De plus en plus d’entreprises investissent dans des projets d’analyse des données, et plus seulement dans le monde de la tech.
Cela passe bien sûr par le recrutement de talents data. Se pose alors la question : comment intégrer ces nouvelles recrues aux équipes actuelles et les faire collaborer avec le reste de l’organisation ? Puisque pour beaucoup d’entreprises, il s’agit de compétences nouvelles, la question est loin d’être triviale.
De plus, les profils data sont en forte demande et « coûtent » cher à recruter, ce qui génère d’autant plus d’attente. L’organisation des équipes est donc un sujet à considérer sérieusement avant de se lancer dans la data.
Dans cet article, nous allons explorer quelques pistes de réflexion concernant cette problématique. Ces pistes devraient vous aider à déterminer comment intégrer un ou plusieurs spécialiste(s) data dans votre organisation pour apporter le plus de valeur possible.
Quels sont les objectifs de votre stratégie data ?
Avant de recruter toute une équipe de data scientist, vous vous êtes probablement posé la question du pourquoi, car évidemment, vous devez organiser vos équipes au mieux en fonction de vos objectifs.
Analytique business
Tout d’abord, un spécialiste data peut avoir pour rôle d’épauler les décideurs et les équipes business dans leurs prises de décision.
Le plus souvent, ce sera le rôle de celui qu’on appelle « data analyst ». Il s’agit par exemple d’analyser les résultats d’une campagne marketing.
Il aura relativement peu d’interaction avec les autres équipes IT, hormis pour pouvoir accéder aux données. C’est au plus près des équipes business qu’il aura le plus d’impact.
Analytique produit
On retrouve un rôle similaire appliqué au produit lui-même. Il s’agit alors d’analyser les données relatives au produit pour guider son développement.
Par exemple, on peut se demander quelles sont les fonctionnalités les moins utilisées et pourquoi. Dans ce cas, le spécialiste data collabore principalement avec le responsable produit, car c’est ce dernier qui fixe la direction dans laquelle le produit évolue.
Il peut aussi collaborer avec les développeurs pour les assister et s’assurer que la mise en œuvre répond aux problématiques soulevées par ses analyses.
Intelligence artificielle et machine learning
Un objectif supplémentaire est le développement de fonctionnalités basées sur l’intelligence artificielle à intégrer au produit ou pour fournir des outils à vos équipes. On sort du champ de l’analytique pour rentrer dans un projet plus complexe avec un livrable sous la forme d’un logiciel fonctionnel.
Ce type de projet nécessite l’intervention de plusieurs spécialistes data, mais aussi de toute la chaîne IT pour intégrer cette solution à l’infrastructure existante. Un bon exemple serait la mise en place d’un moteur de recommandations basé sur le profil de vos utilisateurs et leurs interactions avec vos contenus.
La complexité d’un tel projet milite en faveur d’une équipe data dédiée, en lien avec les équipes de développement lors de la mise en production et ensuite pour le suivi.
Collecte et gestion des données
Enfin, un autre rôle des équipes data concerne la collecte et la gestion des données de l’entreprise.
Généralement, il ne s’agit pas d’une fin en soi, mais plutôt d’une étape nécessaire, notamment pour réaliser les objectifs listés ci-dessus.
Dans ce cas, la collaboration s’opère autour de deux axes :
- d’une part, collaborer avec les responsables produits et/ou les autres spécialistes data pour comprendre quelles données sont nécessaires ;
- d’autre part, collaborer avec les équipes opérationnelles pour adapter l’infrastructure actuelle à des problématiques datas (création d’un data lake, mise en place de pipelines…).
La collaboration n’est pas le seul sujet à régler lors d’un projet data, il faut aussi s’assurer du soutien de la Direction, lister les ressources disponibles… Voici un article des Echos intéressant à ce sujet.
Intégrer les spécialistes data dans l’organisation existante
Une fois que l’on sait quel est le rôle d’un spécialiste data, il faut l’intégrer à une équipe.
Il est difficile de donner des conseils génériques, car chaque entreprise a sa structure propre. Nous allons nous intéresser ici à trois alternatives de structure d’équipe que l’on retrouve couramment :
- les équipes produit ;
- les équipes spécialisées (sur une technologie, par exemple) ;
- les cas hybrides (par exemple, une structure en matrice où spécialistes et responsables projets sont complètement séparés, les premiers étant attribués aux seconds en fonction des besoins).
Pour une comparaison plus détaillée de chacune de ces structures, cet article publié par des consultants en approche Agile vous sera très utile.
Équipes produit
Dans une telle organisation, on assignera un (ou plusieurs) spécialiste(s) data à chaque équipe produit pour les épauler. Ceci est particulièrement adapté si votre objectif est de faire de l’analytique produit ou business.
Cependant, les spécialistes data travailleront en silo. Leurs méthodes et outils auront tendance à diverger, créant peu de synergie entre eux et compliquant la gestion et la collecte des données.
Plus de détails sur cette structure dans cet article (en anglais).
Équipe spécialisée
On crée une équipe data dédiée pour augmenter la collaboration entre les spécialistes data. Cela permet d’harmoniser les méthodologies et les outils et de créer des synergies essentielles pour traiter des sujets très spécifiques. Cette structure sera plus adaptée à des projets complexes d’intelligence artificielle, par exemple.
Le point négatif avec cette structure est l’isolement de l’équipe data. Beaucoup d’idées risquent de rester au stade de POC et la mise en production de projets data sera laborieuse.
Plus de détails sur cette structure dans cet article (en anglais).
Équipes hybrides
Il s’agit ici d’avoir une équipe data dédiée, avec une direction unifiée, mais dont les membres sont assignés aux autres équipes en fonction de la stratégie et des besoins.
L’idée est de limiter les risques liés aux alternatives précédentes en proposant un entre-deux adapté à la plupart des situations.
Évidemment, cette option a aussi des points négatifs, notamment :
- réussir à allouer les ressources de manière équitable et efficace ;
- les projets data s’exécutent sur des temps longs et demandent une forte implication – un spécialiste data changeant régulièrement de projet peut perdre en efficacité.
Plus de détails sur cette structure dans cet article (en anglais).
Voilà donc un aperçu des options possibles lorsqu’il s’agit de faire collaborer des spécialistes data avec les autres équipes de votre entreprise. L’étape suivante sera la mise en place de process adaptés à votre organisation et à la réalisation des objectifs de votre stratégie data.
