Home»DATA»Pourquoi l’analyse des données n’est pas qu’une affaire de data-scientist

Pourquoi l’analyse des données n’est pas qu’une affaire de data-scientist

A l’occasion du DataMarketing Paris 2017, organisé par l’agence Corp à la Défense, Balázs Kégl, chercheur au CNRS et Directeur de la Data Science à l’université de Paris Saclay, a pris la parole pour expliquer les bonnes pratiques nécessaires au développement d’un projet data science efficace.

À l’heure où la data correspond au nouvel or noir des entreprises pour élaborer des projets de Machine/Deep-Learning, comme les chatbots ou les assistants vocaux, le besoin d’éclairage et de décryptage se fait sentir. En entreprise, comment construire un écosystème viable au développement de tels projets à forte dominance technique ? Balázs Kégl a tenté d’y répondre lors de sa présentation organisée dans le cadre du DataMarketing Paris 2017.

Ne pas réduire la science des données à son côté technique

Balázs Kégl  a commencé par expliquer que la data science fait peur à la majorité des entreprises. De par sa technicité, elle se rapproche plus du domaine des chercheurs que celui des entrepreneurs. Mais il ne faut pas la limiter à son aspect technique ou technologique selon lui. « La collecte, le traitement et l’analyse de données permettent de transformer ou plutôt d’optimiser un business et plus largement, toute la structure d’une entreprise. Pour construire un écosystème viable au développement d’un projet basé sur la data science, il faut donc impliquer l’ensemble des collaborateurs, c’est-à-dire les experts en business et marketing, tout autant que les spécialistes, aux profils plus techniques, que sont les data-ingénieurs et data-architectes. , a t-il continué.

Définir en amont les KPI à améliorer grâce à l’analyse de données

Le chercheur a poursuivi sa présentation en mettant en avant un constat, qui témoigne d’une mauvaise approche. La plupart du temps, lorsqu’une entreprise souhaite développer un projet basé sur la data science, elle confie les rênes du projet aux data-ingénieurs/architectes, en les plaçant en début du parcours. « Une bad-practice » précise l’expert. Pour Balázs Kégl, ces profils « scientifiques » n’ont pas la capacité à identifier les KPI intéressantes pour l’entreprise. Si un e-commerçant veut utiliser la data science pour améliorer le parcours d’achat de ses clients, le « data-scientist » ne collectera et n’analysera pas les mêmes données que celles nécessaires à l’optimisation du chatbot d’une agence de voyages. C’est donc aux équipes marketing et business de l’entreprise de définir les KPI qu’ils souhaitent optimiser grâce à l’analyse de données.

Le productive-flow ou phase opérationnelle

Dès lors que l’on sait si la donnée recherchée vise à optimiser un chatbot ou un parcours d’achat d’un internaute, les data-spécialistes pourront entamer leur travail de manière plus efficace. Par exemple, acheter des bases de données complémentaires, investir dans les machines de stockage et les dispositifs de structuration de la donnée et débuter le traitement et l’analyse des datas. Autrement dit, leur rôle débute lors de la phase opérationnelle du projet. Même s’il peut être judicieux de les intégrer à la phase stratégique pour recueillir leurs conseils. Balázs Kégl, a insisté également sur le fait que la collecte et le traitement de la data doivent systématiquement être confrontés aux savoir-faire et à l’expertise de l’entreprise pour en optimiser l’exploitation.

Previous post

Futur du Tourisme : entre hyper connexion et digital detox, les destinations devront trancher

Next post

Apple pourrait lancer son propre casque de réalité augmentée

No Comment

Leave a reply

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *