Retour sur investissement dans les données : de la justification financière à la création de valeur

À l'approche de la fin de l'année, le mois de décembre devient un moment crucial pour la planification stratégique et budgétaire. C'est à ce moment-là que les responsables des données, notamment les CDO/CDAIO, les responsables des données et les responsables de l'analyse, doivent traduire leurs ambitions techniques en termes financiers clairs afin d'obtenir le financement nécessaire pour le prochain exercice fiscal.

Dans ce contexte, des indicateurs tels que le retour sur investissement (ROI), le coût total de possession (TCO), la période de récupération, le taux de rendement interne (IRR) et la valeur actuelle nette (NPR) cessent d'être des concepts purement financiers pour devenir des éléments centraux de la stratégie en matière de données.

Le défi réside dans le fait que les initiatives en matière de données ont toujours été justifiées de manière qualitative (par exemple, « les données sont stratégiques » ou « les données sont le nouvel or/pétrole/etc. ») plutôt que quantitative. Cette approche ne fonctionne plus :

• GénAI en matière d'IA et GénAI sont en concurrence acharnée avec les projets traditionnels de BI, d'analyse et de plateformes de données pour obtenir des budgets.
• Les prévisionsde Gartner, McKinsey et autres soulignent régulièrement que la plupart des initiatives en matière d'IA ne parviennent pas à générer de la valeur, non pas en raison des modèles ou des algorithmes, mais à cause d'une stratégie médiocre en matière de données et d'un manque de gouvernance d'architecture des données. Ce constat a récemment été renforcé par des recherches publiées par le MIT et Carnegie Mellon.
• Les directeurs financiers exigeront de plus en plus une création de valeur mesurable et défendable, en particulier dans des environnements macroéconomiques plus restrictifs.

Par conséquent, les responsables des données doivent démontrer de manière claire et crédible que les investissements dans les données :

• Réduire les coûts opérationnels et technologiques.
• Augmenter la productivité.
• Ouvrez de nouvelles sources de revenus.
• Atténuer les risques opérationnels, réglementaires et de conformité.

En bref, le ROI est devenu le langage commun entre les responsables des données et les services financiers. Il garantit que la stratégie en matière de données repose sur des indicateurs clés de performance financiers mesurables plutôt que sur la peur de passer à côté (FOMO, Fear of Missing Out), alimentée par le battage médiatique et les mots à la mode qui survivent rarement au-delà du cycle de planification suivant.

Approches complémentaires pour calculer le retour sur investissement dans les données

1. Retour sur investissement de l'initiative dans son ensemble (approche financière et stratégique classique) L'approche la plus courante et généralement préconisée par les directeurs financiers consiste à calculer le retour sur investissement au niveau du projet ou de la plateforme. Cela permet de répondre à la question fondamentale suivante :« Si nous investissons X, quel rendement financier obtiendrons-nous au fil du temps ? »
   
   Formule classique du retour sur investissement
   
   Le ROI est intuitif et facile à communiquer, ce qui le rend idéal pour la hiérarchisation des portefeuilles et prise de décision exécutive. Cependant, il ne doit pas être utilisé de manière isolement.
   
   Période de récupération : pourquoi le temps est importantLes période de récupération mesure le temps nécessaire pour que les bénéfices cumulés compensent l'investissement initial.
   • Des délais de récupération plus courts réduisent le risque financier.
   • Ils sont particulièrement attractifs dans un contexte économique incertain.
   • Les directeurs financiers utilisent souvent le délai de récupération comme filtre de risque avant d'examiner les indicateurs de valeur à plus long terme.

   Pour les programmes de données et d'analyse, un retour sur investissement inférieur à 18 à 24 mois est souvent considéré comme excellent, en particulier lorsque les avantages proviennent d'une réduction des coûts, d'un gain de productivité ou d'une consolidation de la plateforme.

