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.

25/01/18 Matinale Data Science

1,148 views

Published on

Data Science : organisation et liens avec les Directions Métiers et la DSI

Comment positionner les Data Scientists dans l’entreprise ? Comment structurer les relations entre Data Science et les autres Directions Métiers ou Support ?

L’explosion des volumes de données et la vulgarisation des outils de Mining et de Machine Learning ont poussé les entreprises à se doter de Data Scientists. Après les premiers succès, l’heure est maintenant à la généralisation et se posent des choix d’organisation.

Doit-on centraliser la Data Science ou laisser l’autonomie aux Directions Métiers ? Comment ventiler les responsabilités entre une Direction Data Science et une Direction Digitale ou Informatique ? Comment organiser la gouvernance autour des données utilisées par les Data Scientists ? Quels sont les enjeux du management d’une team de Data Scientists ?

Pour répondre à ces questions, nous vous invitons à notre matinale en accès libre, au cours de laquelle Gilles VENTURI, Directeur Général de Soft Computing, partagera un panorama des choix effectués par un panel d’entreprises clientes ainsi que des retours d’expérience sur les différents modèles organisationnels autour de la Data Science.

Agenda :
• Data Science : périmètre
• Data Science : les 5 niveaux de maturité
• Modèles d’organisation des fonctions Data Science
• Data Science et autres Directions : RACI
• Data Science : panorama des compétences à cultiver
• Data Science : attirer et fidéliser les talents
• Conclusion

