrables tels que la collecte de données et modèle Lors du déploiement, il est essentiel de définir clairement les modalités de transition et les voies d'escalade. Pour ce faire, il peut être judicieux que les membres de l'instance de gouvernance rendent compte à la direction générale, notamment au directeur des opérations.

Le choix des outils doit être aligné sur la stratégie de l'entreprise et ne pas être dicté uniquement par les outils ou l'expertise existants au sein de l'organisation.

L'éthique et la protection de la vie privée sont des thèmes centraux de la gouvernance des données analytiques. Il convient de commencer par s'appuyer sur les processus et structures de gouvernance des données éthiques et de protection de la vie privée déjà en place. Les processus de gouvernance doivent garantir l'équité, la transparence et la sécurité de l'utilisation des données.

Questions

• Existe-t-il un cadre de référence pour la gouvernance de l'analytique ?
• Existe-t-il des politiques qui imposent la mise en œuvre de la gouvernance en matière d'analyse de données ?
• Existe-t-il des indicateurs permettant de mesurer ce qui est réglementé et des mesures de conformité réussie ?
• Existe-t-il un inventaire des outils avec des recommandations d'utilisation ?
• Existe-t-il une documentation RACI (Responsable, Autorité, Consulté, Informé) pour toutes les parties prenantes et tous les participants à la gouvernance analytique ? processus?
• La gouvernance processus démontrant ainsi que l'éthique et la confidentialité sont régies ?

Artefacts

• Termes de référence en matière de gouvernance analytique
• Preuves de politiques rédigées, mises en œuvre et appliquées démontrant que l'analyse de données est correctement encadrée.
• Métriques et mesures de gouvernance analytique
• Suivi des projets analytiques
• Modèle inventaire, y compris modèle avis et mises à jour
• Inventaire et recommandations en matière d'outillage
• Gouvernance analytique RACI

Score

Description

Un cycle de vie ou une méthodologie de développement analytique fournit un cadre pour les activités réalisées tout au long du cycle de vie des analyses. Ce cycle débute par la compréhension du problème métier et se poursuit par le déploiement, l'exploitation et l'évaluation de la solution. Ce cadre offre un langage et une structure communs aux parties prenantes pour appréhender les différentes étapes et aspects des activités analytiques.

L'ensemble des outils d'analyse utilisés par l'organisation (par exemple, l'information de gestion, l'informatique décisionnelle, l'intelligence artificielle, l'analyse descriptive, diagnostique, prédictive et prescriptive) est défini. Les noms et descriptions des différents types d'analyse pertinents pour l'organisation sont formalisés dans un système de catégorisation. Ce système fournit un langage commun permettant à l'organisation de se référer aux outils d'analyse et contribue à éviter toute confusion et tout malentendu.

A standard pour modèle La documentation garantit cohérence dans toute l'organisation, de la manière suivante : modèle La provenance, les hypothèses, les entrées, les sorties, les paramètres et les limitations sont recueillis et communiqués.

Objectifs

• Sélectionner ou développer une méthodologie analytique qui définit le cycle de vie analytique de l'organisation.
• Définir et adopter un standard pour modèle documentation.
• Documenter formellement la méthodologie analytique et modèle documentation standard.
• S'assurer que la méthodologie, le système de catégorisation et modèle Les normes de documentation sont comprises et adoptées par les professionnels de l'analyse de données.
• Mettre en place des mécanismes de retour d'information pour un perfectionnement et une amélioration continus de la méthodologie et modèle documentation standard.

Conseil

Le choix entre l'achat, l'externalisation et le développement interne de solutions analytiques dépend de la maturité et de la culture de l'organisation. La plupart des organisations adoptent une approche hybride : elles développent certaines solutions en interne et externalisent d'autres solutions. Face à chaque défi, l'organisation doit analyser attentivement les avantages et les coûts du développement interne par rapport à l'externalisation afin de choisir la solution la plus avantageuse.

La méthodologie analytique doit se concentrer sur les étapes importantes du processus de bout en bout. processus Plutôt que de se concentrer sur des techniques d'analyse ou de modélisation spécifiques, il convient d'adopter une méthodologie pérenne et stable. Les outils analytiques sont éphémères, tandis que la méthodologie analytique doit être durable et stable. Pour parvenir à une méthodologie analytique stable à long terme, l'organisation doit être ouverte aux améliorations méthodologiques fondées sur l'expérience. Cette méthodologie doit intégrer l'innovation ainsi que les analyses axées sur les cas d'usage métier.

Il sera plus facile de définir et de spécifier la méthodologie analytique pour les analyses développées en interne que pour celles développées en externe. Cependant, dans les deux cas, il peut être judicieux d'envisager les meilleures pratiques externes et de les adapter à l'organisation.

Pour définir le champ d'application de l'analytique, des exemples seront utiles. Les limites de ce champ déterminent les activités auxquelles s'appliquent les cadres de gouvernance et de bonnes pratiques en matière d'analytique. Par exemple, une organisation peut définir sa limite inférieure d'analytique de sorte que les rapports d'information de gestion statiques (c'est-à-dire non actualisés automatiquement) soient exclus, tandis que les rapports d'information métier en libre-service peuvent être considérés comme inclus.

Le système de catégorisation des niveaux d'analyse ne sera pas figé. Il fonctionnera au mieux en permettant l'émergence de nouveaux niveaux de sophistication à mesure que l'analyse évolue et se développe.

Afin de garantir que la méthodologie analytique et les systèmes de catégorisation soient adaptés à l'organisation et d'obtenir partie prenante L’adhésion des parties prenantes, des influenceurs clés et des acteurs concernés doit être impliquée dans le choix ou le développement de la méthodologie analytique et du système de catégorisation. Il convient de constituer une communauté de “ champions ” qui seront responsables des méthodes et des leviers d’amélioration.

Questions

• Une méthodologie analytique définissant le cycle de vie analytique de l'organisation a-t-elle été sélectionnée ou développée ?
• A un modèle documentation standard a été créé ?
• Quels types d'analyses l'organisation a-t-elle développés historiquement ?
• Quels types d'analyses l'organisation prévoit-elle d'utiliser à l'avenir ?
• Quels types d'analyses sont utilisés par les autres organisations ?
• Quelles parties prenantes devraient être sollicitées pour contribuer au système de catégorisation des niveaux d'analyse ?
• A-t-on confirmé que la méthodologie analytique, le système de catégorisation et modèle documentation standard ont-elles été comprises et adoptées par les praticiens de l'analyse de données ?
• Disposer de la méthodologie analytique et modèle documentation standard ont été officiellement documentés ?
• Mettre en place des mécanismes de retour d'information pour l'amélioration continue de la méthodologie analytique, des systèmes de catégorisation et modèle documentation standard ont été développés et mis à la disposition des parties prenantes ?
• Existe-t-il un registre des projets d'analyse de données dont l'état est mis à jour régulièrement ?
• Y a-t-il un modèle S'inscrire en indiquant les dates de révision et l'historique des mises à jour ?

Artefacts

• Document sur la méthodologie et la terminologie analytiques
• Modèle documentation standard
• Archives de partie prenante approbation de la méthodologie analytique et modèle documentation standard
• approche de catégorisation analytique

Score

Description

Les processus analytiques ont été documentés, communiqués et mis en œuvre dans toute l'organisation. Le succès d'un programme d'analyse nécessite standard Des processus organisationnels reproductibles, durables et mesurables. L'organisation devrait s'appuyer sur les normes et les meilleures pratiques existantes du secteur. L'utilisation de standard Les processus doivent être exigés par politique.

Objectifs

• Mettre en place une standardisation pour l'ensemble des processus et des acteurs de l'analyse de données.
• Assurez-vous que les processus analytiques sont alignés et tirent parti de standard Processus de gestion des données.
• Veiller au respect des politiques de gestion des données.
• Veiller à ce que les données créées par Analytics soient intégrées à l'écosystème de gestion des données.
• Analytics participe activement aux pratiques de gestion des données et s'y conforme le cas échéant (par exemple, qualité des données, gouvernance des données, gestion des métadonnées, contrôles des données, gestion des problèmes)

Conseil

La gestion des données analytiques doit établir des processus standardisés afin de garantir que les professionnels documentent de manière systématique et régulière les exigences, les résultats, les ajustements, les hypothèses et les décisions, tout en s'adaptant aux évolutions constantes. Ces normes doivent prendre en compte les interactions avec les parties prenantes, l'équipe de gestion des données et les autres unités opérationnelles concernées au sein de l'organisation.

