Livre blanc — Culture data-driven : du POC à l’industrialisation

Livre blanc · Mars 2026

Du POC à l'industrialisation

Culture data-driven

« Une culture data-driven ne se mesure pas au nombre de tableaux de bord : elle se mesure au nombre de décisions qui changent quand les chiffres changent — et au nombre de POC qui atteignent la production. »

5 étapes

6 angles morts

90 jours

Le blueprint du passage à l'échelle, du cadrage à l'ancrage culturel, avec ses seuils mesurés

Chacun avec son test de détection et sa parade — un par comité mensuel

Le plan d'action, de l'audit des POC au premier cas d'usage en production

Pour les directions générales, les directions métier et les responsables data — avec grilles de décision, charte de la donnée, glossaire partagé et auto-diagnostic en vingt questions.

Sommaire

Avant-propos 03 Synthèse — le document en dix affirmations 04 Votre parcours de lecture 06 1 Le cimetière des POC Un POC n'est pas un produit · Les six coutures du passage à l'échelle · Le coût du POC perpétuel · Trois organisations : la PME, l'ETI, le groupe 07 2 La donnée comme actif Chaque donnée a un propriétaire · La qualité est une dette · La gouvernance minimale viable 11 3 L'organisation data Le responsable unique · Les rôles et la plateforme · Le RACI de la donnée · Le budget et la règle des tiers 15

4 Du POC à la production, étape par étape Cadrer par la décision · Prouver en réel · Industrialiser · Opérer et adopter · Ancrer la culture 19 5 Les angles morts Le POC sans utilisateur · Le tableau de bord que personne ne regarde · Le data lake marécage · Le data scientist isolé · La qualité jamais budgétée · La valeur jamais mesurée 24 6 Décider sans prédire Ce qui est écrit, ce qui est scénario · La doctrine données & IA · Les quatre décisions sans regret 28 7 Le plan 90 jours D'où partez-vous ? · La frise J1-J90 · Le tableau de bord en cinq nombres · Les 90 jours sur une page 32 Passer à l'exécution 35 Annexes — Auto-diagnostic et glossaire 36

Le fil rouge

La culture data-driven ne s'installe pas en multipliant les POC : elle s'installe en en finissant un — jusqu'à la production, jusqu'à la décision qui change. Ce document en fait une discipline mesurable.

Avant-propos

Une revue de projets, un jeudi. Le POC de prévision des ventes a dix-huit mois ; la démonstration était brillante, le comité avait applaudi. Depuis : rien. Le data scientist est parti, le notebook ne tourne plus, les commerciaux prévoient toujours dans leur tableur. À côté, trois autres POC attendent — recommandation, maintenance, scoring. Rien n'était faux : les modèles étaient bons, les besoins réels — c'est le chemin entre la démonstration et la décision quotidienne qui n'a jamais été construit. L'entreprise n'a pas manqué de données ce trimestre-là ; elle a manqué d'industrialisation.

Nous avons assisté à trop de revues comme celle-là, et souvent pour reprendre, finir ou enterrer les POC en question. D'où ce document, dont la position tient en une phrase : la culture data-driven est d'abord une culture de la décision, et elle se construit comme un chantier — un POC qui va jusqu'à la production, une donnée qui a un propriétaire, une valeur qui se mesure — jamais comme une collection de démonstrations. Cela se décide, se spécifie et se mesure. Vous trouverez donc de quoi agir, pas de quoi méditer : un blueprint du passage à l'échelle, des grilles avec des seuils, des modèles à copier tels quels (une charte de la donnée, un RACI, une doctrine IA), un plan 90 jours, un auto-diagnostic. Jamais un constat sans la décision qui va avec.

Un point d'honnêteté intellectuelle : nous concevons, déployons et exploitons des plateformes data pour nos clients — c'est précisément pour cela que nous savons où les projets data cassent : rarement sur les modèles, presque toujours sur la qualité des données, l'absence de propriétaire et l'adoption jamais conduite. Les grilles et les seuils de ce document sont ceux que nous acceptons de nous voir opposer sur nos propres projets.

Comment lire ce document. Les chapitres se tiennent seuls ; la page 6 propose un chemin par fonction. Si vous ne lisez que huit pages : la synthèse (p. 4-5), le blueprint du passage à l'échelle (ch. 4) et le plan 90 jours (ch. 7). L'auto-diagnostic de la page 36 vous dira par où commencer.

Bonne lecture — et que vos données se voient dans vos décisions, pas seulement dans vos tableaux de bord.

Cédric Guittard

Anna Hoang

cedric.guittard@clarendis.com

anna.hoang@clarendis.com

pour l'équipe Clarendis — mars 2026

Synthèse exécutive

Le document en dix affirmations. Chacune est développée, outillée et située dans le chapitre indiqué.

