Le bouleversement des données et la convergence des rôles en matière de science des donnée

[Raphael]

Aujourd'hui, les entreprises réunissent un volume vertigineux de données disparates, obligeant les dirigeants à élaborer des stratégies sur la façon d'interpréter le surplus d'informations dont ils disposent. Désireux de transformer un océan de données en renseignements exploitables, les cadres se tournent souvent vers les experts en mégadonnées, ou data scientists, pour montrer la voie mais il n'y a pas assez de data scientists disponibles pour régler la multitude de données.

Saisir les occasions manquées

Tandis qu’apparaissent de nouvelles sources de données et que la collecte de données s’étend rapidement aux logiciels d’entreprise, les sociétés sont submergées d’informations. Il existe un déséquilibre fondamental de l’offre et de la demande : la demande de réponses excède l’offre de personnes (ou la perception de l’offre de personnes) capables de les fournir. Ce déséquilibre laisse des questions complexes sans réponse, des talents ignorés, et de l’argent sur la table alors que les entreprises doivent relever l’immense défi de survivre à la demi-vie de plus en plus courte des compétences.

Cette occasion manquée a de profondes répercussions : le rapport « L’état des Dark Data » publié par Splunk révèle que 55 % des données des organisations au niveau mondial sont inconnues et inexploitées. Pourtant, les chefs d’entreprise et les responsables informatiques du monde entier s’accordent à dire que les données constituent un facteur décisif de succès, mais cette vision est mitigée selon les régions.

Ainsi, si la majorité des répondants en France reconnaissent la valeur des données, ils ne sont que 64% à considérer les données comme extrêmement ou très précieuses pour le succès de leur organisation contre 81% en moyenne toutes régions confondues. C'est peut-être pour ça qu'ils montrent également moins d’enthousiasme que les autres marchés à l’idée de modifier leur environnement de travail pour incorporer la gestion des données dans leurs compétences.

Nous avons reconnu depuis longtemps l’énorme potentiel de données disponibles, mais le défi consiste à transformer ces données en renseignements exploitables afin d’améliorer les résultats de l’entreprise, et à comprendre comment tirer parti des talents existants. La maturité analytique évolue rapidement du statut d’élément utile à celui d’impératif commercial essentiel et d’indicateur-clé pour l’avenir de l’entreprise.

Sans elle, la rentabilité, voire même la viabilité de l’entreprise, sont menacées. Dans une étude conduite par Censuswide[1], plus d'un tiers (38%) des entreprises françaises ont déclaré avoir besoin de se concentrer davantage sur les compétences et les talents des employés pour stimuler la transformation digitale, tandis qu'une sur quatre (25%) a convenu que le développement d'une solide culture de données et d'analyse sera le plus grand bouleversement pour le succès analytique.

Quant aux organisations qui l’ont compris avant les autres...elles sont probablement à l’origine de la convergence du rôle des data scientists et des citizen data scientists à laquelle nous assistons sur le marché.

Converger et conquérir

C’est une chose de recruter à la fois des data scientists et des citizen data scientists pour s’attaquer au big data, c’en est une autre de leur donner les moyens de collaborer de manière efficace et pertinente. Pour commencer, cela signifie qu’il faut s’assurer que ces deux acteurs se sentent soutenus pour s’atteler aux tâches adaptées à leurs points forts et à leurs objectifs particuliers. Les data scientists veulent tirer profit de leurs « super-pouvoirs » et de leurs compétences avancées pour se pencher sur des cas uniques en périphérie, mais ils ont besoin pour cela de déléguer les analyses de niveau inférieur aux citizen data scientists.

Pour y parvenir, les entreprises doivent donner les moyens aux citizen data scientists d’assumer des tâches qui ont été placées sur un piédestal, mais qui sont en fait parfaitement réalisables. Par exemple, la construction de modèles prédictifs est une mission souvent réservée aux équipes du domaine de la science des données. Et pourtant, la construction du modèle n’est pas une opération ardue en soi. La difficulté consiste à savoir quelle question poser. Et c’est là l’occasion de redéfinir l’exploitation des talents et de faire appel à la curiosité naturelle de chaque employé d’une organisation chargé de travailler sur les données.

[1] Etude : The 2019 Digital Transformation survey, menée par Censuswide pour Alteryx, auprès d’un échantillon global de 3 028 décideurs répartis sur six marchés: Royaume-Uni, France, Allemagne, Émirats arabes unis, Japon et Singapour entre le 03.07.2019 et le 16.07.2019.

*Cet article a été publié sur le JDN le 20/04/20.