La gestion analytique et la gestion des données sont interdépendantes pour permettre à l'entreprise d'atteindre efficacement ses objectifs. Cette collaboration exigera que les spécialistes des données et de l'analytique s'engagent collectivement dans le processus établi. standard Les équipes d'analyse et de gestion des données doivent collaborer pour partager et optimiser les processus, en évitant les doublons, notamment dans des domaines tels que : qualité des données et la gestion des problèmes.

De plus, il est essentiel que les analystes connaissent et comprennent les politiques de gestion des données applicables aux données qu'ils utilisent dans leurs analyses. L'équipe d'analyse exploitera non seulement les ressources de données existantes, mais générera également de nouvelles données grâce à ses modèles, lesquelles devront être gérées conformément aux pratiques de gestion des données de l'organisation.

Questions

• Sont standard Processus analytiques définis ?
• Les pratiques analytiques sont-elles alignées et coordonnées avec les pratiques de gestion des données ?
• Pratiques analytiques données de référence pratiques de gestion appropriées ?
• Les processus analytiques sont-ils pris en charge par politique?
• Les parties prenantes concernées sont-elles impliquées dans les pratiques analytiques ?

Artefacts

• Processus documentés pour les praticiens de l'analyse de données
• Preuves de collaboration en matière d'analyse et de gestion des données
• Preuve de partie prenante l'implication dans standard processus analytiques le cas échéant
• Politiques à l'appui des normes analytiques

Score

Description

L'objectif de l'analytique est de synthétiser les données, de créer des vues et de fournir des informations exploitables pour répondre aux besoins de l'entreprise (par exemple, satisfaire aux exigences réglementaires, mener à bien des activités critiques telles que la clôture des comptes, et générer des résultats à forte valeur ajoutée). L'organisation doit documenter les indicateurs de performance utilisés pour mesurer régulièrement l'impact et l'efficacité de ses solutions analytiques et les relier à ses stratégies de gestion des données et de l'entreprise.

Objectifs

• Mesurer et communiquer la valeur commerciale créée par l'analyse de données.
• Impliquez les parties prenantes afin de créer une responsabilité partagée et une adhésion aux avantages quantifiés découlant de l'analyse de données.
• Mesurer l'impact commercial des cas d'utilisation, des projets et des expériences analytiques.

Conseil

Les organisations doivent définir et mesurer au préalable le succès des résultats de toute solution analytique. Un point de départ utile consiste à établir des points de comparaison fiables permettant de mesurer les impacts progressifs. Les groupes témoins et les méthodes expérimentales randomisées sont d'excellents moyens d'établir ces points de comparaison. Ces outils sont particulièrement importants pour diagnostiquer les relations de cause à effet lorsque les actions fondées sur les données analytiques ne produisent pas les bénéfices escomptés. Par exemple, l'échec d'une campagne marketing basée sur l'analyse de données et qui ne génère pas les bénéfices attendus peut ne pas être uniquement dû à des modèles analytiques défaillants, mais aussi à d'autres facteurs tels qu'une mauvaise exécution ou des données marketing de faible qualité.

Il peut arriver que certaines analyses ne produisent pas d'avantages quantifiables. Dans ce cas, il convient de documenter et de reconnaître leurs bénéfices qualitatifs. Il est également important de reconnaître la valeur des analyses qui éclairent les décisions.

Lorsque la valeur ajoutée de l'analytique peut être mesurée, les méthodes d'analyse comparative éprouvées peuvent être appliquées à l'ensemble d'un portefeuille de solutions analytiques. Les équipes d'analytique quantifient la valeur ajoutée de leurs actions pour l'organisation dans son ensemble, justifiant ainsi les investissements initiaux et complémentaires dans les capacités analytiques. La quantification et la communication systématiques de cette valeur ajoutée favorisent le développement d'une culture de l'investigation axée sur les données.

Questions

• Les documents de spécification analytique définissent-ils des indicateurs clés de performance pour évaluer l'analyse ?
• Des indicateurs clés de performance, des groupes témoins ou d'autres méthodes expérimentales sont-ils utilisés de manière systématique pour prouver la valeur ajoutée de l'analyse par rapport à une référence ?
• Les groupes témoins ou autres méthodes expérimentales utilisés permettent-ils d'isoler efficacement l'impact des analyses par rapport aux impacts d'autres actions commerciales connexes ?
• Les avantages de l'analyse de données sont-ils communiqués et compris par la direction et validés par un tiers indépendant ?fonction (par exemple, la finance) ?

Artefacts

• Documents de spécification analytique
• Preuves du retour sur investissement des solutions analytiques
• Preuves de la conception expérimentale pour évaluer la valeur ajoutée de l'analyse
• Évaluations des avantages post-mise en œuvre
• documentation ou indicateurs clés de performance analytiques métadonnées
• Preuve de la communication des avantages de l'analyse de données à la haute direction

Score

Les fonctions analytiques et commerciales doivent être alignées et œuvrer de concert pour atteindre les objectifs de l'entreprise. Les activités analytiques doivent être priorisées afin de répondre aux besoins de la stratégie commerciale et de générer de la valeur ajoutée.

Description

Le architecture d'entreprise La structure d'une organisation définit son organisation, sa gouvernance, ses processus et ses informations nécessaires à la prise de décision. L'organisation Analytics comprend… architecture d'entreprise de l'organisation et l'utilise comme donnée d'entrée pour définir la stratégie et les exigences analytiques de l'organisation.

L'équipe d'analyse de données interagit régulièrement avec les parties prenantes de l'entreprise afin de comprendre leurs besoins. Pour concrétiser cette vision, elle dispose d'une stratégie bien définie. processus recueillir les besoins de l'entreprise, estimer et comprendre leur impact sur l'analyse des données, les prioriser, puis élaborer et exécuter la feuille de route pour les satisfaire.

Objectifs

• Examinez l'architecture métier/fonctionnelle (par exemple, stratégie, structure, gouvernance, processus), quel que soit son degré de formalisation.
• Comprendre et documenter les exigences analytiques clés appropriées à l'entreprise et à ses fonctions.
• Alignez les capacités et les processus analytiques sur les besoins de l'entreprise.
• Communiquer et présenter clairement les exigences analytiques aux parties prenantes.

Conseil

Les entreprises ne font pas toutes fonction Les priorités décisionnelles peuvent être identiques, mais varier d'un service à l'autre au sein d'une même organisation. Pour gérer efficacement ces différences, les responsables de l'analytique doivent collaborer avec les dirigeants d'entreprise afin de comprendre leurs besoins et de déterminer comment l'analytique peut s'intégrer au mieux à la stratégie globale. architecture d'entreprise, qui englobe un large éventail de composants allant bien au-delà des seuls systèmes informatiques.

Questions

• L'analyse est-elle pertinente ? Modèle opérationnel et le plan est-il documenté ?
• Les dépendances clés ont-elles été prises en compte lors de la conception de l'organisation analytique et de sa connexion à la prise de décision ?
• Le plan d'analyse fait-il spécifiquement référence aux besoins de l'entreprise ?
• Les équipes de direction générale et les équipes de direction opérationnelle ont-elles approuvé le plan d'analyse ?
• Existe-t-il une définition processus pour les mises à jour continues du plan d'analyse ?
• L'organisation chargée de l'analyse des données comprend-elle les besoins de l'entreprise ?
• Les équipes d'analyse peuvent-elles démontrer la connectivité entre leurs besoins métiers et les architecture d'entreprise?
• Les lacunes sont-elles systématiquement recensées et existe-t-il un processus pour agir en conséquence ?
• L'entreprise comprend-elle le lien entre leurs architecture d'entreprise et la conception analytique ?

Artefacts

• Preuve de l'alignement des analyses avec la stratégie et le plan d'affaires
• Alignement documenté des analyses, Architecture d'entreprise et les besoins de l'entreprise
• Détails des exigences en matière d'analyse de données
• Preuve de l'implication et de l'approbation de la haute direction

Score

Description

La stratégie d'entreprise oriente la feuille de route et les activités liées à l'analytique. Ce principe permet de maintenir l'accent sur les investissements en analytique et leur capacité à optimiser les résultats commerciaux. L'équipe analytique doit être alignée sur les parties prenantes de l'entreprise et collaborer étroitement avec elles.

