Découvrez l’Interview de notre expert : Bruno Valette
Pourquoi il ne faut plus parler de Big Data mais de Data Driven Strategy ?
C’est une bonne chose que le terme « Big data » soit apparu depuis un petit plus de cinq années maintenant dans les consciences des décideurs business et dans leurs discussions. Cela remettait l’emphase sur de vraies révolutions techniques, méthodologiques et algorithmiques impliquant la data.
Cinq ans plus tard, il doit être clair désormais que le terme « Big Data » est mort tout autant d’ailleurs que ces dérivatifs Small Data, Fast Data, Smart Data, … pour se muer en « Data tout court ». Ce qui garantit le succès des projets impliquants la Data aujourd’hui n’est ni une affaire de volume, de rapidité d’accès, ni de structure de l’information mais simplement de l’utilisation génératrice de valeur ajoutée que l’on en fait dans le business au jour le jour. Dans ce cadre, la stratégie globale de l’entreprise doit donc s’inspirer du formidable accélérateur business que représente la Data.
Collecte, analyse et exploitation de la data : pourriez-vous citer les points de vigilance essentiels de chacune de ces étapes ?
Selon McKinsey, une data driven strategy se définit comme le processus d’utiliser la data collectée des consommateurs et sur les consommateurs pour réaliser des types variés d’analyses. Ces analyses sont utilisées pour prendre de meilleures décisions afin d’accroitre le business, améliorer l’expérience client et optimiser les opérations. Ce sont d’ailleurs les avancées technologiques et méthodologiques qui se sont mises en place dans les processus de collecte et d’analyse de la data qui ont decuplé l’inventivité et la créativité dans son utilisation finale.
Si on parle de points de vigilance, il y en a un primordial qui concerne la data activation. Il s’agit d’identifier à quoi ces arsenals de complexité vont servir. Les manières de collecter et d’analyser la data doivent également répondre à cet enjeu.
Après cela, la bonne qualité de la data au moment de la collecte est également clé, le concept bien parlant s’appelle “trash in” sur la qualité de la données “= trash out” sur son utilisation.
Les projets data, des projets comme les autres ?
Les composantes et le besoin semblent à l’évidence similaires : ressources et technologies sont sollicitées pour une durée de temps définie pour produire un résultat attendu.
La spécificité des projets data est de bien appréhender les points de vigilance que sont l’identification des use cases et qualité des données comme composantes clé du succès.
En phase d’exécution, il y a deux manières d’appréhender les chemins d’exploration de la donnée pour répondre aux objectifs business :
- soit de l’analyse de la data vers la validation métier des hypothèses, on parle alors de KDD process (knowledge data driven), l’analyste a une connaissance suffisante du business pour identifier les use cases candidats et les soumettre au métier pour imaginer une activation optimale.
- soit de l’émission d’une hypothèse métier à faire valider par l’analyse de la data on parle de CRISP DM : le métier a une bonne appréhension des techniques « data » pour répondre à un besoin et soumet la problématique aux data scientists qui doivent focuser l’analyse sur sa résolution.
Pour aller plus loin, retrouvez Bruno Valette sur les formations suivantes :
« Certification marketing digital en partenariat avec Dauphine »
