10 écueils limitant l’impact de la Data sur les produits et organisations

‍Nous entrons aujourd’hui dans l’ère de la Data At Scale : les premiers succès de Produits Data arrivent et des enseignements ont été tirés. Le souhait est maintenant de passer à l’étape supérieure : favoriser le lancement de plusieurs Use Cases Data en parallèle et démocratiser la Data au sein de toute l’entreprise pour que chacun puisse être en capacité de prendre des décisions à partir de celle- ci. En d’autres termes : devenir Data Centric. Sauf que ce passage à l’échelle est un chemin semé d’embûches, et c’est un véritable accompagnement au changement qu’il faut opérer, tant au niveau organisationnel que technologique et méthodologique.

Forts de nos expériences et de nos rencontres avec de nombreux Data Leaders, nous avons recensé 10 écueils à éviter afin de franchir un cap et amplifier l’impact de la Data sur les produits et organisations. De l’organisation stratégique au dimensionnement des équipes en passant par les bonnes pratiques de développement de Produits Data, chaque composante aura son lot d’erreurs potentielles. Vous vous reconnaîtrez peut-être dans certaines et pourrez être dans la proactivité pour d’autres. Quelle que soit votre situation, l’objectif est de vous aider à prendre du recul pour prendre les bonnes décisions.

Nous avons organisé nos pensées comme un recueil de points de blocages régulièrement observés lorsque l’on souhaite franchir un cap dans l’impact de la Data dans son organisation et ses produits. Les écueils peuvent être regroupés en trois grandes catégories :

Écueils Organisationnels

• Voir les équipes Data comme des “vendeuses de services”
• Ne pas avoir une équipe Data assez diversifiée
• Croire que la culture Data s’arrête à l’équipe Data
• Ne pas investir dans son équipe Data

Écueils Méthodologiques

• Se lancer trop vite dans des Use Cases complexes
• Tomber dans le piège du PoC infini
• Être pris au piège par ses propres biais

Écueils Techniques

• Penser que sa donnée est de confiance et ne pas investir dans sa qualité
• Penser que la Data est exempte des bonnes pratiques de Software Engineering
• Penser “one-shot” pour l’industrialisation du Machine Learning

Chaque écueil fera l’objet d’un article dédié.

Si vous souhaitez plutôt avoir l’ensemble à portée de main, rien de plus simple ! Vous pouvez télécharger notre eBook dédié directement en pdf, ou bien vous le procurer en version imprimée ou Kindle sur Amazon !