La Data & l’IA chez AG2RLM à travers le train DAT@gile

Notes de l'éditeur

• #2: Julie Remercier les sponsors Vous êtes au bon endroit si vous voulez savoir comment accoster une organisation data à un esprit agile. Sondage à main levé Qui est dans une organisation agile aujourd’hui’ ? Qui n’a jamais entendu parlé de data ?
• #3: Julie et Tony Train
• #4: Julie Nos métiers : l’épargne, la retraite (complémentaire et supplémentaire), la santé, la prévoyance. Notre gouvernance paritaire et mutualiste place nos assurés et leurs représentants au cœur de la stratégie et des décisions. Depuis plus de 115 ans, nous avons construit notre Groupe dans l’intérêt exclusif de nos assurés. Pour leur donner les clés de compréhension pour sécuriser leurs revenus et leur patrimoine, préparer leur retraite, préserver leur santé et celle de leurs proches et se prémunir contre les aléas de la vie. Parce que nous sommes un Groupe paritaire et mutualiste, nous nous distinguons des assureurs traditionnels à double titre : En associant nos assurés aux décisions par l’intermédiaire de leurs représentants dans les instances de gouvernance, En utilisant la valeur que nous créons pour sécuriser nos engagements, développer de nouvelles garanties, renforcer nos services et innover. Notre rôle est d’aider chacun à faire les bons choix, quelle que soit sa situation et en toutes circonstances : En nous adaptant en permanence, En apportant une protection pérenne aux personnes et à leurs proches. TRANSITION : Tony, c’est un contexte riche, de nombreux métiers et une expérience de plus de 100 ans.
• #5: Tony TRANSITON: C’est une force et en même temps une difficulté Julie et Tony : 10 ans d’ancienneté et d’expérience dans la DATA métier chez AG2R LM Métiers d’assurance complémentaire et différents : A la fois nécessaire et très difficile de réconcilier les données d’un client, de son équipement produits, de ses échanges avec AG2R LM. Donc de mener des usages transverses entre les différents métiers du groupe. Ex: espace client banque La data a beaucoup évolué en 10 ans: technologie, compétence, organisation En 10 ans, on a testé des organisations data, des méthodes, des outils en même temps d’un environnement très mouvant Data owner ; Julie va vous expliquer un peu plus loin Ex: Il y a encore 3 – 4 ans nous avons mené de nombreuses expérimentations IA (score appétence produit, NLP satisfaction client, score churn client, score fraude, …) et beaucoup de difficulté à industrialiser (accéder et identifier les données adéquates, modélisation des données, avoir des sachants disponible, …) TRANSITION (JULIE) : c’était compliqué, et cela partait dans tous les sens ?  Raconte nous comment on a eu besoin de s’organiser et on a profité de l’opportunité de ce plan d’entreprise
• #6: Tony 3 ans: le groupe AG2R LA MONDIALE s'engage dans une transformation majeure à travers son plan d’entreprise Nouvelle Donne. Nouvelle donne: Prise de conscience que AG2RLM est à un tournant et que des évolutions majeures sont nécessaire: Replacer le client au cœur de notre démarche groupe Satisfaction Client Rationnaliser notre SI Travailler l’obsolesence du SI Cette initiative vise à optimiser l’organisation autour de nos métiers et données afin de faciliter l'accès à l'information pour une meilleure prise de décision. Big bang et triple challenge : Opportunité car la mise en place du plan d’entreprise donne l’opportunité d’avoir au même moment les évolutions majeures nécessaires d’organisation, techno, de méthode C’est une opportunité pour Platefomisation : Découpage en plateforme Originateur à l’origine des données du métier concerné Agrégateurs qui agrègent les données des différents originateurs du groupe Passer d'un socle data on premise à Cloud, support à l’IA  Comment faire entrer l’IA dans nos fonctionnements n comment intégrer l’innovation à notre train data Passer à l'agile  Transition: C’est quoi ce nuage JULIE ? Est-ce que c’est la DATA ? J’ai entendu parler de data mesh. Tu peux nous en dire plus