Published in: Technology

25/01/18 Matinale Data Science

  1. 1. © Soft Computing – www.softcomputing.com Data Science : organisation et liens avec les Directions Métiers et la DSI Comment positionner les Data Scientists dans l’entreprise ? Comment structurer les relations entre Data Science et les autres Directions Métiers ou Support ? 25/01/2018
  2. 2. © 2
  3. 3. © 3 Data Science : organisation et liens avec les Directions Métiers et la DSI Matinale le 25 janvier 2018 Comment positionner les Data Scientists dans l’entreprise ? Comment structurer les relations entre Data Science et les autres Directions Métiers ou Support ? L’explosion des volumes de données et la vulgarisation des outils de Mining et de Machine Learning ont poussé les entreprises à se doter de Data Scientists. Doit-on centraliser la Data Science ou laisser l’autonomie aux Directions Métiers ? Comment ventiler les responsabilités entre une Direction Data Science et une Direction Digitale ou Informatique ? Comment organiser la gouvernance autour des données utilisées par les Data Scientists ? Pour répondre à ces questions, nous vous invitons à notre matinale en accès libre, au cours de laquelle Gilles VENTURI, Directeur Général de Soft Computing, partagera un panorama des choix effectués par un panel d’entreprises clientes ainsi que des retours d’expérience sur les différents modèles organisationnels autour de la Data Science. Agenda : 08h45 – 11h00 ▪ Data Science : périmètre ▪ Data Science : les 5 niveaux de maturité ▪ Modèles d’organisation des fonctions Data Science ▪ Data Science et autres Directions : RACI ▪ Data Science : panorama des compétences à cultiver ▪ Data Science : attirer et fidéliser les talents ▪ Conclusion A propos Soft Computing est le spécialiste du marketing digital data-driven. Ses 400 consultants, experts en sciences de la donnée, en marketing digital et en technologies Big Data, aident au quotidien plus de 150 entreprises à travers le monde à exploiter tout le potentiel de la donnée pour améliorer l’expérience de leurs clients et le ROI de leur marketing digital. Soft Computing est côté à Paris sur NYSE Euronext (ISIN : FR0000075517, Symbole : SFT). Soft Computing |55 quai de Grenelle|75015 Paris|01 73 00 55 00 | www.softcomputing.com
  4. 4. © 4 Profil SPECIALISTE 100 % GLOBAL 21 % CA International 30 pays servis DYNAMIQUE 7 % Croissance 2017 40 M€ CA HUMAIN 400 Consultants 25 nationalités INCONTOURNABLE 80 % CAC40 clients 200 clients actifs INNOVANT 9 % R&D /CA EXPERT 1/3 Retail –Finance- Services Data Sciences & Tec Marketing Intelligence & ROI Expérience Digital & Omnicanal
  5. 5. © 5 Vision Explosion du volume et des types de data exploitables IOT Digitalisation Réaction en chaîne sur la puissance et l’usage du prédictif Artificial Intelligence Big Data Nouveaux modèles d’expérience et de relation client Temps réel One2One Mutations des comportements et des attentes client Mobile Social La data a déclenché une disruption des liens de l’individu à la marque
  6. 6. © 6 Mission Data Placer la data au cœur du marketing mix Audience Augmenter le ROI des média digitaux Experience Enrichir l’expérience omnicanal Marketing Développer la valeur client All-in Data Appliquer le meilleur des sciences de la donnée et des technologies digitales pour transformer le marketing et l’expérience client
  7. 7. © 7 Compétences Display email Search SocialFidélité Scrum Masters Use cases Business cases Change Adtec Martec Big Data eCommerce Mobile UX Data mining Deep Learning Predictif AI Product Owners Digital Marketers Business Analysts IT Experts Data Scientists Un assemblage unique de compétences pointues Image miningTime & signals Dataviz Campagnes Analytics Mobile Training CRM Adtec Martec NPS Cloud PMO NLP
  8. 8. © 8 Bénéfices Data Artificial Intelligence Big Data Data sciences Modèles prédictifs Customer Data Platform Data gouvernance & GDPR Data quality & onboarding Audience Analytics Adtec Dataviz DMP Activation média Contribution Attribution Monétisation Experience CRM Mobile & web UX eCommerce Parcours omnicanal Personnalisation Recommandation Social Engagement Marketing Mobile Social Martec Programmes d’acquisition Programmes relationnels Campaign Management Datasharing Ideate – Design Build – Rollout - Run Retours d’expérience Expertises pointues Offres APPORT DE VALEUR ET DE CONTENU EFFICACITE ET SOUPLESSE DU DELIVERY Innovation Pragmatisme Maîtrise
  9. 9. © 9 Book Accompagnement Data Science à la valorisation des données Big Data. Définition de la gouvernance d’un Référentiel client multi- activités et international. Mise en œuvre des flux Big Data pour optimiser les parcours clients. DMP, CRM, orchestration omnicanal, et déploiement du Data-driven Marketing. Mise en œuvre et exploitation opérationnelle d'une DMP. Analyse de l’usage des programmes TV sur les box et ciblage publicitaire 1to1. Reconstitution d’un catalogue produit unique. Modèle de substitution de produits concurrents Moteur de recommandations de contenus. Refonte de la stratégie de fidélisation omnicanale multi- marques. Centre de Services gestion de campagnes multicanal et Web Analytics. Centre de Services gestion des campagnes marketing et connaissance clients. Valorisation des données Web Analytics via l’analyse des parcours de conversion. DMP et valorisation d’audiences. Design des parcours client multi-marque, multi-canal et du référentiel client unique. DataAudienceCampagneExpérience Plate-forme CRM et marketing client internationale multi-marques.
