Les projets Big Data structurants pour les activités à venir de l’entreprise et dépassent donc l’enjeu technique. Il s’agit de mettre en place une démarche globale, transverse à tous les métiers, impliquant une nouvelle organisation, de nouvelles méthodes et des nouveaux outils. Voici, en résumé, quelques points essentiels à prendre compte pour créer les conditions de succès :

 

Technologie

 

  1. Prévoir l’intégration de plusieurs technologies à mettre en œuvre : chaque technologie apporte une fonctionnalité spécifique, et il faut souvent en utiliser plusieurs simultanément pour répondre à toutes les demandes (temps réel, analyse, IoT, volumétrie, format de stockage, …)
  2. Considérer que l’architecture doit être évolutive: les technologies évoluent très rapidement ainsi que les besoins, il faut prévoir une architecture offrant une souplesse à l’usage (API gateway, ESB, conteneurisation, …)
  3. Garantir la montée en compétence de tous les métiers techniques (développement, data science, infrastructure, maintenance, …) afin de bien exploiter le monde distribué
  4. Créer un univers de datascience avec des outils adaptés à l’exploration (python, jupyter, zeppelin, …)

 

Data

  1. Mettre en place une gouvernance autour de la data :
    • Garantir la sécurité
    • La qualité
    • La gestion des habilitations
    • Gérer les contrats avec les fournisseurs tierce
  2. Fiabiliser les sources des données: le plus gros coût dans le Big Data est le travail nécessaire pour disposer d’une donnée exploitable. Cela passe par :
    • Le choix des partenaires
    • La vérification de l’intégrité des données issues d’applicatifs internes (ex : ERP, CRM, …)
    • La mise en place d’exigence métrologie pour garantir que l’on mesure les bonnes informations (IoT)
    • Considérer les données brutes comme un patrimoine, la donnée une fois transformée est « corrompue » à jamais
  3. Tenir compte des contraintes de la GDPR dès le départ : répondre aux exigences à posteriori peut être très couteux
  4. Mettre en place une équipe de datascientists en tenant compte des spécialités et de l’expérience des profils

 

Organisation

  1. Adopter les méthodes et les outils permettant d’offrir une réactivité aux métiers et favoriser l’itération pour affiner les nouveaux produits / services :
    • Mettre en place des approches UX (service design, design thinking, …)
    • Favoriser les développements et déploiements rapides: l’objectif est de passer d’un prototype à une version industrialisée le plus rapidement possible.
    • Mettre en place des équipes pluridisciplinaires, intégrant les métiers, les utilisateurs, les développeurs et les datascientists avec des méthodes comme le BDD (Behavior Driven Development)
  2. Acculturer les métiers à l’innovation et la data: mettre en place des BBL, des ateliers, des formations, des datacamp, challenges internes
  3. Créer de la curiosité et de l’émulation autour des projets : la communication interne est importante pour comprendre ce qui est fait et ce que l’on peut faire avec la data
  4. Réussir les premiers cas : en général, on favorise dans un premier temps des projets permettant un « quick win» sans impact majeur sur l’activité de l’entreprise. Cela permet à la fois d’ajuster l’architecture et de rôder les outils, les méthodes et l’organisation.

 

Article LinkedIn