• #7: TRANSITION : ben oui, Tony, ce nuage, c’est un peu la data ! Il s’agit d’un modèle à la fois organisationnel et technologique. ​ L’objectif du Data Mesh est finalement d’exposer et de partager des données de manière fiable., avec une organisation des responsabilités adaptées. ​c’est organisationnel et technologique Pour cela, cela repose sur les 4 piliers suivants :​ ​ Une organisation en domaine data : c’est confier la responsabilité de la donnée selon des périmètres métiers bien définis appelés Domaine Data​ Une gouvernance fédérée de la donnée : c’est une gouvernance transverse qui fixe un cadre commun et collaboratif. Cela garantit le respect des normes et bonnes pratiques et l’évolution continue de ce cadre.​ La donnée comme un produit : Les données sont organisées en Produits réutilisables et de haute qualité permettant une utilisation fiable et autonome pour tous.​ Une plateforme en libre-service : c’est le pilier technique du Data Mesh qui rend possible l’exposition des Produits Data en mode self-service.​ Comme l’a indiqué Tony, du fait de la plateformisation de notre activité, nous avons choisi d’organiser les Domaines Data sur ces plateformes, au plus proche des processus métier. ​La maille domaine data permet d’être au plus près des objets métiers de la plateforme et du cycle de vie de leurs données. Et pour les fonctions transverses, le découpage en domaine se calque sur l’organisation existante (RH, Finance…). Les domaines sont responsables de leurs données, des produits et usages qu’ils développent. Cette découpe en Domaines Data a pour objectif de bien délimiter le périmètre d’expertise et de responsabilité de chaque plateforme.​ ​ Avec cette organisation data mesh en Domaine Data, arrivent de nouveaux métiers spécifiques « Data ».​ ​il s’agit des Data Officer, le Data Owner ou le Data Steward.​ Ces rôles au sein du domaine Data ont la responsabilité des données rattachées à ce périmètre. ( ce sont les petits cubes regroupés en lot ou produit data) C’est à elle que revient la bonne documentation, la qualité et la sécurisation de ces dernières.​ et la mise en accessibilité des ces petits cubes pour l’usage de tous. Ces petits cubes ou produit data sont exposés par les producteurs (les plateformes et leur data officer et owners) pour l’usage des consommateurs des données ( d’autres plateformes ) Il nous fallait dont une plateforme data & IA pour motoriser tout cela, tout ces usages analytiques. C’est le 4eme pilier = Une plateforme en libre service pour délivrer les usages Avec le 4ème pilier, « Une plateforme technologique en libre-service », les moyens technologiques sont mutualisés sur une plateforme Data commune à tous les métiers. Cette plateforme technologique offre les ressources et les capacités pour simplifier et accélérer le développement des nouveaux usages métier. On parle alors d’une bibliothèque d’outils techniques et de mise sur étagère des Produits Data. Cette centralisation des moyens a également pour avantage de rationaliser les couts matériels et logiciels et de partager les savoir-faire et les expertises. nous avons décidé de mettre en mise en place cette nouvelle plateforme Data sur le Cloud Google GCP. ----------------------- ​ Au niveau « Plateforme » :​ C’est le Data Officer qui définit la stratégie, compile et arbitre la feuille de route Data annuelle. Tout cela bien sûr en cohérence avec les enjeux data de sa plateforme et le plan d’Entreprise. En somme, il assure la gouvernance Data interne de sa plateforme.​ ​ Au niveau « Domaine Data » :​ Ce sont les Data Owners et les Data Stewards qui sont à l’oeuvre. Les Data Stewards conçoivent les usages Data actuels et futurs selon les directives établies par le Data Officer. Les Data Owners organisent opérationnellement la réalisation de ces usages et portent la responsabilité des données de leur domaine Data. Tous s’assurent que les données de leur périmètre sont compréhensibles, de qualité, consommables et sécurisées.​ ​ Les deux autres piliers du Data Mesh couvrent quant à eux le volet technique du modèle. Il s’agit de « La Donnée comme un Produit» et « Une plateforme technologique en libre-service ».​ Le pilier ‘La donnée comme un Produit’ vise à donner aux Métiers plus d’autonomie et plus de confiance dans l’utilisation et le croisement des données et ce quel que soit la plateforme métier d’origine. ​ ​ «  La Donnée comme un Produit » signifie que dorénavant les données sont à considérer comme un produit et non plus seulement comme une composante d’un produit applicatif plus large.​  ​ Chaque Plateforme va pouvoir exposer ses données bien packagées en Produits Data élémentaires et elle se portera garante de leur qualité et de leur sécurisation. ​ ​ Ainsi toutes les plateformes vont pouvoir consommer librement ces Produits Data élémentaires pour composer les Produits Data dérivés nécessaires aux usages dont elles ont besoin. ​ TRANSITION : je vous ai expliqué le concept du data mesh; c’est joli, c’est theorique mais en vrai, COMMENT on a mis cela en musique ?