01 Un POC réussi n'est pas une victoire : c'est une promesse non tenue.

02 Le passage à l'échelle se perd dans les coutures, pas dans les modèles.

La valeur d'un projet data naît en production, quand une décision quotidienne change. Un POC qui s'arrête là est un coût — et un précédent. (ch. 1)

Entre les données du POC et celles de la production, entre le notebook et le pipeline, entre l'équipe data et le métier — six coutures, chacune avec son seuil. (ch. 1, 4)

03 Une donnée sans propriétaire est une donnée fausse — à terme.

04 La qualité des données est une dette : elle se mesure ou elle s'accumule.

Chaque donnée critique a un propriétaire métier nommé, responsable de sa définition et de sa qualité. « La donnée appartient à tout le monde » signifie qu'elle n'appartient à personne. (ch. 2)

Fraîcheur, complétude, unicité, traçabilité — quatre mesures, quatre seuils, publiés. La dette invisible se paie au prix fort, toujours au pire moment. (ch. 2)

05 Un responsable unique, une plateforme commune, une gouvernance courte.

06 On industrialise une décision, pas un modèle.

Un nom — pas un comité — porte la stratégie data, et rend compte chaque mois sur cinq nombres. La règle des tiers protège le budget : plateforme, cas d'usage, qualité & accompagnement. (ch. 3)

Le cadrage commence par la question : quelle décision, prise par qui, changera ? Un cas d'usage qui sait répondre est un chantier ; les autres sont des démonstrations. (ch. 4)

07 Le tableau de bord n'est pas la culture : la décision outillée l'est.

08 L'équipe data isolée produit des POC ; l'équipe data intégrée produit de la valeur.

Un dashboard que personne ne regarde est un POC qui a réussi à se déguiser en production. La mesure qui compte : combien de décisions récurrentes s'appuient sur la donnée ? (ch. 5)

Le data scientist qui ne rencontre jamais l'utilisateur optimise ce qui ne compte pas. Chaque cas d'usage embarque un binôme métier, du cadrage à la production. (ch. 3, 5)

09 L'IA générative ne dispense pas de la culture data : elle en dépend.

10 90 jours suffisent pour prouver — sur un seul cas d'usage.

Des données propres, cataloguées, gouvernées : c'est le prérequis que l'IA amplifie — dans les deux sens. La doctrine s'écrit maintenant, sur une page. (ch. 6)

Voir clair (J1-J30), cadrer et choisir (J31-J60), mettre en production et mesurer (J61-J90) : le plan du chapitre 7, avec ses livrables datés et ses cinq nombres. (ch. 7)

Ce que ce document n'est pas

Ni un comparatif d'outils (les plateformes changent, les principes restent), ni un cours de data science, ni un plaidoyer pour « plus de données ». C'est un manuel de passage à l'échelle : comment une organisation qui a déjà des POC, des tableurs et des convictions transforme tout cela en décisions outillées, en production, avec une valeur mesurée.

La règle qui traverse ce document : pour tout projet data, une seule question filtre tout — quelle décision, prise par qui, changera quand ce projet sera en production, et comment le saurons-nous ? Un projet qui sait répondre est un chantier ; un projet qui ne sait pas est une démonstration.

Votre parcours de lecture

Les chapitres se tiennent seuls. Selon votre fonction, voici le chemin le plus court vers ce qui vous concerne — et la première action qui en découle.

Direction générale

Synthèse (p. 4-5) → ch. 1 → ch. 3 → ch. 7. Le cimetière des POC vous dira où part l'argent ; l'organisation vous dira qui doit porter ; le plan 90 jours vous dira quoi décider.

45 minutes de lecture

Première action : demandez la liste des POC des trois dernières années, avec leur statut — le tableau de la p. 9 se remplit en une réunion.

Direction métier

Ch. 2 → ch. 4 → ch. 5. La donnée comme actif vous concerne au premier chef : c'est vous, le propriétaire. Le blueprint vous montre votre place dans chaque étape ; les angles morts, ce qui arrive quand le métier se retire.

40 minutes de lecture

Première action : pour vos trois indicateurs les plus utilisés, écrivez la définition exacte — si deux services obtiennent deux chiffres, la p. 12 est pour vous.

Responsable data / IT

Ch. 3 → ch. 4 → ch. 6, puis tout le reste. Le RACI et la règle des tiers sont vos outils de négociation ; le blueprint est votre contrat avec le métier ; la doctrine IA, votre bouclier contre la course aux démonstrateurs.

Lecture intégrale recommandée

Première action : mesurez les quatre indicateurs de qualité de la p. 12 sur votre donnée la plus critique — publiez le résultat, même mauvais.

