Engie redonne de l’énergie à sa data en la branchant sur l’agilité

Le modèle « Spotify » pour casser les silos traditionnels

Au niveau du SI, la pratique du lean a par exemple permis la constitution d’un parc applicatif unifié. Ce qui n’a pas empêché l’énergéticien d’engager une autre évolution en profondeur de son mode d’organisation.

En 2021, en pleine période Covid, Engie a décidé de prendre le virage de l’Agile en s’inspirant du modèle « Spotify » pour « casser le mode d’organisation assez traditionnelle, hiérarchique, pyramidale », explique Pierre Garbit. Cette réorganisation signifiait la disparition des silos fonctionnels au profit d’équipes pluridisciplinaires et décentralisées, les « squads. »

Chacune de ces squads est composée d’une dizaine de personnes pilotées par un responsable autour d’un objectif métier précis.

Autre caractéristique de cette approche, les collaborateurs appartiennent à deux groupes : leur squad, mais aussi à un « chapter » qui permettent de partager de manière transverse les expertises d’un métier.

Choc culturel entre ambition Agile et existant centralisé

Ce modèle est conçu pour l’autonomie et la rapidité. Il est cependant entré en collision avec l’existant. Il a engendré une friction entre une ambition décentralisée et un héritage technologique centralisé, se rappelle le CDO d’Engie. Or donner des objectifs opérationnels aux squads sans leur fournir l’autonomie Data pour les atteindre aurait synonyme d’échec, ajoute-t-il.

La phase de diagnostic a souligné ce décalage profond. Certes, une culture de la donnée existait dans l’entreprise. Toutefois, elle restait confinée à quelques équipes spécialisées.

L’audit a, en outre, mis en lumière la fragmentation du paysage IT qui se partageait entre des serveurs SAS pour le datamining, des systèmes SAP pour le reporting traditionnel et des expérimentations sur AWS.

Surtout, cette fragmentation freinait l’autonomie des squads. Celles-ci conservaient le « vieux réflexe » de se tourner vers les équipes data centrales pour tous leurs besoins. En clair, le modèle data rigide et centralisé antérieur était devenu un goulot d’étranglement.

Face à ce constat, ENGIE One B2C Belgium a défini une nouvelle vision stratégique pour adapter ses outils et ses pratiques sur son modèle agile. Dans ce cadre, certaines applications, dont SAS, ont été décommissionnées.

Pour l’énergéticien belge, il s’agissait de s’orienter vers la construction d’une plateforme unifiée qui s’appuie sur « Dataiku avec des systèmes comme Databricks » pour allier une interface accessible à une puissance de calcul optimisée.

L’objectif central, résume Pierre Garbit, était « d’arriver à ce que la data devienne un réflexe dans les équipes et ne soit plus un problème ou une contrainte. » La donnée devait passait des mains des experts à celles des métiers.

De la théorie à la création de valeur par les projets

La validation de la nouvelle approche agile a ensuite été mise à l’épreuve. Les cas d’usage sélectionnés pour ce baptême du feu ne devaient pas se résumer à des projets techniques isolés. Pour le CDO, ils tenaient d’une représentation grandeur nature.

Leur but était de démontrer la valeur du nouveau modèle décentralisé en appliquant la plateforme à des défis métiers concrets. Surtout, les projets devaient prouver la capacité de squads autonomes à générer de la valeur plus rapidement.

Le premier cas d’usage, un classique du secteur, a porté sur la prédiction de l’attrition client – le churn. Initialement développé sur AWS SageMaker, ce cas a été migré dans un second temps sur la plateforme Dataiku.

Ce choix d’environnement est justifié par la volonté que les data scientists « passent le moins de temps possible à […] gérer des problèmes techniques » pour se consacrer à la compréhension des dynamiques de marché avec les équipes business.

Les scores de churn, combinés à la valeur client (« Customer Lifetime Value »), ont permis d’orchestrer des actions commerciales ciblées, menées par le centre d’appel et des campagnes d’emails. Pour le CDO, les bons résultats illustraient l’efficacité d’une collaboration directe au sein de la squad dédiée à la rétention.

Les données des compteurs et l’IA appliquée à la voix

La crise des prix du gaz de 2022 a déclenché des comportements de « destruction de la demande ». Elle a aussi constitué une opportunité pour l’exploitation des données des compteurs intelligents.

La plateforme Data a été mise à contribution pour rapprocher deux mondes : les équipes techniques d’approvisionnement en énergie et les équipes en contact direct avec les clients. L’analyse des courbes de charge et la segmentation (clusterisation) des comportements de consommation ont permis de mieux anticiper les risques.

« Très clairement, si nous n’avions pas eu cette capacité à remonter les données […] je ne pense pas que nous aurions réussi à obtenir de bons résultats aussi rapidement », se félicite Pierre Garbit avec le recul.

Enfin, Engie a mis à profit l’IA pour analyser le volume massif d’interactions clients, soit 100 000 appels par mois, en plus des nombreux tchats. Par du prompting appliqué sur les transcriptions des conversations, en français comme en néerlandais, l’entreprise a pu analyser des dizaines de milliers d’échanges.

Le recours à l’IA générative lui a permis de comprendre rapidement les problématiques clients qui n’étaient pas structurées dans les systèmes d’information traditionnels. À la clé, une vision plus fine et réactive de leurs attentes, mais aussi une source d’information précieuse pour les squads produit.

Des bénéfices multiples d’une décentralisation Data

Le chief data officer de l’entité belge d’Engie identifie plusieurs retombées de cette transformation comme une amélioration tangible de la « relation avec le business » et une accélération significative du « time to market » des projets data.

Pierre Garbit souligne également les gains de performance technique dégagés grâce à l’association de Dataiku et Databricks.

Toutefois, l’expert de l’énergéticien appelle à ne pas se focaliser sur les seuls aspects technologiques. Il ne s’agit pas de mener de « grands projets pour des spécialistes de la data ». Pour lui, le principal défi est « rarement un problème technique. C’est un sujet de gestion de l’humain et de conduite du changement. »