Le Dr Hugo Bowne-Anderson, data scientist et formateur chez DataCamp, a récemment animé un webinaire sur les cinq éléments que les dirigeants doivent connaître à propos de la stratégie data. Poursuivez votre lecture pour en découvrir le résumé, ou regardez le webinaire à la demande.
1. La règle des 80/20 appliquée à la data science
La règle des 80/20, aussi appelée principe de Pareto, énonce que, pour de nombreux phénomènes, environ 80 % des effets proviennent de 20 % des causes. En 2018, par exemple, près de 80 % des impôts aux États-Unis ont été payés par les 20 % de contribuables les plus aisés. Transposée à la data science, cette règle signifie que 20 % du temps de travail génèrent 80 % des résultats. Lors de la priorisation de votre feuille de route data, concentrez-vous donc sur ce qui crée réellement de la valeur.
Concentrez-vous sur ce qui fera la différence
Les dirigeants sont souvent attirés par les sujets tendance comme le deep learning, le machine learning (ML) et l’IA. Mais certaines priorités plus fondamentales peuvent produire des gains majeurs, par exemple :
- L’infrastructure data est indispensable, même si le retour n’est pas immédiat. Des entreprises comme Spotify ont amélioré la découverte des données en unifiant leurs sources. Prioriser l’infrastructure permet d’éviter des standards hétérogènes entre silos, de mieux préparer les futures initiatives data et de produire des vues et tableaux de bord cohérents.
- Les bonnes pratiques de service client incluent le routage des centres d’appels, les modèles d’attrition client et l’IA conversationnelle.
- Les modèles de propension à l’achat sont clés pour vos équipes commerciales et marketing.
La data descriptive génère 80 % de la valeur pour l’entreprise
Vous vous demandez peut-être : « Par quels types d’analytique métier commencer ? » Le principe de Pareto aide à trancher :
- L’analytique descriptive, ou business intelligence, représente 80 % de la valeur dans de nombreuses entreprises. Il s’agit d’exploiter les données déjà disponibles et de les mettre entre les mains des bonnes personnes, sous une forme exploitable : tableaux de bord, rapports, emails. Nous mettons au défi toutes les entreprises qui veulent vraiment avancer d’identifier cinq projets d’analytique descriptive utiles à la prise de décision, puis de les classer par importance.
- L’analytique prédictive, ou ML, prépare l’avenir en prédisant ce qui va se passer. Le ML est la branche de l’analytique prédictive qui utilise des algorithmes statistiques pour anticiper à partir d’informations existantes et révéler des relations et des insights — pensez au moteur de recommandations de Netflix.
- L’analytique prescriptive, ou science de la décision, est l’étape ultime : elle anticipe le quoi, quand et pourquoi de certains résultats — et détermine quoi en faire. Elle intègre les données au processus décisionnel. Dans notre podcast DataFramed, Cassie Kozyrkov, Chief Data Scientist chez Google Cloud, explique le lien entre decision intelligence et data science.
2. Pourquoi le big data n’est pas si « big »
De meilleurs résultats avec de petites données
Il existe de nombreuses définitions du big data. Hugo en propose une, pragmatique :
Le big data, c’est bien plus de données que ce qu’un ordinateur portable ou un seul disque dur peut stocker : il faut répartir les données sur des grappes de machines pour les stocker, les traiter, les transmettre et les analyser.
Des entreprises comme Google ont exploité le big data avec brio, générant au passage beaucoup d’engouement. Mais pour Hugo, le small data peut produire d’excellents résultats — sans se laisser happer par le battage médiatique.
Une bonne façon de penser le big data est de le situer sur le cycle de hype de Gartner. Si l’on utilise Google Trends comme proxy des attentes, nous avons dépassé le pic des attentes exagérées et descendons vers le creux de la désillusion.
Source : Wikipedia
La vraie question : les petites données suffisent-elles ? Pour Hugo, oui. Ce n’est pas la quantité qui compte, mais des données peu nombreuses et très précises. Par exemple, l’astronome danois Tycho Brahe a collecté environ 2 000 points de données qui ont permis à Johannes Kepler d’énoncer ses trois lois du mouvement planétaire, lesquelles ont ensuite nourri la théorie de la gravitation de Newton. Et les instituts de sondage parviennent, à partir d’un échantillon représentatif d’environ 1 000 citoyens, à prédire des résultats avec une marge d’erreur d’environ 3 %.
Plus important que le volume : la variété
Hugo va plus loin : disposer d’une variété de données est plus important que d’avoir du big data. Combiner des données qualitatives, ou thick data, à votre jeu de données améliore les résultats. Empruntée à la sociologie et à l’anthropologie, la notion de thick data désigne une information avant tout descriptive, par opposition aux thin data, davantage chiffrées.
3. Pourquoi l’avenir du travail data est le point-and-click
Des interfaces graphiques pour travailler la donnée
Comment permettre aux profils non techniques d’accéder à la business intelligence et d’utiliser le ML pour éclairer leurs décisions ? Pas en mettant tout le monde au code. La réponse passe par des éditeurs et des outils qui industrialisent l’analytique. À l’avenir, Hugo prédit que l’essentiel du travail data se fera dans des interfaces graphiques (GUIs), via du glisser-déposer et du pointer-cliquer.
