Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Tech4Exec - Pourquoi faut-il gérer votre projet (Big) data comme une start-up gère son produit ?

45 views

Published on

Dans un format intimiste, Tech4Exec démystifie, le temps d’une matinée, les sujets et technologies stratégiques du moment, pour en comprendre les implications, les déclinaisons opérationnelles concrètes et leur intérêt pour l’entreprise.

Le format est simple et efficace : 15 mn de vulgarisation, 25 mn de mise en oeuvre et 1h de retours d’expérience client.

La vidéo est disponible ici : https://youtu.be/Psv0KJsF8kw

https://tech4exec.fr/

Published in: Technology
  • Be the first to comment

  • Be the first to like this

Tech4Exec - Pourquoi faut-il gérer votre projet (Big) data comme une start-up gère son produit ?

  1. 1. #Tech4Exec Pourquoi faut-il gérer votre projet data comme une start-up gère son produit ? Les 3 erreurs qui vouent un projet data à l’échec et comment les éviter Nathan Chauliac, Yoann Benoit
  2. 2. Les 3 erreurs courantes dans les projets data Ou comment vouer un projet data à l’échec
  3. 3. Commencer par construire un DataLake qui répond à tous les besoins Les données avant les usages Erreur #1
  4. 4. Limiter la Data Science à des une exploration sans objectif de mise en production L’exploration sans contraintes Erreur #2
  5. 5. Détacher la performance des modèles de la réalité opérationnelle Les yeux rivés sur la performance Erreur #3
  6. 6. Les 3 erreurs principales Commencer par construire un DataLake qui répond à tous les besoins Limiter la Data Science à des une exploration sans objectif de mise en production Détacher la performance des modèles de la réalité opérationnelle
  7. 7. Les méthodes du Product Management Design Thinking Lean Startup Agile
  8. 8. Comment éviter ces erreurs ? Démarche de réalisation de projets Data Science
  9. 9. Un projet data, de la génération de l’idée à la mise en production Idéation Prototypage eXtrem Archi Design Sprint Réalisation / Mise en production 1 2 3 4 5 Définir le problème à résoudre Idéation Convergence Users won’t care about any particular technology unless it solves a particular problem in a superior way Peter Thiel, founder of Paypal and Palantir Idéation
  10. 10. Un projet data, de la génération de l’idée à la mise en production Prototypage Idéation Prototypage eXtrem Archi Design Sprint Réalisation / Mise en production 1 2 3 4 5 Minimiser le risque du Use Case 1 sprint pour valider les hypothèses critiques GO / NO GO If an image worth a 1000 words, a prototype worth a 1000 meetings IDEO
  11. 11. Un projet data, de la génération de l’idée à la mise en production Idéation Prototypage eXtrem Archi Design Sprint Réalisation / Mise en production 1 2 3 4 5 Extrême Architecture Your focus should be on executing your application’s critical path ridiculously well while balancing the constraints you’ve been tasked with. That's it. Architecture cible Mise en Production simple et rapide Flexibilité pour de nouveaux Use Cases
  12. 12. Un projet data, de la génération de l’idée à la mise en production Idéation Prototypage eXtrem Archi Design Sprint Réalisation / Mise en production 1 2 3 4 5 Design Sprint Prototype UX Testé Validé You can prototype anything. Prototypes are disposable. Build just enough to learn, but not more. Jake Knapp, Creator of Design Sprint
  13. 13. Un projet data, de la génération de l’idée à la mise en production Idéation Prototypage eXtrem Archi Design Sprint Réalisation / Mise en production 1 2 3 4 5 Réalisation / mise en production / industrialisation Data Engineer DevOps Data Sécurité Data Scientist Product Owner Data Dev Back Dev Front UX/UI Designer Equipe Process Dev Mise en prod Récolter Feedback Discover A project fails when no one came up with any better ideas than what was on the initial list of requirements Mike Cohn, co-inventor of Scrum Methodology
  14. 14. What’s next ? Passage à l’échelle
  15. 15. Un projet data, de la génération de l’idée à la mise en production Mise à l’échelle Capitalisation sur les Use Cases, Data Catalog, gouvernance, Continuous Discovery Gouvernance T1 T2 T3 Continuous Discovery Analyse des Gains marginaux Capitalisation
  16. 16. Un projet data, de la génération de l’idée à la mise en production Mise à l’échelle Arbitrage T1 T2 T3 Continuous Discovery Analyse des Gains marginaux Capitalisation Capitalisation GouvernanceOrganisation
  17. 17. Merci Questions ?
  18. 18. Annexes
  19. 19. Chiffrage Profil Etape 1 : Idéation Etape 2 : Prototypage Etape 3 : Extreme Architecture Etape 4 : Design Sprint Product Strategist 9 2 0 4 Data Scientist 6 10 0 0 Data Architect / Data Engineer 0 0 4 0 UX Designer / Expert front 0 0 0 10 TOTAL 15 12 4 14 Étapes 1 à 4
  20. 20. Chiffrage ▼ Durée variable en fonction des Use Cases ▼ Pas d’engagement sur le périmètre -> Peut brider les évolutions Un projet est un échec si personne n’a eu de meilleure idée pendant la réalisation que ce qui était initialement prévu Étapes 5
  21. 21. Un projet data, de la génération de l’idée à la mise en production Product Strategist Data Scientist Idéation Prototypage eXtrem Archi Design Sprint Réalisation / passage à l’échelle Liste des use cases priorisés Prototypes Architecture opérationnelle Maquettes UX / UI Product Strategist Data Scientist Architecte Data Scientist UX Designer Product Owner Développeurs Data Scientists Projet en production 1 2 3 4 5

×