Je préfère une approche un peu plus scientifique, et considérer la donnée comme un outil pour résoudre des problèmes. Cela évite de tomber dans le travers de faire de la data pour faire de la data.
< Les plateformes Data sont au centre de toutes les plateformes IT
Ce témoignage est extrait du Livre blanc "DataOps" 🗝
Il y a ceux qui vendent du rêve, qui voient la data comme une baguette magique. Ceux qui tentent de faire peur, en ne parlant que de biais algorithmiques, de vie privée et d’enfermement. Ou encore ceux qui viennent vous conseiller les 10 algorithmes que toute entreprise devrait mettre en place pour être performante.
Je préfère une approche un peu plus scientifique, et considérer la donnée comme un outil pour résoudre des problèmes. Cela évite de tomber dans le travers de faire de la data pour faire de la data. Si on formule ce qu’on essaie de faire sous la forme d’un problème à résoudre, alors on saura mesurer si on réussit à le faire.
Ma deuxième conviction, c’est que ce problème doit venir des métiers. On peut influencer, inspirer, mais surtout pas pousser une solution ex nihilo. Il faut aller voir les métiers, comprendre leurs problèmes, faire ressortir les sujets qui les préoccupent le plus : des informations qui manquent, des tâches qui pourraient être optimisées, voire automatisées... Si le sujet n’est pas une priorité du métier, s’ils ne se cassent pas les dents dessus depuis un certain temps, il n’y aura pas d’utilisation dans la durée.
Mais le plus grand défi n’est pas là. Une fois que vous avez créé votre ‘produit data’, vous n’avez fait que la moitié du chemin : il faut penser à l’expérience utilisateur. Faire en sorte qu’il serve vraiment. S’il s’agit de mettre en place de l’automatisation, il n’y a pas de souci, la démarche ira au bout. Mais si la data doit aider les métiers à prendre des décisions, alors il faut penser à la façon dont on la présente et dont elle sera utilisée. Même si votre algorithme est plus malin que les règles de gestion traditionnelles, cela ne sert à rien de présenter l’information dans un rapport ou un dashboard à côté si l’utilisateur n’a pas l’habitude de manipuler ce type de données. Le défi, et on l’a appris en chemin, c’est de rendre cela familier, de l’intégrer dans un processus métier adapté. C’est cela, le sens du MLOps : le machine learning devient une fonctionnalité d’un produit digital.
Enfin, il y a un dernier élément qu’on oublie souvent : s’assurer que la donnée présentée sera utile. Il faut mesurer ce que les gens font de cette information, se nourrir de ça et reboucler. Pour faire progresser l’algorithme, bien sûr, mais aussi pour ajuster l’UX, le moment ou encore la façon dont on fournit cette information.
Il n’y a pas de réponse absolue à la question “comment réussir sa stratégie data”. La réalité d’une entreprise, c’est qu’on ne peut pas tout faire ; la stratégie data doit s’inscrire dans la stratégie de l’entreprise. De notre côté, nous ne considérons nos produits data comme des succès que lorsque l’usage de la donnée s’inscrit dans la durée, que les équipes métier l’utilisent de façon régulière et familière. Cela paraît très simple, dit comme ça, mais parfois les évidences mettent du temps à remonter à la surface. Nous l’avons appris au fur et à mesure. Parce qu’au début, on se concentre sur la partie de l’iceberg qui n’est pas la plus importante. Et c’est tout à fait normal, il y a de nombreux challenges techniques et organisationnels à gérer lorsqu’on démarre : les datalakes, la plateforme MLOps, les outils, la qualité de la donnée, la gouvernance... Si bien qu’on peut se perdre en route. Notre organisation évolue également. Nous sommes partis d’un modèle très centralisé, mieux adapté pour créer la plateforme et bâtir nos outils et nos process. Aujourd’hui, nous rapprochons les équipes data des équipes métier.
C’est plus complexe à gérer, mais je suis convaincu que cela apporte de la valeur : les équipes créent de la connivence, il n’y a même plus besoin de faire remonter les sujets. En revanche, la plateforme reste commune, de même que l’outillage : pour des raisons de partage, d’économies d’échelle, de gestion centralisée du cycle de vie de la donnée, d’expertise...
Toutes les enseignes partagent l’essentiel de leurs données sur cette plateforme, peuvent venir se brancher dessus et utiliser le moteur de recherche pour trouver les données dont elles ont besoin. Et vu le prix du stockage des données froides dans le Cloud, on peut se permettre de conserver l’historique de toutes ces données, de façon à être plus pertinents lorsque les métiers ont des besoins spécifiques.
Parce qu'il est bon de lire et relire les classiques, nous vous convions à vous replonger dans cette somme impressionnante sur le data management qu'est ce Data Management Body of Knowledge.
De l'IA aujourd'hui, ce sont des données, une architecture algorithmique, des méthodes d'entraînement et une infra logicielle et matérielle moderne.
Framework utile pour désenclaver les données, le datamesh demande une certaine maturité dans l'approche pour ne pas retomber dans de vieux travers.
L'IA générative était (surprise !) la vedette du keynote de l'AWS Summit Paris, ce 3 avril au Palais des Congrès. C'est LE sujet qui tire le Cloud et la Data.
