Pour mieux valoriser, voire même monétiser l’analyse des données revêt une importance de plus en plus grande pour les organisations, qui nourissent leur capacité d’analyse avec des technologies comme l’intelligence artificielle. La data science, menée par les data scientists, est devenue primordiale grâce à l’émergence de technologies comme le Machine Learning. Pourtant, maîtriser cette discipline ne suffit pas encore à valoriser leurs données pour beaucoup d’organisations.

Que manque-t-il pour y parvenir ? Quelle équipe idéale pourrait comprendre les enjeux métier de la donnée avec plus de réussite ? Comment réussir à fédérer autour de la donnée, entre conduite du changement et organisation structurelle ?

Passer de la théorie à la pratique

Une simple recherche Google avec les mots « data scientist offre d’emploi » donne accès à près de 3 millions de résultats. Au-delà d’un effet de mode, le nombre de nouvelles offres a reculé de 45 % en 2020 selon Indeed, possiblement à cause du recul ou de l’arrêt des investissements en intelligence artificielle suite à la pandémie.

Un phénomène qu'on peut aussi attribuer à des stratégies non abouties et des besoins peu identifiés, le travail autour de la data science étant encore trop récent chez de nombreuses organisations, tout comme le développement et l’utilisation des technologie d’IA encore embryonnaires. D'autres entreprises s'appuyant déjà sur des data scientists ont des difficultés à opérationnaliser leurs compétences. Selon les volumes de données traitées par les organisations et les différents maillages et architectures, avoir un data scientist dans ses rangs d’experts de la donnée n'est pas forcément impératif.

Pour gérer une quantité astronomique de données avec une structure complexe, l’expertise d’un data scientist s’avérera néanmoins très utile pour modéliser les données, les interroger et établir des prédictions. Il faut évaluer en amont les besoins data et métier et la nécessité d’organiser sa structure en fonction de la typologie de son organisation et de sa stratégie data.

Toutefois, s'appuyer sur un data scientist ne résout pas forcément la problématique de valorisation de leurs données : c'est ce qu'ont réalisé les entreprises. Cela s'explique notamment par un manque de compréhension de l’environnement autour de la donnée. Car si un data scientist peut comprendre la donnée, ce n'est pas le cas pour ses fins et environnements ou pour les applications métier. Dans le cas d’un service marketing chargé d'implémenter de l’IA pour accélérer son ROI web, les data scientists élaboreront et implémenteront l’algorithme sans tenir compte de cet environnement spécifique et de son comportement ; comme le site Internet prend beaucoup plus de temps à charger que l’algorithme, l’association ne fonctionne donc pas.

Gérer les données avec une approche holistique

La gestion du cycle de vie de la donnée demeure complexe et sa valorisation s'apparente à une quête du Graal. Ce Graal existe bel et bien mais nécessite de s'entourer des bons chevaliers de la data pour l'obtenir. Pour optimiser l’analyse des données et en tirer profit, les entreprises sont de plus en plus nombreuses à recentrer la fonction analytique sur un département et une équipe uniques. L’analytique, en tant que fonction centrale et non plus éparpillée au sein de différents départements métier, fait partie des 10 tendances en matière de data et d’analytique identifiées par Gartner, avec une place de plus en plus importante accordée aux Chief Data Officers.

Centraliser l’analytique permet notamment de résoudre les problèmes de communication potentiels quand cette fonction est dispersée au sein d'une organisation, contribuant à créer autant de silos que de départements ou de parties prenantes. L'approche centralisée fait de la gestion de la donnée et de son cycle de vie et de valeur un projet collectif mené par le Chief Data Officer, devenu décisionnaire après avoir été pendant longtemps une fonction transverse avec peu de pouvoir. Il peut alors s’entourer de data scientists si nécessaire, de data engineers et de plus en plus de business analysts, qui jouent le rôle de lien entre la théorie de la donnée et son application pratique métier, et fournissent la clé manquante pour déverrouiller la valeur des données.

Cette équipe centrale, souvent rattachée aux opérations, aura à ses côtés les équipes IT, sécurité et conformité pour garantir un alignement maximal lors de tout projet de valorisation ou de transformation data en adéquation avec les objectifs et besoins métier.

Par Muriel Raffatin, Directrice Marketing EMEA et APAC chez Talend