La data, comment en tirer le maximum de profit?

” Le big data c’est comme le sexe chez les adolescents, tout le monde en parle, personne ne sait vraiment comment le faire, tout le monde pense que tout le monde le fait donc tout le monde prétend le faire.’‘  Dan Ariely

La Data Science c’est bien mais est ce pour tout le monde?

Beaucoup d’entreprises s’interrogent encore sur la valeur ajoutée que pourrait leur apporter la science des données et si cela justifierait l’investissement nécessaire. Dan Ariely mentionnait à juste titre “la big data c’est comme le sexe chez les adolescents, tout le monde en parle, personne ne sait vraiment comment le faire, tout le monde pense que tout le monde le fait donc tout le monde prétend le faire”. La réalité est que malgré le buzz autour du big data et la science des données, peu d’entreprises ont fait les investissements adéquats, en termes d’infrastructures et de ressources humaines, ou ont atteint la maturité nécessaire pour en tirer pleinement avantage. Une étude réalisée par le cabinet EY en 2014 a montré que seulement 17% des entreprises françaises sont très matures dans l’exploitation des données. Dans ce domaine, les grandes entreprises et les entreprises dites  ‘pure players du digital’ tiennent le peloton de tête devant les entreprises ‘traditionnelles’ et autres PMEs. Alors comment tirer profit de la data quand on n’est pas un ‘pure player du digital’?

Remédier aux freins de développement d’une fibre analytique 

Nous aborderons dans cette partie les obstacles à la transformation digitale et des moyens d’y pallier. Les freins à l’adoption d’une fibre analytique sont de natures diverses et se situent tant au niveau technologique qu’organisationnel. Les entreprises qui n’ont pas un ADN ‘digital’ ou une forte culture de l’innovation ont plus de mal à s’adapter aux règles du digital. On y retrouve notamment une certaine aversion au changement à différents niveaux de hiérarchie, aussi bien chez les managers et les décideurs que chez le reste des employés. Les autres obstacles, que nous développerons dans cet article, se situent au niveau des investissements dans les infrastructures (malgré le fait que les coûts de stockages de données aient drastiquement baissés au cours des dix dernières années) et la difficulté de recruter ou développer des talents en analytique. Ce dernier point est particulièrement vrai pour les PMEs.

Surmonter le problème d’infrastructures

Un investissement dans les technologies de valorisation des données devra tenir compte des différents éléments du pipeline analytique décrit ci-dessous:

Back End <—–> Moteur Analytique <—–> Front End <—–> Back End

Le back-end concerne notamment la capture des données, le stockage et l’accessibilité. Le moteur analytique constitue le coeur des algorithmes de machine learning et le front end constitue la façon dont les résultats analytiques sont mis à disposition des différents utilisateurs, il concerne notamment les applications, dashboards et autres visualisations. lI va sans dire que pour chacune de ces composantes techniques, il y a en plus un besoin de compétences humaines avec un management adapté. 

En ce qui concerne l’infrastructure, il existe diverses offres qui peuvent plus ou moins se greffer à l’infrastructure IT existante même si cela peut parfois nécessiter des changements importants. Le cloud offre également une option flexible et extensible qui s’adaptera à aux besoins et permettra de réduire les coûts. La plupart des prestataires de logiciel propose une offre diversifiée, on premise(infrastructure traditionnelle presente dans vos locaux), cloud privé, cloud public et cloud hybride. Même si de nombreuses entreprises restent encore réticentes vis à vis du cloud notamment pour des questions de sécurité, il est à noter que les vendeurs de logiciels ont fait énormément de progrès dans la sécurisation de leurs clouds. Si cela est rassurant, choisissez les plus gros noms du domaine.  Une autre crainte réside dans le ‘scaling’ ou ‘mise à échelle’  ou dimensionnement des capacités back end. A ce niveau il est important de signifier que toutes les entreprises n’ont pas besoin d’avoir une architecture ‘big data’ de type Hadoop, tout dépend des besoins et les bases de données traditionnelles peuvent suffire largement à votre usage. Par ailleurs le cloud offre une certaine élasticité pour le dimensionnement de vos capacités IT. Enfin, un des obstacles les plus difficiles à lever est le manque de visibilité sur le retour sur investissement des projets de data science. Car si l’on est conscient du potentiel que peut avoir la valorisation des données, il peut être difficile de chiffrer le retour sur investissement. Une solution serait d’imaginer les questions que vous ne pouvez pas traiter avec vos capacités actuelles et auxquelles vous pourriez enfin avoir des réponses avec des modèles prédictifs (e.g. Pourrait-on savoir quel client va résilier son contrat avant que cela ne se produise?). Aussi, les données feront partie intégrante de la plupart des entreprise dans les 5 voire 10 années à venir, tout comme le sont la comptabilité ou les ressources humaines, ou voudrez vous que votre entreprise se situe? Le problème des compétences en analytiques est abordé ci-dessous.

