La data est un domaine qui se plaît à paraître complexe et très technique. Pour certains, on est presque à la frontière avec la science-fiction, mais si on revient aux fondamentaux, la data science n’est rien d’autre que de l’analyse des données. Pour caricaturer, une moyenne dans un tableur Excel rentre dans cette catégorie.
En pratique, un projet data réussi, ce n’est pas des algorithmes ultrapuissants qui vous préparent le café le matin. C’est un juste un alignement entre des compétences techniques, des connaissances métiers et une opportunité business.
Certes, les aspects techniques sont importants, mais on leur donne souvent trop d’importance. Or, comme nous allons le voir dans cet article, la difficulté d’un projet data vient aussi (et en grande partie) des process et de l’organisation. C’est pourquoi il vaut mieux garder les aspects techniques relativement simples tant que c’est possible, sauf bien sûr si vous êtes déjà arrivé à la énième itération d’un même projet.
Les vraies difficultés pour réussir un projet data
Un projet data est souvent transversal et demande une forte collaboration
Un projet data fait intervenir beaucoup d’équipes différentes dans une entreprise : le marketing, les sales, les équipes IT, la logistique…
En réalité, chaque entité d’une entreprise génère des données, qui sont autant d’opportunités de mettre en place des initiatives d’analyses de données.
C’est là une première grande difficulté de ce type de projet : piloter des équipes qui n’ont pas forcément l’habitude de travailler ensemble, et sur des sujets nouveaux qui plus est. Cela demande donc une forte implication de toute la hiérarchie pour permettre aux équipes projet de collaborer sans frictions.
Faire collaborer les spécialistes data avec les différents métiers au sein d’une organisation est justement le premier enjeu lié à l’évolution des métiers de la data, selon une étude menée par Kantar sur un panel d’une centaine de responsables d’activités digitales et responsables RH de grands groupes français.
Enfin, il faut être capable de mettre en place une organisation adaptée, par conséquent, il est nécessaire d’investir dans la conduite du changement autant que dans la partie data.
Par nature, la data est un domaine sans résultat garanti
Un data scientist ne peut jamais garantir ce qu’il va trouver lors d’une analyse de données. Bien sûr, il aura une intuition plus ou moins pertinente en fonction de son expérience et du projet.
À ce titre, la data science se rapproche beaucoup de la R&D : il est délicat de prévoir quels seront les résultats et quand ils seront obtenus.
Par conséquent, il vaut mieux garder des ambitions contenues lorsque l’on commence un projet data. L’approche traditionnelle consistant à lancer un grand chantier sur plusieurs fronts à la fois, pour intégrer le plus d’idées possible et couvrir le périmètre le plus large possible, est la meilleure manière de ne jamais voir le bout du tunnel.
À l’inverse, il vaut mieux commencer simple, avec un projet volontairement limité en matière de complexité et de périmètre d’application, puis ensuite itérer. C’est ce que Bill Franks, chief analytics officer chez Teradata, explique dans cet article de Harvard Business Review (en anglais).
L’approche DataOps pour mettre en place un projet data
Hormis dans les entreprises de la tech, la data est un domaine encore peu mature. Relativement nouveau, il est de fait souvent mal compris par les décideurs et on lui applique des méthodes de travail mal adaptées.
Cette situation est similaire à celle qu’a connue le développement informatique dans les années 2000 : beaucoup d’entreprises comprenaient la nécessité de la transformation digitale, mais très peu savaient comment la mettre en œuvre. Depuis, beaucoup d’outils informatiques et de méthodes sont apparus.
Pour la data, on observe actuellement ce même changement : de nouveaux outils apparaissent régulièrement et beaucoup d’initiatives existent au sein de la communauté pour tester différentes organisations et approches de travail.
L’une de ces approches justement est le DataOps.
Le DataOps s’inspire beaucoup du DevOps et de la philosophie Agile. Parmi les points clés de l’approche DataOps, on retrouve :
- l’automatisation, en effet, le manque d’automatisation est un véritable frein au développement des initiatives IA ;
- une approche itérative, avec une application des pratiques dites CI/CD (de l’anglais « continuous integration » et « continuous development ») ;
- une collaboration horizontale entre les différentes parties prenantes ; l’orchestration des données, car bien sûr, les données sont le carburant de n’importe quel projet data.
Bref, le DataOps se veut une approche complète pour organiser les équipes, mettre en place les process nécessaires et gérer les données dans le but de mettre en œuvre des projets data.
Sachant que seulement 30 % des données en entreprise seraient aujourd’hui exploitées, il y a fort à parier que la data science n’en est qu’à ses débuts et que l’approche DataOps deviendra l’un des piliers de la data en entreprise.
