Commencez par le problème, et pas par les données !

Lors de la partie networking de ce salon, un des participants m’a raconté une anecdote similaire dans son entreprise : après avoir mis en place un cluster Hadoop, l’IT avait poussé une large partie des données internes, pour qu'au final l’initiative soit abandonnée, car aucun bénéfice tangible n’avait été généré pour l’entreprise.

La meilleure manière de maximiser le retour sur investissement lors de projets d’exploitation de données est de commencer par le problème et non pas par les données. Comment pouvons-nous nous assurer du bon niveau dans l’expression d’une demande? Chez First Utility, nous utilisons une méthode proche de la « user story » dans la méthodologie SCRUM. L’initiateur de la demande doit définir le besoin tout étant responsable de la valeur générée :

As <<describe your role here>>,
I will << keep at least one of the items below and please complete them>>
● {maximise the gross margin by £X}
● {increase the revenue by £X}
● {reduce the cost by £X}
● {mitigate this risk}
By having <<describe here the data analytic work needed>>
For <<describe here the timeline>>

L’intérêt de cette méthode est triple : nous avons une bonne base de travail, une manière de prioriser nos travaux et nos efforts, et enfin le calcul du retour sur investissement de l’équipe est facilité.

Par l’analyse d’une masse de données gigantesque, la Data Science a également pour but de découvrir des réalités difficiles à percevoir. Comment pouvons-nous donc permettre cette découverte si l’on doit commencer par la question ?
La question a pour but de diriger nos efforts vers un but apporteur de valeur. Elle ne porte pas forcément sur une réponse à apporter. Dans certains cas, d’ailleurs, l’analyse de la donnée montre que la valeur initialement estimée n’est pas au rendez-vous.
Ainsi, l’innovation est fortement conseillée, elle doit être néanmoins guidée par un objectif business. Avant de commencer un projet data, il est donc nécessaire de se demander: quel est l’objectif que nous souhaitons atteindre? En négligeant ce point, une "data innovation" a de grandes chances d’être inapplicable, voire même d’être complètement inappropriée.