Objectifs

• Comprendre les attentes des dirigeants et explorer comment l'analyse de données peut soutenir la création de valeur stratégique.
• Collaborer avec la direction pour établir une liste exhaustive des opportunités commerciales actuelles et des cas d'utilisation analytiques.
• Co-créer une vision et une feuille de route analytiques qui facilitent l'alignement avec les priorités de l'entreprise, identifient les axes prioritaires à court et à long terme et obtiennent l'adhésion de la haute direction.
• Élaborer des cas d'utilisation avantageux pour toutes les analyses et les classer en fonction de leur valeur commerciale à l'aide de la priorisation des analyses. processus.
• Communiquer aux parties prenantes la vision analytique et la priorisation des cas d'utilisation analytique.

Conseil

Alignez la feuille de route analytique sur la stratégie d'entreprise en établissant un forum transversal pour superviser la priorisation des cas d'usage analytiques. L'examen et la priorisation doivent être des activités régulières.

Un cadre d'évaluation des avantages des cas d'usage analytiques doit définir des dimensions claires pour leur notation et leur classement. La priorisation de ces notations et classements doit notamment prendre en compte la complexité, la faisabilité, les exigences réglementaires et la valeur ajoutée de la solution analytique, son alignement avec les objectifs commerciaux de l'organisation, le nombre de sources de données impliquées et la taille de la communauté d'utilisateurs concernée. Ce cadre doit être transparent, permettant ainsi une évaluation équitable des cas d'usage analytiques et la communication de leur priorisation aux parties prenantes.

L'organisation doit veiller à ce que ses activités analytiques englobent à la fois celles qui génèrent des résultats commerciaux et celles qui développent les capacités analytiques fondamentales et futures. Il convient d'élaborer une feuille de route détaillant la séquence des initiatives afin d'aider l'organisation à atteindre ses objectifs stratégiques, et de mettre en place des processus permettant de réévaluer cette séquence en fonction de l'évolution des priorités commerciales et des conditions du marché.

Questions

• Existe-t-il une feuille de route formelle, documentée et priorisée pour l'analyse de données ?
• Est-ce que processus Existe-t-il un moyen de garantir que les priorités soient réexaminées et modifiées par les parties prenantes responsables ?
• La feuille de route analytique explicite-t-elle son soutien à l'organisation dans la réalisation de ses objectifs commerciaux stratégiques et prend-elle en compte les éléments nécessaires au maintien des activités courantes ?
• La vision et la feuille de route en matière d'analyse de données ont-elles fait l'objet d'un examen et d'une approbation appropriés au plus haut niveau ?
• Les cas d'utilisation analytiques documentent-ils l'évaluation de leur valeur commerciale ainsi que leur faisabilité ?
• Qu'est-ce que le processus pour saisir la stratégie commerciale et la demande/l'impact sur l'analyse ?
• Existe-t-il des critères d'évaluation clairs permettant d'apprécier ou de noter la valeur commerciale potentielle et la faisabilité des cas d'utilisation analytiques ?
• Un dispositif de communication a-t-il été mis en place pour permettre aux parties prenantes de l'entreprise de prioriser les cas d'utilisation ?

Artefacts

• Énoncé de vision ou plan analytique
• Feuille de route prioritaire pour l'analyse de données
• Détails des avantages du cas d'utilisation
• Preuves de parrainage et de soutien de haut niveau

Score

Description

Les activités analytiques correctement alignées sur les objectifs commerciaux peuvent générer de la valeur de multiples façons. Par exemple, elles peuvent éclairer les décisions, valider la compréhension et identifier les problèmes. processus L'efficacité, ou la suggestion d'actions, est essentielle. Les équipes d'analyse stimulent l'innovation en proposant de nouvelles idées à l'entreprise et en répondant aux cas d'usage définis par les métiers. Les informations analytiques pertinentes doivent être intégrées aux informations et processus métiers. Dans de nombreux cas, cela implique l'automatisation de l'analyse grâce à la technologie, pour plus de rapidité et d'efficacité.

Objectifs

• Dans le cadre de la formulation d'un nouveau cas d'utilisation analytique, précisez quelles questions, décisions, actions ou processus métier seraient impactés par la solution analytique.
• Dès les premières étapes de la conception d'une solution analytique, il convient d'identifier la communauté d'utilisateurs qui bénéficiera de cette solution.
• Co-développer des solutions analytiques avec les équipes commerciales concernées.
• Assurez-vous que les résultats analytiques soient accessibles et que leurs visualisations soient facilement disponibles.
• Communiquer et déployer les résultats de manière à ce que les utilisateurs métiers puissent facilement les exploiter, notamment en développant des visualisations et des interfaces utilisateur de qualité afin de garantir l'explicabilité des résultats analytiques.

Conseil

L'analyse de données doit à la fois répondre aux besoins de l'entreprise et générer de manière proactive de nouvelles perspectives. Dans les deux cas, il est de la responsabilité de veiller à ce que l'entreprise puisse utiliser les résultats de l'analyse pour étayer ses décisions et exploiter ces nouvelles perspectives.

Une communication régulière entre les équipes métiers et analytiques est essentielle au succès. Cette interaction permet de co-développer les solutions analytiques afin qu'elles répondent aux besoins pertinents et soient mises en œuvre de la manière la plus efficace pour les utilisateurs. processus, L'analyse de données peut apporter une valeur ajoutée en prenant en compte un éventail plus large de données et d'informations provenant de sources internes et externes.

Lors de la conception de nouveaux cas d'usage ou initiatives analytiques, il est important de prendre en compte l'exploitabilité des informations recueillies. Dans certains cas, des limites à cette exploitabilité peuvent découler de considérations éthiques, juridiques ou commerciales. Par exemple, bien qu'il soit techniquement possible de prédire… clients étant les clients les plus susceptibles de se désabonner, l'entreprise doit faire preuve d'une extrême prudence lorsqu'elle décide de donner suite à cette information afin d'éviter les conséquences imprévues d'une prise de contact avec eux. L'utilisation de informations personnelles identifiables nécessite souvent une attention particulière pour des raisons éthiques et réglementaires.

Toute activité d'analyse doit avoir un objectif précis. Certaines analyses sont de nature exploratoire et, par conséquent, ne sont pas directement exploitables au sein de l'entreprise. processus. Toutefois, ces analyses doivent s'inscrire dans une démarche décisionnelle. processus où l'analyse exploratoire aide l'entreprise à choisir la prochaine ligne de conduite.

Les équipes d'analyse disposent de plusieurs options pour le déploiement des données, en fonction du contexte et de l'urgence de la situation. Par exemple, l'automatisation ou la centralisation des algorithmes critiques, tout en minimisant les interventions manuelles, est généralement plus adaptée aux processus décisionnels à haut volume et quasi instantanés. À l'inverse, les processus métier continus, où l'intervention humaine est essentielle, nécessitent davantage des visualisations et des outils de veille stratégique intégrés pour l'analyse. Dans les deux cas, il est crucial de garantir la clarté des résultats analytiques afin que les parties prenantes puissent leur faire confiance.

Questions

• Existe-t-il des procédures formelles pour documenter l'objectif, la portée et la diffusion des enseignements tirés des cas d'utilisation analytiques ?
• Le document de spécifications analytiques identifie-t-il la communauté d'utilisateurs spécifique concernée ?
• Le document de spécification analytique indique-t-il comment les résultats seront fournis, exploités ou intégrés à l'activité de l'entreprise ? processus?
• Les outils d'analyse sont-ils facilement accessibles à tous les bénéficiaires potentiels au sein de l'organisation ?
• L'organisation a-t-elle démontré les avantages de l'automatisation des analyses qui soutiennent les processus métier ?

Artefacts

• Politiques de gouvernance Analytics
• Documents de spécification analytique
• Preuve de conformité aux politiques de confidentialité et d'éthique
• Preuves d'automatisation de l'analyse
• Visualisations des résultats analytiques

Score

La gestion analytique et la gestion des données doivent être alignées pour garantir qu'elles fonction L'analyse de données est une composante intégrée de l'écosystème de données de l'organisation, contribuant à la réalisation des objectifs commerciaux. Puisqu'elle s'appuie sur des données en amont et génère des informations précieuses pour la prise de décision, son alignement avec la gestion des données est essentiel pour garantir la fiabilité des données et renforcer la confiance dans les décisions fondées sur les données. L'analyse de données doit comprendre lignée des données, se conformer aux définitions commerciales approuvées et respecter les normes d'identification et de classification.

Description

Gestion des données et Architecture des données jouent un rôle crucial dans le soutien à la gestion analytique en garantissant les données complétude, la qualité et la traçabilité.

