Notre recommandation: Pour une approche qualitative de la donnée dans la ville

Nous avons montré que les villes sont toujours en phase de test dans l’utilisation qu’elles ont de leurs données. Mais comment garantir que cette phase de test se déroule bien? Comment permettre aux villes de capitaliser au maximum sur les données qu’elles collectent ? Notre réponse tient en quelques mots: ne pas en faire trop.

Sur le terrain, nous avons vu que, bien souvent, trop de données sont collectées. Jusqu’à ne plus savoir quoi en faire. Pour pallier cet écueil, nous pensons qu’il est nécessaire d’adopter une approche qualitative de la donnée. L’idée est simple: plutôt que de chercher à collecter une grande quantité de données, les villes devraient se concentrer sur certaines données ciblées, de qualité, dont la valeur a déjà été démontrée. Grâce à cette démarche frugale, elles éviteront les déperditions de ressources tout en continuant leur transition vers une meilleure utilisation des outils digitaux. Nous avons identifié sept étapes permettant d’appliquer cette approche qualitative au processus d’optimisation des services urbains:

1. Préparation – Identifier des cas d’usage répondant à des besoins précis. Avant de se lancer dans la collecte de données, les villes doivent se fixer un objectif dans l’optique de répondre à un besoin spécifique. Une fois cette démarche initiée, elles doivent identifier des cas d’usage, c’est-à-dire des situations concrètes où les données pourraient être utilisées afin d’optimiser les services concernés par la problématique urbaine choisie.

2. Cadrage – Cibler les données à mobiliser pour atteindre l’objectif fixé. Rien ne sert de collecter trop de données. Afin d’adopter une approche qualitative, les villes ont plutôt intérêt à cibler les données directement liées à la mise en œuvre de leurs cas d’usage. Souvent, ces données sont déjà collectées et accessibles (parfois même sans que les villes ne le sachent!). Autrement, un apport supplémentaire en données peut être nécessaire.

3. Gouvernance – Créer des relations durables entre parties-prenantes en misant sur une approche progressive. Nous préconisons une approche progressive de la gouvernance, où chaque département rejoindrait le dispositif de pilotage au gré des projets. Une telle structure de long terme serait propice à l’émergence de nouvelles dynamiques de travail, pour que la collaboration entre services ne s’arrête pas au moment où les données sont échangées.

4. Collecte – Lorsque c’est nécessaire, acheter de la donnée traitée plutôt que des capteurs. On l’a dit, les villes ont déjà accès à de nombreuses données. Elles n’ont donc pas toujours besoin de capteurs supplémentaires. Mais lorsqu’une donnée manque, acheter et installer de nouveaux capteurs suppose aussi pour les villes de s’infliger leur maintenance et tous les aléas technologiques qui vont avec. Pour éviter ces dépenses (de temps, de ressources humaines et financières), l’achat de données déjà traitées est une solution prometteuse. La gestion des dispositifs de collecte serait ainsi laissée aux partenaires des villes, qu’ils soient publics ou privés. C’est par exemple ce que propose la startup Thinnect à la municipalité de Tallinn: une offre de Platform as a Service, où la ville n’a pas à devenir propriétaire des capteurs et accède directement à l’information sur une plateforme dédiée. La force de ce modèle? Permettre aux villes de se concentrer sur leur cœur de métier: l’élaboration et la mise en œuvre de politiques publiques. Bien entendu, cela implique aussi de réfléchir au prix de ces données et d’imaginer un cadre garantissant aux villes la souveraineté sur leurs données.

5. Utilisation – S’assurer de la bonne formation des agents analysant les données. Même si les agents publics ne sont pas des data scientists, la transformation digitale leur demande de nouvelles compétences. Avant de mettre des plateformes de données à leur disposition et pour qu’ils puissent leur faire confiance, ils doivent être formés pour comprendre leur fonctionnement et leur valeur ajoutée. Sinon, ils s’en désintéresseront dès les premiers incidents techniques.

6. Intégration – Se mettre dans une logique d’optimisation du réel grâce à la donnée. Une donnée est virtuelle. Cela signifie que, par essence, elle ne peut pas avoir d’effet direct sur le réel, le présent. Pour lui permettre d’optimiser réellement la ville et d’atteindre un objectif précis, les acteurs publics doivent donc intégrer la donnée à leur processus administratif. Ils doivent être prêts à prendre des décisions fondées sur les enseignements de ces données et disposés à remettre en cause le fonctionnement des services existants. Pour les améliorer.

7. Amélioration – S’appuyer sur les retours des agents pour perfectionner le processus. Tout au long de cette séquence d’optimisation des services, les agents émettront des idées. Peut-être pourrions-nous utiliser des indicateurs encore plus parlants? Peut-être peut-on affiner les résultats des modèles avec d’autres types de données? En s’appuyant sur ces retours, la ville rendra progressivement le processus plus efficace. À terme, de nouveaux cas d’usage pourront aussi être identifiés, conduisant à un nouveau cycle d’optimisation.

Partie 2 Partie 2 Partie 2 Smart Citizen Smart Citizen Smart Citizen

LOIN DU FANTASME D’UN SMART CITIZEN À L’ENTHOUSIASME NAÏF, LE CITADIN CONSERVE UN RAPPORT AMBIGU AU DIGITAL DANS SA VILLE