De plus en plus d’entreprises investissent dans des projets d’analyse des données, et plus seulement dans le secteur des technologies.
Cela passe bien sûr par le recrutement de personnes ayant une formation ou des compétences en Data Science. Se pose alors la question : comment intégrer ces nouvelles recrues aux équipes actuelles et les faire collaborer avec le reste de l’entreprise ? Puisque pour beaucoup d’entreprises, il s’agit de compétences nouvelles, la question est loin d’être triviale.
De plus, les profils data connaissent une forte demande et « coûtent » cher à recruter, ce qui génère d’autant plus d’attente. L’organisation des équipes est donc un sujet à considérer sérieusement avant de se lancer dans l’analyse et le traitement de données ou le Big Data.
Dans cet article, nous allons voir comment intégrer un ou plusieurs spécialistes data dans l’organisation de votre entreprise pour apporter le plus de valeur possible.
Quels sont les objectifs de votre stratégie data & IA?
Avant de recruter toute une équipe de data scientists pour votre entreprise, vous vous êtes probablement posé la question du pourquoi, car évidemment, vous devez organiser vos équipes au mieux en fonction de vos objectifs.
Analyse de données business
Tout d’abord, un spécialiste data peut avoir pour rôle d’épauler les décideurs et les équipes business en leur donnant des informations pour leur prises de décision, comme celles concernant le développement de produits ou services.
Le plus souvent, ce sera le rôle de celui qu’on appelle « data analyst ». Il s’agit par exemple de faire l’analyse des résultats d’une campagne marketing.
Le data analyst aura relativement peu d’interaction avec les autres équipes IT, hormis pour pouvoir accéder aux données nécessaires à leur travail. C’est au plus près des équipes business et marketing qu’il aura le plus d’effet.
Analyse de données produit
On retrouve un rôle similaire appliqué au produit lui-même. Il s’agit alors d’analyser les données relatives au produit pour guider son développement.
Par exemple, on peut se demander quelles sont les fonctionnalités les moins plébiscitées par les utilisateurs et pourquoi. Dans ce cas, le spécialiste data collabore principalement avec le responsable produit, car c’est ce dernier qui fixe la direction dans laquelle le produit ou les services évoluent.
Il peut aussi collaborer avec les développeurs de l’entreprise pour les assister et s’assurer que la mise en œuvre répond aux problématiques soulevées par son analyse.
Intelligence artificielle et machine learning
Un objectif supplémentaire dans un projet big data est le développement de fonctionnalités basées sur l’intelligence artificielle à intégrer au produit ou pour fournir des outils à vos équipes. On sort du champ de l’analytique pour rentrer dans un projet plus complexe avec un livrable sous forme d’outil ou de logiciel fonctionnel.
Ce type de projet nécessite l’intervention de plusieurs spécialistes data, mais aussi de toute la chaîne IT pour intégrer cette solution à l’infrastructure existante. Un bon exemple serait la mise en place d’un système de recommandations basé sur le profil de vos utilisateurs ou clients et leurs interactions avec vos contenus, notamment marketing.
La complexité d’un tel projet data science milite en faveur d’une équipe dédiée en lien avec les équipes de développement lors de la mise en production et ensuite pour le suivi.
Collecte et gestion des données
Enfin, un autre rôle des équipes data concerne la collecte, le traitement et la gestion des données de l’entreprise.
Généralement, il ne s’agit pas d’une fin en soi, mais plutôt d’une étape nécessaire dans tout projet big data, notamment pour réaliser les différents objectifs listés ci-dessus.
Dans ce cas, la collaboration s’opère autour de deux axes :
- d’une part, collaborer avec les responsables produits et/ou les autres spécialistes data de l’entreprise pour comprendre quelles données sont nécessaires ;
- d’autre part, collaborer avec les équipes opérationnelles pour adapter l’infrastructure actuelle à des problématiques datas (création d’un data lake, mise en place de pipelines…).
