Les projets de data science réussis reposent sur une collaboration transverse. Sans alignement avec l’ensemble des parties prenantes, ils n’ont pas l’impact attendu. Dans un récent webinar DataCamp, Brian Campbell, Engineering Manager, Internal Engineering chez Lucid Software, partage les bonnes pratiques pour collaborer efficacement entre équipes sur des projets de data science.
Trois types de collaborateurs
Les data scientists doivent travailler avec d’autres parties prenantes pour maximiser l’impact de leurs projets. Ils s’appuient sur des experts internes pour mieux comprendre la valeur métier et les indicateurs sous-jacents aux problèmes à traiter, pour naviguer dans des environnements de données complexes et pour déployer leurs modèles auprès des clients. Dans ce webinar, Brian distingue trois types de collaborateurs :
Expert du problème
L’expert du problème pose les bases d’un projet de data science. Son rôle est d’apporter l’expertise métier et de définir l’énoncé du problème.
Les experts du problème comprennent en profondeur les indicateurs affectés par un projet de data science et la façon dont ils se traduisent en résultats business. Ils savent également quelle précision est nécessaire pour qu’un modèle soit utile. Cette connaissance est essentielle, car aucun modèle n’est parfaitement exact. Savoir ce qui est raisonnable et pertinent à viser est déterminant pour fixer des objectifs et cadrer les attentes dès le début du projet.
Expert des données
La donnée est l’ingrédient clé de tout projet de data science réussi. Beaucoup d’organisations ont des écosystèmes de données complexes, ce qui complique l’identification des sources disponibles et des jeux de données nécessaires pour résoudre un problème.
Les experts des données connaissent les données disponibles dans un domaine, comment y accéder et quelles sources sont les plus adaptées à des questions métier spécifiques. Ils peuvent parfois être aussi les experts du problème, mais ils occupent le plus souvent des fonctions d’ingénierie des données au sein de l’organisation.
Experts de l’implémentation
Enfin, les experts de l’implémentation sont responsables de la mise en production des modèles auprès des clients. Ils maîtrisent l’infrastructure et les ressources nécessaires pour déployer des modèles à l’échelle.
Quand vous collaborez avec ces experts, informez-les suffisamment en amont afin qu’ils puissent s’assurer que l’infrastructure adéquate sera prête au moment du déploiement. Il est aussi crucial de savoir comment le livrable sera utilisé : fonctionnalité du produit, composant d’une API, intégration à un processus existant, ou création d’un nouveau processus. L’usage prévu déterminera avec quels experts de l’implémentation il est préférable de collaborer.
Comment collaborer efficacement
Le planning est un élément clé de la collaboration. Il permet à chacun d’anticiper son intervention et de contribuer au bon moment jusqu’à la livraison.
Imaginons un projet visant à déployer un modèle de rétention client. Ce modèle identifie les clients à risque de ne pas renouveler leur abonnement et leur envoie un e-mail promotionnel pour les inciter à rester.
Ce projet nécessitera d’abord de comprendre les indicateurs et tendances de rétention, de collecter les données pertinentes, de les nettoyer et de les analyser, de construire le modèle de classification, de l’intégrer au système d’e-mails automatisés, puis de le mettre en production. L’ensemble peut prendre plusieurs semaines, et de nombreuses étapes demanderont l’appui des trois parties prenantes évoquées plus haut.
La définition d’un planning initial permet aux collaborateurs de caler leur disponibilité tout au long du projet. En cas de retard, informez immédiatement vos partenaires. Les experts de l’implémentation ne doivent pas intervenir un mois trop tôt si la phase de collecte des données prend du retard : cela gâcherait leur temps et nuirait aux futures collaborations.
Pour approfondir les bonnes pratiques de gestion de projets de data science, visionnez le webinar à la demande qui propose des exemples détaillés.