Objectifs

• Assurez-vous que la gestion analytique, la gestion des données et Architecture des données sont en collaboration pour établir et maintenir des sources de données de qualité destinées à la consommation.
• S'assurer que toutes les équipes de gestion des données utilisent standard architecture de données structures (par exemple, glossaire d'affaires définitions, catalogue de données, métadonnées, taxonomies, ontologies).
• Assurer politique et les normes en matière de gestion analytique et de gestion des données sont alignées et comprises par les deux organisations.
• Harmoniser les cycles de vie de développement de la gestion analytique et de la gestion des données.

Conseil

Gestion des données et Architecture des données jouent un rôle crucial dans le soutien à la gestion analytique en garantissant les données complétude, La qualité et la traçabilité sont essentielles. Il convient d'utiliser des sources de données faisant autorité chaque fois que cela est possible, mais lorsque des sources alternatives sont nécessaires, elles doivent être consignées afin de garantir l'intégrité des données. Traçabilité des données Elle assure la transparence, renforçant ainsi la confiance dans les produits analytiques et les décisions commerciales, en garantissant la traçabilité des données de leur source à leur résultat final, et en veillant à ce que toutes les transformations et agrégations soient comprises et validées. Un mappage cohérent des données, associé à des définitions métier claires, est essentiel à une prise de décision fiable. Dans un environnement de données mature, ces définitions sont conservées dans des sources faisant autorité et enregistrées dans métadonnées et leur traçabilité, et sont régies par des politiques et des normes de gestion des données afin de garantir la qualité, un accès contrôlé et une utilisation appropriée.

Les équipes de gestion analytique et de gestion des données doivent collaborer directement et avoir une compréhension claire de leurs rôles et responsabilités respectifs au sein de l'écosystème de données de l'organisation. Sans alignement entre elles, il sera difficile pour chacune de contribuer efficacement à la réalisation des objectifs commerciaux.

Questions

• La gestion analytique utilise-t-elle des sources de données prises en charge et publiées pour être utilisées par la gestion des données ?
• La direction de l'analyse participe-t-elle à l'utilisation et à la maintenance du standard architecture de données structures et outils (par exemple, catalogue, glossaire, métadonnées)?
• Sont les politique et les normes établies pour la gestion des données et la gestion analytique sont-elles harmonisées et non contradictoires ?
• Les équipes de gestion analytique et de gestion des données sont-elles conscientes des rôles et responsabilités qui leur incombent en matière de gestion des données ?
• Existe-t-il une fréquence régulière de participation conjointe des deux équipes à la réalisation des objectifs commerciaux ?

Artefacts

• Approche d'alignement de la gestion analytique et de la gestion des données
• Gestion analytique Politique et normes
• Gestion des données Politique et normes
• Architecture des données normes
• Normes des outils de gestion des données
• Outils de réunion favorisant la collaboration

Score

Description

La préparation des données est la processus de la collecte, de la structuration, du nettoyage et de la transformation des données afin qu'elles puissent être analysées facilement et avec précision à des fins commerciales. La préparation des données processus doit être défini, et tout processus Des étapes appliquées de manière cohérente permettent d'obtenir des données adaptées à l'usage prévu. La préparation des données doit être conforme à la gouvernance des données de l'organisation. politique et des normes, y compris l'utilisation des glossaire d'affaires et métadonnées. Les données doivent provenir de sources fiables, le cas échéant. Leur préparation doit être effectuée de manière à préserver leur intégrité. lignée des données et l'intégrité.

Objectifs

• Définir des normes de préparation des données qui comprennent l'identification des données nécessaires à l'analyse, des sources de données faisant autorité disponibles et de l'accessibilité des données.
• Définir des normes pour la spécification des éléments de données, qualité des données, le besoin de nettoyage des données (y compris le suivi des défauts et la correction des causes profondes), ainsi que la conformité, la transformation et l'agrégation.
• S'assurer que la préparation des données respecte la politique de gestion des données de l'organisation politique et les normes de gestion des données et préserve lignée des données et l'intégrité.
• Créer et tenir à jour une documentation adéquate sur les définitions des données, les sources et la provenance des données, leur utilisation et leurs propriétaires.
• Optimisez la réutilisation des données préparées et des processus de préparation des données afin de gagner en efficacité et d'accélérer la mise sur le marché pour les futurs besoins en matière de préparation des données.

Conseil

Les processus de préparation des données s'appuient sur des sources de données faisant autorité., glossaire d'affaires, et métadonnées Fournir des données précises et bien définies pour leur utilisation. Lors de l'acquisition de nouveaux ensembles de données ou éléments de données, une documentation complète doit être fournie afin de faciliter leur réutilisation. Un catalogue de données bien documenté soutient et accélère considérablement les processus futurs d'acquisition et de préparation des données.

Compréhension qualité des données et déterminer si les données sont adaptées à l'usage prévu doit être une activité clé des spécialistes de l'analyse de données dans la préparation des données. processus. Des données de meilleure qualité peuvent être réutilisées plus facilement dans d'autres processus. Profilage Les données peuvent faciliter les décisions relatives à la source des données. Profilage fournit une compréhension du contenu des données fondée sur des statistiques et qualité des données à partir de sources de données multiples.

La préparation des données doit être reproductible processus et une bonne pratique formalisée. Il convient de privilégier l'utilisation de solutions de préparation de données en libre-service plutôt que de tableurs. Les tableurs sont abordables mais sujets aux erreurs, difficiles à contrôler et nécessitent une maintenance importante. Les outils de préparation de données peuvent assurer une préparation de données efficace et contrôlée. processus et la capacité d'intégrer plus efficacement les données structurées et non structurées. Des stratégies de création agile d'ensembles de données réutilisables devraient être envisagées afin d'améliorer l'efficacité en réduisant le besoin d'approbations internes grâce à des techniques d'obfuscation.

Questions

• Les normes de préparation des données couvrent-elles l'identification des données nécessaires à l'analyse, les sources de données disponibles (faisant autorité), l'accessibilité des données, la spécification des éléments de données ?, qualité des données métriques, nettoyage des données, conformité, transformation et agrégation ?
• La préparation des données est-elle conforme à la politique de gestion des données de l'organisation ? politique et les normes de gestion des données et préserver lignée des données et l'intégrité ?
• Une documentation adéquate est-elle tenue à jour concernant les définitions des données, les sources des données, lignée des données, l'utilisation des données et les propriétaires des données ?
• Existe-t-il des données préparées ou des processus de préparation de données utilisés dans plusieurs processus analytiques, outils ou équipes ?

Artefacts

• Documentation de conception et de conseils relatifs à la préparation et à l'analyse des données
• Preuves de l'adoption des processus de préparation des données par les équipes d'analyse
• Documentation de architecture de données et lignée des données, y compris les modifications apportées par la préparation des données
• Documentation relative à la définition, à la source, à la traçabilité, à l'utilisation et à la propriété des données, à l'appui des décisions de préparation des données
• Preuves de réutilisation des ensembles de données et des processus de préparation des données

Score

Pour que l'analyse de données soit efficace et performante, elle doit s'appuyer sur une plateforme conçue et mise en œuvre pour répondre à ses besoins. modèle opérationnel Nombre de ces besoins sont à l'origine de ces facteurs. Il est impératif de prendre en compte les exigences spécifiques des environnements de production et de non-production, et de mettre en place un système de contrôle de version des modèles adapté à chacun de ces environnements. Des stratégies d'anonymisation des données sensibles sont nécessaires pour optimiser la réutilisation des ensembles de données. La plateforme doit offrir la flexibilité requise pour permettre une montée en charge ou une réduction des ressources. Les environnements de production et de non-production doivent tous deux respecter les principes d'éthique et de protection de la vie privée.

Description

La plateforme d'analyse est un ensemble d'outils, d'applications et d'infrastructures permettant de créer et d'exécuter des analyses au sein d'une organisation. Elle doit posséder les fonctionnalités nécessaires pour s'adapter à la structure et au fonctionnement des équipes d'analyse, ainsi qu'à leurs interactions avec les métiers et les parties prenantes. Elle doit permettre aux équipes d'analyse de développer, tester, gouverner, diffuser, maintenir et faire évoluer leurs modèles analytiques.

La plateforme doit prendre en charge les opérations sur les données et être suffisamment flexible pour permettre à diverses personnes d'accéder aux données, d'effectuer des analyses et de créer des visualisations selon les besoins. Ces interactions doivent mettre en œuvre la séparation des tâches requise et la possibilité de définir des droits d'accès pour les différents utilisateurs du système.

Au-delà des équipes d'analyse, les utilisateurs métiers devront valider et exploiter les résultats des modèles analytiques.