Embaucher ou sous traiter?

Développer en interne ou externaliser vos projets de valorisation des données dépend largement de la stratégie de votre entreprise. La sous-traitance peut être une solution pour des projets ponctuels mais sur le long terme il peut être préférable d’envisager de développer vos compétences en interne, encore une fois cela dépend de la stratégie de votre entreprise. L’avantage de l’externalisation est que vous pouvez bénéficier rapidement de compétences que vous ne posséder et minimiser le temps de développement. C’est notamment un bon moyen pour faire du ‘prototypage rapide’ ou lancer des preuves de concepts que vos équipes pourront reprendre par la suite. Les inconvénients de la sous traitance sont entre autre le fait qu’elle peut coûter plus cher sur le long terme et un certain manque de contrôle total sur le projet. Les boites proposant des services en science des données sont légion. Si vous décidez d’externaliser, prenez le temps de bien scruter les prestataires. Paradoxalement, même si vous sous-traiter, il est toujours utile d’avoir une personne en interne qui a suffisamment de connaissances en la matière afin de prober les détails techniques et la qualité du prestataire.

L’externalisation peut aussi se faire via l’open innovation notamment à travers l’organisation de challenges ou de concours. Encore une fois cela dépend du sujet et de la stratégie de votre entreprise. Même si vous choisissez cette option, votre succès dépendra aussi largement de la culture que vous instaurez dans votre entreprise vis à vis du digital.

Vous internalisez ? Construisez une équipe de Data Intelligence gagnante !

Un inconvénient de cette solution se situe dans la pénurie de spécialistes en data science et data engineering sur le marché du travail. Ces métiers étant relativement jeunes, les formations académiques y préparant sont plutôt récentes; il est donc difficile de recruter les meilleurs talents. Plusieurs entreprises optent pour la reconversion de leurs employés par le biais de formations intensives. Quelle que soit la configuration ou l’organisation de votre entreprise, votre pôle valorisation des données doit être composé de compétences en Data Science, Data Engineering, IT, et Business ou Connaissance Métier. Ces différentes équipes devront travailler mains dans la mains. Les problématiques data sont généralement motivées par les besoins des différents métiers et des opérationnels qui sont indispensables pour la bonne compréhension du problème à résoudre et sa modélisation. L’IT et le Data Engineering peuvent avoir à la fois un travail en amont et en aval de la partie science des données et algorithmes. Ils interviennent notamment pour rendre les données accessibles, construire l’architecture qui sous-tendra la solution finale une fois qu’elle sera déployée et assurer l’intégration de ladite solution avec les systèmes IT en place (notamment les accès aux différentes applications etc). En fonction du besoin, il pourrait être aussi utile d’avoir des personnes dédiées au front End, notamment en UX (User Experience), UI(User Interface) si vos data scientists n’ont pas ces compétences. La valorisation de la data devrait faire partie intégrante de la stratégie digitale de l’entreprise et être pensée sur le long terme. Ainsi s’il vous faut investir davantage dans la récolte de données dont vous ne disposez pas, qu’elles soient internes ou externes, faites-le. La science des données requiert un travail constant d’amélioration continue et de maintenance des modèles mais les retombées peuvent vous donner un avantage compétitif non négligeable. Et enfin, travaillez sans relâche à développer une culture du digital et de l’analytique à tous les différents niveaux de l’entreprise!

 

 

Image courtesy: himss

Related Posts
Leave a reply
datanannan