Vous n'avez que 20 minutes

Synthèse (p. 4-5) → blueprint (p. 20-21) → les 90 jours sur une page (p. 34) → auto-diagnostic (p. 36). Quatre arrêts, une décision au bout : votre premier cas d'usage à industrialiser, et qui le porte.

Le strict nécessaire

Chapitre 1

Le cimetière des POC

1

Vos POC savent démontrer ; c'est le chemin entre la démonstration et la décision quotidienne qui se perd. Ce chapitre remplace « faire de la data » par une discipline mesurable — l'industrialisation — chiffre ce que le POC perpétuel vous coûte, et situe votre organisation parmi trois archétypes.

1.1 Un POC n'est pas un produit

Le débat — « faut-il exploiter nos données ? » — est derrière nous ; le malentendu, lui, persiste. Un POC prouve qu'une chose est possible ; un produit fait qu'elle arrive, tous les jours, chez ceux qui décident. Entre les deux : des données de production qui ne ressemblent pas à l'extraction du POC, un pipeline à fiabiliser, un métier à embarquer, une valeur à mesurer. Le modèle est le décor du projet data ; l'industrialisation en est l'action.

Le malentendu commence quand on budgète le POC et qu'on improvise le reste : la mise en production « à voir plus tard », l'adoption en une démonstration, la qualité des données en confiance. Les baromètres du secteur le documentent depuis dix ans — la grande majorité des projets data et IA ne passent jamais en production, et la cause dominante n'est presque jamais le modèle : ce sont les données non gouvernées, l'absence de propriétaire, l'utilisateur jamais associé (Gartner et les baromètres data des grands cabinets, constants sur ce point). La bonne nouvelle : ces causes-là se conduisent.

La règle qui traverse ce document. Pour tout projet data, une seule question filtre tout : quelle décision, prise par qui, changera quand ce projet sera en production — et comment le saurons-nous ? Un projet qui sait répondre est un chantier ; un projet qui ne sait pas est une démonstration — et une démonstration ne transforme rien.

1

Chapitre 1 — Le cimetière des POC

1.2 Les six coutures du passage à l'échelle — traduites en seuils

« Industrialiser » ne se décrète pas. Ce qui se pilote : les passages de relais entre la démonstration et la décision quotidienne, et le seuil en dessous duquel chacun casse. Voici la grille que nous recommandons d'annexer à tout dossier de cas d'usage — chaque ligne est une couture, et la colonne de droite le seuil à exiger :

La couture

L'exigence, dite simplement

Le seuil à exiger

Idée → cadrage

Le cas d'usage nomme la décision visée, son décideur et la valeur attendue — avant toute ligne de code

Décision, décideur et métrique de valeur écrits sur une page

Données POC → données réelles

Le POC travaille sur les données de production, avec leurs trous et leurs doublons — jamais sur une extraction nettoyée à la main

100 % des données du POC issues des flux réels

Notebook → pipeline

Le traitement tourne seul, se surveille, alerte quand il casse — et quelqu'un est nommé pour répondre à l'alerte

Pipeline automatisé, monitoré, avec un responsable de run nommé

Équipe data → métier

Un binôme métier participe au cadrage, teste chaque itération, valide la mise en production — pas une démonstration finale

Binôme métier nommé au cadrage, présent à chaque revue

Mise en prod → usage

L'usage réel se mesure, et l'outil qui ne sert pas se corrige ou s'arrête — on ne blâme pas l'équipe

Usage actif ≥ 70 % des décideurs visés à 60 jours, mesuré, publié

Usage → valeur

Le gain est chiffré contre la métrique du cadrage et raconté par le métier lui-même — pas par l'équipe data

1 preuve chiffrée racontée par trimestre, par cas d'usage en prod

Comment s'en servir. Mesurez chaque couture sur votre dernier POC (une semaine d'entretiens suffit), affichez les écarts, et faites de cette grille l'annexe de tout nouveau dossier — prestataires data compris. Une couture ratée n'est pas un problème de technologie : c'est le passage à l'échelle qui se défait en silence, et cela se traite à ce niveau.

1

Chapitre 1 — Le cimetière des POC

1.3 Ce que coûte le POC perpétuel — un chiffrage à refaire chez vous

Le POC abandonné ne coûte pas « un essai » — il coûte des jours d'expertise partis en démonstrations, des décisions prises à l'instinct malgré les données disponibles, et des heures perdues à ressaisir et réconcilier des chiffres à la main. Trois fuites se chiffrent en une journée d'analyse, avec vos propres données ; voici la méthode :

1

Les POC abandonnés

Listez les POC des trois dernières années ; marquez ceux qui sont en production. Pour les autres, additionnez jours-hommes, licences et prestataires. C'est le chiffre le plus facile à sortir — et le plus indolore, car il est le seul visible.

