Big Data, mode d’emploi

En à peine quelques années, la pratique du Big Data est devenu l’objet de toutes les attentions au sein des entreprises françaises. Ainsi, plus de 70% des entreprises déclarent avoir lancé des initiatives Big Data mais seulement 30% ont pu en mesurer les bénéfices selon notre dernière enquête Data Analytics Trends 2016. Discipline naissante aux contours imprécis, le Big Data n’est pas encore complètement maîtrisé au sein des organisations. En l’absence d’un cadre normatif reconnu, les entreprises déclinent leurs initiatives Big Data selon leurs spécificités et leur maturité. Pour autant quelques bonnes pratiques communes se dessinent.  

1/ Obtenir le sponsoring des hautes instances de décision

La première étape importante est d’obtenir une forte adhésion des hautes instances de l’organisation (Direction Générale, Comex…). D’après notre dernière enquête Data & Analytics 2016, près de 60% des entreprises estiment que le faible niveau de sponsoring et des moyens réduits font partie des principaux freins à la mise en place de sujets Data au sein des organisations. Il est donc primordial d’insuffler une conviction et de la porter durablement au plus haut niveau de l’Entreprise. Pour ce faire, la sensibilisation des dirigeants aux enjeux du Big Data est primordiale.

2/ Créer une entité dédiée au Big Data et favoriser la collaboration

Plusieurs entreprises françaises ont fait le choix de créer une entité dédiée au Big Data ou parfois à la Data en général. Ce choix s’avère pertinent pour rendre les initiatives Data plus lisibles au sein de l’organisation. Une telle entité permet de concentrer les compétences Data souvent dispersées au sein de multiples silos organisationnels et d’aligner la pratique Data sur une stratégie commune. L’entité dédiée favorise la combinaison et le mix de compétences (Métier, Data, IT) indispensable à la réussite de ces initiatives. La création d’une telle entité constitue également l’opportunité pour les entreprises de concevoir une pratique innovante, collaborative et attractive pour le recrutement de talents externes.

L’écosystème qui se crée autour de ce type de structure dédiée est souvent composé de partenaires externes diversifiés. A ce titre, de plus en plus d’entreprises nouent des partenariats avec des acteurs du monde académique. La Data semble devenir un trait d’union entre le monde industriel et le monde académique. Une coopération qui permet aux entreprises de bénéficier de l’appui du monde de la recherche dans la conception et la réalisation de modèles d’analyses innovants.

3/ Adopter de nouvelles méthodologies de travail et favoriser l’agilité

L’approche Big Data repose sur l’évolution des pratiques méthodologiques pour adopter des cycles plus agiles basés sur l’expérimentation et l’apprentissage (« Test & Learn »). Dans ces démarches, une collaboration étroite et non hiérarchisée entre les différentes parties prenantes (Métier, Data, IT) est requise. L’itération et l’expérimentation permettent de caractériser les cas d’usages pertinents. Cette philosophie de travail demande une certaine souplesse, pas toujours compatible avec des approches méthodologiques très normées où le besoin est parfois défini à la virgule près !

4/ Structurer la gestion des données

Le quatrième point important, c’est la Data elle-même. Travailler à partir de données propres et exploitables est la condition sina qua none au déploiement d’une initiative Big Data à l’échelle industrielle. 50% des entreprises estiment nécessaire de mettre en place des moyens de contrôle et de renforcement de la qualité des données. Comment peuvent-elles y parvenir ? D’abord en soignant au maximum le travail préparatoire de data crunshing, pour sélectionner les variables les plus pertinentes et les plus fiables. Ensuite en structurant le process de gestion des données (qualité des données, référentiels…). De manière plus générale, l’ensemble des acteurs intervenants dans la chaîne de valeur de la donnée doivent être responsabilisés à tous les échelons de l’organisation. La gestion efficace des données est une condition de succès importante des initiatives Big Data.

5/ Penser en amont la phase d’industrialisation du projet

La dernière étape pour bien réussir un projet Big Data est de passer avec succès d’une phase d’expérimentation à une phase d’industrialisation. Or c’est là que, souvent, le bât blesse : beaucoup d’entreprises sont armées pour réaliser des expérimentations (ou Proof Of Concept), mais ne parviennent pas à déployer l’expérience à l’échelle. C’est pourquoi il est indispensable d’identifier, dès le démarrage du projet Big Data, les modalités pratiques de déploiement et d’industrialisation. Si la combinaison des compétences, l’agilité ou l’expérimentation constituent les ingrédients essentiels pour amorcer l’initiative Big Data, le passage à l’échelle implique à tous les niveaux des changements qu’il faut avoir anticipés : organisation, conduite du changement, sponsoring, technologie, et modèle lui-même…. Ces changements doivent être pensés bien en amont pour que l’initiative ne soit pas limitée à la seule l’expérimentation, aussi réussie soit-elle.