Objectifs

• Comprendre les exigences de la plateforme pour les différents rôles définis dans le modèle opérationnel.
• Identifier les parties prenantes et obtenir leur accord sur les exigences à prendre en charge.
• S'assurer que la conception de la plateforme tient compte des exigences convenues.

Conseil

Les exigences fonctionnelles et non fonctionnelles pour la prise en charge de l'analyse Modèle opérationnel Il est impératif de bien comprendre ces exigences avant toute acquisition ou développement de la plateforme. Les infrastructures et solutions préexistantes ne doivent en aucun cas constituer une contrainte.

La conception doit intégrer la facilitation de la séparation des tâches, ainsi que le soutien et le contrôle des différents niveaux d'accès. La plateforme doit être facile d'accès et d'utilisation, et permettre aux utilisateurs de comprendre à la fois les données utilisées et les résultats produits.

Il est conseillé de concevoir la plateforme de manière à faciliter les opérations de données et à garantir un flux de données efficace, des applications jusqu'à l'utilisateur final, en passant par toutes les étapes. Face à la consommation croissante de données par divers acteurs, il est essentiel de gérer les données comme un flux continu, parfaitement intégré aux différents services de l'organisation.

Questions

• Les exigences de la plateforme pour les différents rôles sont-elles décrites dans le modèle opérationnel ont été définis ?
• Les exigences de la plateforme ont-elles été discutées et approuvées par les parties prenantes des secteurs d'activité et de l'analyse de données ?
• Les exigences sont-elles bien comprises par les responsables de l'acquisition et de la mise en œuvre de la plateforme ?
• La conception de la plateforme a-t-elle été revue afin de confirmer qu'elle répond aux exigences convenues ?
• La prise en charge par la plateforme de l'application des droits d'accès a-t-elle été validée ?
• Les parties prenantes peuvent-elles facilement consulter les résultats de la plateforme ?
• La plateforme peut-elle prendre en charge des utilisateurs autres que les analystes de données qui produisent les résultats ?
• La plateforme peut-elle prendre en charge les opérations sur les données ?

Artefacts

• Évaluation documentée du support de conception de la plateforme pour le modèle opérationnel
• Politiques relatives à la séparation des tâches et preuves de leur examen et de leur approbation
• Preuve d'une communication bidirectionnelle avec les parties prenantes/l'entreprise concernant les exigences d'utilisation de la plateforme
• Politiques relatives à la gestion de l'accès

Score

Description

Un environnement distinct est nécessaire pour la découverte, le développement et les tests des données avant la mise en production des modèles. Les tests effectués dans cet environnement de test à faible risque garantissent que les tests appropriés sont réalisés avant la mise en production. modèle L'environnement de test est utilisé et indispensable à l'organisation. Cet environnement doit disposer d'une capacité de calcul adaptée aux besoins métiers. Un environnement de test requiert des règles de sécurité appropriées afin de garantir la protection des données et le contrôle des accès utilisateurs.

Objectifs

• Définir et soutenir les exigences relatives aux environnements d'innovation.
• Définir et soutenir les exigences visant à séparer l'environnement de développement et de test de l'environnement de production.
• Mettre en place des processus distincts de conception et de contrôle des modifications pour les phases de test, de développement et de production de la plateforme.
• Mettre en place les mesures de protection des données requises et un contrôle d'accès des utilisateurs.

Conseil

L'analyse de données repose par nature sur l'expérimentation itérative ; les environnements de développement doivent donc être suffisamment agiles pour permettre d'échouer rapidement et en toute sécurité. Les environnements hors production, notamment les environnements de test/d'innovation, requièrent une plus grande flexibilité, rendue possible par une gestion du changement suffisamment agile. processus qui peut couvrir de multiples scénarios.

Il est indispensable de procéder à une séparation claire des environnements pour garantir la gestion du changement. processus Une approche adaptée à chaque niveau est essentielle. C'est la gestion du changement qui permet aux équipes d'analyse d'être productives. Les processus de gestion du changement pour les environnements de test doivent être suffisamment flexibles pour garantir des délais d'expérimentation adéquats. Un environnement strictement séparé doit être prévu pour les environnements hors production. modèle Des tests, avec une démarcation claire les séparant de la production. La gestion du changement processus L'environnement de production doit être suffisamment robuste par rapport aux environnements hors production, plus flexibles.

Il est essentiel de s'assurer que l'environnement d'innovation ou de test est correctement configuré pour traiter des données similaires aux données de production et qu'il respecte toutes les normes de protection des données applicables. Cette préparation permet de finaliser la migration et les tests avant le déploiement en production.

Questions

• Existe-t-il des exigences documentées permettant de distinguer les environnements de test/d'innovation et les environnements de production ?
• Les capacités de mémoire, de stockage et de traitement des différents environnements sont-elles documentées ?
• Les parties prenantes (métier, analytique) ont-elles approuvé que les environnements répondent à leurs exigences ?
• Le design processus pour chaque environnement ont été évalués et mis en œuvre ?
• Existe-t-il des processus de contrôle des changements différents pour chaque environnement afin de répondre aux exigences commerciales et à la tolérance au risque de l'organisation ?

Artefacts

• Stratégie des environnements de production et de non-production
• Conceptions documentées des environnements de test, de développement et de production
• Processus de contrôle des modifications documentés pour l'environnement de test
• Preuves d'engagement auprès des parties prenantes politique examen/mise en œuvre
• Preuves de communication de la stratégie et des politiques
• Preuve des droits d'accès des utilisateurs aux environnements productifs et non productifs

Score

Description

Il est impératif de mettre en place une gestion contrôlée des modifications apportées à tous les modèles développés au sein de la plateforme analytique, et une documentation à ce sujet est nécessaire. processus pour consigner les modifications. Une gouvernance efficace et un contrôle des modifications des modèles doivent être mis en place et faire l'objet d'un audit.

Objectifs

• Veillez à ce que les modifications apportées aux modèles analytiques soient effectuées avec l'autorisation appropriée.
• Veillez à ce que les modifications soient suivies et que la nature de chaque modification soit documentée et vérifiable.
• Veillez à ce que les modèles ne soient déployés en environnement de production que par le biais d'un processus contrôlé. processus des mécanismes de libération appropriés aux environnements de test.
• Veillez à ce que des systèmes de versionnage et d'archivage appropriés soient en place pour les ensembles de données utilisés pour entraîner et valider les modèles.
• Répondre aux exigences de réexécution des analyses sur les données historiques avec la version de modèle utilisé à ce moment-là.

Conseil

Les modèles analytiques doivent suivre le contrôle des changements processus et le cycle de vie du développement logiciel de l'organisation processus. Rechercher un consensus par le biais de discussions avec le service technique. fonction, la gestion du changement fonction, et les fonctions commerciales connexes.

Conservez une documentation expliquant les modifications apportées aux modèles. Cette documentation doit retracer l'historique des versions afin de savoir quelles versions de quels modèles sont utilisées dans quelles implémentations.

Documentez le processus pour la création et le stockage de sauvegardes récupérables des versions précédentes du code et des jeux de données. Ces fichiers de sauvegarde sont nécessaires en cas d'erreurs lors de la mise à niveau ou si l'analyse fournie par les versions précédentes doit être validée.

Bien que cette section mette l'accent sur la nécessité d'un contrôle de version pour tous les modèles analytiques, une organisation d'analyse de données doit veiller à ce qu'un contrôle de version soit appliqué à toutes les analyses conçues et déployées sur la plateforme, y compris celles qui reposent sur des calculs simples ou des agrégations de données. Ceci garantit que la version la plus récente est utilisée et que, en cas de modification de l'approche analytique, les analystes et leurs parties prenantes en sont informés.

Questions

• Existe-t-il un système de contrôle des changements processus pour les modifications apportées aux modèles analytiques sur la plateforme ?
• Le contrôle des changements est-il défini ? processus en place et compris par les personnes responsables au sein de l'entreprise ?
• Existe-t-il une documentation présentant et expliquant les modifications apportées aux modèles ?
• Les versions précédentes du code et les jeux de données sont-ils disponibles pour garantir la compréhension des versions précédentes ? modèle analyses ?
• Le contrôle des changements processus S'assurer que les modifications sont correctement autorisées ?

Artefacts

• Modèle caractéristiques
• Politiques et procédures associées au contrôle de version des modèles et des ensembles de données
• Modèle protocoles et politiques de publication
• Preuve de modèle examen et approbation

Score

Description

Les stratégies d'anonymisation des données permettent de garantir que les données utilisées lors des phases de développement des modèles sont conformes aux réglementations en vigueur au sein de l'organisation et aux bonnes pratiques en matière de protection des données. L'anonymisation des données s'applique également aux données confidentielles sensibles sur le plan commercial, telles que les résultats de l'entreprise avant leur publication.