• #8: Tony Rapide historique : 1er PI en dec 2023 mais copie travaillées 6 mois en amont avec une équipe resserrée et piloté par des coachs agiles  tous les collaborateurs impliqués ont été formés avant le démarrage (safe for team, lead team, PO, scrum) tous les managers de la direction data ont été coachés pour distinguer l’agile du managérial Agilité au sien de la data et au sein du groupe Le choix de l’agilité pour le suivi de ces travaux s’explique par plusieurs raisons.​ Coordination : pour coordonner les attentes de toutes les plateformes et établir la feuille de route des solutions et des réalisations sur ce socle Data commun.​ Anticipation : pour anticiper en mettant en place la plateforme GCP qui est le socle Data pour les Produits Data et les nouveaux usages à venir.​ Adaptation : pour réagir rapidement en cas de blocage et définir puis généraliser la solution qui la sera mieux adaptée à la situation.​ Mutualisation : pour mutualiser, lorsque cela est possible, certains usages Data.​ Expertise : pour centraliser l’expertise technique de la plateforme GCP et des services techniques qu’elle offre.​ Cohérence : pour assurer la cohérence d’ensemble grâce à l’application des principes et bonnes pratiques définis dans le Cadre de référence Data.​ Concrètement, le train Dat@gile met à disposition les fondations techniques avec les capacités et les performances attendues. Il s’agit du socle GCP avec une sélection de services techniques sur étagère adaptés à nos besoins. Par exemple : un outil de reporting de données ou un service d’IA générative. ​ Data Mesh Compliant car la donnée traitée comme un produit, une organisation en domaine, une plateforme techno en libre service, des rôles data organisée en gouv fédérée Au sein du train data, l’ensemble des rôles data (data officer owner et steward) sont représentés et sont nos « client » , ils réalisent leur mission grâce à l’offre de service de notre train A cela s’ajoutent des communautés d’acculturation. Julia va vous en parler
• #9: Tony Le train data est un train parmi d’autres : Orga globale groupe sur l’agile: Plusieurs trains en parallèle, organisés en release (gestion des release) relai vers la conf. de C. F. Chez AG2R La Mondiale, nous devons relever le défi de préserver la réactivité, l’alignement stratégique et le flux de valeur, même avec une dizaine de trains, une centaine de produits, et presque 2 000 collaborateurs. Notre contexte, comme celui de nombreuses grandes entreprises, nécessite de coordonner des chaînes de valeur métier avec des solutions mutualisées communes à tous les métiers, pour délivrer efficacement nos ambitions de rationalisation du SI. Gérer les interdépendances entre ces nombreux trains et des équipes hors train, est un casse-tête que nous devons adresser. Pour relever ce défi, nous avons innové avec un événement spécifique : la « Release Conference ». Cet événement dédié, bien qu’encore en évolution, nous a déjà apporté des bénéfices significatifs : – Alignement à grande échelle – Soutien aux activités de maturation/exploration continue – Détection anticipée de contention pour éviter la surcharge des équipes. – Prise de décision transverse… Après deux occurrences réussies et la troisième en préparation, nous sommes prêts à partager notre expérience et les leçons déjà tirées de cette démarche. Venez découvrir comment nous avons transformé nos processus de coordination et d’alignement avec la « Release Conference ». Rejoignez-nous pour enrichir vos pratiques agiles en découvrant de nouvelles approches pour gérer la complexité à grande échelle. Ce sujet vous promet une plongée inspirante dans une pratique innovante, directement applicable à votre contexte, une opportunité d’enrichir vos connaissances et d’échanger sur les défis communs de la coordination agile. TRANSITION : Au fait, on avait parlé d’IA et c‘est vraiment 1 des 3 produits PHARES du train, tu peux nous en dire Julie ?