   Payback répond à une question simple mais puissante :

   « En combien de temps récupérons-nous notre argent ? »

   Taux de rendement interne (TRI) : efficacité du capital

   Alors que le ROI indique la valeur créée, l'IRR montre l'efficacité avec laquelle cette valeur est créée au fil du temps. L'IRR est le taux d'actualisation auquel la valeur actuelle nette (VAN) de tous les flux de trésorerie futurs est égale à zéro. En termes simples, l'IRR indique le taux de rendement qu'un projet ou un investissement devrait générer sur une période donnée (généralement un an).

   En termes simples, l'IRR répond à la question suivante :

   « Cet investissement connaît-il une croissance suffisamment rapide pour justifier les fonds qui y sont immobilisés ? »

   Mathématiquement, le TRI est le taux qui satisfait :
   

   L'IRR est particulièrement utile lorsque :

   • Comparaison de plusieurs initiatives ayant des durées de vie différentes.
   • Analyse comparative par rapport au coût du capital de l'entreprise.
   • Hiérarchiser les investissements qui se disputent le même budget.

   Si le TRI dépasse le taux de rendement minimal de l'organisation ou le coût moyen pondéré du capital (CMPC), l'investissement est financièrement intéressant.

   ROI vs IRR : quand utiliser chacun d'eux ?

   Métrique	Idéal pour	Atout majeur	Limitation
   retour sur investissement	Justification de la direction	Simple, intuitif	Ignore la valeur temporelle de l'argent
   TIR	Comparaison des investissements	Efficacité ajustée en fonction du temps	Moins intuitif, plus difficile à expliquer
   Révérence	Évaluation des risques	Vitesse de retour	Ignore la valeur à long terme

   Ensemble, ces indicateurs fournissent une description financière équilibrée.

   Exemple concret : Actian chez GEMA

   cas client GEMA, analysé par Nucleus Research, en est un exemple concret. En déployant la plateforme Actian Data Intelligence, GEMA a obtenu les résultats suivants :

   • 140 % de retour sur investissement.
   • Période de récupération d'un mois.
   • Taux de rendement interne de 94 % sur trois ans.
   • Plus d'un million d'euros par an d'économies sur les coûts technologiques.
   • 2,25 millions d'euros de gains de productivité.
   • Plus de 400 data products certifiés data products 11 modèles d'IA en production.

   Ce niveau de rendement a été rendu possible grâce à la plateforme Actian, qui n'a pas seulement servi d'outil supplémentaire, mais aussi de multiplicateur de valeur, permettant de réduire les coûts, d'augmenter la productivité et de monétiser data products les projets d'IA. Cela n'a été possible que grâce à des données et métadonnées régies et de haute qualité métadonnées fournies par la plateforme via son gouvernance des données flexible et léger, reposant sur une architecture cloud native robuste.

2. Retour sur investissement des données elles-mêmes (point de vue tactique et opérationnel) Si le retour sur investissement au niveau du projet garantit le financement, il ne répond pas à une question opérationnelle cruciale : « Quelles données créent réellement de la valeur ? »Cela conduit à une deuxième approche, de plus en plus importante : ROI au niveau des actifs de donnéesAu lieu de considérer plateformes de données plateformes des investissements monolithiques, cette approche évalue le retour sur investissement pour :
   • jeux de données
   • Tableaux de bord et rapports
   • Modèles analytiques
   • Data products

   Les méthodes courantes et pratiques comprennent les cinq suivantes :

   1. Gain de temps : quantification des heures économisées par les analystes et les utilisateurs professionnels grâce à des ressources de données fiables et réutilisables.
   2. Adoption et réutilisation : mesurer combien d'équipes/domaines utilisent la même ressource afin d'éviter les doublons, ce qui réduit les coûts de stockage et de traitement des données et améliore simplicité d'utilisation.
   3. Facilitation de la prise de décision : relier les ressources de données aux décisions opérationnelles, tactiques ou stratégiques qu'elles support, afin d'aider les équipes chargées des données à hiérarchiser les initiatives en fonction de leur impact commercial.
   4. Réduction des risques : estimation des coûts évités liés aux erreurs de données, aux violations réglementaires, aux problèmes de conformité ou à l'utilisation abusive de données sensibles.
   5. Impact sur les revenus : Capturer la monétisation directe des données ou les effets indirects sur les moteurs de revenus tels que la réduction du taux de désabonnement, l'optimisation des prix et les opportunités de ventes croisées.

