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.
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.
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.
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.