« La data, c’est compliqué ; on ne comprend rien aux mots que vous utilisez « 

Cette phrase, je l’ai entendu sous une forme ou sous une autre des dizaines de fois depuis que nos métiers font le buzz. Vous trouverez ici ma contribution au lexique de la data.

La data est au carrefour, des statistiques et mathématiques, de l’informatique, du juridique, de la communication, ainsi que des métiers de nos clients. En plus de son propre vocabulaire en évolution, elle emprunte du jargon à chacun de ces métiers. Elle peut donc paraître complexe, en effet.

Pour vous aider, voici quelques repères de vocabulaires concernant des buzz word de la data ; ces mots que nous entendons si souvent, avec des contextes et contenus si différents, qu’ils en perdent leur sens.

Lexique : Big data :

Il s’agit de stocker et traiter des ensembles de données si énormes et variés que les outils traditionnels jettent l’éponge. Il faut alors se tourner vers des technologies basées sur le Cloud et des systèmes de traitements de données non structurées à haute performance.

C’est là que vous entendez des mots type, data Lake (pour le « lieu » de stockage) ou Hadoop (pour l’infrastructure logicielle), par exemple.

Il a les caractéristiques suivantes : Volume de données élevé, Variété dans les données mais aussi Vélocité (dans la génération de nouvelles données, leur mise à jour et dans leur usage).

Auxquelles certains ajoutent véracité et valeur afin d’en pointer les enjeux.

Et pour vous, quel est l’impact ? Devez vous aller vers ces technologies ? Difficile de répondre sans connaître ni votre stratégie business, ni vos besoins opérationnels, ni le volume et le type de données que vous collectez.

Sachez simplement, que l’interlocuteur cible, pour vous aider à choisir la bonne solution technique (entrepôts de données classiques, sur vos serveurs ou dans le cloud, ou architecture big data), sera votre équipe informatique interne, ou votre partenaire externe favori.

Un data analyst / scientist ou un partenaire externe pourront vous épauler. Ils définiront le périmètre des données utiles à recueillir et stocker pour répondre aux usages que vous souhaitez mettre en place.

Lexique : Intelligence Artificielle, Machine learning, deep learning, data science :

I.A., Machine Learning, Deep Learning s’imbriquent telles des poupées russes.

Ces notions sont, en fait, des poupées russes allant des algorithmes les plus simples aux plus complexes.

L’Intelligence Artificielle :

Elle regroupe tous les programmes informatiques permettant des décisions automatisées et cela démarre par le simple enchainement de règles « si alors sinon ».

Elle contient le Machine Learning…

… où le système va générer par calcul probabiliste et mathématique ses propres règles de décision. On a évoqué sur mon premier article quelques unes des méthodes existantes.

Les méthodes de base du Machine Learning ont besoin de quelques milliers de cas pour fonctionner. En sortie, vous obtenez un résultat numérique : une probabilité de survenance d’un évènement (achat, résiliation, panne,…), l’appartenance à une classe de vos segmentations clients, fournisseurs, produits, etc.

 Et le Machine Learning inclut le Deep Learning…

…qui, sur le plan algorithmique, va se baser sur des réseaux de neurones profonds. Retenez juste qu’on est sur un niveau de technicité plus élevé.

Pour son apprentissage, il va avoir besoin, de données bien plus nombreuses. En fait, plus vous en aurez, plus la pertinence de l’algorithme va se renforcer.

En sortie, vous pourrez avoir une grande variété de résultats, nombres (comme pour le reste du Machine Learning), mais aussi texte, image, son,…

Voici un exemple extrême et perturbant de ce que peut produire un algorithme de deep learning. https://youtu.be/gLoI9hAX9dw .

Et la data science, dans tout cela ?

Elle est composée de compétences en machine Learning, en informatique, en statistiques et d’une expertise du métier sur lequel elle va s’appliquer : Marketing – mon secteur de prédilection, vous l’aviez compris -, RH, finance, médecine, gestion d’entrepôts, …

 Les données utilisées pour nourrir les algorithmes pourront venir de bases big data, de bases de données traditionnelles (data warehouse) ou même de simples fichiers.

Voici pour le court lexique de la data. Mais vous, avez vous besoin de data science ?

Je suis convaincu, que vous avez déjà besoin d’analyser vos informations. Parce que vous souhaitez comprendre le comportement de vos clients, de vos prospects, de vos salariés,.. en allant plus loin que les tableaux de bord dont vous disposez.

Un bon analyste, un bon dataminer (Le vocabulaire est un peu désuet mais j’aime cette notion de fouille des données, de raffinage de la donnée sortie de la mine pour la transformer en information, …) ou un bon prestataire, vous permettra d’y prendre goût.

Alors, data science, peut être pas, pas encore. Mais vous y viendrez, c’est presque certain, au rythme de votre maturation, de celle de votre entreprise et de celle des technologies. D’ailleurs, vous les utilisez possiblement déjà sans le savoir, en utilisant une solution intégrant nativement des algorithmes :

• • • Traitement du langage naturel (NLP) pour trier vos messages entrant et apporter une première réponse ;
    • Conseil de ciblage clients et prospects dans votre outil de marketing automation ;
    • Outil d’automatisation de process capable d’orienter un dossier vers le meilleur interlocuteur possible…
    • Ou, pour les lyonnais, pour vous rendre au travail en étant passager de la navette sans conducteur Navya du quartier confluence.

Alors, complexe, la data ?

En fait, ce n’est pas votre problème. C’est à nous, femmes et hommes de data et d’informatique, d’être capable de vous expliquer simplement :

• • • Ce que nous faisons,
    • Comment l’utiliser,
    • Comment vous allez en tirer bénéfice,
    • Et ce dont nous avons besoin, pour vous assurer fiabilité, réactivité, et au final, ROI et confiance.

Mais, honnêtement, peu d’entre nous travaillent à préparer des expéditions vers mars. Et on s’y met généralement à plusieurs pour couvrir tout le spectre :

• • • Informaticiens : Data engineers et data managers pour travailler au développement des bases, architectures techniques ainsi que des flux ;
    • Equipes d’analystes : Data analysts/business analysts pour vous fournir et analyser vos rapports ou vous remettre des études ad hoc. Data scientists pour développer des algorithmes prédictifs ;
    • Relais métier de la data : Data stewards, data owner,.., pour s’assurer de la bonne gouvernance de vos données ;
    • Sécurité et juridique : Data Protection Officer pour garantir le respect de la législation et la sécurité des données ;
    • Et de plus en plus souvent un Chief Data Officer qui jouera les chefs d’orchestre. Il évangélisera l’entreprise. Il mettra en place les structures collaboratives de gouvernance. Le CDO travaillera aussi à détecter les usages porteurs de la data dans l’organisation et définira la roadmap des réalisations techniques ou organisationnelles.

 Mettre la data au service de votre performance est un travail d’équipe.

 

J’espère que ce court lexique de la data vous a éclairé. A la semaine prochaine avec « Les sociétés paient des fortunes pour des outils data dont elles ne tirent pas de valeur » ou comment choisir vos cas d’usage data.

Retrouver l’épisode précédent ici.

N’hésitez pas à commenter, partager ou à vous abonner à nos actualités.