Suite de notre chronique consacrée à la réussite de vos projets Big Data / IA. Pour rappel, vous pourrez en retrouver l’intégralité, et plus encore, dans notre livre blanc : « Du Data Lab à la Data Factory : Comment passer les initiatives Big data / IA de l’expérimentation à la production ? ». Après le Data Lab et le POC, faisons un pas en arrière afin de vous rappeler l’importance de la vision métier. En effet, lorsqu’on parle de projet Big Data ou Intelligence artificielle, on pense à une équipe Data avec un Data Scientist, Data Engineer, Data Steward… Mais attention, il est indispensable d’intégrer des profils différents comme ceux du Marketing, de la R&D ou encore du service client, car c’est à vos problématiques business que s’adressera votre projet.
Pourquoi avoir une vision métier ?
Les initiatives autour de l’IA et du Big Data doivent être guidées par un besoin métier. Afin que les projets puissent créer de la valeur, ils doivent répondre à une problématique de l’entreprise, sans quoi ils ne pourront pas produire l’effet escompté.
On observe souvent deux raisons pour lesquelles une entreprise décide de monter un Data Lab :
- l’entreprise comprend l’enjeu crucial de l’exploitation de données et souhaite donc en tirer profit
- l’entreprise a une problématique business qu’elle souhaite adresser et pour se faire, choisit l’option du Data Lab
Dans les deux cas, les métiers doivent être intégrés afin d’apporter une vision business, au-delà de la vision Data. Il est donc important de créer une relation forte entre les métiers et le Data Lab car la finalité du projet sera d’autant plus pertinente et apportera plus rapidement des résultats. Tous ensemble, il faut faire émerger des cas d’usage et définir des KPIs. En ne sollicitant pas les métiers dès le début du projet IA / Big data, le risque pour le Data Lab est d’initier des sujets en se focalisant sur de l’exploration, sans avoir de direction claire, et en étant décalé par rapport aux attentes business. Le Data Lab se trouve alors dans une situation où il ne crée pas de valeur pour l’entreprise.
Comment adopter cette vision métier ?
Il est important d’intégrer les métiers le plus rapidement possible au projet Big Data / IA. Ainsi, ils doivent jouer un rôle majeur dès la définition des cas d’usage. La méthodologie de sélection des cas d’usage à utiliser est celle de la Divergence & Convergence :
Divergence : il s’agit ici de faire émerger le plus grand nombre de cas d’usage qui peuvent concerner l’amélioration des processus internes, la qualité de service, la connaissance et la satisfaction client ou la supply chain.
Convergence : en reprenant les cas d’usage cités, il faut ensuite définir ceux qui sont réalisables et adaptés. Il est ainsi nécessaire de s’intéresser aux données de l’entreprise et à ce qu’elles permettent de faire, aux compétences des équipes mais aussi à l’utilité des cas d’usage par rapport aux problématiques business à adresser.
Autre point à considérer : il est préférable de se focaliser sur un ou 2 cas d’usage, afin de démontrer rapidement de la valeur et de se familiariser avec les nouvelles approches qui seront mises en place. Comme vous le verrez dans un prochain article, à vouloir adresser trop de cas d’usage, le Data Lab risque de ne pouvoir en finaliser aucun et de ne pas dégager de valeur pour l’entreprise, entraînant au passage une démotivation des équipes.
Enfin, il est primordial pour les métiers de se poser les bonnes questions. Cela permet de vérifier la pertinence et la faisabilité de ces cas d’usage, et ainsi de gagner du temps et d’apporter de la valeur. Les questions à considérer sont :
- Le cas d’usage produit-il une valeur ajoutée métier ?
- Des KPIs peuvent-ils être définis pour mesurer la valeur métier créée ?
- Le POC que je vais réaliser pourra-t-il intégrer des processus métiers opérationnels ?
En conclusion
Ne pas oublier : un projet Big Data / IA, c’est 95% de Design Thinking. Rien ne sert de se précipiter sur un projet qui, même s’il est intéressant, ne servira pas les intérêts de votre entreprise. Une fois les bons cas d’usage définis avec les métiers, l’exploitation, le POC et enfin la Dataviz sont les étapes à suivre pour générer de la valeur. Mais malgré tous nos conseils, tout ne se passe pas toujours comme prévu, et nous vous expliquerons pourquoi dans la quatrième partie de notre chronique.
