298 lines
7.3 KiB
Markdown
298 lines
7.3 KiB
Markdown
|
<!--
|
|||
|
|
theme: default
|
|||
|
|
paginate: true
|
|||
|
|
footer: Glenn Rolland © 2020
|
|||
|
|
-->
|
|||
|
|
|
|||
|
|
# Gestion de projets _data_
|
|||
|
|
|
|||
|
|
### Introduction, définition et enjeux
|
|||
|
|
|
|||
|
|
> Glenn Y. Rolland
|
|||
|
|
> <glenux@glenux.net>
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
<!--
|
|||
|
|
_class: chapter
|
|||
|
|
-->
|
|||
|
|
|
|||
|
|
## Les data, qu'est-ce que c'est ?
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## Les data, qu'est-ce que c'est ?
|
|||
|
|
|
|||
|
|
### Étymologie
|
|||
|
|
|
|||
|
|
Du latin _datum_ (supin de _do_)
|
|||
|
|
|
|||
|
|
* Don, cadeau, présent
|
|||
|
|
* S'utilise principalement au pluriel
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## Les data, qu'est-ce que c'est ?
|
|||
|
|
|
|||
|
|
### Définition
|
|||
|
|
|
|||
|
|
* (Informatique) Données, faits, informations.
|
|||
|
|
* (Philosophie) Se dit de faits connus dans le domaine scientifique et servant
|
|||
|
|
de départ à des recherches futures. (corrélatif de desiderata)
|
|||
|
|
|
|||
|
|
----
|
|||
|
|
|
|||
|
|
<!--
|
|||
|
|
_class: chapter
|
|||
|
|
-->
|
|||
|
|
|
|||
|
|
## Contexte
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## Contexte
|
|||
|
|
|
|||
|
|
### Un monde capitaliste... une incitation à
|
|||
|
|
|
|||
|
|
* Vendre plus cher
|
|||
|
|
* Vendre plus
|
|||
|
|
* Elargir le marché (croissance horizontale)
|
|||
|
|
* Mieux cibler sa prospection → connaitre le consommateur
|
|||
|
|
* Payer moins cher les ressources
|
|||
|
|
* Être plus efficace / ressource
|
|||
|
|
* Produire plus / ressource
|
|||
|
|
* Acquérir de nouvelles compétences (croissance verticale)
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## Contexte
|
|||
|
|
|
|||
|
|
### De plus en plus d'organisations...
|
|||
|
|
|
|||
|
|
* Qui ont fait ou font leur transition numérique
|
|||
|
|
* Qui constatent qu'elles possèdent de l'information métier
|
|||
|
|
* Qui optent pour des stratégies data-driven
|
|||
|
|
* Qui se lancent dans un marathon de projets _data science_ et _intelligence artificielle_
|
|||
|
|
* Qui espèrent profiter des avantages des nouvelles technologies et de la donnée
|
|||
|
|
|
|||
|
|
----
|
|||
|
|
|
|||
|
|
## Contexte
|
|||
|
|
|
|||
|
|
### De plus en plus de métiers...
|
|||
|
|
|
|||
|
|
* De plus en plus de demande pour les compétences data
|
|||
|
|
* Data scientist
|
|||
|
|
* Data analyst
|
|||
|
|
* Data engineer
|
|||
|
|
* __...mais tout le monde peut utiliser les data dans sa pratique professionnelle__
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## Contexte
|
|||
|
|
|
|||
|
|
### De plus en plus de questions
|
|||
|
|
|
|||
|
|
* Quelle est la meilleure approche pour réussir un projet
|
|||
|
|
* Big Data ?
|
|||
|
|
* ou Data Science ?
|
|||
|
|
* ou Machine Learning / Intelligence artificielle ?
|
|||
|
|
* Quels sont les acteurs nécessaires aux changements ?
|
|||
|
|
* Comment se déclinent les différentes étapes de conception et de déploiement de projets dans le temps ?
