Pour envoyer un projet Data ou IA dans le mur, les méthodes ne manquent pas. Les plus courantes sont sans doute de se focaliser sur les technologies et le recrutement de Data Scientists, un objectif business flou ou inexistant, et le projet Big Bang.

Entre 2013 et 2015, les grandes entreprises se sont souvent focalisées sur les aspects techniques des projets Data au travers du déploiement de solutions Big Data. Les échecs étaient nombreux avec seulement 15% de projets en production en 2015 d’après Capgemini. Les organisations connaissent des revers équivalents avec la Data Science, dont Gartner estime le taux d’échec à 85%.

La maturité croissante des entreprises dans ce secteur permet aujourd’hui d’identifier les principales raison de ces ratés. Et selon Chafika Chettaoui, Chief Data Officer du groupe Suez, ces erreurs peuvent se classer dans quatre grandes catégories. La première consiste, toujours, à considérer les projets Data sur le seul plan technologique.

Une Data Taskforce pluridisciplinaire chez Suez

Les plateformes sont indispensables, en particulier pour sécuriser et rendre accessible la donnée. Elles ne suffisent pas néanmoins. « Nous avons aussi besoin d’une organisation claire, bien définie, avec en interne des rôles Data techniques et business », souligne la CDO, qui s’exprimait à l’occasion du Hubday Data.

Suez a donc mis sur pied une « Data Taskforce » de plus de 200 personnes aujourd’hui, présentée comme « une communauté collaborative » réunissant experts de l’IT et de la Data, mais aussi métiers et ressources humaines. Et cette communauté est structurée autour de grands piliers que sont l’analytique, la gouvernance, l’architecture, la culture, mais aussi le delivery.

« Si on ne délivre pas des projets et qu’on n’exploite pas les données, cela ne sert à rien », rappelle Chafika Chettaoui. Mais le lancement de produits Data en production ne sera possible qu’à condition de développer aussi une culture de la donnée au sein de l’organisation. Dans ce domaine, Suez s’appuie sur « L’Académie », pilotée par les RH.

Les ressources humaines conduisent ainsi une démarche d’acculturation et de formation décomposée en trois niveaux. Le premier, baptisé « Data for All », vise à acculturer l’ensemble des collaborateurs dans le but de démystifier la Data et l’IA, mais aussi d’expliquer la responsabilité de chacun dans ce chantier de transformation.

Et la première population acculturée en interne a été celle des dirigeants. « Nous avons commencé Data for All par nos dirigeants. Leur sponsorship, leur disponibilité, leur compréhension de ces enjeux sont clés pour atteindre cette transformation au sein d’un groupe », justifie la CDO.

Acculturer et former à tous les niveaux

Le deuxième niveau, « Data for Users », cible les utilisateurs quotidiens de la donnée et repose sur des formations spécifiques. Enfin, dans un environnement où outils et méthodes évoluent rapidement, Suez forme en continu ses experts de la donnée, dont ses Data Scientists. C’est le troisième niveau.

Former ces experts est essentiel, mais attention cependant à ne pas s’appuyer uniquement sur ces profils pour mener une transformation Data. C’est le deuxième écueil dans ce domaine. Le Data Scientist est « clé dont l’exploitation des données et leur valorisation, mais seul, il n’est pas suffisant. »

Les entreprises les plus mâtures en termes de Data ne l’ignorent pas et ont donc mis en place des équipes combinant différents profils techniques. Et parmi ceux-ci, des Data Engineers. Cette fonction fait en particulier le lien entre l’IT et les Data Scientists. L’ingénieur des données interviendra dans la mise en production des projets d’IA « d’une façon robuste et sécurisée. »

A ces fonctions techniques s’ajoutent des profils métiers, dont le Data Steward. Son rôle est notamment de veiller à la qualité des données et d’accompagner le changement. Il s’assure aussi que les projets mis en place sont effectivement exploités par les utilisateurs business finaux. « Une IA réussie est une IA utilisée, et pas seulement une IA avec un bon taux de prédiction », déclare Chafika Chettaoui.

Mais une IA réussie, c’est surtout une réponse à une problématique business bien identifiée. Négliger cette dimension constitue la 3^e cause principale d’échec de ces projets. La donnée devra donc, par exemple, permettre  d’améliorer la performance d’un processus ou d’une activité, ou supporter de nouveaux business models.

La méthode des petits pas et des résultats rapides

« Le pourquoi d’un projet est essentiel pour fédérer les acteurs pour qu’ils en comprennent l’intérêt pour eux et pour l’organisation », souligne la Chief Data Officer. Enfin dernière erreur récurrente, se lancer dans des réalisations de grande envergure dans une approche cycle en V ou en misant sur des géants technologiques pour mener la transformation data driven.

Pour l’experte de Suez, la stratégie gagnante dans ce secteur peut se résumer ainsi : « Think big, start small, show value fast ». L’ambition doit être forte et portée par la direction, s’appuyée sur des compétences en interne, mais elle doit aussi se mettre en œuvre de manière itérative au travers des méthodes agiles et donc « de livrables moins ambitieux ».

De premiers résultats doivent être disponibles rapidement et régulièrement pour les métiers afin de démontrer la valeur du projet et fédérer. Mais cette méthodologie s’inscrit également dans une démarche de « Test & Learn », qui pourra aboutir à des abandons lorsque le ROI n’est pas au rendez-vous.

Pour expérimenter, Suez dispose d’un incubateur interne, un « Digital Hub ». Sa fonction est d’accélérer des projets Data et expérience client sur une période de six mois. Au terme de cette période, le projet doit aboutir à un MVP, un produit minimum viable. C’est dans le cadre de ce Hub que le groupe teste par exemple des applications de la vision par ordinateur ou Computer Vision pour le traitement des déchets sur ses incinérateurs.