Decideo - Actualités sur le Big Data, Business Intelligence, Data Science

Abonnez-vous gratuitement à Decideo !


Decideo

 


Big Data + mauvaise méthode = Big Echec !


Rédigé par le 29 Août 2015

C'est officiel, il n'y a plus aucune société de service ou de conseil qui ne se soit pas lancé à la conquête de l'eldorado du Big Data. En effet, aux vues des dernières analyses, le marché du Big Data s'élèverait à 40 milliards de dollars pour l'année 2015 et il connaitra, selon les prévisions, une croissance de 14% chaque année jusqu'en 2020. Ainsi, la course vers cette masse immense d'opportunités est devenue une évidence pour ces sociétés, même pour celles qui, il n’y a pas si longtemps, osaient déclarer, qu'il ne s'agissait là que d'un buzz médiatique.



Abed Ajraou
Abed Ajraou
Cependant, rares sont les sociétés qui accompagnent les entreprises de la meilleure des façons, c'est à dire en proposant une méthode innovante et adaptée aux défis du Big Data.

Naviguer dans l'inconnu

Un des points communs des initiatives Big Data est l'inconnu. En effet, il est impossible de prédire si la question business soulevée apportera un retour sur investissement pour l'entreprise.

Cette situation est bien connue des startups. Lorsqu'une idée émerge, il est difficile de prédire si l'idée sera fructueuse sans réaliser des études de marché assez onéreuses. C’est pourquoi plusieurs startups ont lancé une méthode pour minimiser le coût d'implémentation et ainsi identifier concrètement si les clients seront au rendez-vous. Le Learn Startup est bien plus qu'une méthode agile, elle permet de définir le MVP, "minimum viable product" et d'itérer, tout en analysant les retours et ainsi déterminer si le produit est sur la bonne voie. L’exemple le plus emblématique est celui de la société Zappos.com qui souhaitait lancer une plateforme de vente de chaussures en ligne. Au lieu de se lancer dans le développement d'un site e-commerce coûteux et long, ils ont défini le MVP comme une simple page web avec des photos de chaussures et ils ont suivi le retour des campagnes marketing afin de s'assurer si le marché est porteur. Aujourd'hui Zappos.com génère plus d'un milliard de dollars de chiffre d'affaires.

Actuellement, de nombreuses sociétés de services conseillent d'appliquer des méthodes anciennes (modèles en V, hybride, SCRUM ...) pour répondre à des problématiques pourtant nouvelles. Comment demander à des entités métiers de rédiger une expression de besoins, voire même une "user story" tout en sachant que l'idée peut être non pertinente? Comment minimiser le risque et aider les entreprises à peaufiner une idée de manière à ce que l'entreprise en sorte gagnante?

Définir la MVA: Minimum Viable Application

Malheureusement, plusieurs entreprises ont pris le virage du Big Data complètement à l'envers. Elles ont considérées le Big Data comme un sujet technique alors que le Big Data n'a de sens que s'il y a un intérêt business. Ainsi, des clusteurs Hadoop ont été mis en œuvre pour stocker des données, alors que le retour sur investissement sur l'exploitation de ces données n'a pas encore été démontré.

Dans la transformation numérique, il est devenu vital de se poser les bonnes questions business et ainsi tenter de résoudre des problématiques business grâce aux datas.

Big Data + mauvaise méthode = Big Echec !
À l'instar du Lean Startup, lorsque l'on souhaite lancer un "use case" sur le Big Data, il est vital de définir la "MVA": Minimum Viable Application. Cette MVA a plusieurs vertus:
1. Elle permet d'investir peu tout en se rassurant sur l'objectif business attendu.
2. Elle permet de disposer d'une application opérationnelle et utilisable par des utilisateurs métiers, même si cette dernière n'est pas optimale et est encore minimaliste.
3. Elle permet de disposer d'éléments mesurables qui déboucheront sur une nouvelle version plus riche, et plus adaptée à l'expérience utilisateur.

Cette méthode se veut itérative et permet de ne pas tomber dans de longs et exorbitants chantiers. Beaucoup de sociétés de conseil souhaitent appliquer les seules méthodes qu'elles maitrisent, or le big data est une remise en question sur plusieurs niveaux: technique, business, organisationnel et aussi méthodologique. Méfiez-vous donc des sociétés qui essayent de vous vendre des projets avec des méthodes non adaptées et qui aboutiront très certainement à de longs chantiers et à des frustrations.




