Trajectoire data : les apports de l’approche « hybride » pour allier vision globale et ROI rapide

Article rédigé par Guillaume Grange,

On le répète sans cesse : la data est le nouvel or noir des entreprises. A l’heure de l’explosion de l’IA et de ses cas d’usage, il devient primordial pour les entreprises de se fixer un cap : quels sont les objectifs à atteindre grâce à la data ? Ils peuvent être multiples et variés : marketing (vendre plus, vendre mieux), organisationnels (travailler plus efficacement, concentrer l’énergie sur les tâches à forte valeur ajoutée) ou décisionnels (détenir de nouvelles clés de compréhension du business). Quels qu’ils soient, une trajectoire data devient nécessaire pour ne pas naviguer à vue. Avec une difficulté de taille : comment combiner vision globale et projetée, avec des résultats à court terme ?

Les 3 niveaux d’une trajectoire data

Construire une trajectoire data, c’est un peu comme bâtir une maison. On commence par les fondations, on monte les murs, puis on installe les fenêtres qui ouvrent la vue.

• La data en elle-même (les fondations): il s’agit de se questionner sur celle-ci et de planifier les actions à mettre en œuvre pour aboutir à la structure recherchée : quelles sont les informations disponibles dans l’entreprise ? Sont-elles fiables ? Sont-elles stockées en local ou partagées dans l’organisation ? Les systèmes sont-ils reliés ?

• Les modèles (les murs): une fois les données connues, leur qualité maitrisée et l’architecture globale de la structure définie, il est temps de bâtir des « modèles ». Il s’agit le plus souvent, des algorithmes de type machine learning : régression, arbre de décision, réseaux de neurones, etc… Ils utilisent les données de l’entreprise en entrée et renvoient une information qui permet de répondre aux objectifs définis : prévisions, segmentation clients, scoring…

• Les outils à déployer (les fenêtres): permettent de visualiser les résultats fournis par les modèles et rendre les données visibles et exploitables : tableaux de bord, classement automatique, visualisation, etc.

Construction de la trajectoire

Deux approches standards coexistent aujourd’hui :

• Une approche globale: qui se construit étape par étape en partant de la data pour arriver jusqu’aux outils. Cette méthode permet d’obtenir une homogénéité dans les travaux effectués, d’éviter les redondances et de s’assurer d’un alignement constant avec les objectifs définis. Toutefois, une telle démarche prend du temps et ne permet pas de dégager immédiatement du ROI et de montrer un impact à court terme. Le principal enjeu consiste alors pour le pilote à maintenir, dans la durée, une adhésion forte au projet de la part des contributeurs et des donneurs d’ordre.
• Une approche par les uses cases: qui consiste à hiérarchiser les objectifs identifiés et à rapidement mettre en œuvre les projets prioritaires. Cette démarche permet de déployer des use cases à forte valeur ajoutée, avec un ROI immédiat et favorise ainsi l’adoption de la démarche par l’ensemble des parties prenantes. En contrepartie, l’absence de vision long-terme et globale peut générer des externalités négatives qui peuvent impacter le bon déroulement du projet (par exemple, la revue a posteriori des structures de bases de données ou des modèles pour optimiser ou déployer une scalabilité non anticipée initialement).

Construire sa trajectoire data n’est cependant pas un dilemme entre ces deux approches qui pourraient, de prime abord, sembler incompatibles. Il existe un chemin intermédiaire, hybride, qui permet de combiner les avantages des deux méthodes. Pour cela, il faut agir sur deux fronts, en parallèle, afin de mener un diagnostic rapide de la data, tout en ayant une vision des enjeux de l’entreprise. En quelques semaines, il est ainsi possible de prioriser un use case, en disposant d’une vue globale de la situation, ce qui permet de limiter les erreurs qui pourraient être commises en se focalisant uniquement sur ce use case. Au fur et à mesure des travaux, la trajectoire data s’affinera, à la lumière des informations collectées auprès des experts et des remontées issues des data scientists contributeurs. La priorisation des uses case sera, elle aussi, définie de manière incrémentale.

En conclusion, avec cette approche hybride, les mauvaises surprises dues à l’enchainement des uses cases sont évitées et l’approche globale gagne en agilité et en rapidité, tout en embarquant les équipes avec un ROI tangible en quelques semaines !