• #10: Julie Avoir des paillettes pour éviter l’effet tunnel des gros chantiers : Exemple de cas d’usage data et/ou manipulation d’ALMIA si possible  Avoir 2 temporalités: tmp long et petites victoires Organisation du train Cas d’usage BI & Analytics (VOC; satisfaction client, tableau de bord marketing) Cas d’usage IA : Problématique : > multi compétences dans un même train > Aller chercher des communautés (champions IA, communauté data owner) pour innover et échanger, comment garder les interactions ? Avoir des paillettes pour éviter l’effet tunnel des gros chantiers : Exemple de cas d’usage data et/ou manipulation d’ALMIA si possible  Avoir 2 temporalités: tmp long et petites victoires Optimisation en Usine de développement de produit Data  Aller un cran + loin en rôle agile (poursuivre la formation safe ? ) et sur des succès ALMIA, les paillettes
• #11: Julie (LE CHALLENGE n'est pas encore gagné; on adapte tous les jours Après 3 PIP, on s’apprete a faire des changements assez majeurs Et c’est tout les jours que nous adoptons, veillons au focntionnement Les causes de nos changements majeurs interne comme externes : interne On doit maintenir les compétences et les faires montée en compétences Aller plus loin dans le modele produit ; Aller plus loin dans l’orga produit : passage de 8 à 6 équipes Mixer encore plus les compétences intra équipe. Un temps 1 qui a fait bouger les savoir faire et les savoir être, un temps 2 qui mixe encore plus les compétences au delà de la structure hiérarchique Et s’adapter au contexte externe CLIENT : Notre entreprise apprend a connaitre le train data qui prend sa place et la communauté de nos client s’aggrandit et se structure INNO et STACK TECHNO : On suit l’innovation, on est sur des techno évoluants tres rapidemment, INTERACTION TRAIN Et PROJET : On doit travailler avec des interlocuteurs en agile et en méthode cyle V, des trains expérimentés, d’autres moins. Nos clients (trains) agissent et on doit bouger avec eux… Pour exemple, nous avons utilisé une partie de notre PI en cours pour POCer une nouvelle organization. Besoin d’avancer + vite sur le delivery de nos produits data dans notre nouveau cloud, une organization avec des interactions trop nombreuses et une stack techno à optimiser… a la fin du PI et de ce POC, nous nous apprétons à deployer et la nouvelle stack techno et un organization de nos équipes du train revue pour ajouter de la mutlitdiscicplinarité, aller + loin dans le mode produit. Nous tachons aussi en permanence de renforcer les compétences tant en role agile qu’en compétences techniques et data. Les capacités du cloud avancent vite, nous permettent de tester des cas d’usages IA gen et de les deployer, là ou nous peinions avant à industrialiser. Ce qui rejoint une des causes externes : la course en avant derriere l’innovation et les évolutions techno. Enfin la maturité du groupe avance , les besoins aussi . Notre communaité grandit et ses attentes aussi vision à 3 ans : Et où en serons-nous dans 3 ans ? En agilité et en organisation humaine : Usine à produit data En Data/socle techno : cloud & marketplace ; IA industrialisé et gouverné #IAact TRANSITION : Tony, peut-être de ton point de vue de RTE , tu pourrais nous résumer les quelques conseils que l’on peut donner aux personnes ici qui auraient envie de monter un train data ?
• #12: Tony Ce que vous avez appris / les points à retenir de votre expérience (ex, répondre à la question : « et si c’était à refaire … »)  -évoluer en permanence ,  -rester humble s'adapter en permanence : montée en compétence en plusieurs étapes, le produit évolue ( le socle techno),   ne pas vouloir être parfait dès le début : se lancer et apprendre de ce lancement  Garder le bon dosage de mise en œuvre et de travail au fond de la mine -> paillettes IA et gros projets (almia vs GCP)  bon dosage entre interne et externe -> Avancer sur nos projets internes, s’organiser et s’ouvrir à l’externe (Faire grandir notre communauté data(data owner, ​data steward, ​champions​ IA)​) Interactions avec les communautés de sachants de l’entreprise Conseil : Rester humble et ne pas penser que le modèle d’orga ne doit pas bouger (JULIE : On est à votre écoute, pour toutes vos questions data IA ou agile ?