La Business Intelligence (BI), est morte sous les coups du Big Data et de l’Artificial Intelligence. Vive la Data Science et ses adeptes, les Data Scientists. Comment ces derniers co-existent-ils avec les dinosaures informaticiens ?

Data Science : une nouvelle source de valeur

Pourquoi la Data Science ?

De plus en plus d’organisations ont compris l’intérêt qu’on peut tirer de l’analyse des données disponibles pour mieux analyser, comprendre, pour in fine mieux décider, et pour ce faire, ces organisations ont recruté des Data Scientists.

Fini les informaticiens qui faisaient de la Business Intelligence, c’est à dire dans la plupart des cas construisaient des tableaux de bord statiques ou plus ou moins dynamiques.

Prévoir les ventes, segmenter les comportements des utilisateurs à partir de leur usage d’un site web de e-commerce pour cibler le marketing, concevoir puis synthétiser des molécules pour l’industrie pharmaceutique, avec la Data Science, l’informatique est entrée dans le coeur de la chaîne de valeur de l’entreprise, alors que la BI ne faisaient qu’en révéler certaines facettes, parfois au prix d’usines à gaz coûteuses et rigides.

Pas de Data, pas de Chocolat !

Pour réussir à créer de la valeur, il faut des données à la Data Science. Pour cela, une démarche effectuale (crédit à Philippe Silberzahn) où on part de ce qu’on a et on voit ce qu’on peut en faire, est souvent plus fertile et surtout réaliste, que la démarche causale, où on se fixe des objectifs, et on cherche des moyens pour atteindre ces objectifs. Là, il s’agit de données. Si elle n’existent pas, en produire en quantité et qualité suffisante relève de l’acte de foi.

Illustrons avec un exemple : une démarche louable de création d’une entité « Data Science » se donne comme objectif de produire des démonstrateurs de valeur apportée aux Métiers. Exemple : Déduire l’état d’avancement d’un projet en analysant les données disponible. Aussi étonnant que cela puisse paraître, l’état d’avancement de nombreux projets est difficile à connaître. Donc l’équipe du chef de projet passe un temps considérable à faire le tour des équipes. Comment connaître l’état d’avancement en analysant les données d’un projet ? Eh bien pas simple, car les projets ont plusieurs caractéristiques défavorables :

  • ils produisent peu de données, ou peu de données permettant d’en déduire l’avancement avec fiabilité,
  • il y a peu de similarité d’un projet à l’autre.

Je me souviens d’un exemple terrible d’un projet SAP dont l’avancement était calculé par un stagiaire qui comptait les livrables dans la GED du projet. Lorsque nous avons ouvert un échantillon de livrables, la majorité d’entre eux marqués comme avancés contenaient certes des Mega Octets, mais les données à haute valeur comme l’accord des  métiers A, B et C sur la manière de décrire un Produit n’étaient pas présentes, et cela était un blocage majeur et durable, car mettre d’accord trois métiers sur un tel sujet a requis plusieurs mois de coordination. Ce blocage, et d’autres, était resté sous les radars du comptage des livrables.

Un exemple de démarche effectuale sur la Data est celle d’une entreprise de service au BTP qui a proposé des app de levée de réserves lors des livraisons d’ouvrages. Cela a permis de constituer des bases de données qui ont ensuite été valorisées pour offrir des services de prédiction de problèmes aux maîtres d’oeuvre et maîtres d’ouvrage.

Pas de Data, pas de chocolat

Il faut donc des données pour faire de la Data Science, on aurait pu s’en douter. Mais il vaut mieux partir des données qu’on arrive à collecter plutôt que de se lamenter des données qu’on n’a pas, ou dépenser des fortunes pour générer des données  pour peut-être en avoir dans longtemps.

Les Data Scientists, des informaticiens comme les autres ?

Pour des managers en charge du business, on pourrait se dire que les Data Scientists font partie des « informaticiens ». Grave erreur, analogue à celle consistant à considérer les pilotes d’avion à des constructeurs aéronautiques. La connaissance de base des Data Scientists est celle des mathématiques comme manière de modéliser le monde qui nous entoure. Et pour ce faire, il faut collecter des données, ce qui requiert de développer une expertise en connexion et transformation de bases de données.

Il faut aussi connaitre les technologies disponibles pour héberger les données, explorer les données, les technologies d’Artificial Intelligence ou Machine Learning pour choisir les modèles les plus pertinents pour pouvoir bâtir des systèmes qui prédisent l’avenir à partir de données passées.

Les Data Scientists sont donc des utilisateurs des technologies de l’information, et ils nécessitent autour d’eux des ingénieurs qui leur mettent à disposition des infrastructures, d’autres qui construisent des applications, notamment.

Quelle organisation pour produire de la valeur ?

Cette capacité à modéliser avec des données, à comprendre le contenu des données, rapproche les Data Scientists des décideurs métier, mais cette proximité ne suffit pas toujours pour produire de la valeur.

Nous avons l’exemple d’un Data Scientist, qui après avoir analysé des base de données de projet, a fini par exposer avec fierté à son client que…  le meilleur prédicteur du retard d’un projet est le retard à son démarrage.

Il faut donc une compétence qui comprenne le métier et les processus à l’oeuvre, mais qui ne soit pas non plus prisonnier des manières de faire existantes pour pouvoir imaginer comment utiliser les technologies pour faire de nouvelles choses.

C’est cette connexion entre des compétences métiers et des compétences techniques que nous faisons à ISLEAN pour créer demain, maintenant. Et c’est notamment au travers de missions d’élaboration de Stratégie Numérique que  je vous invite à découvrir en cliquant ici.