   Dans l'ensemble, cette approche transforme les actifs de données en unités économiques mesurables, permettant ainsi une hiérarchisation axée sur la valeur plutôt que sur les efforts fournis.

   Cependant, pour y parvenir dans la pratique, il faut définir une méthodologie spécifique de calcul du retour sur investissement, soit développée en interne, soit adaptée à partir frameworks existants sur le marché. Dans la plupart des cas, ces frameworks être adaptés au secteur d'activité, au modèle économique et à la maturité des données de l'organisation, chacun présentant ses propres avantages et inconvénients.

   Il n'existe pas de solution prête à l'emploi capable de calculer automatiquement le retour sur investissement des actifs de données de manière standardisée. Chaque actif de données peut nécessiter une logique de retour sur investissement différente en fonction de facteurs tels que ses cas d'utilisation prévus, son importance pour l'entreprise, son exposition réglementaire et le secteur ou le segment spécifique dans lequel l'organisation opère. Par conséquent, la mise en œuvre du retour sur investissement au niveau des données représente autant un défi gouvernance modèle opérationnel qu'un défi technique.

3. Quand chaque approche s'applique-t-elle et pourquoi les deux sont-elles nécessaires ?
   

   Scénario	Retour sur investissement du projet	Retour sur investissement des données
   Approbation du budget	✅ Critique	⚠️ Assistance
   Planification stratégique	✅ Critique	⚠️ Assistance
   Hiérarchisation des retards	❌ N/A	✅ Critique
   Data mesh data products	⚠️ Assistance	✅ Critique
   basé sur la valeur gouvernance	❌ N/A	✅ Critique

   Conclusion :

   • ROI au niveau du projet garantit l'approbation du directeur financier et justifie l'investissement initial.
   • Le retour sur investissement au niveau des données garantit une réalisation durable de la valeur au fil du temps.
   • La mise en œuvre du retour sur investissement au niveau des données nécessite une méthodologie sur mesure, et non une solution universelle, reflétant le contexte unique, les cas d'utilisation et l'impact économique de chaque actif.

   Comment Actian permet et augmente le retour sur investissement dans les données

   

   Architecture de solution Actian pour le retour sur investissement des données

   Pour transformer le retour sur investissement d'un exercice théorique en une capacité évolutif et reproductible, il faut une architecture qui relie la qualité des données, les signaux de coût et le contexte commercial en un seul flux analytique. L'architecture de la solution illustrée ci-dessus montre comment Actian permet cela de bout en bout.

   Plutôt que de traiter le retour sur investissement comme un exercice ponctuel d'analyse de rentabilité, cette approche intègre directement le calcul du retour sur investissement dans le modèle opérationnel des données, le rendant ainsi observable, explicable et continuellement mis à jour.

   observabilité des données : des signaux de qualité qui ancrent le retour sur investissement dans la réalité

   Actian Data observabilité, ou des solutions équivalentes proposées par d'autres fournisseurs, fournit les signaux fondamentaux nécessaires pour rendre le calcul du retour sur investissement objectif et défendable.

   En surveillant en permanence jeux de données, les pipelines et data products, cette couche génère des indicateurs de qualité des données tels que la fraîcheur, l'exhaustivité, l'exactitude, les anomalies de volume et les dérives de schéma.
   

   Exemples de mesures de la qualité des données

   Ces indicateurs influencent directement le retour sur investissement de deux manières. Premièrement, ils révèlent les coûts cachés liés à la mauvaise qualité des données (retraitement, reprise, résolution d'incidents, échec des analyses ou des pipelines d'IA). Deuxièmement, ils constituent des indicateurs avancés de valeur, car des données fiables et de haute qualité favorisent l'adoption, la réutilisation et prise de décision plus rapide.