La collaboration entre les différents services n’est pas le seul aspect à régler lors d’un projet big data, il faut aussi s’assurer du soutien de la Direction, lister les ressources disponibles et les processus en place.
Intégrer les spécialistes data dans l’organisation existante
Une fois que l’on sait quel est le rôle d’un spécialiste data, il faut l’intégrer à une équipe.
Il est difficile de donner des conseils génériques, car chaque entreprise possède son organisation de travail et ses processus propres. Nous allons nous intéresser ici à trois modèles de structure d’équipe que l’on retrouve couramment :
- les équipes produit ;
- les équipes spécialisées (sur une technologie, par exemple) ;
- les modèles hybrides (telle une structure en matrice où spécialistes et responsables projets sont complètement séparés, les premiers étant attribués aux seconds en fonction des besoins).
Pour une comparaison plus détaillée de chaque modèle, cet article publié par des consultants en approche Agile vous sera très utile.
Équipes produit
Dans une telle organisation, on assignera un ou plusieurs spécialistes data à chaque équipe produit pour les épauler. Ceci est particulièrement adapté si votre objectif est de faire de l’analyse de données produit ou business.
Cependant, le travail des spécialistes data sera fait en silo. Leurs méthodes et outils auront tendance à diverger, créant peu de synergie entre eux et compliquant la gestion, le traitement et la collecte des données.
Plus de détails sur cette structure dans cet article (en anglais).
Équipe spécialisée
On crée une équipe data dédiée pour augmenter la collaboration et le partage d’informations entre les différents spécialistes Data Science. Cela permet d’harmoniser les méthodologies et les outils de traitement des données et de créer des synergies essentielles pour traiter des sujets très spécifiques.
Ce modèle sera plus adapté à des projets complexes d’intelligence artificielle, de machine learning ou faisant usage du Big Data, par exemple.
Le point négatif avec cette structure est l’isolement de l’équipe data au sein des entreprises. Beaucoup d’idées risquent de rester au stade de POC, la mise en production de projets big data sera laborieuse et il n’y aura pas d’utilisation des modèles et résultats de l’analyse des données.
Plus de détails sur cette structure dans cet article (en anglais).
Équipes hybrides
Il s’agit ici d’avoir une équipe data dédiée, avec une direction unifiée, mais dont les membres sont assignés aux autres équipes en fonction de la stratégie de l’entreprise et des besoins des différents services.
L’idée est de limiter les risques liés aux alternatives précédentes en proposant un entre-deux adapté à la plupart des situations des entreprises en matière d’analyse et de traitement de données.
Évidemment, cette option a en effet aussi des points négatifs, notamment :
- réussir à allouer les ressources nécessaires au projet de manière équitable et efficace ;
- les projets big data s’exécutent sur des temps longs et demandent une forte implication – un spécialiste Data Science changeant régulièrement de projet peut perdre en efficacité.
Comment Saagie améliore la collaboration entre les équipes
La plateforme Saagie représente un atout considérable pour la collaboration fructueuse entre les équipes data et IT dans la réalisation de projets data et IA. Trois départements sont directement impliqués dans ces projets : les équipes data, la DSI et les métiers.
Chacun de ces départements a des besoins et des objectifs spécifiques. Les métiers cherchent des insights actionnables rapidement, les équipes data requièrent de la flexibilité dans le choix de leurs outils pour répondre aux besoins business, tandis que l’IT a besoin d’une infrastructure stable, sécurisée et facile à intégrer à son SI.
Saagie répond de manière efficace à ces trois contraintes, plaçant ainsi la collaboration au cœur des projets data. Cette plateforme facilite la collaboration en offrant une flexibilité dans le choix des outils pour les équipes data, tout en garantissant une infrastructure stable et sécurisée pour l’IT. Elle permet ainsi de réunir les besoins des métiers en termes d’obtention rapide d’insights actionnables, tout en assurant une intégration aisée dans le système d’information de l’entreprise.
