Seulement 15% des projets Big Data sont déployés dans les entreprises.
Comment sortir de la méthode artisanale ?
Ce chiffre étonnant a été révélé il y a quelques semaines par le Gartner. Les premiers arguments qui ressortent concernent la technologie : « Trop souvent, les pilotes sont construits avec des technologies et une infrastructure ad-hoc mais ne tiennent souvent pas compte de la fiabilité de mise en production. »
TECHNOLOGIE
Lorsque vous mettez en place un projet Big Data, il faut vous poser quelques questions importantes :
- Comment garder une trace des versions évolutives des frameworks analytiques bercées par le rythme effréné des innovations
- Comment éviter l’obsolescence des technologies big data et avoir accès au bon moment aux technologies émergentes mais qui ne sont pas encore matures ( Chez Saagie, nous avons nommé ce concept DTaaS- Data Technlogy as a Service)
- Comment promouvoir les travaux de traitement et les pipelines de données entre différents environnements, comme par exemple de passer d’un environnement de test à un environnement de production à grande échelle.
- Comment intégrer ces processus à votre environnement IT actuel.
- Comment organiser, sécuriser et suivre la donnée dans votre lac (gouvernance des données)
Si vous arrivez à répondre convenablement à ces questions, les chances de mettre en production vos projets Big Data seront beaucoup plus fortes.
Mais attention, il ne faut pas uniquement prendre en compte la technologie car la réalité est plus complexe. Avoir la bonne solution big data vous facilitera la tâche, en vous permettant de minimiser vos coûts de migration et de production mais le plus grand défi est de satisfaire les usages métier, de maximiser le ROI et de bien agir intelligemment ensemble (équipe, méthodologie, mise en œuvre…).
RETOUR SUR INVESTISSEMENT et METHODOLOGIE
Gartner a mis en exergue une seconde vague d’arguments : « les priorités de dépenses sont faibles, c’est dû au fait qu’un ROI est difficile à prouver ou par le fait que les expérimentations Big Data ne sont qu’une partie d’une plus grande initiative. » Ce qui est sûr c’est que de mesurer un ROI suppose de définir au tout début du projet des facteurs clés de succès. Prouver un ROI est extrêmement complexe.
Il y a beaucoup de facteurs qui contribuent à la réussite, dont voici quelques-uns :
- Penser en terme d’écosystèmes (startups, fournisseurs, clients, concurrents…)
- Travailler de manière agile (tester & apprendre)
- Trouver l’équipe pluri-disciplinaire la plus adaptée, à la fois en interne et en externe
- Prendre en compte une large variété de sources de données comprenant le parcours client, l’IOT et les systèmes informatiques
- Etre ouvert d’esprit en terme de business model
- Ne surtout pas oublier l’importance de la mise en place et de la formation des équipes
Cette liste n’est évidemment pas exhaustive. Nous pourrons la revoir une fois que le pourcentage de projets Big Data exécutés atteindra les 80% !
Ce qui est sûr c’est que ça ne sera pas facile : ce sera long et la route sera sinueuse…
Que faut-il prendre en compte pour être performant qur ce marché complexe?
- Un ecosystème avec le bon mix de logiciels et de services
- Une data plateforme complète, de bout en bout, qui automatise et industrialise
- L’utilisation de technologies ouverte
