Le projet k-mino


Introduction

Il paraît que tous les métiers intéressants demandent de multiples compétences (combien de jeunes médecins se perdent dans des problèmes informatiques, combien de juristes sont obligés d’apprendre les métiers de leurs clients, combien d’architectes sont désormais rompus à des techniques réservées a priori aux ingénieurs ou ouvriers…) mais, lorsque celles-ci deviennent des expertises pointues, allant de la recherche à la mise en pratique et que chacune d’entre elles nécessite une interaction, un échange avec d’autres expertises, le challenge devient ardu. C’est pourtant, de plus en plus, le défi proposé aux équipes marketing et à leurs interlocuteurs méthodologiques.

Je suis statisticien, fut data miner, pourrait être data scientist, ou quelque chose de cet ordre. Pour d’autres, moins précis, je suis expert scientifique ou méthodologique. Dans toutes les sociétés par lesquelles je suis passé, j’ai pu constater la difficulté à concilier, individuellement ou même collectivement, ces objectifs si exigeants.

Un expert de plus en plus isolé

- La culture data développée depuis les années 80 dans nombre de secteurs et d’entreprises n’est souvent qu’apparente.

- La culture méthodes, quand bien même celles-ci sont récurrentes, est quasi inexistante. Dans le meilleur des cas, cela se limite à une capacité d’interprétation de rendus fréquents. Ce dont bien des experts scientifiques seraient bien d’ailleurs bien incapables.

- Les outils utilisés par les équipes statistiques restent des outils spécialisés (à l’exception des outils de data visualisation), inaccessibles aux non-initiés.

- De nombreuses méthodes font appel à des concepts ou hypothèses spécifiques, reprenant parfois un vocabulaire proche d’autres théories, ce qui sème souvent le trouble et constitue une importante barrière à l’entrée.

- Des promesses régulières du marché toujours plus importantes, sans évoquer moyens et difficultés, loin de lasser les métiers, parviennent à renouveler leur intérêt, justifiant leur frustration à l’égard des méthodes passées, à peine testées, mal paramétrées et déjà dépassées.

D’expert à multi-expert

- Depuis longtemps expert de l’analyse des données quantitatives, devant connaître les différentes méthodes plus ou moins standards de son temps et se tenir informé des nouvelles tendances, le statisticien, devenu entre-temps data scientist, doit savoir analyser tout type de données (texte, son, image, vidéo, géo, log…).

- A cette diversification des natures de données est associée des formats de moins en moins précis et contraignants. A l’heure de l’anything mining, le data lake voit se déverser tous types de données, plus ou moins documentées, plus ou moins vérifiées, permettant au data scientist d’avoir du volume mais ce volume se paie en qualité.

- Confronté à toutes ces données, l’expert méthodologique, doit choisir parmi les expertises métier, data, scientifiques et algorithmiques les combinaisons à explorer.

- Et cette expertise est sans limite car elle peut utiliser des ressources externes (corpus textuels de références, bases de données libres…)

Un dialogue compliqué

- Cette explosion décrite comme problématique depuis le début de cet article a eu bien évidemment du bon : elle a suscité l’intérêt, notamment des directions et débloqué les budgets. Une hausse des attentes a vite suivi.

- Toutes les équipes statistiques ont ainsi été mises sous pression. Voire en compétition.

- Précipitant certaines équipes dans une course aux promesses indispensable à l’obtention des budgets. Donnant lieu à des projets aux objectifs plus ou moins fiables.

- Dans cette frénésie, la répartition des tâches et les collaborations a priori indispensables sont insuffisamment préparées. Tous les projets ne peuvent profiter d’une organisation adéquate.

- Un critère de succès important est l’expérience des équipes scientifiques. En la matière, les data scientists aux passés de statisticiens s’avèrent plus raisonnables. Malheureusement, l’essentiel des ressources méthodologiques est composé de profils plus jeunes, aux connaissances très spécifiques, parmi lesquelles figure rarement la culture métier.

- D’autant que leur jeunesse et les sollicitations rendent certains impatients de montrer leur talent, aggravant ainsi leur tendance à privilégier la technicité de leurs réalisations à la compréhension métier.

Un besoin de dialogue toujours plus grand

- Cette situation est une impasse qui ne va pas durer et déjà certains cherchent des organisations projet différentes. Les problématiques métier ne se résoudront pas sans les équipes métier.

- Les data scientists qui croient que les données suffisamment triturées répondent à tout, y compris aux questions non posées, croient en la magie.

- Il nous faut inventer ensemble, avec les équipes métier, des compromis, autrement dit davantage accompagner les solutions technologiques afin qu’ils les comprennent suffisamment pour les enrichir de leur expérience.

- Ce nouveau mode de fonctionnement s’accompagne de nouvelles questions : quand proposer de nouvelles méthodes détruisant les certitudes des opérationnels ? quel niveau de technicité choisir pour un échange de qualité ?…

D’autres ont fait cet effort par le passé (data, sciences humaines…)

- Nombreux sont les outils de collecte et stockage adaptés aux différents métiers. Ceux-ci ayant profité d’utilisateurs partenaires.

- Les structures ont testé de multiples organisations intégrant expertises et outils data dans leurs schémas de décision.

- Certaines équipes métiers ont ainsi une certaine indépendance vis-à-vis des experts statistiques, étant désormais capables de requêter, visualiser, agréger…

- C’est bien ce début de culture data qui est présent dans de nombreuses formations marketing professionnelles. Il offre des solutions à de nombreuses équipes. On pourrait de façon analogue évoquer les éléments économiques ou sociologiques présents dans les mêmes formations, qui permettent à la fois à ceux qui en profitent de tenir des discours simples, efficaces mais également d’enrichir cette culture avec le temps. La culture statistique qui y est mentionnée est souvent plus basique, voire datée (pour toutes les raisons mentionnées en début d’article).

Une configuration favorable à une nouvelle offre ; le projet k-mino

- Le projet k-mino cherche à industrialiser et donc démocratiser les méthodes avancées, statistiques, data science, sémantiques…

- De nombreuses organisations sont désormais prêtes à profiter d’une telle offre, ayant constaté la difficulté à gérer toutes ces expertises et faire progresser les profils experts associés.

- Des opportunités technologiques (cloud notamment) nous donnent accès à une puissance nouvelle et de nouveaux outils de diffusion.

- Des opportunités scientifiques (R, Python…) permettent une telle démocratisation des méthodes, sans sacrifice de pertinence et performance ni capacité de personnalisation. Se tenir informés de l’actualité de ces communautés est indispensable à ce projet.

Une démarche forcément orientée métier — Nos marchés de départ

- Démocratiser, c’est parler au plus grand nombre, donc aux non-initiés, comprenant surtout un langage métier, il nous faut donc orienter notre communication vers le langage propre à chacun de nos utilisateurs ou groupes d’utilisateurs.

- Nos premières spécialisations sont marketing, avec un focus sur les métiers des études et du digital.

- Notre offre se compose d’une part d’un outil standard, simplement paramétrable et accessible au plus grand nombre.

- Elle est complétée, à partir des mêmes composants, d’une offre sur étagères, personnalisable, permettant aux grandes organisations de profiter de ces outils sans oublier leur spécificité. Elle nous permet également de reprendre plus facilement des discours, des rendus, voire des comparaisons avec des méthodes historiques, autour desquels les équipes métiers ont construit leurs expertises actuelles.

En savoir plus : www.k-mino.com