Les données sont devenues un élément fondamental de toute organisation, mais leur gestion du cycle de vie reste complexe. Leur valorisation s’apparente à une quête du Saint Graal, ce qui amène à se demander s’il ne s’agit pas simplement d’une légende.
Les départements data et IT des organisations sont parfois eux aussi victimes des modes. Chaque ère technologique est marquée par une ou plusieurs tendances portées par l’innovation, les évolutions sociétales ou les nouveaux besoins et modèles économiques impulsés par les organisations.
Avec la digitalisation croissante, qui s’est accélérée dans certains secteurs suite à la pandémie de COVID-19, et la présence des données dans les moindres recoins des entreprises, les responsables IT, data et business sont unis autour d’une même question : comment valoriser les données ?
Dans cette quête de valorisation, voire de monétisation, l’analyse des données prend une importance croissante au sein des organisations. Pour y parvenir, les entreprises renforcent leurs capacités analytiques grâce à des technologies comme l’intelligence artificielle. Avec l’émergence de technologies comme le Machine Learning, la science des données est devenue une discipline incontournable, portée par les data scientists.
Cependant, de nombreuses organisations réalisent que la maîtrise de la science des données ne suffit pas à valoriser leurs données. Que leur manque-t-il ? Existe-t-il une équipe idéale capable de mieux comprendre les enjeux métier des données ? Entre conduite du changement et organisation structurelle, comment réussir à fédérer autour des données ?
De la théorie à la pratique
Une simple recherche Google pour « offre d’emploi de data scientist » génère près de 3 millions de résultats. Bien qu’il ne s’agisse pas d’une simple tendance passagère, le nombre de nouvelles offres d’emploi a diminué de 45 % en 2020, selon Indeed. Cette tendance pourrait s’expliquer par la réduction, voire l’arrêt, des investissements en IA en raison de la crise de la COVID-19.
Ce phénomène s’explique également par des stratégies parfois incomplètes et des besoins mal identifiés, de nombreuses organisations débutant tout juste leur travail autour de la science des données. Le développement et l’utilisation des technologies d’IA en sont encore à leurs balbutiements. Certaines entreprises disposant de data scientists peinent à opérationnaliser leurs compétences.
Compte tenu des volumes de données manipulés par les organisations, des différents réseaux et architectures, il n’est pas impératif de compter un data scientist parmi les experts en données. Pour les entreprises gérant une quantité astronomique de données sur de multiples canaux et une structure complexe, l’expertise d’un data scientist sera précieuse pour modéliser les données, les interroger et réaliser des prédictions. L’une des premières questions à se poser concerne les données et les besoins métier, ainsi que la nécessité d’organiser la structure en fonction du type d’organisation et de sa stratégie de données.
Les entreprises ont également compris que faire appel à un data scientist ne résout pas le problème de la valorisation de leurs données. Cela s’explique en partie par une mauvaise compréhension de l’environnement des données. Un data scientist peut comprendre les données, mais pas leurs finalités, leurs environnements ou leurs applications métier. Prenons l’exemple d’un service marketing travaillant à la mise en œuvre de l’IA pour accélérer le retour sur investissement de son site web.
Les data scientists peuvent développer et implémenter l’algorithme sans tenir compte de cet environnement spécifique et de son comportement ; si le chargement du site web est beaucoup plus long que l’algorithme, la combinaison ne fonctionne pas.
Une approche holistique de la gestion des données
Les données sont devenues un élément fondamental de toute organisation, mais leur gestion du cycle de vie reste complexe. Sa valorisation s’apparente à la quête du Saint Graal, et l’on peut se demander s’il ne s’agit pas d’une simple légende.
Ce Graal existe bel et bien, mais comme dans l’histoire, il faut s’entourer des bons experts en données. Alors, à quoi ressemble ce nouveau tour de table des données ? Pour optimiser et exploiter l’analyse des données, de plus en plus d’entreprises décident de centraliser la fonction analytique au sein d’un seul département et d’une seule équipe.
Parmi les dix tendances en matière de données et d’analytique identifiées par Gartner, l’analytique centralisée, désormais non dispersée entre différents départements métiers, se démarque, avec un rôle de plus en plus important confié aux directeurs des données.
La centralisation de l’analytique résout les problèmes de communication qui peuvent survenir lorsque cette fonction est dispersée au sein d’une organisation, créant autant de silos que de départements ou d’acteurs. Grâce à cette approche centralisée, la gestion des données, de leur cycle de vie et de leur valeur devient un projet collectif, avec le directeur des données comme chef de file.
Passant d’un rôle d’influence avec peu de pouvoir, le directeur des données devient un décideur. Il sera épaulé par des data scientists si nécessaire, des ingénieurs de données et, de plus en plus, par des analystes métier. Ces analystes jouent un rôle essentiel en comblant le fossé entre la théorie des données et leur application pratique, en comprenant les attentes des entreprises en matière de données. Ils fourniront la clé manquante pour exploiter pleinement la valeur des données.
Cette équipe centrale, souvent rattachée aux opérations, travaillera aux côtés des équipes informatiques, de sécurité et de conformité afin de garantir une harmonisation optimale lors de toute valorisation ou transfert de données.
