Et maintenant, on fait quoi?

Cela vous est déjà arrivé de vous retrouver de l’autre côté de la barrière, dans les chaussures de l’autre, d’être l’arroseur arrosé? ça m’est arrivé la semaine passée, et j’avais envie de vous le raconter.

Chez EURA NOVA, nous utilisons une plateforme de gestion des connaissances qui nous permet de partager, stocker et élaborer du contenu pertinent. Comme nombre de nos employés travaillent en dehors du quartier général d’EURA NOVA, il est nécessaire d’avoir cette pierre angulaire qui nous rassemble et nous fédère pour n’être juste pas une somme d’individus mais un groupe qui dégage un maximum de valeur par la collaboration.

Sur cette plateforme, tous les employés peuvent donc poster des articles, commenter, aimer et partager. Différents espaces ou groupes de travail organisent le contenu par type, et enfin des tags permettent de le labelliser. En neuf ans d’existence, on peut difficilement se représenter le nombre d’information, d’échanges et d’activités que cela représente.

Dernièrement s’est posée la question de l’évolution de cet outil : qui y est particulièrement actif ? les espaces qui y sont définis sont-ils encore pertinents ? peut-on repérer des influenceurs, des groupes implicites ? ya-t-il des pics d’audience ou d’activité ?

Justement, on avait l’occasion de se pencher sur les données brutes de la plateforme, modélisées dans un format qu’on a déjà évoqué ici : le graphe. Toutes nos données organisées dans des graphes offraient une mise en perspective incroyable et, j’avoue, drôlement excitante. Chaque graphe représentait une mine d’informations qui allait nous faire mieux comprendre non seulement l’état actuel de la plateforme, mais en plus l’évolution organique du partage des connaissances chez EURA NOVA.

Quand on a quitté la salle de réunion, avec mes deux collègues responsables du knowledge management, on s’est dit que c’était génial, qu’on allait en faire quelque chose. Une semaine plus tard, deuxième aveu, je n’ai pas encore plongé le nez dans ces graphes et le “quelque chose” est toujours en l’état de “rien du tout”. Les projets principaux ont repris le dessus sur les pistes annexes, l’engagement du suivi s’est perdu, l’enthousiasme de départ s’est distillé dans la procrastination répétée.

“C’est un phénomène courant, m’explique Frédéric, Business Developer chez EURA NOVA, notamment pour les proofs of concept. Dans ce cas-ci, la question était : peut-on tirer des informations pertinentes de la représentation en graphes de nos données de knowledge management. La réponse est oui, on peut. Très vite, lors d’une réunion, on voit des personnes clés, des contenus qui font plus de bruit, des espaces davantage utilisés. Et que fait-on de cette information? La question ne dépend plus des data scientists qui ont dessiné le graphe : elle est la responsabilité des experts métiers qui vont utiliser les insights. Or, ces experts métiers ont mille choses à faire et les POC sont parfois des side-tracks, qui se font phagocyter par des tâches prioritaires. Comprendre comment on va utiliser les insights de la data science, comment on peut industrialiser le modèle, éventuellement évangéliser les utilisateurs, changer les pratiques, adapter les processus, remettre en question l’existant… cela représente un vrai effort pour le métier, qu’on ne doit pas sous-estimer.”

“D’où l’intérêt lors de POC de bien établir l’éventuel ROI (Return on Investment), et donc de l’investissement de temps acceptable” enchaîne Christophe, Head of Engineering chez EURA NOVA. “Quitte à revoir cet investissement par la suite, éclairé par un nouvel élément appris lors du POC. C’est comme cela que les développeurs travaillent : les POC sont sévèrement minutés et toujours liés à un objectif business. On avance et on apprend en même temps.”

Les leçons à retenir

Voici quelques éléments pratiques pour les sociétés qui veulent capitaliser sur un POC en data science.

• le projet continue : Ce n’est pas parce que l’intervention des data scientists n’est plus pertinente que le projet s’arrête. Au contraire, l’apport de la data science n’est qu’un aspect du projet, qui a un avant et un après.
• un rythme imposé : Lors d’une preuve de faisabilité, les data scientists avancent souvent par sprints de une ou deux semaines, dans une méthode essai-erreur pour avancer par petits pas. Le même type d’approche peut être emprunté par l’équipe métier — des objectifs très clairs à court-terme pour un suivi régulier et actif — et ce, dès les prémisses du projet. Avancer en parallèle avec les data scientists pour être sûr du sens de ce que l’on fait.
• une approche incrémentale : On ne le répétera jamais assez : allez cueillir les low hanging fruits au lieu de viser d’emblée le graal accroché à la cime de l’arbre. L’idée n’est pas de tout révolutionner, mais d’améliorer petit à petit, en gardant le Graal à l’horizon (on aura l’occasion de revenir sur cette notion de Graal dans un prochain article)
• l’objectif? la valeur! Une simple preuve de faisabilité peut donner de nombreuses idées d’utilisation par les experts métiers. A priori, la meilleure sera souvent celle qui dégage un maximum de valeur, mesurée en termes de temps, de procédures ou d’argent.
• une équipe ad-hoc : Ce dernier conseil n’a rien de scientifique, mais c’est le meilleur retour d’expérience que l’on a à vous donner. Des experts qui aiment travailler ensemble collaborer, qui savent communiquer entre eux, qui peuvent respecter leurs engagements sont les facteurs-clés de la réussite d’un projet.