De nombreuses organisations adoptent aujourd'hui les pratiques de data science dans le cadre de leurs initiatives de transformation numérique. Pourtant, la plupart ne tireront pas pleinement parti de l'exploitation de leurs données sans une stratégie data et sans feuille de route claire pour faire passer la data science à l'échelle. McKinsey a ainsi constaté que seules huit entreprises sur 1 000 engagées dans une transformation numérique parvenaient à déployer la data science au-delà de quelques projets pilotes.
Par ailleurs, si la plupart des organisations reconnaissent la valeur d'une approche basée sur les données, beaucoup traitent encore la data science comme une fonction d'appui centralisée, en silo, répondant aux demandes des différentes équipes. C'est à l'opposé de ce que devrait être la data science : un moyen au service d'objectifs business. Comme le résume Peter Wang, CEO d'Anaconda, la data science est « un mode d'enquête et d'exploration » pour naviguer dans le monde de l'entreprise.
De même qu'un physicien utilise les mathématiques pour raisonner sur le monde naturel, les data scientists mobilisent des outils mathématiques et informatiques pour raisonner sur le monde de l'entreprise. —Peter Wang, CEO d'Anaconda
Cette mise en silo est renforcée par l'idée fausse selon laquelle la finalité de la data science serait toujours de produire des modèles d'intelligence artificielle capables d'automatiser ou d'optimiser des pans entiers de l'organisation. Les entreprises en quête de retours immédiats sur investissement découvrent souvent que ce n'est pas si simple.
Cette vision réductrice limite la valeur de la data science à des analyses prédictives difficiles à atteindre (c'est-à-dire la capacité à anticiper l'avenir à partir des données) et passe sous silence l'infrastructure nécessaire pour faire du machine learning à l'échelle. Or, une grande partie de la valeur provient d'analyses descriptives plus simples (décrire les données et les mettre entre les bonnes mains) et d'analyses prescriptives (prendre des décisions basées sur les données).
Réaliser une transformation numérique réussie exige de développer des compétences organisationnelles en data science et analytics. Cela passe par la définition et l'exécution d'une stratégie data intelligente, inclusive et scalable.
C'est là qu'intervient notre cadre IPTOP. IPTOP définit cinq piliers (I nfrastructure, P eople, T ools, O rganization et P rocesses) pour exécuter votre stratégie data de manière scalable et mener à bien votre transformation numérique. Participez à notre prochain cycle de webinaires pour en savoir plus.
Infrastructure
L'objectif d'une stratégie data est de transformer des données brutes en insights et en décisions. Pour cela, les organisations doivent collecter, consigner et stocker leurs données de manière sûre et efficace, afin qu'elles soient accessibles à tous. Mais les données sont souvent hétérogènes, dans des formats et volumes variés. Les différentes bases de données, data lakes, data warehouses, scripts et tableaux de bord qui jalonnent ce parcours constituent l'infrastructure data. Construire une infrastructure robuste suppose de maîtriser les bonnes pratiques.
Personnes
Considérer la data science comme un moyen d'améliorer la prise de décision permet de constituer les équipes en fonction des compétences nécessaires. Une approche par rôles consiste à identifier, évaluer et faire correspondre les objectifs de performance avec les compétences requises pour atteindre les objectifs business, comme la prédiction du churn ou la visualisation des données via des tableaux de bord. On obtient ainsi des parcours de formation dédiés à chaque rôle.
Un bon exemple est la Data University d'Airbnb, leur programme de formation interne conçu pour doter chaque collaborateur des compétences nécessaires à des décisions fondées sur les données. Permettre à des employés qui ne sont pas data scientists de formation de devenir des Citizen Data Scientists capables de décider en connaissance de cause a libéré du temps à l'équipe data science pour se concentrer sur des projets plus stratégiques.
Outils
Si l'infrastructure rend possible la production d'insights, les outils, eux, facilitent et encouragent l'adoption d'un langage commun de la donnée dans toute l'organisation. Utiliser des outils d'accès, d'analyse, de visualisation et de reporting permet de gagner en efficacité et de réduire le temps nécessaire pour produire des insights. Ces outils vont des langages open source comme Python, R et SQL aux solutions « point-and-click » comme Power BI, Tableau et Excel.
La création de cadres spécifiques à l'organisation, qui fluidifient l'accès aux données au-dessus de ces outils, réduit fortement les barrières à l'industrialisation de la data science. Chez DataCamp, nous disposons de packages Python et R propriétaires qui simplifient la connexion aux data lakes, l'interrogation et l'agrégation des données via des commandes simples. N'importe qui peut répondre à des questions comme « Quelle a été la note du cours X au cours des Y dernières semaines ? » en une ou deux lignes de code. De même, Airbnb a développé un package R qui facilite l'interrogation et la visualisation des données selon leur charte graphique, éliminant les approximations et garantissant des analyses et des visualisations cohérentes dans toute l'entreprise.
Organisation
Une dimension clé d'une stratégie data concerne la manière d'organiser les professionnels de la donnée. Puisque les structures hiérarchiques et les priorités pilotent le travail dans la plupart des entreprises, l'organisation doit être pensée pour un succès durable. Il existe des arbitrages entre un modèle centralisé, où les data scientists appartiennent à une même équipe, et un modèle décentralisé, où ils sont intégrés aux différents départements.
Dans le modèle centralisé, une équipe data science centrale priorise et traite les demandes d'information des autres services. Les questions entrent, les réponses doivent sortir. Ce modèle permet à l'équipe data de devenir un centre d'excellence, où les data scientists collaborent et partagent leurs connaissances sous une direction stratégique unique. En revanche, cela isole les équipes data et leurs outils, compliquant la coordination et la communication avec les autres départements.
Dans le modèle décentralisé, les data scientists sont intégrés aux différents départements de l'organisation. La data science a ainsi voix au chapitre pour influencer la stratégie du département, les data scientists acquérant la connaissance métier nécessaire pour réussir. Cependant, dispersés et managés par des responsables métiers, ils peuvent voir leur développement, leur apprentissage et leur capacité à collaborer limités.
Ces deux modèles constituent les extrêmes d'un même spectre. De nombreux modèles hybrides combinent des éléments des approches centralisée et décentralisée, avec différentes façons de regrouper les services pour maximiser la valeur de la data science à l'échelle.
Processus
Enfin, bâtir une stratégie data scalable suppose un alignement sur les conventions, les bonnes pratiques et les processus. Favoriser l'alignement est essentiel pour fluidifier la collaboration et éviter les silos. Cela permet à toutes les équipes de travailler et de communiquer sans friction dans un langage de la donnée commun.
Un moyen simple d'initier cet alignement consiste à définir une structure et un modèle de projet prédéfinis, où les tâches et sous-tâches d'un projet analytique sont cartographiées avec leurs exigences en amont. Microsoft a adopté The Team Data Science Process, qui permet à chaque partie prenante de comprendre clairement les besoins du projet, d'utiliser des modèles pour l'analyse des données et l'accès à la puissance de calcul, et d'identifier les responsables des différentes étapes.
Selon votre organisation et votre secteur, ces modèles de projet prédéfinis peuvent être soumis à des exigences réglementaires spécifiques et intégrer des processus complexes. Vous pouvez recourir à des outils open source pour définir des gabarits de structure de projet et renforcer l'alignement entre équipes et professionnels de la donnée.
Passez l'évaluation de maturité data pour mieux comprendre la façon dont votre équipe aborde la donnée.