La capacité d'obfuscation est importante pour les environnements de test hors production et peut également, dans certains cas, s'avérer pertinente pour les environnements de production. Lorsque des testeurs professionnels externes ont accès à ces environnements, ces derniers doivent contenir le minimum d'informations personnelles identifiables ou commercialement sensibles.

Objectifs

• Mettre en œuvre toutes les politiques pertinentes et développer le processus et les procédures permettant d'identifier les données qui devraient être classées comme commercialement sensibles ou informations personnelles identifiables, en utilisant les classification des données système permettant de déterminer le niveau et la sophistication de l'obfuscation requis.
• Développer des méthodes pour masquer ou flouter les données, selon les besoins de l'entreprise et après approbation des équipes de conformité et de réglementation.

Conseil

En collaboration avec une équipe pluridisciplinaire regroupant les services de protection des données, juridiques, de conformité et autres services concernés, déterminer les classifications de données définissant quelles informations sont considérées comme commercialement sensibles ou classées comme Informations personnelles identifiables conformément au cadre réglementaire applicable. Ces classifications détermineront le degré d'obfuscation ou de suppression requis pour les données. Confirmez si l'anonymisation des données est nécessaire pour les modèles de production et de non-production et si elle s'applique à modèle sorties ainsi que les entrées.

Questions

• Les exigences en matière d'anonymisation des données sont-elles comprises ?
• Y a-t-il un processus documentées et suivies pour garantir la conformité réglementaire dans l'utilisation des données sensibles (personnelles et/ou commerciales) ?
• Des techniques d'obfuscation ont-elles été mises en place et adoptées ?
• Si des données sensibles doivent être utilisées pour garantir l'exactitude des rapports et l'optimisation des prévisions, existe-t-il un processus pour garantir que les données sensibles ou confidentielles utilisées soient masquées ou supprimées après utilisation ?

Artefacts

• Preuves de politiques d'anonymisation des données, mentionnant les types de données et détaillant les exigences spécifiques pour les environnements de production et de non-production
• Stratégie relative aux environnements hors production, incluant la gestion de la réplication des données entre les environnements.
• Liste des parties prenantes et preuves de communication bidirectionnelle et de reconnaissance des politiques pertinentes
• Documentation des techniques d'obfuscation, avec des conseils sur la manière et le moment de les appliquer.
• Preuves d'obfuscation/anonymisation des données des modèles pertinents/modèle sorties

Score

Description

Les besoins des entreprises évoluent rapidement. L'analyse modèle L'environnement doit être suffisamment flexible pour pouvoir gérer les nouvelles données sans nécessiter de refonte importante. modèle L'environnement informatique doit pouvoir répondre à l'augmentation des besoins en puissance de calcul pour accompagner la croissance prévue de l'activité et la sophistication croissante des modèles. Il est indispensable de suivre l'évolution des coûts de cette puissance de calcul. Il convient d'anticiper les solutions permettant de satisfaire les besoins supplémentaires et d'estimer les coûts potentiels à l'avance.

Objectifs

• Comprendre la capacité de traitement et la flexibilité potentiellement nécessaires à l'analyse modèle environnement.
• Permettre la capacité d'adapter les ressources à la hausse ou à la baisse pour répondre aux besoins prévus.
• Mettre en place un mécanisme d'estimation et de suivi modèle coûts de traitement.

Conseil

A processus Il convient d'établir un cadre permettant aux parties prenantes de définir les besoins futurs que les modèles analytiques devront prendre en charge. Ces besoins alimentent la planification des capacités. Ils doivent inclure les volumes de données et une estimation des charges de travail analytiques.

Les exigences d'évolutivité doivent être prises en compte dans la feuille de route technologique relative à l'analytique. Celle-ci doit définir une stratégie d'utilisation des infrastructures sur site et dans le cloud, selon les besoins de l'organisation.

Les coûts de la plateforme analytique doivent être suivis et comparés aux attentes des parties prenantes afin de garantir un dimensionnement approprié des environnements. Il convient d'évaluer et de quantifier les avantages commerciaux obtenus grâce à cette plateforme. modèle des résultats permettant de déterminer si les coûts des modèles et du traitement, ainsi que les coûts de la capacité inactive qui soutient l'évolutivité, sont justifiés.

Questions

• Existe-t-il une orientation commerciale concernant les exigences et la stratégie futures que les modèles analytiques doivent prendre en charge ?
• Les volumes de données et les charges de travail futurs sont-ils compris et quantifiés ?
• Les exigences en matière de volume et de charge de travail sont-elles documentées et examinées par l'équipe d'analyse ?
• Les modèles peuvent-ils s'adapter à des volumes de données ou à un nombre de variables accrus sans nécessiter une refonte complète et les coûts qui en découlent ?
• Les coûts de la plateforme analytique sont-ils suivis et comparés aux prévisions afin de garantir que les environnements sont dimensionnés de manière appropriée ?
• L'évaluation inclut-elle les coûts liés aux capacités inutilisées ?

Artefacts

• Documentation attestant des exigences de production et de non-production ainsi que des exigences non fonctionnelles de bas niveau
• Stratégie des environnements hors production
• Suivi des coûts des environnements de production et de non-production, y compris l'informatique utilitaire
• Preuves des analyses de dépenses et du retour sur investissement pour les environnements de production et de non-production

Score

Bien que certaines activités analytiques soient exploratoires ou ponctuelles, l'analyse doit permettre le déploiement de modèles en production de manière contrôlée et encadrée. Les processus de test, d'approbation et de mise en production sont essentiels à cet égard, tout comme les processus de revue régulière des modèles déployés. Ces processus doivent être conformes aux approches de gouvernance de l'organisation en matière d'éthique et de confidentialité des données. Il est impératif de comprendre et de contrôler les exigences. modèle Il faut s'attaquer aux préjugés, ainsi qu'à la nécessité de pouvoir expliquer comment modèle Des décisions ont été prises.

Description

Avant leur mise en service, les modèles doivent être testés afin de garantir leur bon fonctionnement et leur conformité avec toutes les exigences. modèle caractéristiques. Modèle La validation doit comprendre un examen et une mise à l'épreuve approfondis des hypothèses et des techniques analytiques, ainsi que des vérifications visant à garantir que les données ne sont pas utilisées à mauvais escient et restent facilement auditables. Cette validation inclut la conformité au code d'éthique des données et à la gouvernance de la confidentialité des données. Le résultat satisfaisant des tests et l'approbation de la diffusion doivent être formalisés par le responsable désigné à cet effet. modèle devrait être publié conformément aux protocoles de publication établis.

La performance de modèle peut changer à mesure que les données ingérées évoluent au fil du temps, ce qui peut affecter l'efficacité de modèle’l'intention initiale de. Son exécution et son respect continu de modèle Les spécifications doivent être revues périodiquement, et chaque fois qu'une modification est apportée à celles-ci, il convient de les réviser. modèle caractéristiques.

Objectifs

• Définir des processus formels pour modèle tests, validation, approbation, mise en production et examen périodique.
• Garantir l'autorité pour modèle L'approbation est claire et appropriée.
• Assurez-vous que les modèles (publiés ou en attente) déployés dans les environnements de production fonctionnent comme prévu et conformément à chaque modèle’les spécifications de.
• Mettre en place des mécanismes de protection pour garantir modèle La mise en production minimise les perturbations des opérations de l'organisation et protège contre les violations et la corruption des données.

Conseil

Dans le cadre de modèle Lors des tests, un large éventail d'entrées doit être traité. modèle afin de s'assurer de son bon fonctionnement. Ces ensembles de données d'entrée peuvent inclure des données de test, des données actuelles et des échantillons représentatifs créés artificiellement de données d'entrée susceptibles de se produire en pratique, même si cela est rare. Modèle Les résultats doivent être vérifiés afin de déceler toute conséquence imprévue découlant de l'utilisation de modèle, comme des préjugés injustes ou des résultats commerciaux indésirables. Modèle Les tests et les contrôles devraient être automatisés autant que possible.

Les personnes autorisées à approuver un modèle devraient avoir leur mot à dire sur les spécifications du dossier de preuves à fournir pour examen dans le cadre de l'approbation. Ils devraient comprendre comment modèle Ils devraient avoir une vision globale des opérations et des objectifs commerciaux qu'elles visent à atteindre. Ils devraient également avoir une compréhension plus large de l'activité dans son ensemble. fonction contexte dans lequel le modèle fonctionnera selon des paramètres de gouvernance et d'éthique.

