Salon Big Data Paris 2015 : les 10 bonnes pratiques pour la DSI


Rédigé par Thibaut CLEMENT, mc2i Groupe le 22 Juin 2015

En 2014, le Salon Big Data Paris avait mis l’accent sur de nombreux projets de ruptures : exploitation du Big Data pour les essais en vol d’Airbus, success story de Criteo, et bien d’autres. Cette année, si les innovations sont toujours à l’honneur, l’heure est à la maturation. Les grandes entreprises s’organisent pour mener leurs projets Big Data. Retour sur les réponses apportées aux trois grandes questions des DSI sur le sujet.



Thibaut CLEMENT, Consultant mc2i Groupe
A quels enjeux appliquer un projet Big Data ?
Si le mot séduit les entreprises, ses usages métier et ses impacts SI sont encore à définir. Sans surprise, 2014 a donc vu se dérouler de nombreuses études d’opportunités. Deux bonnes pratiques ont été identifiées :

1. S’attaquer à des enjeux métiers complexes. Le Big Data est une technologie de rupture. L’adopter pour résoudre un enjeu faisant consensus n’est ni rentable, ni convaincant. L’innovation sera freinée, les nouveaux usages non identifiés et le métier non convaincu.
2. Analyser les modèles des nouveaux entrants. A l’instar des autres innovations technologiques, le Big Data est porté majoritairement par les start-up apportant des business modèles innovants.

Comment gouverner un projet Big Data ?
La gouvernance des projets Big Data s’harmonise sous le concept de Data Lab. Qu’est-ce qu’un Data Lab ? Tout simplement une cellule unique et pluridisciplinaire de gouvernance des projets Big Data. Equivalent d’une start-up au sein d’une grande entreprise, le Data lab est un melting pot de compétences complémentaires qui permet d’aboutir à une innovation à la fois technologique et business. Ces compétences sont au nombre de cinq :

3. Avoir une vision métier. Une vision business et métier est nécessaire pour développer des produits innovants pertinents.
4. Maitriser la Business Intelligence. Analyse de données, conception de solutions de reporting et d’exploration de données, les compétences décisionnelles restent essentielles aux projets Big Data.
5. Recourir à des Data Scientists. Au cœur des nouveaux usages, l’analyse prédictive nécessite des compétences fortes en statistiques et programmation. Certains logiciels et langages, tels que R, sont incontournables.
6. Effectuer une veille technologique. L’édition Big Data est un marché en expansion. Ainsi le temps de développement des solutions Google a baissé de 80%. Un Data Lab doit pouvoir suivre ces évolutions et s’en inspirer.
7. Posséder une expertise en architecture. Volumétrie, disponibilité, RPO, etc. Les projets Big Data ont des impacts forts sur une infrastructure et nécessitent une expertise dédiée.

Parmi ces compétences, les trois dernières sont encore rares dans les entreprises. Recrutement, formation, capitalisation sur les projets du Datalabs, les entreprises doivent trouver des solutions pour les acquérir.

Comment mettre en œuvre un projet Big Data ?
Les intervenants du salon s’enchainent et prennent des positions différentes. Mais certains messages ne changent pas. Un projet Big Data réussi repose sur 3 bonnes pratiques :

8. S’affranchir du cycle en V. L’objectif est de gagner en temps et en liberté d’évolution. Méthodes agiles, cycle en spirale, mises en production rapides : les solutions ne manquent pas.
9. Mener un Proof Of Concept (POC) élaboré. Les avantages ne sont plus à expliquer pour les projets d’innovation : garantir la viabilité technologique et business du produit, réduire les temps de développement additionnels, etc.
10. Ne pas craindre l’échec. Un projet d’innovation est intrinsèquement plus risqué qu’un projet classique. Un POC ne doit pas être lancé parce qu’il doit réussir, mais parce qu’il le peut.



Dans la même rubrique :