Aujourd’hui, la plupart des organisations œuvrent activement à l’analyse des données, mais tous les projets n’apportent pas encore la valeur commerciale escomptée. L’un des obstacles majeurs réside dans la productivité de certaines tâches. Quels sont les principaux écueils et comment les contourner ?
Le Gartner Data & Analytics Summit a récemment débouché sur le constat que toute entreprise est en quête de solutions pour améliorer sa productivité. Dans le cadre de cette conférence, SAS a organisé une table ronde permettant aux clients de débattre sur les obstacles et solutions liés à la mise en œuvre de projets relatifs aux données. Voici les six conclusions clés.
1. Intégrez votre stratégie de données dans la structure de votre entreprise
La Data literacy (littératie des données) demeure un obstacle majeur au traitement productif des données dans la plupart des organisations. Ce terme désigne l’aptitude à explorer et utiliser les données de manière pertinente. Par rapport à des profils plus spécialisés de l’entreprise, ce sont surtout les utilisateurs commerciaux qui éprouvent des difficultés à formuler clairement une demande de projet lié aux données.
Au lieu de consacrer toute leur énergie à des formations dédiées à l’utilisation de certains outils, les organisations devraient plutôt mener une communication itérative sur l’importance des données dans la culture d’entreprise. Quelles sont les données disponibles ? Que peut-on en faire et quels sont les objectifs de l’entreprise ? En combinaison avec une technologie accessible et automatisée (nous y reviendrons ultérieurement), cette démarche abaissera considérablement le seuil pour de nombreux utilisateurs.
2. Définissez les objectifs à atteindre
Pour pouvoir travailler rapidement avec des données, il faut évidemment pouvoir identifier l’information en toute fluidité. L’absence de gouvernance des données et d’un catalogue de données approprié constitue donc un deuxième obstacle auquel se heurtent de nombreuses organisations. D’un côté, il faut une certaine préparation des données, car un data scientist ne peut pas faire grand-chose avec des données brutes. Mais d’un autre côté, le traitement de toutes les données à l’avance nuirait aussi à la productivité.
Un ensemble de données n’est qu’une étape intermédiaire et non un objectif final. Tâchez dès lors de trouver un juste milieu dans la préparation des données et concentrez-vous sur les informations qui apporteront à coup sûr une valeur ajoutée à l’entreprise. En définitive, aucun ensemble de données n’est parfait à 100 %. Alors abandonnez l’idée que toutes les données doivent être correctes et déterminez ce qui est suffisant dans le cadre de votre projet. La barre sera sans doute très haute pour des rapports réglementaires, alors que 80 % peuvent déjà suffire pour une étude de cas moyenne. Vous trouverez plus d’informations à ce sujet dans le deuxième article de cette série en trois parties.
3. Storytelling : partagez vos réussites avec vos utilisateurs
Si vous voulez que les gens adoptent les meilleurs outils et pratiques pour l’analyse des données, vous devez préciser clairement son importance pour l’organisation. Oubliez la communication sèche : vous serez plus efficace en mettant l’accent sur des exemples de réussite. Rendez les résultats tangibles et montrez comment les modèles analytiques apportent une valeur ajoutée à l’entreprise. Une fois qu’ils auront compris la situation dans son ensemble, ils seront plus motivés pour étayer leur travail à l’aide de données.
Remarque importante : ne considérez pas un projet pilote réussi comme une référence pour la productivité. Certaines organisations sont en effet coincées dans un cercle vicieux où elles enchaînent les projets pilotes. Il y a toujours une nouvelle étude de cas qui mérite leur attention, de sorte que la plupart des projets pilotes ne sont jamais mis en pratique. Un modèle n’est donc une réussite que s’il apporte effectivement une valeur ajoutée à l’entreprise.
