Transformation digitale : Pour faire évoluer la data science, il ne suffit pas d’avoir de bons data scientists.
Mettre en place des capacités approfondies et continues en data science n’est pas un processus facile : il faut les bonnes personnes, les bons processus et la bonne technologie. Trouver les bonnes personnes pour les bons rôles s’avère être un défi permanent, comme en témoignent les employeurs et les demandeurs d’emploi.
Plusieurs experts ont débattu sur le sujet à l’occasion d’une table ronde organisée par la firme Domino Data Lab. « L’aspect humain est probablement l’aspect le moins bien compris de toute cette équation », affirme John Thompson, responsable mondial de l’analyse avancée et de l’IA chez CSL Behring.
En tant que responsable de l’analytique dans l’une des principales sociétés internationales de biotechnologie, John Thompson supervise des équipes de data science qui s’attaquent à un large éventail d’initiatives. Les invités de la table ronde virtuelle se sont accordés sur le fait que la mise à l’échelle de la data science nécessite plus des que des data scientists.
La data science se pratique en équipe
Pour lancer des initiatives de data science chez CSL Behring, John Thompson dit qu’il « commence avec une équipe squelette dont on a besoin pour qu’un projet soit réussi ». Cette équipe se compose généralement d’ingénieurs, de data scientists, de data visualist UI ou UX et d’experts en la matière.
Pour être efficace, une équipe de data science a également besoin d’un leader qui peut s’assurer que les projets restent axés sur les objectifs commerciaux.
« Si nous disons que la data science est un sport d’équipe, vous n’avez pas seulement besoin de tous les joueurs, vous avez besoin d’un coach », abonde dans ce sens Matt Aslett, directeur de la recherche Data, IA et Analytique chez 451 Research.
S’éloigner de l’IT
Il est clair qu’une équipe complète de data science ne se compose pas uniquement de data scientists, mais il n’est pas forcément judicieux de regrouper les équipes de data science au sein d’un département informatique, ajoute Nick Elprin, PDG et cofondateur de Domino Data Lab.
« L’une des choses que nous avons constatées parmi les entreprises avec lesquelles nous travaillons qui réussissent le mieux, c’est qu’elles alignent étroitement ces équipes sur les objectifs commerciaux », indique-t-il. « La façon dont vous guidez leur travail et établissez les priorités, plus vous pouvez rapprocher cela de l’objectif principal de l’entreprise, plus vous avez de chances de [réussir]. Lorsque vous vous déplacez davantage vers l’informatique, vous vous éloignez des objectifs de base. »
Les managers doivent également tenir compte de la manière dont leurs équipes sont organisées lorsqu’ils recrutent, précise Nick Elprin. Selon lui, ils doivent se demander « quelles compétences sont essentielles, et qu’est-ce que la collaboration avec d’autres personnes va apporter ».
« Les entreprises réussissent à [constituer des équipes de data science] avec des personnes qui connaissent les statistiques et la programmation de base et à les compéter par des personnes qui connaissent le devOps ou d’autres capacités d’ingénierie », ajoute-t-il.
GUIDE PRATIQUE: mieux travailler au bureau et à distance avec les conseils et astuces de ZDNetAccueil > Guide pratique > Data science
La data science est un sport d’équipe, comment choisir les bons joueurs ?
Transformation digitale : Pour faire évoluer la data science, il ne suffit pas d’avoir de bons data scientists.
Mettre en place des capacités approfondies et continues en data science n’est pas un processus facile : il faut les bonnes personnes, les bons processus et la bonne technologie. Trouver les bonnes personnes pour les bons rôles s’avère être un défi permanent, comme en témoignent les employeurs et les demandeurs d’emploi.
Plusieurs experts ont débattu sur le sujet à l’occasion d’une table ronde organisée par la firme Domino Data Lab. « L’aspect humain est probablement l’aspect le moins bien compris de toute cette équation », affirme John Thompson, responsable mondial de l’analyse avancée et de l’IA chez CSL Behring.
La data science se pratique en équipe
Pour lancer des initiatives de data science chez CSL Behring, John Thompson dit qu’il « commence avec une équipe squelette dont on a besoin pour qu’un projet soit réussi ». Cette équipe se compose généralement d’ingénieurs, de data scientists, de data visualist UI ou UX et d’experts en la matière.
Pour être efficace, une équipe de data science a également besoin d’un leader qui peut s’assurer que les projets restent axés sur les objectifs commerciaux.
« Si nous disons que la data science est un sport d’équipe, vous n’avez pas seulement besoin de tous les joueurs, vous avez besoin d’un coach », abonde dans ce sens Matt Aslett, directeur de la recherche Data, IA et Analytique chez 451 Research.
S’éloigner de l’IT
Il est clair qu’une équipe complète de data science ne se compose pas uniquement de data scientists, mais il n’est pas forcément judicieux de regrouper les équipes de data science au sein d’un département informatique, ajoute Nick Elprin, PDG et cofondateur de Domino Data Lab.
« L’une des choses que nous avons constatées parmi les entreprises avec lesquelles nous travaillons qui réussissent le mieux, c’est qu’elles alignent étroitement ces équipes sur les objectifs commerciaux », indique-t-il. « La façon dont vous guidez leur travail et établissez les priorités, plus vous pouvez rapprocher cela de l’objectif principal de l’entreprise, plus vous avez de chances de [réussir]. Lorsque vous vous déplacez davantage vers l’informatique, vous vous éloignez des objectifs de base. »
Les managers doivent également tenir compte de la manière dont leurs équipes sont organisées lorsqu’ils recrutent, précise Nick Elprin. Selon lui, ils doivent se demander « quelles compétences sont essentielles, et qu’est-ce que la collaboration avec d’autres personnes va apporter ».
« Les entreprises réussissent à [constituer des équipes de data science] avec des personnes qui connaissent les statistiques et la programmation de base et à les compéter par des personnes qui connaissent le devOps ou d’autres capacités d’ingénierie », ajoute-t-il.
Faire adhérer la direction aux projets
En attendant, il est important de se demander quand les data scientists professionnels sont vraiment nécessaires, par rapport aux outils qui prétendent « démocratiser » la data science et le machine learning.
« Cela dépend de la nature du problème vers lequel vous orientez vos spécialistes de la data science et du machine learning », explique Nick Elprin. « Pour les problèmes les plus classiques, certaines des solutions de ML automatique peuvent être efficaces. Si vous parlez d’un problème unique à votre entreprise ou au cœur de votre différenciation, vous avez davantage besoin de la flexibilité qui découle du développement de vos propres modèles propriétaires et de l’utilisation de la puissance du code pour exprimer ces idées. »
Enfin, faire avancer des projets de data science ayant un impact nécessite l’adhésion des dirigeants, note John Thompson. « Le véritable défi est le processus de gestion du changement au niveau macro, il ne s’agit pas vraiment du processus de data science », explique-t-il. Pour réaliser la pleine valeur d’une initiative de data science, il est important de faire comprendre aux cadres que « finalement, cela va conduire au changement. Vous devez être prêt à conduire le changement… si vous ne voulez pas le faire, peut-être devriez-vous construire un projet, et non un programme ».
Source : net.fr/actualites/