   Exposés via des API et/ou des webhooks, ces signaux deviennent des données structurées pour le calcul du retour sur investissement, remplaçant les évaluations subjectives par des preuves mesurables.

   Actian Data Intelligence : le gouvernance sémantique et gouvernance du retour sur investissement des données

   Plateforme Actian Data Intelligence est le système nerveux central de l'architecture. Il répertorie toutes les données et les enrichit avec métadonnées sélectionnées et contrôlées métadonnées donnent au ROI sa signification commerciale. La plateforme stocke également le ROI pour toutes les données gérées, comme le montrent les propriétés personnalisées surlignées en rouge dans l'image ci-dessous.
   

   Suivi jeu de données sur la plateforme Actian Data Intelligence avec des propriétés personnalisées

   Au-delà de la propriété, de la lignée et de la certification, la plateforme intègre des indicateurs de qualité des données provenant observabilité et les associe directement à chaque actif. Grâce à son glossaire métier et à ses catalogues de données fédérés, elle capture également le contexte métier critique, tel que la criticité des actifs, l'exposition réglementaire, la propriété du domaine et les cas d'utilisation pris en charge.

   Ce contexte est rendu disponible de manière programmatique via le serveur Actian MCP, ce qui permet aux calculs du retour sur investissement d'intégrer non seulement des indicateurs techniques, mais aussi la pertinence commerciale. Sans cette couche, le retour sur investissement serait réduit à l'efficacité de l'infrastructure ; avec elle, le retour sur investissement devient un indicateur aligné sur l'activité .

   Moteur ROI : calcul et agrégation du retour sur investissement à grande échelle

   La plateforme de données Actian agit comme un moteur analytique qui permet d'opérationnaliser le retour sur investissement.

   Il ingère et agrège les signaux provenant de plusieurs sources ( observabilité des données, plateformes de surveillance des infrastructures et plateforme Actian Data Intelligence) et applique des règles métier, des modèles de pondération et des formules spécifiques aux actifs pour calculer le retour sur investissement. Cela permet aux organisations de support méthodologies de calcul du retour sur investissement en parallèle, adaptées au secteur, au domaine et/ou au type d'actif.

   Les scores ROI obtenus sont continuellement mis à jour et renvoyés vers la plateforme Actian Data Intelligence via des API, où ils deviennent visibles tant pour les producteurs que pour les consommateurs de données. Cela permet de boucler la boucle de rétroaction entre la qualité, l'utilisation et la valeur des données.

   De la justification à gouvernance continue du retour sur investissement

   Comme nous l'avons vu précédemment, outre le fait de générer un retour sur investissement direct grâce à son adoption, la plateforme Actian Data Intelligence Platform jette les bases d'une architecture de solution complète qui automatise la mesure du retour sur investissement des actifs de données gérés, en reliant l'utilisation, la qualité, l'impact commercial et la valeur financière. Ensemble, les composants de l'architecture de solution Actian pour le retour sur investissement des données forment une solution en boucle fermée qui transforme le retour sur investissement en une capacité opérationnelle plutôt qu'en un exercice de justification statique.

   Dans un monde où les initiatives en matière d'IA consomment une part croissante du budget consacré aux données, le succès ne se définit plus par l'expérimentation, mais par la capacité à prouver continuellement sa valeur. C'est là le rôle stratégique d'Actian : transformer les données en actifs contrôlés, mesurables et rentables.

À propos de Lawrence Fernandes

Lawrence Fernandes est architecte de solutions chez Actian. Fort d'une expérience de plus de dix ans dans le domaine des données et fort de son expertise dans les secteurs de la vente au détail, des services financiers, des télécommunications, de la sécurité informatique, du cloud, du DataOps, du big data et bien d'autres encore, il aide les clients de toute l'Amérique latine à tirer parti de leurs données et de leurs initiatives en matière d'IA. Les contributions de Lawrence au blog d'Actian offrent des informations précieuses sur la stratégie en matière de données et d'IA, gouvernance, l'analyse et la sécurité. Lawrence est basé à Rio de Janeiro, au Brésil.