“La donnée ne répond pas à tout : ce n’est pas une stratégie en soi !” Francois Xavier Pierrel, Chief Data Officer JCDecaux
A la suite des salons Data Marketing et Big Data World, voici quelques éléments importants à garder en tête si vous cherchez à utiliser vos données sur des projets marketing… mais que vous ne savez pas par où commencer.
Conseil numero 1 - Commencer !
“Apprendre sur le tas, c’est possible, et même comme Chief Data Officer” précise Francois Xavier Pierrel, Chief Data Officer chez JCDecaux. Ca peut paraitre simpliste, mais si le sujet vous intéresse ou intéresse des membres de vos équipes, formez-vous. Lisez des articles, rencontrez des pairs qui on lancé des projets, ou bien partez d’un problème que vous aimeriez résoudre.
L’aspect technique du stockage des données peut paraitre impressionnant, et débroussailler le sujet permet d’y voir plus clair et de se lancer.
CONSEIL numero 2 - Choisir ses use-cases
Comme précisé en introduction de cet article, les données ne sont PAS une stratégie. Elles doivent servir un but, soutenir la prise de décision.
Ce qui était l’apanage de la Business Intelligence, la transformation digitale et le Big Data l’ont amené à beaucoup plus de monde dans l’entreprise. Les collaborateurs doivent prendre des decisions avec plus de données à disposition, tout en devant les utiliser plus souvent, et en impliquant plus de collaborateurs.
Le marketing a vu, encore plus que d’autres secteurs, l’explosion du nombre de données et une collecte de plus en plus fine sur Internet. Giancarlo Miluccio, CDO chez L’Oréal, évoque jusqu’à 26 000 évènements de micro-conversions traqués sur un seul parcours client e-commerce!
Lors de sa conférence au salon DataMarketing, Cory Chaplin (Lead Data Manager M6) a présenté 3 niveaux de profondeur d’utilisation de la data afin d’orienter la prise de décision.
ANALYTICS ou analyse descriptive pour l'inspiration
data lisible, accessible (SQL, DataViz, collaboratif) en self service ( acmes simple et autonome)
Inférences STATISTIQUES pour les prises de décisions importantes
Plateforme data ( pipeline ETL) + notebook ( Jupyter, Panda, Spark.. ) + un data scientist proche du business avec expertise statistique et une bonne capacité de vulgarisation
MACHINE LEARNING pour faire du prédictif
Data scientist ( ML + affinité avec la production) + ML engineer ( data engineer + appétence maths)
Il existe une grille d’évaluation pour choisir de quel niveau vous aurez besoin, proposée à l’origine par Cassie Korsykov, Head of Decision Intelligence de Google.
@Cassie kozyrkov
Pour C.Chaplin, il est essentiel aux 2 premiers niveaux d’avoir un apprentissage du SQL afin de comprendre la manière dont une base de donnée est structurée et faciliter les requêtes et la dataviz. Une meilleure comprehension de cette structure aide à mieux comprendre les questions auquelles les données disponibles peuvent répondre.
Pour ceux qui n’auront pas le temps de se former, ou bien qui une fois formés veulent gagner du temps, il existe le data-assistant askR.ai.
Conseil numero 3 - Constituer son équipe data
Il va falloir trouver une équipe, car la complexité du sujet vous demandera rapidement beaucoup de compétences.
Voici les profils d’une équipe data à embaucher, dans l’ordre !
Décideur
Ingénieur Data
Analyste “ de base”
Experience analyst
Statisticien
Ingenieur AI/ML
Data scientist 1, puis 2
Data scientist manager
Expert qualité
Researcher
Parmi les critères de recrutement, pensez avant tout pour votre petite équipe aux capacités à collaborer, et à “vulgariser” ce qu’ils font. N’oubliez pas que les use-cases que vous avez en tête doivent pouvoir être expliqués aux métiers, et que ceux-ci vont ensuite prendre le relais pour répondre de la pertinence des solutions proposées !
On peut commencer avec un minimum de 3 personnes. Transformation data et digitale oui, mais surtout une transformation ancrée dans le réel. Pour Simon Blaquière, directeur chargé des données et de l'approche client chez Generali, il faut “co-construire les outils data, avec la direction-métier et la direction informatique”
CONSEIL 4 : apprivoiser les métiers
Et oui, votre équipe data ne pourra pas seulement se reposer sur vous ou sur le décideur pour impulser des use-cases et avoir des retours dessus. Il faut que les opérationnels soient impliqués. A la fois car c’est eux qui vont prendre les decisions, et qu’ils ont besoin d’apprendre à se servir de ces nouveaux leviers, mais aussi parce que ce sont eux qui détiennent les connaissances …
Severine Marquay, directrice #IA chez Orange, insiste sur la place centrale des opérationnels dans l'entraînement des machines. Ils pourront offrir les inputs nécessaires au ML, mais aussi déterminer la cohérence finale des résultats data mis en avant !
Bref, monter une équipe data passe par des étapes simples. En espérant que les retours de ces professionnels qui se sont lancés vous aideront à y voir plus clair sur votre plan d’action.