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
<!--
|
|||
|
|
_class: chapter
|
|||
|
|
-->
|
|||
|
|
|
|||
|
|
## Enjeux autour des data
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## Enjeux autour des data
|
|||
|
|
|
|||
|
|
### Être capable d'analyser...
|
|||
|
|
|
|||
|
|
* C'est être capable de collecter, organiser, nettoyer, manipuler, décortiquer,
|
|||
|
|
analyser et visualiser des données
|
|||
|
|
* Pour des données internes ou externes, qualitatives ou quantitatives, à sa disposition
|
|||
|
|
* L'analyse de données, c'est de l'information... qui produit de l'information
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## Enjeux autour des data
|
|||
|
|
|
|||
|
|
### ...pour les utiliser !
|
|||
|
|
|
|||
|
|
* L'information =
|
|||
|
|
* Valeur (directe ou indirecte)
|
|||
|
|
* Influence (sur un public, des bénéficiaires)
|
|||
|
|
* Temps d'avance (sur le marché, la concurrence, l'ennemi, etc.)
|
|||
|
|
* C'est une nouvelle forme de capital
|
|||
|
|
* Levier de pouvoir
|
|||
|
|
* Nouveaux rapports de force (propriétaire des moyens de production, force de production, exploités, etc.)
|
|||
|
|
* Les usages sont innombrables
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
<!--
|
|||
|
|
_class: chapter
|
|||
|
|
-->
|
|||
|
|
|
|||
|
|
## Différents types de projets data
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## Différents types de projets data
|
|||
|
|
|
|||
|
|
### Trois grandes classes d'objectifs
|
|||
|
|
|
|||
|
|
* l’automatisation des processus
|
|||
|
|
* comprendre l’existant, détecter des patterns ou prédire des événements
|
|||
|
|
* l’amélioration du niveau de service et l’engagement vis-à-vis de l’utilisateur final
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## Différents types de projets data
|
|||
|
|
|
|||
|
|
## Robotic Process Automation (RPA) — présentation
|
|||
|
|
|
|||
|
|
* La forme d’IA la plus facile et la moins coûteuse à mettre en place
|
|||
|
|
* Porte ses fruits à court terme et son ROI est remarquable
|
|||
|
|
* Toutefois, nombreuses organisations ont encore du chemin à faire dans ce domaine
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## Différents types de projets data
|
|||
|
|
|
|||
|
|
## Robotic Process Automation (RPA) — quelques exemples
|
|||
|
|
|
|||
|
|
* Le transfert de données et des emails collectés dans divers systèmes d’information pour mettre à jour les bases de données clients ou les opportunités détectées ;
|
|||
|
|
* Le rapprochement et contrôle des factures et commandes afin de rendre plus robuste les processus comptables ;
|
|||
|
|
* La lecture et analyse des contrats et documents légaux pour extraire des contraintes ou anomalies possibles.
