EXERCICE COMPÉTENCE 7 — Cas TechnoSolution

Corrigé type

1. Systèmes en silos non connectés (ERP / CRM / SIRH / GA4 / Zendesk) → impossibilité de croiser les données : on ne peut pas relier un client (CRM) à son CA réalisé (ERP) ni à sa satisfaction (Zendesk). Reporting fragmenté et incomplet.
2. ERP analytique uniquement par produit, pas par zone → le double axe pays × produit recommandé en C4 n'est pas encore en place. Les écarts budget/réalisé ne sont pas mesurables par BU × zone, donc les arbitrages restent aveugles.
3. Consolidation Excel manuelle (2 j/mois) → données non temps réel, risque d'erreurs humaines, retard du reporting, impossibilité d'auto-service. Le contrôleur de gestion devient un copieur-colleur au lieu d'un analyste.

Autres acceptés : exports manuels SIRH (sécurité + RGPD), absence d'historisation centralisée, GA4 non relié aux ventes (impossible de mesurer le ROI marketing).

Corrigé type

Coût/jour = 75 000 / 218 = 344,04 €. Coût annuel = 2 × 12 × 344,04 = 8 257 €/an (soit 0,9 % du budget BI initial de 900 k€).

Conclusion : le ROI direct du projet n'est pas dans cette économie de 8 k€. La justification est ailleurs : (1) fiabilité — élimination des erreurs humaines de consolidation ; (2) vitesse — données disponibles en temps réel au lieu de + 2 jours après la fin du mois ; (3) valeur stratégique — décisions plus éclairées sur les arbitrages BU/zone (un mauvais arbitrage budgétaire de 1 % sur 163 M€ coûte 1,6 M€, soit 200× plus que la consolidation manuelle) ; (4) libération du contrôleur de gestion qui passe d'un rôle d'exécutant à un rôle d'analyste.

Corrigé type

• 1. Sources : rôle = collecte des données. Existant : ERP Sage X3, CRM Salesforce, SIRH PayFit, GA4, Zendesk. Justification : on ne change pas les systèmes opérationnels, on les exploite tels quels via connecteurs.
• 2. ETL : rôle = extraction, transformation, chargement. Outil = Fivetran ou Azure Data Factory (connecteurs prêts à l'emploi pour Salesforce, GA4, Zendesk, PayFit). Justification : pas d'équipe data interne, ETL managé réduit le TCO.
• 3. Datawarehouse : rôle = stockage centralisé historisé. Outil = Snowflake ou BigQuery. Justification : volume modéré (ETI 800 pers.), modèle pay-as-you-go, pas d'admin DB, scalable pour l'ouverture Asie.
• 4. Restitution : rôle = dashboards et analyses. Outil = Power BI Premium. Justification : intégration native Office 365 (Excel sera l'extracteur des contrôleurs), Copilot IA inclus, prix compétitif (180 k€/an pour 100+ utilisateurs vs Tableau plus cher), Leader Gartner MQ 2025 (18ᵉ année).

Corrigé type

Power BI Premium : (1) intégration native Office 365 (les contrôleurs travaillent déjà sous Excel) ; (2) Copilot IA inclus pour requêtes en langage naturel ; (3) prix compétitif (180 k€/an pour 100 utilisateurs vs ~280 k€ Tableau équivalent).

Tableau (Salesforce) : (1) visualisations plus avancées (cartographie, statistiques) ; (2) intégration native avec Salesforce CRM (déjà en place) ; (3) communauté très active, large bibliothèque de templates.

Recommandation : Power BI Premium pour TechnoSolution. Justification : (i) la Direction Financière travaille sous Office 365, (ii) le Copilot IA accélère l'autonomie des 100 utilisateurs Self-Service, (iii) le prix laisse une marge budgétaire pour la formation et la gouvernance, (iv) Microsoft est leader Gartner MQ depuis 18 ans. Tableau resterait pertinent si TechnoSolution avait besoin de visualisations très avancées (datavisualisation grand public).

Corrigé type

Datawarehouse = entrepôt central de toutes les données de l'entreprise, orienté sujet, intégré, non volatile, historisé (Inmon 1992). Volume To→Po, plusieurs mois à déployer, utilisateurs transversaux.

Datamart = sous-ensemble du DWH dédié à un domaine métier spécifique (ex : ventes, RH, finance). Volume Go→To, quelques semaines à déployer, utilisateurs d'un département. C'est un « rayon spécialisé » du DWH.

Corrigé type

1. Datamart Commercial : objectif = pilotage de l'activité commerciale par BU et zone. Dimensions : BU × Zone × Période × Client × Vendeur. KPI : CA réalisé/budget, taux de conversion pipeline, panier moyen, taux de win, top 20 clients.
2. Datamart Financier (CDG) : objectif = pilotage de la rentabilité par BU. Dimensions : BU × Compte × Période × Centre de coûts. KPI : EBE par BU, marge opérationnelle, écart budget/réalisé, taux d'EBE, BFR.
3. Datamart Support Client : objectif = pilotage de la satisfaction. Dimensions : BU × Zone × Catégorie ticket × Agent. KPI : NPS (cible 50), temps de résolution, taux de résolution J+1, volume de tickets, top 5 motifs.

