NODYA GROUP EN BREF

Depuis son origine et à chaque moment clé de son évolution, NODYA Group a cherché à développer une réponse forte, flexible et opérationnelle aux défis du digital auxquels font face les Entreprises.

Avec une équipe de plus de 100 experts agissant depuis de nombreuses années dans les différentes disciplines du numérique, NODYA Group a l’ambition d’être un acteur clé Français du marché de la Transformation Digitale des grandes structures.

20 mar

[Actualités] Retour sur le BIG DATA Paris 2017 – Episode 2

Les 6 et 7 mars derniers s’est déroulé le salon BIG DATA Paris 2017 au Palais des Congrès. Deux journées de conférences, d’ateliers et de démonstrations pour comprendre l’importance des données et leurs enjeux. Julien LAMBERT et Christophe DENHEZ, nos envoyés spéciaux, nous ont préparé une synthèse des différentes conférences du salon.

3 – « L’Age de Raison » du Big Data

Par Thierry Lalande et Marc Hispa, managers seniors de BearingPoint

Les demandes des entreprises sur les problématiques de Big Data ne cessent d’évoluer. D’un enthousiaste « faites nous rêver », nous sommes passés à un raisonné « faites nous avancer ».

Les 2 managers de BearingPoint reviennent sur les écueils constatés dans l’analyse du Big Data et préconisent des solutions pour les éviter.

Ecueil 1:

« J’ai acheté une formule 1 technologique, mais je n’ai pas d’usage métier pour la faire tourner. »

Lancer des projets par la résolution de problèmes réels, et développer les solutions pour y répondre est un moyen plus sûr pour connaitre un réel retour sur investissement.

Préconisations :

  • Sensibiliser le métier
  • Co-construire avec le métier la solution et les cas d’usage
  • Itérer par petit pas
Ecueil 2:

« Je ne comprends rien à ce que mes datascientists & architectes millennials (génération Y) me racontent. »

Préconisations :

  • Ne pas chercher le mouton à 5 pattes. Attendre d’une seule personne (datascientist) d’être à la fois statisticien (machine learner), développeur, Architecte et expert métier, c’est lui positionner une barre trop haute à atteindre.
  • Mieux vaut identifier les experts métiers amoureux de la DATA.
  • Garder une soupape de décompression : il ne faut pas confondre l’intérêt business et l’intérêt intellectuel.
Ecueil 3:

« J’ai réalisé un modèle prédictif dont l’AUC (aire sous la courbe ROC) est de 0.98, mais les opérationnel ne l’utilisent pas. »

En 2007, le groupe NETFILX s’est rendu célèbre pour avoir lancé un concours ouvert à tous, pour prédire le comportement de ses clients. Le gagnant, désigné en 2009, a empoché un million de dollars, mais son modèle prédictif n’a jamais été mis en production car sa complexité le rendait économiquement non viable.

Préconisations :

  • Eviter la boîte noire du Big Data
  • Faire de la pédagogie
  • Trouver l’équilibre entre performance et simplicité
Ecueil 4:

« On me parle tout le temps d’Open data, mais est-ce que je valorise pleinement mes données internes ? »

Les données sociodémographiques ne sont certainement pas les plus utiles pour aider à capter les fraudes sur mon offre.

Préconisations :

  • « Il faut être OPEN MIND pour imaginer la nature des informations qui peuvent m’être utiles ».
  • Valoriser d’abord les données internes
  • Privilégier la qualité à la gratuité. Les données gratuites ont des problèmes de granularité, de fiabilité et de profondeur (il faut être capable de remonter suffisamment loin dans le temps pour éprouver un modèle de machine learning). Si la donnée externe a de la valeur, il faut alors être prêt à la payer.
Ecueil 5:

« Mon entreprise a lancé de nombreux PoCs, mais rien de concret n’aboutit… »

Les entreprises qui se sont lancé dans le Big Data, ont créé des Data Labs et recruté des datascientists, mais force est de constater des lenteurs à délivrer de la valeur. Il manque trop souvent un véritable processus entre le pôle data science et les opérationnels.

Préconisations :

  • Respecter les 3 « R» : Réalisable – Réplicable – Rentable
  • Mettre en place une gouvernance du Data transverse
  • Garder le rythme

.

Ecueil 6:

« Dans la jungle technologique actuelle, j’aimerais concevoir une architecture data qui me permette de répondre à tous mes enjeux BI et analytics. »

Selon les managers de BearingPoint, il existe deux réflexes pour aborder ce foisonnement technologique :

  • Attendre que le marché se restructure : le métier aura du mal à patienter.
  • Y aller avec conviction et assumer ses choix : l’idée de BearingPoint est ici de partir sur du LOW TECH et d’être raisonnable.

Préconisations :

  • Laissez le besoin s’exprimer et sachez le raisonner
  • Pensez LOW TECH mais éviter les impasses. Prendre en compte le « legacy » peut se révéler gagnant.
  • Le MAGIC QUADRAN n’est pas une fin en soi. Les offres des sociétés moins bien classées et de taille plus modeste proposent généralement une forte interaction dans la mise en place de leurs solutions.
Ecueil 7:

« J’ai un cas d’usage fantastique, mais cela implique trop de directions et de silos de données différents, je vais renoncer. »

En considérant les problèmes de performance de mon réseau de distribution et les 18 000 variables de natures hétérogènes à traiter, il ne faut pas renoncer.

Préconisations :

  • Avoir un sponsoring fort
  • Inclus dès le démarrage du projet
Ecueil 8:

« L’exploitation des données, notamment personnelle, fait peur. Comment assurer leur protection, y compris dans le cloud ? »

Les entreprises prennent en considération les questions de sécurité et de confidentialité des données avec beaucoup de frilosité.

Préconisations :

  • Protéger, encrypter et anonymiser les données sur toutes les plateformes
  • Penser « Data Lineage » et « access.log ». Maîtriser le cycle de vie des données et connaître les opérations de transformation.
  • Ne pas être plus royaliste que la CNIL.
  • Challenger la sécurité des Datacenters « off shore » (Cloud).

.

La suite d’ici quelques jours… 

Inscrivez-vous à la newsletter