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## Différents types de projets data
|
|||
|
|
|
|||
|
|
### Analyse de données — présentation
|
|||
|
|
|
|||
|
|
* L’analyse de l’information (évolution "automatisée" des statistiques)
|
|||
|
|
* L’extraction de valeurs pertinentes depuis un vaste volume
|
|||
|
|
de données (Big Data)
|
|||
|
|
* À des fins descriptives ou prédictives
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## Différents types de projets data
|
|||
|
|
|
|||
|
|
### Analyse de données — quelques exemples
|
|||
|
|
|
|||
|
|
|
|||
|
|
* Faire de la maintenance prédictive sur les chaines d’industrie
|
|||
|
|
* Identifier les fraudes possibles dans les systèmes bancaires ou d’assurance ou les systèmes de santé
|
|||
|
|
* Automatiser le ciblage clientèle lors des campagnes marketing
|
|||
|
|
* Fournir aux assureurs des modèles plus précis sur les potentiels clients
|
|||
|
|
|
|||
|
|
Certaines pratiques de _Machine Learning_, dites de _Deep Learning_, permettent de :
|
|||
|
|
|
|||
|
|
* Reconnaitre de la voix ou des images
|
|||
|
|
* Reconnaitre du langage naturel (Natural Language Processing ou NLP)
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## Différents types de projets data
|
|||
|
|
|
|||
|
|
### Engagement et prise de décision — présentation
|
|||
|
|
|
|||
|
|
* Engager l’utilisateur final (employé ou client) dans un processus d’interaction avec la machine
|
|||
|
|
* Pour récolter de l’information
|
|||
|
|
* Pour fournir un service ou produit "plus" adapté
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## Différents types de projets data
|
|||
|
|
|
|||
|
|
### Engagement et prise de décision — quelques exemples
|
|||
|
|
|
|||
|
|
* Agents conversationnels (chatbots) intelligents
|
|||
|
|
* qui peuvent être sollicités 24/7
|
|||
|
|
* qui couvrent une panoplie de services dépendant du niveau d’apprentissage du robot
|
|||
|
|
* Moteurs de recommandation qui orientent l’utilisateur dans ses choix de services ou produits
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
<!--
|
|||
|
|
_class: chapter
|
|||
|
|
-->
|
|||
|
|
|
|||
|
|
## Limites des projets actuels et nouveaux enjeux
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## Limites des projets actuels et nouveaux enjeux
|
|||
|
|
|
|||
|
|
### Initiatives complexes
|
|||
|
|
|
|||
|
|
* En terme de ressources humaines
|
|||
|
|
* En terme de processus transverse à l'entreprise
|
|||
|
|
* En terme de technologies
|
|||
|
|
|
|||
|
|
### Manque de maturité
|
|||
|
|
|
|||
|
|
* Des modeles difficilements industrialisables
|
|||
|
|
* Essentiellement des _proof-of-concept_
|
|||
|
|
* Peu d'outils et de formats standardisés
|
|||
|
|
* Pas de méthodes ou de normes sur la production
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## Limites des projets actuels et nouveaux enjeux
|
|||
|
|
|
|||
|
|
### Pertinence de la donnée
|
|||
|
|
|
|||
|
|
* Nous sommes capable de ratisser tres large mais...
|
|||
|
|
* Quelle est la qualité de la donnée ?
|
|||
|
|
* Est-elle pertinente ou est-elle un déchet ?
|
|||
|
|
* Comment assure-t-on la tracabilité de la donnée ?
|
|||
|
|
|
|||
|
|
### Une approche centrée sur la technologie
|
|||
|
|
|
|||
|
|
* La machine ne fait pas de prise en compte globale
|
|||
|
|
* L'analyse du contexte autour de la donnée, importe autant que cette dernière
|
|||
|
|
* Comment utilise-t-on la machine et l'humain dans leurs meilleurs rôles ?
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## Limites des projets actuels et nouveaux enjeux
|
|||
|
|
|
|||
|
|
### Chaine opérationnelle
|
|||
|
|
|
|||
|
|
* Besoin d'une vision transverse aux différents métiers
|
|||
|
|
* Mais organisation non mobilisée
|
|||
|
|
* Faible collaboration liées aux différences culturelles
|
|||
|
|
* Quels temps de réactions
|
|||
|
|
* entre la collecte, ...
|
|||
|
|
* ... le traitement, ...
|
|||
|
|
* ... et l'action ?
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## Limites des projets actuels et nouveaux enjeux
|
|||
|
|
|
|||
|
|
### Des risques juridiques
|
|||
|
|
|
|||
|
|
* Fuite de données personnelles dans les modeles (RGPD)
|
|||
|
|
* Discrimination liés aux données qu'il est difficile à expliquer (RGPD)
|
|||
|
|
* À qui appartient le modele entrainé sur la base de données d'un tiers (propriété intellectuelle / industrielle)
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
<!--
|
|||
|
|
_class: chapter
|
|||
|
|
-->
|
|||
|
|
|
|||
|
|
## Merci pour votre attention !
|
|||
|
|
|