Datamart RH éventuel : masse salariale par BU, turnover, absentéisme — utile mais non prioritaire compte tenu des contraintes RGPD.

Corrigé type

Les 4 perspectives sont : Apprentissage & Innovation → Processus internes → Clients → Financière.

Lien logique (de bas en haut) : investir dans l'apprentissage (formation, R&D, IA) améliore les processus internes (productivité, qualité, délais) ; des processus performants génèrent une meilleure satisfaction client (NPS, fidélisation) ; des clients fidèles produisent une performance financière durable (CA, marge, ROI). Le BSC traduit cette chaîne causale en KPI mesurables et reliés.

Corrigé type — BSC TechnoSolution

Plusieurs combinaisons sont valides — l'essentiel est : (1) la cohérence formule/KPI, (2) l'ancrage TechnoSolution avec les annexes, (3) une cible chiffrée et atteignable.

Corrigé type

1. CA réalisé vs budget — barres comparatives (réalisé en plein, budget en transparent) — Source : ERP Sage X3 — Fréquence : quotidienne.
2. Taux d'EBE consolidé — jauge avec seuils (rouge < 20 %, orange 20-25 %, vert > 25 %) — Source : ERP — Fréquence : mensuelle (à la clôture).
3. NPS moyen par BU — radar 4 axes (BU ERP / Cyber / Data / Asie) — Source : Zendesk — Fréquence : hebdomadaire.
4. Pipeline commercial — entonnoir (funnel) par étape — Source : CRM Salesforce — Fréquence : quotidienne.
5. Trésorerie / DSO — courbe avec projection 30/60/90 j — Source : ERP — Fréquence : hebdomadaire.

Corrigé type

Le double axe analytique BU-Zone dans l'ERP (ex : ERP-FR, CYBER-DE, DATA-ASIE) permet un drill-down hiérarchique :

• Niveau 0 (DG) : CA total 163 M€ vs budget 163 M€.
• Niveau 1 (clic) : répartition par BU — ERP 85 / Cyber 48 / Data 27 / Asie 3 M€.
• Niveau 2 (clic sur BU ERP) : répartition par zone — ERP-FR 50 / ERP-DE 25 / ERP-Sud-Europe 8 / ERP-Asie 2 M€.
• Niveau 3 (clic sur ERP-DE) : détail par client / vendeur / mois.

Cela répond au DC qui veut savoir : « pourquoi le CA Cybersécurité Allemagne est-il en retard de 5 % ? » Sans ce double axe, la question reste sans réponse.

Corrigé type

Définition : capacité des utilisateurs métier (non-IT) à créer leurs propres analyses sans solliciter la DSI.

Avantages : (1) agilité — délai analyse de quelques minutes au lieu de jours/semaines via la DSI ; (2) appropriation des données par les métiers — meilleur engagement, décisions plus rapides.

Risques : (1) prolifération de rapports contradictoires basés sur des données non validées ; (2) Shadow IT — utilisateurs qui exportent des données vers des outils non maîtrisés (Metabase, Google Sheets), violations RGPD potentielles.

Corrigé type

1. Catalogue de données certifiées (data catalog) : seules les sources validées par la DSI sont accessibles. Chaque indicateur a un Data Owner et une définition unique.
2. Niveaux d'autonomie progressifs : formation obligatoire avant accès, certification interne « Power BI Champion », rapports « certifiés » signalés par un badge, monitoring d'usage par la DSI.

Corrigé type

1. Minimisation (Art. 5) — ne charger dans le DWH que les données strictement nécessaires aux KPI. Risque : sanction CNIL jusqu'à 4 % du CA mondial. Solution : revue avec le DPO de chaque champ avant chargement, suppression des champs sensibles non utilisés.
2. Privacy by Design (Art. 25) — protection intégrée dès la conception. Risque : architecture à refondre après mise en production. Solution : pseudonymisation des identités salariés (hash des noms), chiffrement au repos et en transit, RBAC (Row-Level Security) par utilisateur.
3. Droit à l'effacement (Art. 17) — purger les données quand le client/salarié le demande. Risque : action en justice + sanction. Solution : process automatisé de purge dans le DWH et tous les Datamarts (pas uniquement dans l'ERP source).

Autres acceptés : licéité (Art. 6) avec mention dans la politique de confidentialité, durée de conservation (Art. 5), traçabilité des accès.