Afin de garantir une utilisation responsable des données, il est essentiel de valider toutes les données des modèles avant leur mise en production, afin de prévenir tout abus potentiel. De plus, les processus de modèle Le développement, la validation, l'approbation et la diffusion doivent être conformes aux structures et directives établies en matière de gouvernance de l'éthique des données et de la protection de la vie privée. Cela implique de s'assurer que toutes les parties prenantes impliquées dans l'approbation et la diffusion des modèles comprennent clairement les exigences en matière de gouvernance de la protection de la vie privée. En définitive, un cadre cohérent intégrant les considérations d'éthique des données et de protection de la vie privée est essentiel à l'intégrité et à la conformité des systèmes. modèle opérations.

La prise en compte de l'éthique des données doit être intégrée tout au long du processus. processus de modèle développement et gestion.

Conformité d'un modèle Les exigences en matière de confidentialité doivent être comprises et confirmées avant toute action. modèle est disponible, mais devrait déjà être prise en compte dès la phase de conception.

Questions

• Existe-t-il des procédures formelles pour modèle tests, approbation, mise en production et examen périodique ?
• L'autorité pour modèle L'approbation doit-elle être désignée au niveau d'ancienneté approprié ?
• Les parties prenantes ont-elles approuvé la mise en œuvre des procédures de test, d'approbation, de diffusion et d'examen ?
• Les modèles fonctionnent-ils comme prévu et conformément à leurs spécifications ?
• Des garanties ont-elles été mises en place pour assurer modèle Cette version minimise les perturbations des opérations et protège contre la corruption et les violations de données ?
• Y a-t-il un processus Existe-t-il un dispositif permettant de garantir qu'un code formel d'éthique des données et les directives associées soient revus et restent à jour ?
• Y a-t-il un processus Un dispositif est-il en place pour examiner tous les modèles en production lorsque les exigences en matière de confidentialité changent ?

Artefacts

• Modèle caractéristiques
• Modèle procédures de test, d'approbation et d'examen
• Preuves d'automatisation de modèle tests
• Modèle protocoles et politiques de publication
• Détails modèle ensembles de données d'entrée et de sortie
• Calendrier des interventions périodiques modèle avis
• Preuve de modèle examen et approbation
• Liste des parties prenantes et preuves d'approbation de la mise en œuvre des procédures

Score

Description

Les acteurs du secteur de l'analyse de données doivent être conscients des biais et des injustices que peuvent présenter les modèles, ainsi que des conséquences imprévues qu'ils peuvent engendrer. Ce type de modèle Les biais constituent un problème de gouvernance et doivent être traités par des mécanismes de contrôle appropriés, incluant la sensibilisation, l'atténuation et le contrôle des biais. Les modèles doivent faire l'objet d'une gestion active des biais, prévoyant une évaluation et une validation continues des algorithmes, des ensembles de données et des modèle résultats.

Objectifs

• Mettre en place des processus et des contrôles pour garantir que les ensembles de données d'entrée n'introduisent pas modèle biais.
• Assurez-vous que modèle Les biais et leurs effets sont identifiés.
• Établir des procédures pour traiter modèle biais une fois identifié.
• Il convient de s'assurer que les limites des algorithmes sont comprises et qu'ils ne sont pas appliqués à des questions dont les réponses seraient invalidées par un biais algorithmique.

Conseil

Analytique modèle Les résultats sont basés sur les données d'entrée du modèle, Que ce soit lors de la création et de l'entraînement des modèles ou lors de leur mise en production, des biais apparaissent lorsque les données ne sont pas représentatives de la réalité. Il peut s'agir de l'absence de variables clés qui influenceraient les décisions ou de l'inclusion de contenu produit par l'humain, porteur des biais de ces personnes. De nombreuses organisations mettent en place des comités d'éthique des données chargés d'examiner les modèles et leurs résultats afin de détecter tout signe de biais, intentionnel ou non.

Pour minimiser les effets néfastes des biais, les parties prenantes doivent être conscientes des biais possibles dans tout modèle. Ils doivent comprendre les différents types de biais et comment chacun peut influencer les données, l'analyse et les décisions.

L'identification et la gestion des biais doivent être intégrées aux procédures formelles pour modèle L’approbation et la révision régulière des modèles sont essentielles. Ces révisions doivent inclure la surveillance de tout biais soudain ou progressif qui pourrait apparaître lors de leur exposition à de nouvelles données en production.

Questions

• Les parties prenantes sont-elles conscientes des sources potentielles de modèle biais?
• L'analyse de modèle biais inclus dans la méthodologie analytique et modèle documentation standard?
• Existe-t-il des procédures et des contrôles pour lutter contre les biais dans modèle données d'entrée ?
• Sont modèle lacunes documentées et prises en compte dans les décisions relatives à l'application de modèle?
• Est modèle biais pris en compte dans les procédures de modèle approbation et examen régulier ?
• Les décisions fondées sur le jugement sont-elles sur modèle Le risque de biais a-t-il été pris à un niveau hiérarchique approprié ?
• Existe-t-il un examen régulier avec des spécialistes compétents pour déterminer s'il y a une dérive dans le modèle ce qui entraîne un biais ?

Artefacts

• Partie prenante matériel pédagogique sur modèle biais
• Procédures d'analyse de modèle biais
• Procédures et contrôles pour l'examen des biais dans les ensembles de données d'entrée
• Analyse documentée de modèle biais
• Documentation de modèle lacunes et limitations
• Preuve de modèle biais et lacunes considérés dans modèle décisions de déploiement
• Procédures d'audit régulier des modèles pour s'assurer qu'aucun biais n'est apparu

Score

Description

Exigences pour expliquer comment un modèle Les résultats obtenus doivent être précis et intégrés à la modélisation. processus et les processus opérationnels qui sous-tendent les modèles. Transparence de la manière dont un modèle Le travail est essentiel pour reconnaître les biais et aligner les processus et activités de l'entreprise afin d'obtenir des résultats impartiaux.

Objectifs

• Définir les exigences pour modèle Explicabilité en termes commerciaux.
• Attribuer la responsabilité de modèle explicabilité durant la phase d'exigences de la modélisation processus.
• Effectuer des mesures supplémentaires pour atténuer l'ambiguïté des exigences relatives à modèle explicabilité.
• Intégrer des processus pour garantir le respect des exigences modèle L'explicabilité permet de comprendre clairement comment un modèle travaux et pour modèle transparence.

Conseil

Modèle Les exigences d'explicabilité doivent préciser la facilité avec laquelle les modèles peuvent être compris et la facilité avec laquelle il doit être possible de comprendre la cause des décisions dans un modèle. L’objectif est de permettre aux parties prenantes d’expliquer le fonctionnement des modèles et leurs caractéristiques, tant à un public interne qu’externe. Modèle L'explicabilité doit pouvoir résister à un audit interne ou à un contrôle réglementaire externe. Les explications doivent être cohérentes.

Identifier et consulter les parties prenantes capables de comprendre et de discuter des exigences relatives à modèle explicabilité.

Inclure les exigences pour modèle l'explicabilité de la méthodologie analytique de l'organisation et modèle documentation standard. L’intégration des normes au cœur même d’une organisation est une étape cruciale pour atteindre cet objectif. modèle explicabilité.

Mettre à jour les processus, les normes et les politiques de l'organisation suite à l'adoption des exigences relatives à modèle L'explicabilité s'accroît. Maintenez la documentation et les processus à jour. L'alternative conduit à un savoir tacite, à des silos opérationnels et à un risque accru de perte de propriété intellectuelle et de connaissances, ce qui rend modèle L'explicabilité est plus difficile.

Mettre en place des méthodes de suivi et d'amélioration continue modèle L'explicabilité. L'objectif de l'amélioration continue est d'offrir aux parties prenantes des opportunités d'améliorer modèle L'explicabilité est essentielle pour atteindre les objectifs commerciaux. Les pistes d'amélioration peuvent provenir d'enquêtes, d'entretiens, d'évaluations par les pairs, de témoignages de réussite et de l'analyse des écarts mis en évidence par le suivi et l'évaluation. Il est important d'insuffler de nouvelles idées et une réflexion novatrice au sein de l'organisation en restant à l'affût des évolutions et des progrès technologiques du secteur, et en comparant les processus et les résultats à ceux des concurrents, des partenaires et des autres secteurs.

