L’analytique comme fonction stratégique : l’essor du data scientist

Les entreprises n’ont jamais eu accès à autant de données et la plupart admettent que l’analyse des données a des effets positifs. À cet égard, Amazon est toujours cité en exemple. Pionnière de l’analyse des données, la société a en effet lancé la fonctionnalité « Les clients ayant acheté cet article ont également acheté… ». Aujourd’hui, les recommandations d’Amazon sont basées sur la liste d’envies de l’utilisateur, les articles vus et les articles achetés par d’autres clients ayant un comportement d’achat similaire. L’analyse prédictive gagne ainsi en précision, ce qui a un effet positif.

Par Andrew Pease, Principal Business Solutions Manager chez SAS

Cet effet positif est également souligné par la récente étude mondiale de McKinsey, « The need to lead in data and analytics », sur la nécessité d’ouvrir la voie dans le domaine des données et de l’analytique. La majorité des personnes interrogées pensent que, dans les années à venir, leurs activités d’analyse auront un impact positif sur le chiffre d’affaires de la société, ses marges et son efficacité opérationnelle.

Il n’est pourtant pas si facile de tirer des enseignements utiles de gigantesques quantités de données, puis de prendre des mesures précises. De plus en plus d’entreprises placent tous leurs espoirs dans les data scientists.

 

Encore un concept à la mode ?

 

Aujourd’hui la Silicon Valley regorge de data scientists et les entreprises se bousculent pour recruter les professionnels avec le bon profil, ce qui témoigne de l’engouement actuel pour l’analytique. Mais, au-delà de l’effet de mode, l’essor de ce métier est bien réel. Alors, qu’est-ce qui fait que les data scientists sont si recherchés ? À mon avis, la science des données va un peu plus loin que la simple analyse. Un data scientist utilise des techniques plus avancées pour identifier les enjeux commerciaux, recueillir les données pertinentes et publier des informations exploitables. Il est capable de découvrir des tendances dans les données et de formuler des prévisions significatives.

Des connaissances en statistiques sont certes utiles, mais pour réussir vraiment, le data scientist doit posséder des compétences diverses. Les data scientists doivent avoir une forte envie d’apprendre, d’innover et d’améliorer les choses. Bien sûr, ils doivent trouver les données, les analyser, les interpréter et partager les résultats, mais s’ils ne posent pas les bonnes questions dès le départ, toutes ces données et le meilleur bagage statistique au monde ne leur seront d’aucun secours.

Selon l’étude de McKinsey, l’un des principaux obstacles à un projet analytique efficace est le manque de communication. Les data scientists doivent être à la fois capables d’interpréter les données et de communiquer leurs découvertes aux décideurs de leur entreprise. Ils doivent également rendre les mécanismes analytiques assimilables par les personnes concernées dans l’entreprise. Les techniques de visualisation sont par exemple d’une aide précieuse, sachant qu’une image vaut mieux qu’un long discours — ou que les lignes d’une feuille Excel, en l’occurrence. En rendant l’analytique abordable, les décideurs auront une vision claire des avantages de cette technologie pour leur entreprise, ce qui facilitera son adoption.

 

Rôle de la direction

 

L’absence de leadership est un autre obstacle à franchir pour devenir une entreprise véritablement orientée données. Un quart des personnes interrogées par McKinsey au sein d’entreprises très performantes sont convaincues que l’implication des cadres dirigeants dans les activités portant sur les données joue un rôle essentiel dans l’efficacité des techniques analytiques mises en œuvre. La science des données étant aussi importante pour le service informatique que pour l’entreprise, il arrive que la fonction passe entre les mailles du filet et ne reçoive pas toute l’attention qu’elle mérite de la part de l’une ou l’autre partie. En transformant cette technologie en initiative organisationnelle et stratégique, les entreprises offriront aux data scientists le temps et les ressources dont ils ont besoin pour réussir.

