Mener à bien un projet data : une route encore semée d'embûches

Les entreprises se doivent de créer des produits innovants et adaptés aux usages de leur clientèle de façon beaucoup plus régulière et accélérée. C'est en effet aujourd'hui le principal vecteur pour conserver ou accroître ses parts de marché dans un contexte économique en perpétuel mouvement. L'analyse poussée des données du marché et des comportements des consommateurs rend possible l'anticipation des besoins futurs. Ainsi tournée vers l'identification des usages du futur, attendus par la clientèle ou en rupture avec le marché, une entreprise pourra prendre les meilleures décisions opérationnelles pour définir sa stratégie et se positionner dans son segment de marché. L'analyse de la data devient donc plus que jamais un important moteur de croissance. En 2020, les investissements des entreprises dans les projets data devraient dépasser les 203 milliards de dollars au niveau mondial. Mais à l'heure où beaucoup se revendiquent être des Data Driven Companies, nombre de projets data se soldent encore par un échec. Or, ces différents échecs sont, pour la plupart, dus à des causes redondantes et bien connues ! Zoom sur les écueils récurrents qu'il est essentiel d'éviter.

Une approche exclusivement orientée sur la technologie

Beaucoup de projets data se concentrent sur la mise en œuvre de solutions technologiques (Data Lake, installation de clusters Hadoop, utilisation de base de données NoSQL...) sans même se préoccuper de leur finalité, à savoir les besoins ou usages auxquels ils peuvent être prédestinés. Les investissements sont, de fait, centrés sur l'IT et non sur les métiers et engendrent peu d'apports business. Tous ces projets ne se font pas forcément à fond perdu puisqu'ils contribuent au moins à la montée en compétences technologiques des équipes IT et de la DSI, mais ils apportent peu de valeur à l'échelle de l'entreprise.

Des résultats construits sur des modèles non-industrialisables

Les Data Scientists disposent des connaissances nécessaires en matière de modèles (analyse prédictive, machine learning, etc.) mais ont généralement une faible expérience en termes de développement, notamment en environnement industriel. Les scripts qu'ils fournissent sont régulièrement peu exploitables par les équipes IT. Coté IT, si les équipes maitrisent les aspects d'industrialisation, elles rencontrent certaines difficultés dans la compréhension des rouages et des séquencements des modèles proposés par les Data Scientists, dont elles n'appréhendent pas toujours toutes les contraintes. La plupart des initiatives data se concluent ainsi par des résultats inadaptés et peu exploitables, tant pour l'analyse de la donnée que pour le déploiement des cas d'usages traités. Concevoir des méthodes industrielles et automatisables nécessite un apprentissage conjoint, tant pour le département IT que pour l'équipe Data Science. C'est un préalable à la généralisation de déploiements efficaces.

Un manque de prise de recul, d'analyse et de préparation de l'entreprise

Les entreprises mettant en place des projets data font souvent l'hypothèse que les modèles et les démarches à mettre en œuvre seront analogues à ceux qu'elles connaissent déjà avec les projets de Business Intelligence, en pensant finalement qu'il n'y a que la technologie et les outils qui changent. Cela les pousse à conserver la même organisation et les mêmes rythmes de conception que ceux de leurs projets historiques. Or la data science est une discipline basée sur une approche prospective, avec des étapes d'exploration et de tâtonnement. Il n'est pas possible aujourd'hui de porter un projet comme nous le faisions il y a une dizaine d'années, sur la base d'études prédéterminées, sans phase de découverte et en ne faisant pas collaborer conjointement métier, Data Scientists et IT.

Une faible collaboration due aux différences culturelles en interne

Les entreprises, et particulièrement les grands groupes, sont aujourd'hui très silotées. Il existe peu de synergies entre les différents départements et tous fonctionnent selon leurs propres cultures et habitudes. Or une certaine confusion peut s'installer lorsque les métiers, l'équipe data science et le département IT travaillent chacun à des niveaux d'objectifs différents, sans complémentarité entre eux. Les entreprises manquent encore de maturité vis-à-vis des nouvelles approches et méthodes de travail, tant pour l'organisation du travail que pour le traitement de la donnée. Pour lever ce frein à l'innovation qui perdure, les différentes équipes doivent donc apprendre à travailler davantage ensemble.

Une organisation non mobilisée

Le top management, s'il y place beaucoup d'attentes, est encore trop peu impliqué dans les projets data. Or le succès des initiatives data dépend là aussi d'un investissement adapté au niveau du management de l'entreprise. Cette organisation doit être portée par l'ensemble de la structure - de la direction jusqu'aux équipes opérationnelles - pour que tous les acteurs concernés soient alignés sur les mêmes objectifs. Elle doit s'articuler autour d'une communauté de pratiques transverses capable de faire monter en compétences l'ensemble des équipes, du métier à l'IT.

Initiative complexe

Un projet data est une initiative complexe, nécessitant à la fois de disposer d'architectures adaptées pour traiter des quantités importantes de données (structurées ou non structurées), d'utiliser des techniques statistiques avancées (algorithmes éprouvés, intégration de la dimension prédictive, d'apprentissage) et enfin d'accéder à de multiples sources d'information (stockées et gérées en interne ou en externe, ou encore partagées ou accessibles grâces aux initiatives de type Open Data ou Open API).

Mais la clé de la réussite est ailleurs et réside dans la structuration de la démarche. Rien de tel que de passer par différentes étapes (idéation, cadrage des use-cases, expérimentation) - bien définies dans le temps et dictées par des objectifs précis - pour éviter de tomber dans les habituels écueils mis en lumière plus tôt. Mener à bien ces trois étapes permettra de valider les apports business d'un projet avant d'aborder la phase d'industrialisation, et ce avec un maximum de chances de réussite !