Note type au DPO

« Cher Délégué, je partage votre préoccupation. Pour analyser la masse salariale par BU sans intégrer l'intégralité du SIRH dans le DWH, nous procéderons en trois temps. (1) Agrégation à la source : les données salariés ne quittent pas PayFit individu par individu — seules les agrégats par BU et par mois sont chargés (masse salariale, ETP, coût par tête). (2) Pseudonymisation : si une granularité plus fine est nécessaire (par équipe), les identités sont remplacées par des matricules anonymes, irréversibles. (3) Cloisonnement : un Datamart RH dédié, accessible uniquement à la DAF et à la DRH, séparé du Datamart Commercial. Cette architecture respecte le principe de minimisation tout en permettant les analyses de pilotage attendues. »

Corrigé type

• Data Owner — responsable métier qui détient et autorise l'usage d'un domaine de données. Ex : Directeur de chaque BU pour ses données ventes/clients.
• Data Steward — gardien opérationnel de la qualité (nettoyage, déduplication, contrôles). Ex : un référent par Datamart, dans la DSI ou la BU.
• DPO (Délégué à la Protection des Données) — garant de la conformité RGPD. Ex : DPO de TechnoSolution (rôle juridique et compliance).
• CDO (Chief Data Officer) — responsable de la stratégie data et des arbitrages d'architecture. Ex : DSI ou poste dédié rattaché à la DG.

Corrigé type

Pourquoi : avec 100 utilisateurs Self-Service et 5+ sources hétérogènes, sans catalogue, chaque utilisateur invente sa propre définition d'un KPI (« CA » = HT ou TTC ?). Le catalogue garantit une définition unique et partagée des indicateurs et leur traçabilité — c'est la condition d'un dialogue de gestion fiable.

3 informations à inclure pour chaque donnée : (1) Origine (système source, table, fréquence de rafraîchissement) ; (2) Propriétaire (Data Owner + Data Steward) ; (3) Sensibilité (RGPD : modérée/élevée/restreinte, règles d'accès).

Corrigé type

1. Fuite de données vers un cloud non maîtrisé (potentiellement hors UE) — violation RGPD, sanction CNIL. Mesure : bloquer l'export par DLP (Data Loss Prevention), audit des outils SaaS utilisés, charte d'utilisation signée par chaque manager.
2. Données financières non sécurisées (RBAC inexistant) — risque de fuite stratégique vers la concurrence. Mesure : migrer le dashboard vers Power BI avec authentification SSO et habilitations métier.
3. Décisions basées sur des données non certifiées (chiffres divergents avec la DG) — perte de confiance dans le pilotage groupe. Mesure : intégrer le besoin de la BU Cyber dans le Datamart certifié, accompagner le manager comme Power BI Champion, retirer Metabase.

Corrigé type

La BI augmentée intègre l'IA (NLP, ML) directement dans les outils B.I. — l'utilisateur métier accède à la puissance de l'IA sans compétence technique. Convergence : le rapport descriptif (« CA Q1 = 38 M€ ») est complété par l'analyse prédictive (« tendance Q2 → 42 M€ ± 2 M€ ») et la détection d'anomalies (« écart inhabituel sur la zone DACH cette semaine »).

Exemple concret pour TechnoSolution : dans Power BI Premium, le Copilot répond à la question en français « Quel est le NPS par BU sur les 3 derniers mois et identifie les anomalies » — l'outil génère le graphique radar + signale automatiquement l'écart de la BU Data Analytics.

Corrigé type

1. Prédiction du churn client — Objectif : identifier les clients à risque de résiliation 3 mois à l'avance. Données : CRM Salesforce (historique commandes, fréquence d'achat, durée relation) + Zendesk (volume tickets, satisfaction NPS). Impact : si on retient 20 % des 30 clients à risque/an dans la BU ERP (panier moyen 250 k€), gain estimé 1,5 M€/an.
2. Détection d'anomalies financières — Objectif : repérer en temps réel les écarts inhabituels (fraude, erreur, pic de coûts). Données : ERP (factures, achats, paie). Impact : détection +75 % plus rapide qu'un audit manuel mensuel, économie potentielle 200-300 k€/an sur erreurs de facturation et tentatives de fraude.

Autres acceptés : optimisation pricing par BU/zone, prévision de stocks/licences, segmentation client automatique, analyse de sentiment des tickets Zendesk.

Note type au DSI

« Cher DSI, l'IA n'est pas un substitut au contrôleur de gestion mais un complément qui le repositionne en hauteur. (1) L'IA exécute, le CDG interprète : le modèle prédit un churn de 15 %, mais c'est le CDG qui décide quoi en faire (campagne de rétention ? révision pricing ? réorganisation commerciale ?). (2) L'IA détecte, le CDG explique : l'algorithme signale une anomalie sur la BU DACH, mais c'est le CDG qui investigue et qualifie le contexte business. (3) L'IA produit, le CDG arbitre : le Copilot génère 5 graphiques en 30 secondes, mais c'est le CDG qui choisit ceux pertinents pour la DG et adapte le discours à l'interlocuteur. (4) Responsabilité humaine (AI Act 2024) : le décideur final reste humain, l'IA n'a pas de responsabilité juridique. Le CDG du futur consacre moins de temps à la production, plus au dialogue de gestion. »