Par ailleurs, bien que l’analytique arrive en tête des priorités des dirigeants, nombre d’entre eux ne font pas suffisamment bien passer le message dans l’entreprise. Toujours selon McKinsey, 38 % des PDG affirment piloter le projet analytique de leur entreprise, ce qui n’est confirmé que par seulement 9 % des autres cadres supérieurs, qui citent plus volontiers les DSI, directeurs marketing ou chefs de divisions opérationnelles comme responsables des initiatives en matière d’analytique. Mais au fond, peu importe qui est aux commandes, du moment que l’analytique constitue une fonction métier stratégique. Jusqu’à présent, l’analytique a été souvent perçue comme une fonction secondaire des services informatiques. La solution ERP constitue la pièce maîtresse, l’analytique venant simplement se greffer dessus. Souvent, le service informatique la considère même comme un jouet marketing. Promouvoir l’analytique au rang de fonction stratégique est donc la première des bonnes pratiques à mettre en œuvre. Toutefois, pour la plupart des entreprises, cela ne se fera pas du jour au lendemain. Il faudra du temps pour définir des profils analytiques, et les personnes concernées devront sans doute commencer par prouver qu’elles peuvent réussir avant d’accéder à un poste de plus haut niveau.

Dans ce contexte, on note l’émergence du directeur de l’analytique (CAO, Chief Analytics Officer) qui a un rôle au conseil d’administration et, outre son immense travail analytique, il s’emploie à évaluer en permanence l’influence de l’analytique sur l’optimisation de l’activité.

Chaque entreprise utilise l’analyse de données à sa façon. Si certaines nomment un CAO, d’autres préfèrent mettre en place une équipe analytique qui peut même être polyvalente. Il n’y a pas de solution toute faite. Les entreprises doivent tenir compte de leurs spécificités. Certaines peuvent décider d’embaucher des spécialistes externes de l’analytique faute de compétences en interne. Cependant, l’analyse des données étant un volet stratégique important du business plan, il est primordial d’internaliser les processus analytiques à un moment ou un autre.

 

Analytique exploitable

 

La plupart des grandes entreprises recrutent déjà des data scientists. À l’ère des big data et de la convergence des secteurs d’activité, elles réalisent que les informations contenues dans une transaction sont encore plus précieuses que la transaction proprement dite. À ce jour, la banque qui enregistre la plus forte croissance au Royaume-Uni est en fait le géant de la grande distribution Tesco. Le secteur financier compte déjà un grand nombre de data scientists. La grande distribution suit et, cette année, la demande de data scientists devrait également exploser dans le secteur de l’industrie. Avec la révolution de l’Internet des objets (IoT), l’analyse de grandes quantités de données relevées par les capteurs va revêtir une importance capitale.

Le succès de la science des données en entreprise ne repose pas seulement sur des algorithmes. La créativité est essentielle, non seulement pour étudier les chiffres, mais aussi pour présenter les informations obtenues à tous les décideurs de l’entreprise. Si les data scientists ne rendent pas les résultats accessibles et compréhensibles, leurs interlocuteurs dans l’entreprise auront du mal à agir « uniquement parce que c’est l’ordinateur qui le dit ».

 

Andrew Pease, Principal Business Solutions Manager chez SAS

Fort de plus de 20 ans d’expérience dans le domaine de la science des données, Andrew Pease est responsable des analyses avancées pour le Centre d’Excellence Global de SAS. Andrew aide les entreprises et institutions de tous secteurs à relever leurs défis en utilisant des techniques analytiques puissantes : processus de décisions, apprentissage automatique, prévision des séries chronologiques, optimisation et analyse des données non structurées.

Andrew intervient avec enthousiasme sur une grande variété de sujets liés à l’analytique et s’efforce de rendre digestes les sujets les plus complexes. Il pratique la course à pied avec le même enthousiasme et joue de la guitare dans des groupes.