Questions

• Les modèles sont-ils explicables en termes commerciaux ?
• Les exigences pour modèle L'explicabilité peut-elle être attribuée aux processus, activités et résultats de l'entreprise ?
• Existe-t-il des preuves de rôles et de responsabilités ?
• La responsabilité a-t-elle été attribuée lors de la phase d'analyse des besoins de la modélisation ? processus?
• Des mesures ou des processus ont-ils été identifiés pour atténuer l'ambiguïté ?
• Les modèles sont-ils faciles à interpréter ?
• Est-il facile de comprendre les fondements des décisions dans les modèles ?

Artefacts

• Politiques relatives aux exigences modèle l'explicabilité, y compris les types de modèles acceptables pour les cas d'utilisation en entreprise
• Étapes définies pour atténuer l'ambiguïté, démontrées et documentées ou observées
• Exigences pour modèle l'explicabilité est documentée dans la méthodologie analytique et modèle documentation standard
• Procès-verbaux des séances d'évaluation par les pairs modèle explicabilité
• Documentation justifiant le choix de modèle choix
• Définitions du rôle d'un praticien en analytique qui incluent les responsabilités liées à modèle explicabilité
• Preuves des efforts de suivi et d'amélioration continue pour modèle explicabilité

Score

Un programme de formation en analyse de données devrait donner les moyens à toutes les personnes impliquées dans l'analyse de données de se développer. processus, Il ne s'agit pas seulement de former des analystes spécialisés. Si ces experts ont besoin de compétences en collecte, analyse et interprétation des données pour faciliter la prise de décision, la formation devrait également s'adresser aux analystes d'affaires, aux utilisateurs occasionnels d'outils d'analyse et aux dirigeants qui s'appuient sur les analyses et en font la demande. La formation aide les participants à mieux comprendre les capacités analytiques, permettant ainsi aux dirigeants de poser des questions plus pertinentes et aux analystes de fournir des analyses plus approfondies. L'analyse étant pratiquée à tous les niveaux de l'organisation, il est essentiel de former les participants à l'analyse de données. employés La maîtrise des données analytiques favorise une prise de décision plus éclairée. En définitive, une analyse efficace exige du changement, et la formation est essentielle pour y parvenir. cohérence et son adoption à l'échelle de l'organisation.

Description

Un programme a été mis en place pour former le personnel aux concepts, compétences et responsabilités analytiques appropriés au sein de l'organisation. Les compétences requises pour exercer les différents rôles et responsabilités en matière d'analyse de données sont clairement définies, et le programme de formation a été conçu pour les développer.

Objectifs

• Identifier et harmoniser les compétences requises pour remplir les rôles et les responsabilités à différents niveaux.
• Élaborer un plan d'apprentissage pour doter les analystes des compétences et des outils nécessaires à l'exercice de leurs activités.
• Examinez et confirmez que la carte d'apprentissage répond aux définitions de rôle.
• Intégrer un processus Mettre à jour le plan d'apprentissage en fonction des normes et des évolutions du secteur.

Conseil

Les spécialistes de l'analyse de données doivent bénéficier d'une formation adéquate pour développer leurs compétences et optimiser la valeur ajoutée que l'organisation tire de ses capacités analytiques. Lors de l'élaboration du parcours d'apprentissage, il est essentiel d'impliquer les spécialistes de tous les niveaux afin de garantir la prise en compte de l'ensemble des compétences requises. Les rôles et responsabilités doivent servir de point de départ pour identifier les compétences et les outils nécessaires à leur bon fonctionnement. Il convient de réaliser un état des lieux et une analyse des écarts en matière de compétences, d'outils et de formations existants afin d'identifier et de combler les lacunes et de remédier aux difficultés communes, et ainsi orienter les parcours d'apprentissage.

Le parcours d'apprentissage doit être conçu pour offrir aux praticiens de l'analyse de données des expériences à la fois pratiques et théoriques. Il convient d'intégrer des expériences issues de formations structurées, d'apprentissage social et d'activités d'apprentissage expérientiel. Ces différentes expériences doivent être intégrées au parcours d'apprentissage, en prévoyant un temps suffisant pour chaque activité et une feuille de route claire, jalonnée d'étapes clés pour suivre la progression des apprentissages. Le parcours d'apprentissage doit être mis à jour régulièrement, en fonction des besoins. modèle opérationnel et les expériences d'apprentissage ont été mises à jour pour refléter les évolutions du secteur et les meilleures pratiques.

Les initiatives de formation pour les praticiens de l'analyse de données sont mises en place avec un processus Dans un souci d'amélioration continue, le succès des initiatives éducatives doit être mesurable et suivi afin de garantir que les lacunes en matière de compétences soient comblées de façon permanente.

Questions

• Existe-t-il une approche et un plan pour soutenir la formation en analyse organisationnelle ?
• Les compétences requises pour chaque niveau de praticien en analyse de données ont-elles été définies et approuvées ?
• Une analyse des écarts a-t-elle été réalisée pour identifier les lacunes en matière de compétences ?
• Les parties prenantes ont-elles examiné et approuvé le plan d'apprentissage ?
• La carte d'apprentissage répond-elle aux définitions de rôle pour tous les rôles et tous les niveaux ?
• Les cartes d'apprentissage couvrent-elles tous les types d'apprentissage ?
• Existe-t-il une définition processus actualiser la carte d'apprentissage ?
• Cette initiative éducative a-t-elle été conçue pour offrir des expériences pratiques et théoriques ?
• Une feuille de route pour l'expérience d'apprentissage a-t-elle été définie ?
• Les indicateurs de réussite ont-ils été approuvés ?
• Un mécanisme de retour d'information est-il en place ?
• Le programme de formation en analytique est-il aligné et soutenu par le service central de formation de l'organisation ? fonction, le cas échéant ?

Artefacts

• Approche et plan de formation en analytique
• Rôles et responsabilités en matière d'analyse
• Matrice des exigences en matière de compétences analytiques par rapport au rôle
• Parcours d'apprentissage liés aux rôles analytiques

Score

Description

La gestion du changement en matière d'analytique doit être abordée comme un programme structuré, assorti d'initiatives essentielles. L'objectif est de comprendre les compétences et les comportements nécessaires au sein de l'organisation pour optimiser la valeur de l'analytique. Afin de faciliter la transition vers un état futur optimal pour l'analytique, l'équipe peut adopter une approche consistant à développer et à mettre en œuvre des initiatives prototypes qui promeuvent et encouragent l'acquisition des compétences et des comportements requis. Après avoir démontré leur efficacité, ces initiatives doivent être intégrées et pérennisées dans le cadre des opérations courantes.

Objectifs

• Développer une approche de gestion du changement en matière d'analyse de données afin de promouvoir une meilleure analyse de données au sein de l'organisation.
• Définir les compétences et les comportements analytiques souhaités au sein de l'organisation afin d'optimiser la valeur de l'analyse de données.
• Élaborer un plan visant à aider l'organisation à améliorer ses compétences et ses comportements en matière d'analyse de données.

Conseil

Tirer parti du programme de formation en analytique et le promouvoir peut constituer une action essentielle pour faire progresser une organisation dans sa démarche d'amélioration des compétences et de la compréhension analytiques. Documenter et communiquer les initiatives analytiques réussies qui favorisent les compétences et les comportements souhaités peut contribuer à combler les lacunes et à sensibiliser davantage le public.

Il est préférable de collaborer avec la communauté analytique pour définir les indicateurs clés de performance liés aux comportements et élaborer des analyses de rentabilité pour l'intégration de la solution dans les activités courantes. Obtenez l'adhésion et le soutien nécessaires pour mener à bien les initiatives analytiques. Après la mise en œuvre, mesurez l'évolution des comportements et son impact à des étapes clés régulières.

Questions

• Les compétences et comportements analytiques privilégiés par l'organisation ont-ils été mis en place ?
• Les cas d'utilisation réussis en matière d'analyse de données sont-ils documentés et communiqués à l'ensemble de l'organisation ?
• La gestion du changement en matière d'analyse de données collabore-t-elle avec le programme de formation en analyse de données pour favoriser la réussite de l'analyse de données ?
• Est-ce que processus existe-t-il pour déterminer si les nouveaux comportements sont durables et apportent une valeur ajoutée à l'entreprise ?
• A un processus Comment mesurer les comportements au fil du temps ?

Artefacts

• Approche et plan de gestion analytique du changement
• Normes en matière de compétences et de comportements analytiques
• Étude(s) de cas analytique(s)
• Indicateurs clés de performance et tableaux de bord analytiques, avec objectifs
• Un document processus déterminer la durabilité et la valeur commerciale des nouveaux comportements
• Preuve de la mesure comportementale

Score