  10. 10. © 10 Actualité
  11. 11. © 11 HUMILITE 41 M Google Search Datascience INDEPENDANCE <2 % Prestations d’organisation ECHANGE 10+ Modèles organisationels DISCRETION 74 % CAC40 clients en datascience PRAGMATISME 120+ Datascientists LEGITIMITE ±100 Clients datascience
  12. 12. © 12 DATASCIENCE : PERIMETRE
  13. 13. © 13 Datascience : en 2 mots
  14. 14. © 14 Horizontalité Datascience Fraude Marketing Maintenance GridSûreté Réseau Risque
  15. 15. © 15 Interdisciplinarité intrinsèque : exemple sur les applications marketing Moteurs de recommandations Reconnaissance vocale Analyse textuelle Reconnaissance d’image Analyse de sentiments Traitement du signal
  16. 16. © 16 Interdisciplinarité horizontale Analyse de données Développement d'application Collaboration Créativité Intelligence artificielle Big data Expertise métier Programmation Intégration informatique Visualisation de données
  17. 17. © 17 Interdisciplinarité verticale Hardware API Deep Learning Platform backend Langage Textbook Deep Learning framework
  18. 18. © 18 Process générique Cadrage Plan d’étude Collecte data Préparation data Nettoyage data Exploration Analyse Validation Recette métier Tests Intégration data Intégration modèle Déploiement Logs Mesure Optimisation
  19. 19. © 19 Datascience : la trinité BusinessDatascience Technologies
  20. 20. © 20 DATASCIENCE : ORGANISATION
  21. 21. © 21 Les niveaux de maturité des organisations Je veux y aller T0 Q : par où commencer ? R : Etablir un plan détaillé de cas d’usage en partant des données. J’hésite encore T0-T1 Q : qui peut sponsoriser ? R : Développer des POC probants. J’avance mais c’est lourd T0-T1 Q : comment être plus fluide ? R: Faciliter les échanges entre datascientists et IT Je dois m’industrialiser T1-T2 Q : comment démultiplier mes premiers succès ? R : Créer un CDS pour partager les bonnes pratiques et favoriser la collaboration Je change la culture d’entreprise T3 Q : comment faire que toute l’entreprise devienne data- driven ? R: Changer la culture en simplifiant l’accès aux outils et aux résultats.
  22. 22. © 22 Datascience : les modèles d’organisation Chef DSC Chef Métier Equipe DSC Chef Métier Equipe DSC Chef DSC Chef MétierEquipe DSC Chef Métier Equipe DSC Centralisé Décentralisé Matriciel Bénéfices Capitalisation Attractivité pour les talents Réactivité Buy-in métiers Meilleur des 2 mondes Inconvénients Connaissance métier moindre Capitalisation et re-use moindre Taille critique et complexité à gérer Retour d’expérience Buy-in et sensibilisation Transparence du pipeline Gouvernance et Knowledge Management transverse Gestion des priorités et transparence du pipeline
  23. 23. © 23 DATASCIENCE+IT : ADHERENCES
  24. 24. © 24 Datascience et IT : l’agilité au coeur Collecter Explorer Transformer Modéliser Appliquer J’en ai besoin pour hier. Ca devrait prendre 2 semaines dès que j’ai les data. Il me faut 4 semaines pour sortir les data et 12 semaines pour intégrer les résultats. Ok, je configure mon IA (watson/ einstein/ sensei/Cortana…), ça sera bon demain L’IA est câblée avec les data et un serveur d’appli, j’appuie sur le bouton de mep de mon Devops dès que j’ai votre go. J’en ai besoin pour hier.
  25. 25. © 25 Datascience et IT : 3 modèles d’organisation Collecter Explorer Transformer Modéliser Appliquer Startup Industrie Retail
  26. 26. © 26 DATASCIENCE ET IT : SKILLS
  27. 27. © 27 Datascience et IT : compétences
  28. 28. © 28 Datascience et IT : skills Qlik Shiny Tableau Einstein Watson TensorFlow Hive Hadoop Cassandra Spark Python Scala Knime R Dataiku Kafka Github Scrum PIC j2e Azure AWS Google Cloud
  29. 29. © 29 Culture de la data Vision Connaissance métier Coding & intégration Datascience et IT : RACI Data- scienceChef DSC Répondre aux enjeux business avec les techniques datasciences Chef Métier Définir les enjeux business Grand Chef Impulser la vision et le changement Chef IT Agiliser l’accès aux data et industrialiser les modèles
  30. 30. © 30 Data- science Chief Data Officer Juridique Achats Data Privacy Officer Gouvernance Légalité GDPRMonétisation Innovation R&D
  31. 31. © 31 DATASCIENCE ET IT : CULTURE
  32. 32. © 32 Sujets variés Sujets pointus Compétences équipe Moyens à disposition Datascience et IT : attractivité RH
  33. 33. © 33 Datascience et IT : développer une culture d’entreprise de la data Tolérer l’échec • La découverte passe par l’échec Développer l’ouverture • La datascience n’est rien sans collaboration Faciliter l’accès • La démocratisation nécessite des accès fluides aux data Valoriser le travail • Les efforts sont louables autant que les résultats Simplifier les outils • La performance est moins critique que la généralisation Aplatir la hiérarchie • Trop de niveaux tue la collaboration
  34. 34. © 34 - www.softcomputing.com - @softcomputing @softcomputing @softcomputing Merci ! Des questions contact@softcomputing.com – Tél. : +33 (0)1 73 00 55 00

×