Les géants de la tech l’ont bien compris. Les acquisitions marquantes d’outils de BI ont fait la une récemment. L’an dernier, Salesforce a racheté Tableau, et il y a quelques semaines, Google a finalisé l’acquisition de Looker pour 2,6 milliards de dollars, un outil de BI populaire.
Les outils d’analytique prédictive industrialisent aussi le ML. Google AutoML permet à des non-spécialistes de construire des modèles de diagnostic et de prédiction, et Microsoft Azure propose un outil d’AutoML qui rend la création de modèles aussi simple que d’importer un jeu de données et d’indiquer la variable à prédire.
Faire preuve de discernement avec les produits data
Ces outils donnent aux collaborateurs non techniques de vrais superpouvoirs data — à condition de les utiliser correctement. Hugo s’intéresse aux produits qui aident à détecter les biais. Il recommande de découvrir Survival of the Best Fit, un jeu pédagogique sur les biais de recrutement liés à l’IA.
4. Une stratégie data, c’est avant tout une culture data
Quelle part de vos données est réellement utilisée ?
Nous l’avons vu, accumuler des montagnes de données (big data) importe moins que collecter des données essentielles et pertinentes (small data). Lors d’un sondage réalisé pendant le webinaire, 53 % des répondants ont indiqué utiliser moins de la moitié des données qu’ils collectent. L’objectif est bien sûr d’activer une plus grande part de vos données. Cela suppose une stratégie data solide et l’instauration d’une culture data saine et robuste.
Comment construire une stratégie data
Dans l’épisode 30 de notre podcast DataFramed, Taras Gorishnyy, alors Senior Analytics Manager chez McKinsey, identifiait les composantes clés d’une stratégie data :
- Définir une vision analytique alignée sur la stratégie d’entreprise
- Obtenir un sponsorship fort au niveau direction (plaidoyer, financement, impulsion)
- Générer rapidement de la valeur sur plusieurs cas d’usage
- Refondre les processus et faire évoluer la culture pour assurer le bon mix de compétences data dans l’entreprise
- Bâtir une fondation data fiable pour fournir des données intégrées, de confiance et en temps utile
La refonte des processus et le changement culturel, des leviers indispensables
La mission de DataCamp — démocratiser les compétences data dans le monde — rejoint directement ce quatrième point : aider les entreprises à instaurer une culture data fluide. Or, lors d’une enquête menée en 2019 auprès de plus de 300 organisations, nous avons constaté que seules 39 % des entreprises avec une culture data mature avaient engagé une refonte des processus et un changement culturel liés à la donnée, contre seulement 7 % chez celles dont la maturité était faible.
Source : Don’t Wait: What 300+ L&D Leaders Have Learned About Building Data Fluency
La montée en compétences, plus que le recrutement, mène à la culture data
Toutes les entreprises veulent recruter les meilleurs. Mais selon la règle des 80/20, la majorité n’y parviendra pas. La quantité de travail data à mener dépasse l’offre de talents, et il est irréaliste de fonder sa stratégie sur le recrutement de « licornes ». L’alternative ? Installer une culture de formation continue et de reconversion en cultivant un environnement d’apprentissage pour vos équipes.
5. Une stratégie data est avant tout une affaire d’empathie
Pensez à vos parties prenantes
Hugo avance que, comme toute stratégie d’entreprise, une stratégie data exige d’identifier précisément qui vous impactez et ce dont chaque partie prenante a besoin. Elle oriente la façon de concevoir les produits et d’industrialiser les décisions. Rappelez-vous : derrière chaque point de donnée se trouve une personne ou un groupe. La data peut aider à grande échelle — mais aussi nuire.
Exemple parlant : il y a quelques mois, on apprenait que l’Apple Card présentait un biais « sexisme » à l’encontre des femmes lors des demandes de crédit. Même sans intention de fausser l’équité, Apple s’est retrouvé confronté à une crise de réputation et à un examen réglementaire accru. On ne peut pas faire confiance aux algorithmes les yeux fermés — il faut les évaluer avec empathie.
Reconnaissez vos angles morts
Dans l’épisode 50 de notre podcast DataFramed, Cathy O’Neil, autrice de Weapons of Math Destruction, déclare : « La data science ne se contente pas de prédire l’avenir. Elle le façonne. »
Les entreprises qui conçoivent des produits à l’échelle et déploient une stratégie data d’envergure doivent non seulement lister leurs parties prenantes, mais aussi consulter le plus grand nombre possible d’acteurs : des groupes impactés passeront sinon sous le radar, comme ce fut le cas pour Apple.
Soyez lucide sur les tâches qui seront automatisées
Beaucoup redoutent que les machines ne leur prennent leur emploi. Mais avec les progrès technologiques, le sujet n’est pas tant l’automatisation des emplois que celle des tâches. Certaines composantes d’un poste pourront être automatisées. Le défi pour les employeurs : organiser la montée en compétences et la reconversion de ces collaborateurs, et les accompagner vers des missions à plus forte valeur ajoutée.
Pour approfondir ces sujets, regardez le webinaire de Hugo à la demande.