2

L'artisanat de la donnée

Extractions manuelles, tableurs recopiés, chiffres réconciliés la veille du comité : chronométrez une semaine dans trois services ; multipliez. C'est la fuite la plus chère et la plus banalisée — elle passe pour du travail normal.

3

Le crédit data entamé

Chaque POC sans lendemain rend le suivant plus dur à vendre : plus de scepticisme métier, plus de départs chez les profils data, plus de « on a déjà essayé ». Comptez les POC abandonnés en trois ans — c'est le multiplicateur de votre prochain budget.

Le compte d'exploitation du POC perpétuel — ETI illustrative de 250 personnes, sur 3 ans

Artisanat de la donnée

540 k€

POC abandonnés

310 k€

Crédit data entamé

170 k€

Ordres de grandeur reconstitués selon la méthode ci-dessus — vos données donneront vos montants ; c'est précisément l'exercice.

Notre recommandation : faites ce chiffrage avant tout nouveau POC, et présentez-le au comité comme ci-dessus — trois fuites, trois montants, un plan d'industrialisation en face. C'est le document qui transforme « il faudrait être plus data-driven » en décision datée.

1

Chapitre 1 — Le cimetière des POC

1.4 Trois organisations : la PME, l'ETI, le groupe

Le blueprint de ce document est le même pour tous ; le point de départ, non. Trois archétypes — reconnaissez le vôtre, et lisez la ligne qui va avec :

La PME au tableur-roi

20-100 personnes

Les données existent — dans quinze tableurs et la tête de trois personnes. Aucun POC, aucun data scientist, et c'est une force : rien à défaire. Le piège serait de commencer par la plateforme.

Votre chemin : une seule source de vérité pour trois indicateurs vitaux (ventes, marge, trésorerie), un rituel hebdomadaire qui les lit, un propriétaire par chiffre. La culture d'abord, l'outillage au fil du besoin — le ch. 4 se parcourt en version simplifiée.

L'ETI aux POC orphelins

100-1 000 personnes

Des outils métier riches, un premier entrepôt de données, deux ou trois POC dont on ne parle plus, un analyste débordé de demandes d'extractions. La direction croit aux données ; l'organisation ne suit pas encore.

Votre chemin : c'est le cœur de cible de ce document. Un responsable data nommé (ch. 3), l'audit des POC existants (ch. 7), un seul cas d'usage industrialisé de bout en bout — et le blueprint du ch. 4 appliqué à la lettre.

Le groupe aux données en silos

1 000+ personnes

Une équipe data existe, la plateforme aussi — mais chaque filiale a ses définitions, chaque direction son reporting, et le même indicateur donne trois chiffres selon qui le calcule. Le problème n'est plus technique : il est politique.

Votre chemin : la propriété des données (ch. 2) et le RACI (ch. 3) avant tout nouveau cas d'usage — puis un référentiel partagé, indicateur par indicateur, en commençant par celui qui fâche le plus en comité.

Le point commun des trois : aucun ne manque de données. Tous manquent du chemin organisé entre la donnée et la décision — et ce chemin se construit dans le même ordre, quelle que soit la taille : un propriétaire, un cas d'usage, une preuve.

© Clarendis — édition mars 2026 10

Chapitre 2

La donnée comme actif

2

Un actif a un propriétaire, une valeur, un entretien. Ce chapitre applique les trois à vos données : qui répond de chaque donnée critique, comment sa qualité se mesure en quatre nombres, et quelle gouvernance minimale suffit — une page de règles, pas un comité de plus.

2.1 Chaque donnée critique a un propriétaire — un nom, pas un service

Le test se fait en comité, en trente secondes : prenez votre indicateur le plus discuté — le chiffre d'affaires par client, le taux de service, le coût de revient — et demandez qui répond de sa définition et de sa justesse . Si la réponse est « l'IT », « le contrôle de gestion » ou un silence, la donnée n'a pas de propriétaire. Et une donnée sans propriétaire dérive : les définitions divergent, les corrections ne remontent jamais à la source, et chaque service finit par maintenir sa propre version du vrai.

Le propriétaire d'une donnée est toujours un responsable métier — celui dont l'activité produit la donnée et dépend d'elle. Il ne fait pas la technique : il répond de la définition (une seule, écrite), des règles de saisie, et arbitre quand deux usages se contredisent. L'IT et l'équipe data sont ses opérateurs, jamais ses substituts. La liste tient sur une page : dix à vingt données critiques suffisent à couvrir l'essentiel des décisions d'une ETI.

Le modèle à copier — la fiche de propriété, cinq lignes :Donnée : marge par affaire. Propriétaire : directeur commercial. Définition : [une phrase, une seule]. Source de vérité : l'ERP, module ventes. Règle d'arbitrage : toute divergence se tranche par le propriétaire sous 15 jours, et la correction se fait à la source — jamais dans le reporting.

© Clarendis — édition mars 2026 11