Gestion de projet data - Introduction

Définition

Latin DATUM, DATA | Du latin data (« choses données (au pluriel) »)

data \da.ta\ féminin
(Philosophie) Se dit de faits connus dans le domaine scientifique et servant de
départ à des recherches futures. (corrélatif de desiderata)
Données.
Dans le cadre de l'option à 1,99€/20Mo, la data sera-t-elle décomptée par
paliers de 1Mo ? 100Ko ? 20Ko ? 10Ko ? 1Ko ? — (Forum LesMobiles.com)
Et si Uber, le premier d’entre eux, y investit (et au sens plein du terme,
puisqu’elle se dit prête « à voir ses recettes s’effriter dans un premier temps
»), c’est parce que ses data confirment un raccourcissement du trajet moyen des
courses réalisées par les chauffeurs. — (Olivier Haralambon , « Un vélo

électrique pour tous ? » sur LEquipe.fr. Mis en ligne le 11 septembre 2018)
* ce qui est donné
* un fait
* une information

A quoi sert la data
- à des machines
- in fine, à d'autres humains

Contexte

Dans une entreprise capitaliste on veut de la croissance
- Vendre plus cher
- Vendre plus
  - Elargir le marché (croissance horizontale)
  - Mieux cibler sa prospection
    - connaitre le consommateur
- Payer moins cher les ressources
- Etre plus efficace / ressource
- Produire plus / ressource
  - Acquérir de nouvelles compétences (croissance verticale)
De plus en plus de projet data
- De plus en plus d’entreprises du secteur optent pour des stratégies data-driven et se lancent dans un marathon de projets Data Science et Intelligence artificielle, espérant ainsi profiter des avantages des nouvelles technologies et de la donnée.
- Quelle est la meilleure approche pour réussir un projet Data Science ou 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 ?
De plus en plus de demande pour les compétences data
- Data scientist
- data analyst
- data engineer
- ...tout le monde peut inclure de l'analyse data dans sa pratique professionnelle.

Enjeux de la data et de son analyse

Analyse de données
- = être capable de collecter, organiser, nettoyer, manipuler, décortiquer, analyser et visualiser des données internes ou externes, qualitatives ou quantitatives, que chaque entreprise a à sa disposition
Nouvelle forme de capital (valeur + levier de pouvoir)
Information
- = Valeur
- = Influence
- = Temps d'avance
Analyse de données
- Information... qui produit de l'information
=> Levier de pouvoir
=> Nouvelle forme de capital

Différents types de projets data

Les usages sont innombrables.
Objectifs concrets
- l’automatisation des processus
- l’analyse des insights (soit pour 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.
Trois grandes classes
- 1. Robotic Process Automation | Le Robotic Process Automation (RPA) est la forme de l’IA la plus facile et la
  moins coûteuse à mettre en place. En général, elle porte ses fruits à court
  terme et son ROI est remarquable. Toutefois, malgré la facilité de sa mise en
  place et ses bénéfices considérables, de nombreuses entreprises ont encore du
  
  chemin à faire dans ce domaine.
  - 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.
- 2. Analyse de données | La deuxième forme la plus commune et connue de l’IA et de la Data Science est
  l’analyse de l’information et l’extraction de la valeur depuis un vaste volume
  de données (Big Data) pour des fins descriptives ou prédictives. Par exemple :

Les techniques les plus développées de Machine Learning, dites de Deep Learning,
permettent de réaliser des fonctions comme la reconnaissance vocale ou d’image
ou encore du [Natural Language
Processing](https://fr.blog.businessdecision.com/replay-data-science-5-text-

mining-nlp/) (NLP).
* 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
* Engagement et prise de décision	La troisième forme consiste à engager l’utilisateur final (employé ou client)
dans un processus d’interaction avec la machine afin de récolter de
l’information ou de fournir un service.

La richesse des fonctions que peuvent s’offrir les organisations est très
attractive. Toutefois, la mise en place de projets d’Intelligence Artificielle
est confrontée à plusieurs obstacles de natures différentes : organisationnelle,

financière, technologique ou stratégique.
* Les agents conversationnels (chatbots) intelligents qui sont sollicités 24/7 et qui couvrent une panoplie de services dépendant du niveau d’apprentissage du robot.
* Les moteurs de recommandation qui orientent l’utilisateur dans ses choix de services ou produits

Limites et enjeux actuels

Initiative complexe
- En terme de RH
- En terme de processus
- En terme de technologies
Manque de recul
- Des modeles difficilements industrialisables
  - Encore en POC
  - Pas de méthodes sur la partie OPS
Approche centrée sur la technologie
Collecte
- capable de ratisser tres large mais..
- quelle est la qualité de la donnée ?
  - pertinente ou déchet ?
Chaine opérationnelle
- Organisation non mobilisée
- Faible collaboration liées aux différences culturelles
  - Vision transverse aux différentsmétiers
- Quels temps de réactions
  - entre la collecte
  - le traitement
  - et l'action
Vision à 360° et humanisme
- La machine ne fait pas de prise en compte globale
  - L'analyse du contexte, une vision à 360° autour de la donnée, importe tout autant que cette dernière
Risque juridique
- données perosnnelles dans les modeles (RGPD)
- a qui appartient le modele entrainé sur la base de données d'un tiers (propriété intellectuelle / industrielle)

8.4 KiB

Raw Blame History

Gestion de projet data - Introduction

Définition

Contexte

Enjeux de la data et de son analyse

Différents types de projets data

Limites et enjeux actuels

Références

Other topics

8.4 KiB Raw Blame History Unescape Escape

Gestion de projet data - Introduction

Définition

Contexte

Enjeux de la data et de son analyse

Différents types de projets data

Limites et enjeux actuels

Références

Other topics

8.4 KiB

Raw Blame History