Part de temps passé sur des apps inconnues et critiques
La part de temps passé sur des apps inconnues et critiques correspond au pourcentage de temps passé sur les applications dont le “Type d’autorisation” est inconnu et la “Criticité Métier” est : Mission Critical, Process Critical ou bien Productivity Critical.
Pour un domaine (ou un sous-domaine) donné :
Nous calculons le temps total passé sur des applications inconnues
Ainsi que le temps passé sur des applications inconnues et critiques
Le résultat est un pourcentage.
Part de temps passé sur des apps inconnues et critiques = Temps Shadow critique / Temps Shadow total
Transversalité sur la matrice
Pour calculer la transversalité, nous regardons pour chaque application :
D’où viennent les utilisateurs ?
Une application utilisée par un nombre très restreint de domaines est considérée comme locale
Une application dont les utilisateurs sont répartis sur plusieurs domaines est considérée transversale
À quel point l’application est adoptée dans le domaine ?
Une application utilisée par une part importante des collaborateurs d’un domaine est plus structurante qu’une application utilisée par seulement quelques individus
Dans combien de domaines l’application est réellement utilisée ?
Une application présente dans plusieurs domaines, traduit souvent un besoin partagé et donc une application transversale
Ces différents signaux sont combinés pour produire un score de transversalité, compris entre 0 et 100, qui positionne l’application sur l’axe horizontal de la matrice :
Score faible (proche de 0) : L’application est principalement utilisée par un domaine. Elle répond probablement à un besoin métier local
Score moyen bas ( <50) : L’application est considérée comme locale mais il semble que d’autres domaines utilisent l’application. Le choix finale de gouvernance doit être réfléchie en considérant les autres département
Score moyen haut ( >50) : L’application est considérée comme transversale dans la matrice mais il semble que peu de domaines l’utilisent ou que la majorité des usages est concentré sur quelques domaines mais pas équitablement réparti sur l’ensemble de l’organisation
Score élevé ( >90) : L’application est utilisée dans plusieurs domaines, par une part significative des équipes. Elle s’inscrit probablement dans des pratiques ou des processus transverses
⚠️ Cette notion de transversalité comprends cependant quelques limites et biais et nécessite donc d’être interprétée avec du contexte.
Dans les organisations où les domaines sont très déséquilibrés en taille, les grands domaines peuvent mécaniquement faire apparaître plus d’usages locaux
Une application utilisée par très peu d’utilisateurs peut sembler artificiellement locale ou transversale
Graphique des co-usages
L’analyse repose sur les usages réels observés sur les 90 derniers jours. Nous regardons comment les utilisateurs passent d’une application à une autre dans leur activité.
Lorsqu’un utilisateur utilise deux produits de manière rapprochée et répétée, cela crée un lien d’usage entre ces produits.
Ces liens sont ensuite analysés pour déterminer :
S’ils sont fréquents
S’ils concernent beaucoup d’utilisateurs
Et surtout s’ils sont plus fréquents que ce que le hasard expliquerait
C’est là qu’intervient la notion de Corrélation d’usage qui mesure la probabilité que les deux applications sont utilisées ensemble de manière significative.
Une Corrélation d’usage proche de 1 signifie que les deux apps apparaissent ensemble par hasard
Une Corrélation d’usage supérieure à 1 signifie que les apps sont utilisées ensemble plus souvent que la moyenne et qu’il y a une corrélation potentielle. Plus le Lift est élevé, plus la relation est forte et structurante.