Commentaires

1.Posté par Philippe NIEUWBOURG le 30/08/2015 17:39
Pour ceux qui se demandent comment certaines sociétés de services pourraient proposer encore des méthodes "anciennes", non adaptées selon cet article de Abed, aux enjeux nouveaux du big data, voici quelques liens qui vous aideront à comprendre ce dont il parle :
http://www.keyrus.fr/media/Avis_dExpert_Big_Data_mai_2012.pdf
http://www.ysance.com/notre-methodologie-big-data.html
http://blog.businessdecision.com/digital/2015/02/marketing-agile/

Comme vous le constaterez, on est loin du lean et du MVP... :-)
Selon certaines études, la majorité des projets BI seraient des échecs... est-il alors raisonnable d'appliquer les mêmes méthodes qui ont conduit à ces échecs ? Pensez-y avant de confier votre projet à un prestataire...

2.Posté par Abed AJRAOU le 31/08/2015 09:06
Merci Philippe pour ce commentaire.
Autres sources d'inspiration sur les projets Big Data en échec: http://data-informed.com/why-big-data-projects-fail/

Aussi, Tom d'IBM évoquait déjà le MVI en octobre 2013 - Minimum Viable Insights (qui fait sens) mais sans aller dans le détail - bien dommage: http://www.ibmbigdatahub.com/blog/different-methodology-big-data

3.Posté par Vallaud le 01/09/2015 01:48
Il me semble que les problmatiques data sont assez peu "big" en fait, les volumes (très gros) sur lesquels je travaille pourraient se passer d'Hadoop mais cela fait gagné du temps. Les solutions de plus en plus clefs en main proposer par les fgros éditeurs http://www.microsoft.com/france/serveur cloud/datainsights/accelerate-innovation.aspx?WT.srch=1&WT.mc_ID=9ooTnnj8 permettent de mener des projets très vite : DMRP de BVA c'est avec ce type de solution que nous l'avons crée
Après j'ai l'impression que le schéma d'Abed ressemble un peu à CRISP DM avec son cycle analytique et la bonne question métier à se poser en début de projet avec la notion de ROI prospectif ou certain schémas que l'on trouve dans Market de BPras sur la façon de conduire des études de marché
Une réinvention d'éléments existants en fait

4.Posté par Abed AJRAOU le 01/09/2015 12:32
Merci Thierry pour ce commentaire.
Tout de même, arrêtons de croire qu'un outil "clé en main" peut réaliser un travail méthodologique qui bouleverse nos habitudes. J'ai l'impression que certains limitent ce changement en profondeur uniquement sur l'utilisation de nouveaux outils ... c'est bien dommage.
Aussi, comment peut-on comparer le "Lean Startup" au CRISP-DM? Finalement, il serait opportun que nos statisticiens retirent leurs oeillères et qui arrêtent de parler et de regarder le monde que par leur métier.

5.Posté par Vallaud le 02/09/2015 00:05
Pourtant je pense être plutôt ouvert....à l'innovation.....
Je parlai plus de solutions de plus en plus packagées pour déployer rapidement et à moindres couts des approches big data que propose certains éditeurs : Azure de MS par exemple cf le loen de mon email précédent.
Mais il me semble avoir plus appris de http://www.amazon.fr/Comment-jai-foir%C3%A9-ma-start-up/dp/2708125915 Comment j'ai foiré ma start up que de tous les ouvrages sur le lean.....
Mais j'admet que l'approche lean start up puisse apporté des choses à certaines d'entre elles....

6.Posté par Abed AJRAOU le 02/09/2015 08:23
Merci Thierry pour ce commentaire.

Le concept du Lean Startup n'existait pas encore en 2000/2001, lorsque Nicolas écrivait ses déboires sur l'éclatement de la bulle internet. Mais bon.

Après, une méthodologie adaptée permet de partir du bon pied, mais cela n'est effectivement pas magique. Comme évoqué dans le billet, il faut aussi une technologie adaptée, une organisation adaptée et une capacité du management à motiver une équipe dans ce sens.

Nouveau commentaire :
Twitter

Vous pouvez commenter ou apporter un complément d’information à tous les articles de ce site. Les commentaires sont libres et ouverts à tous. Néanmoins, nous nous réservons le droit de supprimer, sans explication ni préavis, tout commentaire qui ne serait pas conforme à nos règles internes de fonctionnement, c'est-à-dire tout commentaire diffamatoire ou sans rapport avec le sujet de l’article. Par ailleurs, les commentaires anonymes sont systématiquement supprimés s’ils sont trop négatifs ou trop positifs. Ayez des opinions, partagez les avec les autres, mais assumez les ! Merci d’avance. Merci de noter également que les commentaires ne sont pas automatiquement envoyés aux rédacteurs de chaque article. Si vous souhaitez poser une question au rédacteur d'un article, contactez-le directement, n'utilisez pas les commentaires.


Twitter
Rss
LinkedIn
Facebook
Apple Podcast
App Store
Google Play Store