Le point en 5 minutes

Data Science : l’approche « data-driven » de l’entreprise

La Data Science fait bien plus que fournir des analyses. Par l’application de modèles adaptés à vos données, elle permet à votre entreprise de dégager des tendances à partir d’énormes volumes de données. L’objectif ? Prédire et, au final, peser sur les événements. Autrement dit, la Data Science vous offre les perspectives dont vous avez besoin pour améliorer votre service client, développer des produits plus attractifs et booster votre efficacité opérationnelle.


Qu’est-ce que la Data Science ?

La Data Science désigne le processus de découverte de tendances, éclairages et perspectives dissimulés dans d’énormes volumes de données non structurées. Elle fait pour cela appel à des techniques comme le machine learning, le data mining, les analyses prédictives, le deep learning et l’informatique cognitive. Contrairement à la Business Intelligence et aux approches du même genre, la Data Science ne se limite pas à des données structurées en de petits ensembles de lignes et tables parfaitement organisés. Elle s’applique à des volumes colossaux de données semi-structurées et non structurées, qui vont des données textuelles aux données de machines, en passant par les capteurs et les réseaux sociaux. Grâce à cette approche analytique moins restrictive, la data Science permet aux entreprises de trouver les réponses à des questions qu’elles ne pensaient même pas à poser auparavant. Il en découle de nouvelles perspectives directement traduisibles en avantage concurrentiel.


Enjeux de la Data Science

Libérez tout le potentiel de vos Big Data

Entre Hadoop et le cloud, les nouvelles approches de la gestion des données rendent plus abordables que jamais le stockage de vastes quantités de données. Toutefois, le stockage des Big Data ne procure en lui-même aucune valeur ajoutée. Pour en extraire une information réellement exploitable, la Data Science doit entrer en jeu.

Adoptez une démarche prédictive et proactive

En évaluant la probabilité d’événements avant même qu’ils ne surviennent, la Data Science permet aux entreprises d’influer sur leur dénouement plutôt que d’en subir les conséquences.

Apprentissage continu

La Data Science s’inscrit dans un continuum. À mesure qu’elle éclaire vos décisions, les résultats de vos actions sont remontés dans le système de modèles et algorithmes prédictifs. Il en résulte un système d’apprentissage automatique qui s’améliore en continu.

La Data Science profite à tous

La Data Science peut s’appliquer à presque tous les secteurs d’activité. Par exemple, les exploitants agricoles l’utilisent pour déterminer le moment le plus propice au semis. La grande distribution s’en sert pour personnaliser ses offres aux clients. Quant aux entreprises industrielles, elles y ont recours pour prévenir les pannes d’équipements. Des services financiers aux compagnies d’assurance, en passant par la santé et l’énergie, chaque secteur se convertit à la Data Science.



« La plupart des entreprises doivent les bons résultats de leurs analyses prescriptives à leurs activités dans le domaine de la Data Science. Les plus avancées d’entre elles explorent le machine learning et évaluent leurs déploiements en temps réel ou quasi-réel. »

Michele Goetz
Analyste en chef, Forrester Research
Citation tirée de l’article d’InformationWeek de juin 2016 intitulé « 8 Smart Ways To Use Prescriptive Analytics »



Data Science : la recette d’une adoption réussie

La Data Science est un outil indispensable pour extraire du Big Data l’information qui fera toute la différence. Toutefois, son implémentation n’a rien d’une formalité. Si votre entreprise décide de s’y atteler, veillez d’abord à vous poser les bonnes questions.


Êtes-vous prêt à payer au prix fort les talents d’experts en Data Science ?

Dotés de compétences à la fois en statistiques, analytique et mathématiques, les data scientists sont aussi rares que recherchés. Ainsi, les entreprises qui se lancent dans ce domaine doivent être prêtes à satisfaire leurs prétentions salariales.

Comment comptez-vous organiser vos équipes ?

Dans certaines entreprises, les data scientists font partie intégrante d’un pôle transfonctionnel au service de toute l’organisation. Dans d’autres, ils sont intégrés aux divisions métiers. Les deux approches présentent des avantages et des inconvénients. À vous de décider laquelle convient le mieux à votre structure et votre culture.

Qu’en est-il de la scalabilité des workloads ?

Toutes choses égales par ailleurs, en Data Science, plus de données équivaut à de meilleurs résultats. La bonne nouvelle, c’est que les données sont une matière première abondante, tant à l’intérieur qu’à l’extérieur de votre entreprise. Toutefois, l’exécution d’algorithmes et modèles de Data Science sur d’énormes volumes génère un certain nombre de difficultés. C’est pourquoi il vous faut des technologies et compétences capables d’opérer à grande échelle.

Quelle stratégie pour opérationnaliser la Data Science ?

La Data Science n’a de valeur que si l’information qu’elle produit est bien exploitée, sans quoi les data scientists risquent aussi de se sentir démotivés. C’est pourquoi vous devrez veiller à appliquer vos modèles prédictifs et autres analyses à la résolution de problématiques métiers concrètes.

Quelle gouvernance pour vos données ?

Ce n’est pas parce que la Data Science ouvre de multiples possibilités qu’elles doivent toutes être exploitées. De même, les entreprises doivent définir un cadre d’utilisation des données conforme aux normes éthiques (non contraignantes) et juridiques (contraignantes).



