• Accueil
  • Blog
  • Data
  • Big data : des projets rentables plutôt que des big projets

Big data : des projets rentables plutôt que des big projets

Data

François Vaillant

Big data : des projets rentables plutôt que des big projets

Paradoxe : malgré une communication enthousiaste autour des projets big data, au quotidien les opérationnels restent dubitatifs. Et cherchent encore les bénéfices métier. Bonne nouvelle : l’effervescence retombe, laissant la place à des projets moins spectaculaires mais… concrets et rentables.

« Notre équipe de 10 data scientists bossent sur les données depuis 2 ans. Des millions ont été dépensés dans un cluster Hadoop et de la grosse artillerie. Mais dans le groupe, tout le monde se demande ce qu’ils fontRien n’en est sorti ». Cette confidence, et d’autres similaires entendues dans des entreprises du CAC40, contrastent avec les annonces publiques : du Big Projet qui va tout révolutionner à la profession de foi certifiant que oui, bien sûr, eux aussi (eux surtout, eux les premiers) sont modernes, visionnaires, non-uberisables, convertis à la donnée.

Mais la pratique est tout autre : nos interlocuteurs dans ces mêmes entreprises nous disent combien il leur est difficile de relier d’un côté ces annonces, les promesses de la data science éclairant le monde, et de l’autre côté le vécu en interne, l’opérationnel.

D’où une réserve légitime sur cette mode du big data, de la data science et des analytics, autant côté métier que côté DSI : « OK, mais concrètement ça va rapporter quoi ? ». Quelle valeur réelle pour le métier, pour l’entreprise ? Quels bénéfices tirés de l’exploitation de la donnée ?

McKinsey a fait le même constat à l’occasion d’un article publié en juillet 2017 sur les résultats des projets data et analytics dans le domaine de l’assurance. Les résultats (« delivering high impact ») n’ont pu être observés que dans… 1 cas sur 6 ! Pourtant, les investissements allaient jusqu’à 80M$ par an, et plus de la moitié des PDG concernés citaient la data et les analytics dans leurs 5 priorités. 80% de déchet : c’est aujourd’hui l’écart entre la communication et le réel.

Générer de la valeur ajoutée à partir des données n’est pas automatique

L’exploitation des données apporte-t-elle vraiment quelque chose pour l’entreprise ?  Une information, une mise en perspective inédite ? Une recommandation que personne ne pouvait formuler auparavant ? Une aide à la décision ?

Ces questions sont trop peu posées. Pour beaucoup de projets, le raisonnement emprunte le chemin inverse : « construisons une usine à gaz, c’est bien le diable s’il n’en sort pas quelque chose ! ».

La valeur de ce « quelque chose » ne semble pas proportionnelle à l’effort, comme le confie ce client de la grande distribution : « bien sûr que les data scientists détectent des corrélations. Mais si c’est pour nous dire qu’il faut des fournitures scolaires à la rentrée ou des bières un soir de match de foot… heureusement qu’on ne les a pas attendus ».

On peut donc exploiter de la donnée, en tirer des conclusions pertinentes… sans que cela n’apporte rien à l’entreprise.

Générer de la valeur c’est bien, de la rentabilité c’est mieux

Surfant sur la vague, les SSII et les éditeurs de logiciels ont expliqué que le Big Data se traduisait forcément par des projets coûteux et des solutions hors de prix. Ticket d’entrée élevé, résultats qui ne sont pas toujours au rendez-vous (dans 1 cas sur 6, si on reprend l’étude de McKinsey) : tout cela est-il rentable ?

Nous avons été trop habitués aux annonces. Quand AlphaGo bat le champion du monde de Go, on salue la performance brute, on discute du futur de l’apprentissage non supervisé, etc. Et on oublie l’investissement : des dizaines d’employés pendant 7 ans, des ressources informatiques illimitées. Tout le monde n’est pas Google. Tout le monde ne peut pas se permettre des publicités aussi coûteuses.

Retour à la réalité : « J’ai un taux de rebut de 40% sur cette pièce, nous dit le représentant d’un équipementier automobile. Je suis convaincu qu’on peut le réduire de moitié en exploitant les données des machines-outils. Mais la pièce vaut 3.50€ et tout retard dans la livraison peut me coûter très cher en pénalités. Est-ce que ça vaut la peine d’investir des millions dans du machine learning, au risque de perturber la chaîne actuelle ? » Bonne question…

L’exploitation de la donnée peut donc amener des gains… sans qu’il y ait de retour sur investissement, surtout si les investissements sont lourds.

Fini le buzz, place aux vrais projets d’exploitation des données

Le fameux hype cycle de Gartner place en 2017 le Machine Learning juste après le premier pic (le « Peak of Inflated Expectations ») : le moment où les premiers résultats sont décevants au regard des espoirs suscités par la technologie. Le buzz retombe ; l’attention médiatique se reporte sur d’autres sujets.

C’est exactement l’ambiance du moment. Et c’est une bonne nouvelle ! Car c’est maintenant que les vrais projets commencent, que les vrais cas d’usage émergent. Nos clients nous disent : « J’ai une vraie problématique, un cas où l’utilisation des données serait rentable. Cela fait moins rêver que de révolutionner le monde, mais c’est utile pour nous »

Générer de la valeur par un travail itératif, au contact du métier

L’exploitation de la donnée peut être rentable. J’en suis convaincu. Nos clients en sont convaincus. Les projets que nous menons sont là pour le prouver. Mais ce ne sont pas les projets qui font le plus de bruit, les grands chantiers à « 3 ans – 3 millions », qui vont tracer la voie vers la rentabilité.

Parce que personne ne peut dire à l’avance, secteur par secteur, quelle est la meilleure façon d’exploiter ses données, seul un travail par itérations successives permet de trouver le chemin. Un chemin qui accumule les bénéfices concrets les uns après les autres, se nourrissant des retours des clients internes ou externes et des bénéfices réels constatés, et pas une réflexion « en laboratoire ».

Et quand la circulation de la donnée aura été fiabilisée, automatisée, que ses bénéfices au quotidien pour le pilotage et l’aide à la décision auront été prouvés, que la culture de la donnée se sera diffusée au sein de l’entreprise, alors… l’équipe des 10 Data Scientists du groupe du CAC40 sera un grand atout pour aller encore plus loin.

Par François Vaillant – Chief Customer Officer – ForePaaS

 

industrialisez vos projets analytiques