La valorisation de la donnée, un nouvel enjeu structurel

Big DataData & Stockage

La donnée est devenue un élément fondamental de toute organisation mais demeure complexe dans la gestion de son cycle de vie. Sa valorisation ressemble un peu à la quête du Graal et on se demande si ce n’est pas une légende.

Les départements data et IT des organisations sont parfois, eux-aussi, victimes de la mode. Chaque ère technologique est marquée par une ou plusieurs tendances portées par l’innovation, les changements sociétaux ou de nouveaux besoins ou business models poussés par les organisations.

Avec une digitalisation de plus en plus importante qui s’est accélérée pour certains secteurs suite à la pandémie de la Covid-19, et des données présentes dans tous les coins et recoins d’une entreprise, les responsables IT, data et métier se rejoignent autour d’une même question : comment valoriser la donnée ?

Dans cette quête de valorisation, voire de monétisation, l’analyse des données prend une place de plus en plus importante au sein des organisations. Pour atteindre cet objectif, les entreprises alimentent leur force d’analyse par des technologies comme l’intelligence artificielle. C’est avec l’émergence de technologies comme le Machine Learning que la discipline de la data science est devenue un « must-have » avec, aux commandes, les data scientists.

Cependant, beaucoup d’organisations réalisent que la maitrise de la data science ne suffit pas à valoriser leurs données. Que leur manque-t-il ? Existe-il une équipe idéale permettant de mieux comprendre les enjeux métier de la donnée ? Entre conduite du changement et organisation structurelle, comment réussir à fédérer autour de la donnée ?

De la théorie à la pratique

Après une simple recherche Google « data scientist offre d’emploi », près de 3 millions de résultats sont recensés par le moteur de recherche. S’il ne s’agit pas que d’un effet de mode, 2020 a vu le nombre de nouvelles offres reculer de 45% sur 2020 selon Indeed. Une tendance qui pourrait s’expliquer par le recul ou l’arrêt des investissements en intelligence artificielle suite à la crise de la Covid-19.

Ce phénomène s’explique aussi par des stratégies parfois non abouties et des besoins peu identifiés, beaucoup d’organisations ayant tout juste commencé leur travail autour de la data science. Le développement et l’utilisation des technologie d’IA ne se trouvent qu’à l’état embryonnaire. Certaines entreprises avec des data scientists en place rencontrent des difficultés à opérationaliser leurs compétences.

Si nous regardons les volumes de données traitées par les organisations, les différents maillages et architectures, il n’est pas impératif d’avoir un data scientist dans ses rangs d’experts de la donnée. Pour des entreprises gérant une quantité astronomique de données, sur de multiples canaux et à la structure complexe, l’expertise d’un data scientist s’avérera très intéressante pour modéliser les données, les interroger et établir des prédictions. Une des premières questions à se poser est donc liée aux besoins data et métier et à la nécessité d’organiser sa structure en fonction de la typologie de son organisation et de sa stratégie data.

Les entreprises ont également réalisé qu’avoir un data scientist ne répondait pas à la problématique de valorisation de leurs données. Cela est en partie dû au manque de compréhension de l’environnement entourant la donnée. Un data scientist peut comprendre la donnée mais pas ses fins et environnements ou applications métier. Prenons l’exemple d’un service marketing qui travaille sur l’implémentation de l’IA pour accélérer son ROI web.

Les data scientists vont élaborer et implémenter l’algorithme sans tenir compte de cet environnement spécifique et de son comportement ; le site Internet prenant beaucoup plus de temps à charger que l’algorithme, l’association ne fonctionne pas.

Une approche holistique de la gestion des données

La donnée est devenue un élément fondamental de toute organisation mais demeure complexe dans la gestion de son cycle de vie. Sa valorisation ressemble un peu à la quête du Graal et on se demande si ce n’est pas une légende.

Ce Graal existe réellement mais comme dans l’histoire, il faut s’entourer des bons chevaliers de la data. A quoi ressemble donc cette nouvelle table ronde de la donnée ? Afin d’optimiser et tirer profit de l’analyse des données, de plus en plus d’entreprises décident de recentrer la fonction analytique au sein d’un département et d’une équipe unique.

Parmi les dix tendances en matière de data et d’analytique identifiées par Gartner, on retrouve l’analytique en tant que fonction centrale et non plus éparpillée au sein de différents départements métier, avec une place de plus en plus importante accordée aux Chief Data Officers.

La centralisation de l’analytique permet de résoudre notamment les problèmes de communication qu’il pouvait y avoir quand cette fonction se retrouvait dispersée dans une organisation, créant autant de silos que de départements ou de parties prenantes. Avec cette approche centralisée, la gestion de la donnée et de son cycle de vie et de valeur devient un projet collectif avec le Chief Data Officer comme chef de file.

D’un rôle d’influence et transverse avec peu de pouvoir, ce dernier devient décisionnaire. Il va s’entourer de data scientists si nécessaire, de data engineers et de plus en plus de business analysts. Ces derniers vont jouer un rôle clé car ils sont le lien manquant entre la théorie de la donnée et son application pratique métier, le business analyst comprenant les attentes métier liées aux données. Il fournira 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.


Auteur
En savoir plus 
Directrice Marketing EMEA et APAC
Talend
Muriel Raffatin est Directrice Marketing EMEA et APAC chez Talend
En savoir plus 

Livres blancs A la Une