Comparatif : Data Science vs. Business Intelligence traditionnelle
Approche de la Data Science
Approche de Business Intelligence (BI) traditionnelle
Exploratoire. La Data Science encourage les professionnels à explorer les données où qu’elles les mènent. Il s’agit d’une discipline itérative qui passe par l’expérimentation. Prédéterminée. Les systèmes de BI traditionnels s’avèrent hautement structurés et modélisés pour répondre à des questions stratégiques prédéterminées.
Flexible. Les plateformes qui sous-tendent les opérations de Data Science doivent ingérer rapidement et facilement des données provenant de multiples systèmes sources. Rigide. La modification des systèmes de BI existants (ajout de nouvelles sources de données, intégration de nouvelles questions, etc.) s’avère complexe et laborieuse.
Évolutive. Les plateformes qui sous-tendent les opérations de Data Science doivent afficher de hauts niveaux d’évolutivité en termes de stockage et de manipulation des données. Les algorithmes et modèles de Data Science n’expriment leur potentiel que quand ils sont exécutés sur toutes les données, et non de simples échantillons. Non-évolutive. Les appliances de data warehouse traditionnelles qui sous-tendent la BI se montrent souvent incapables de monter en charge pour le stockage et le traitement des Big Data.
Prospective. La Data Science permet aux entreprises de calculer la probabilité d’événements futurs. Rétrospective. Les rapports, tableaux de bord et autres formats de sortie de la BI traditionnelle fournissent des informations détaillées sur les événements passés.
Exploitable. Une fois exploitées via des applications, les informations obtenues permettent aux utilisateurs d’engager des actions porteuses de résultats tangibles pour leur entreprise. Non-exploitable. Les rapports et présentations de la BI traditionnelle offrent des analyses, sans généralement recommander de mesures.



La Data Science : les champs d’application pour Pivotal et ses clients

Détection des fraudes

Appliquez les modèles prédictifs à vos données transactionnelles en temps réel afin d’identifier et de stopper les activités frauduleuses.

Segmentation client

Développez une segmentation granulaire de vos clients, basée sur les analyses des comportements, transactions, réseaux sociaux et autres données.

Attrition

Identifiez des tendances indiquant un abandon de panier imminent pour tenter de retenir le client.

Maintenance prédictive

Calculez les probabilités de défaillance de pièces automobiles, d’équipements industriels et autres machines de façon à prendre des mesures préventives.

Analyse du ressenti

Analysez vos données textuelles non structurées (contenu d’e-mails, posts sur les réseaux sociaux, etc.) pour mieux appréhender le ressenti de l’utilisateur et du client.

Cybersécurité

Identifiez et neutralisez en amont les cybermenaces pour votre informatique et vos réseaux.

Moteur de recommandations

Suggérez des produits, services et actions ciblés en fonction des comportements d’achat passés et d’autres données.

Prévisions de la demande

Prévoyez la demande de produits, pièces et accessoires pour maintenir des niveaux de stocks optimaux.



La Data Science en huit dimensions – quatre phases et quatre facteurs différenciateurs
PHASE 1: Formulation du problème
Veillez à formuler un problème en prise avec les difficultés et les objectifs des acteurs concernés.
PHASE 2: Modélisation
Pour créer un ensemble de fonctionnalités adapté, exploitez tout le volume, la variété et la vélocité de toutes vos données disponibles.
PHASE 3: Modeling Step
Après avoir répondu aux questions « Quoi ? », « Où ? » et « Quand ? », il est temps de vous pencher sur le « Pourquoi ? » et le « Et si ? ».
PHASE 4: Application
Créez un cadre pour l’intégration de votre modèle à vos processus décisionnels et la définition d’actions à engager.
Quatre facteurs différenciateurs

Chacun de ces facteurs s’applique aux quatre phases du cycle de vie de la Data Science ci-contre.

Approche itérative

Accomplissez chaque phase avec agilité, collaborez avec des experts et spécialistes, et itérez si besoin.

Créativité

Innovez à chaque étape.

Création d’un récit

Constituez un récit factuel qui transmet clairement les informations aux acteurs concernés.

Sélection des technologies

Choisissez la bonne plateforme et les bons outils pour résoudre votre problème.



La Data Science selon Pivotal

L’équipe de data scientists de Pivotal aide nos clients de tous horizons à relever leurs plus grands défis et à saisir les opportunités commerciales au bon moment.

Nos missions se structurent généralement en plusieurs étapes :

Bilan initial des capacités d’analyse et sources de données existantes

Définition d’un cas d’utilisation à forte valeur ajoutée

Développement et optimisation itératifs de modèles analytiques

Opérationnalisation par intégration dans les applications et la logique métier.

Dans le cadre de leurs missions, les data scientists Pivotal aident également nos clients à acquérir et développer leurs propres compétences en Data Science et en méthodes agiles pour leur permettre de surmonter par eux-mêmes les obstacles à venir.



Les moments Pivotal
Avec l’aide des data scientists Pivotal, Synchrony Financial a développé une fonctionnalité « next best offer » pour son application mobile, qui prédit les achats probables et propose des offres ciblées aux clients.
Comcast a collaboré avec les data scientists Pivotal au développement d’algorithmes pour l’identification et la neutralisation des activités suspectes sur son réseau, comme le partage de fichiers non autorisé.
Dans le cadre d’une mission Pivotal de Data Science, Fiat Chrysler développe des capacités d’analyse du ressenti des clients afin de réduire l’attrition et fidéliser ses clients.



Pivotal Data Science
Prédisez l'avenir pour mieux l’influencer


Pivotal Greenplum
Powerful and interactive analytics on large volumes of data


Plus d’infos sur la Data Science

Afficher toutes les ressources

Pour commencer avec Data Science
The Last Mile: Operationalizing Data Science

Télécharger

Using Data Science for Cybersecurity

Visionner

Meet our Data Science Advocates

En savoir plus

Lire le sujet suivant
Smart Apps