4. Le « Design Thinking » permet de concrétiser plus rapidement vos projets
Le « Design Thinking » est une approche populaire qui offre également de nombreux avantages pour l’analytique. Elle consiste à entamer chaque projet par la définition claire d’un problème avant de passer à la recherche d’une solution. Cela permet également d’abaisser le seuil de data literacy, vu que chaque partie prenante doit comprendre le problème. À titre d’exemple, nous voyons encore trop souvent des data scientists et des cadres d’entreprises assis autour d’une table sans savoir de quoi parlent les uns et les autres. L’approche Design Thinking permet d’orienter tous les regards dans la même direction.
5. L’approche descendante est plus efficace que l’approche ascendante
Les objectifs qui viennent d’en haut sont souvent mieux formulés et aboutissent plus rapidement à des résultats, contrairement à une approche ascendante où les objectifs tendent à converger par hasard et sont plus difficiles à réaliser. Tâchez dès lors de soutenir et communiquer les objectifs de vos projets de données au maximum depuis le niveau supérieur.
6. Focalisez-vous sur l’automatisation et le libre-service
L’automatisation va de pair avec la productivité. Une plateforme analytique moderne exécute donc de nombreuses tâches automatiquement : installation et mise en route d’environnements de test, intégration et essai de développements, adaptation de modèles existants… Les flux de travail automatisés assument de plus en plus de tâches qui nécessitaient jadis des étapes manuelles. Cela permet non seulement de gagner en productivité, mais aussi d’améliorer la cohérence et la qualité d’un modèle.
Les outils offrent également davantage de fonctionnalités en libre-service, de sorte que les utilisateurs peuvent travailler de manière plus autonome et réduire les temps d’attente liés à un projet. Par exemple, pour rechercher des sources de données dans un catalogue ou pour configurer des pipelines simples à l’aide d’outils GUI. Mais aussi pour lancer une infrastructure liée au cloud via des applications spécifiquement intégrées utilisant les API de fournisseurs de cloud publics. L’automatisation et le libre-service peuvent tous deux s’avérer efficaces et évolutifs si vous les appliquez dans un cadre de gouvernance et que toutes les responsabilités sont clairement définies.
De 80/20 à 20/80
Mesurer, c’est savoir… Vous ne pouvez améliorer votre productivité que si vous savez où résident les problèmes. Il en va de même pour les développeurs de solutions d’analyse de données. À titre d’exemple, SAS travaille avec une équipe spécialisée qui analyse le temps gagné ou perdu par les utilisateurs lorsqu’ils construisent des modèles. Pour ce faire, ils s’appuient sur un outil qui rassemble toutes les informations et connaissances de l’environnement SAS sur un tableau de bord. Cette approche a notamment permis aux utilisateurs actuels de travailler avec des interfaces unifiées au lieu de se fonder sur des outils distincts dédiés à une seule tâche. Avec, à la clé, une amélioration de la collaboration – et, bien sûr, de la productivité – au sein de l’organisation.
En moyenne, les data scientists consacrent toujours, à l’heure actuelle, 80 % de leur temps à la préparation des données et seulement 20 % à l’élaboration effective de modèles. Gavin Day, VP exécutif de SAS, a donc exprimé l’ambition d’inverser ces chiffres à terme. Comme nous l’avons précisé plus haut, des gains d’efficacité peuvent encore être réalisés dans de nombreux domaines. À titre d’exemple, si le data scientist ne doit plus s’occuper des données brutes ou de l’anonymisation des données pour des raisons de confidentialité et de sécurité, nous pouvons réduire considérablement ces 80 %. Comme les modèles de données ont pour objectif ultime de permettre des décisions plus rapides et plus judicieuses, les activités de l’entreprise ne manqueront pas d’en bénéficier.
Cet article fait partie d’une série en trois volets. Dans la deuxième partie, vous découvrirez comment de nouvelles initiatives en matière de données permettent d’accroître la productivité. Nous y examinerons notamment l’importance du libre-service et d’un catalogue de données pour les utilisateurs.
Ceci est une contribution soumise par SAS.