6 tendances data pour 2020

En 2020, créons de la valeur : soyons agile et passons en production. Par Laëtitia Bienvenu, Manager Data chez Publicis Sapient

La valeur de la data réside dans sa capacité à tirer parti des données pour mieux piloter son business et à développer des produits créateurs de valeur. Pour ce faire, trois composants sont indispensables :

• la prise de conscience dans toute l’organisation de l’apport de la data et le soutien de la direction,
• le travail en collaboration avec les parties prenantes,
• la mise en production des projets (modèles).

Cependant, passer trop de temps à essayer de faire en sorte que chaque partie prenante s’aligne sur le produit final peut empêcher ces projets d’aller en production et ainsi échouer à démontrer la plus-value du produit. Aussi, la datascience doit bénéficier des concepts Agile : être itératifs et obtenir des produits et des fonctionnalités tangibles
rapidement à la fin des sprints.

En même temps, les spécificités de la datascience (vs le développement) ne peuvent être occultées : la datascience a une composante exploratoire dans laquelle il faut composer avec des données inconnues qui vont amener à un résultat incertain.

La datascience peut tirer plusieurs bénéfices de la méthodologie Agile :

• créer une roadmap basée sur les besoins et les objectifs permet de donner aux parties prenantes une overview et une compréhension des coûts associés à chaque objectif
• désenclaver les datascientists pour les intégrer au même rythme que le reste des équipes produit/du programme et ainsi aligner les objectifs datascience et engineering pour éviter les incompatibilités avec la production
• travailler sur des MVM (Minimum Viable Model), des modèles minimaux et efficaces permettant de valider l’approche produit et de recueillir des feedbacks utilisateurs pour l’optimisation continue du modèle

L’adaptation de l’agile à la datascience ne se cantonne pas seulement à la rationalisation du cycle de vie du développement mais consiste surtout à l’alignement de l’équipe datascience avec les différents acteurs du projet sur les objectifs de l’entreprise.

Travailler l’interprétabilité des systèmes de datascience pour améliorer la confiance des utilisateurs. Par Jean-Luc Tromparent, data architect et product owner data science à HelloWork

Si la CNIL a vu exploser les plaintes suite à l’entrée en application du RGPD, c’est essentiellement du fait de l’exacerbation de la sensibilité des utilisateurs au devenir de leurs données, et les différentes affaires de data breach y auront grandement contribué. Dans la même veine la révélation médiatique de biais sexistes, que ce soit une IA de recrutement chez amazon ou le calcul de ligne de crédit pour  l’apple card, portent atteinte à la confiance du public dans les systèmes de datascience. Dans ce contexte, les entreprises seront attentives à ne pas voir leurs investissements datas ruinés par un rejet des utilisateurs.

Face à ce défi, les spécialistes du domaine travaillent à construire et renforcer la confiance des utilisateurs notamment en développant l’interprétabilité des recommandations de systèmes de machine learning. Cette tendance devrait se poursuivre en 2020, le besoin d’interprétabilité étant de plus en plus intégrés dès le départ aux projets datasciences. Alors que la spécialisation des membres de datalab se poursuivra toujours plus avant, on peut aussi imaginer un rapprochement avec des spécialistes du product design et pourquoi pas voir apparaître des rôles d’AI eXperience Designers, ambassadeurs de l’utilisateur qui à la jonction des solutions techniques et des compétences de l’UX design sauront lever les freins à l’adoption de système AI.

Hyperpersonnalisation VS Data Protection Regulation. Par Alexandre Millet-Bassez, consultant pour Ntico Technology

Nous voilà face à un dilemme qui ne risque pas de se tarir de sitôt ! Les consommateurs veulent une relation personnalisée avec leurs marques préférées mais souhaitent également plus de protection vis-à-vis de leur vie privée et donc de leurs données personnelles.

Depuis mi-2018, le RGPD enjoint les acteurs du secteur à se conformer aux règles érigées alors que dans le même temps, les avancées technologiques permettent de collecter, stocker, traiter toujours plus de données aidant ainsi à gagner en pertinence vis-à-vis du client. Dans le contexte de transformation numérique que les entreprises connaissent tous secteurs confondus, à l’heure de l’hyperpersonnalisation de masse grâce notamment à l’IA, avec pour Graal l’amélioration de l’expérience client, il est difficile de placer le curseur entre ces deux dogmes, surtout lorsque bon nombre d’entre elles ne sont toujours pas en conformité après 1 an et demi d’application.

Les différentes règlementations sur la Data Privacy qui entreront en application en 2020 (CCPA pour les US, LGPD pour le Brésil, PDPA en Thaïlande, ..) ne viendront pourtant pas faciliter la donne à l’international, dans un monde toujours plus globalisé… Bonne Année 2020 aux CTO, aux DPO, et aux CMO ! Meilleurs Voeux à tous.

Les data scientists demeureront indispensables dans les entreprises, malgré l’avancé des outils. Par Purnima Ravi, Data Operations Manager  chez PrestaShop

Avec un écosystème autour de la Data Science qui ne cesse de grandir, avec notamment des outils de plus en plus puissants et des applications de plus en plus capables, faciles à utiliser, et autonomes, on pourrait se demander si les beaux jours des Data Scientists en entreprises sont menacés. Mon avis est que non. Si les outils permettent d’accélérer les processus, d’automatiser de nombreuses tâches, et de rendre les résultats les plus complexes plus accessibles à tous, ils ne sont pas conçus pour remplacer l’humain, mais pour l’aider : les data scientists seront donc, je pense, plus que jamais nécessaires en entreprise pour donner la direction à suivre et piloter ces nouveaux outils.

2020 : (enfin) l’année du big data et des modèles prédictifs pour les entreprises ? Par Vincent Guillory, statisticien et fondateur d’Au Delà Des Chiffres

En léger retard par rapport aux pays concurrents, les décideurs français selon le baromètre annuel du big data (EBG, Micropole et Qlik) ont admis comme principale opportunité cette année l’IA avec 3 objectifs :

• Créer de nouvelles opportunités business
• Mieux comprendre son client et ses parcours
• Améliorer la performance opérationnelle

C’est dans ce contexte de croissance continue des données, que les projets alliant Big Data et Intelligence Artificielle émergent dans les entreprises françaises afin de retrouver un avantage concurrentiel car si selon une étude IDC en France la moitié des entreprises déclarent utiliser le big data, seulement 10% ont recours aux modèles prédictifs d’analyse…

Traiter les données à un niveau local pour plus de réactivité et de privacité. Par Pascal Ehrsam, CMO de HEROW

Avec toujours plus de données récoltées par nos smartphones au travers des capteurs intégrés – accéléromètre, gyroscope, reconnaissance faciale… – le monde de la mobilité fait face à deux problèmes majeurs : le manque de protection des données et la latence. Le premier risque d’inférer des données sensibles et/ou personnelles en les fusionnant avec des algorithmes. Le second montre que la transmission stable et rapide des données est freinée, et ce, même avec l’arrivée de la 5G.

La solution consiste donc à traiter la masse de données directement au sein des terminaux des utilisateurs en mettant en place des solutions de type machine learning. Apple et Google mettent désormais à disposition des développeurs des frameworks dédiés permettant d’analyser et de traiter la donnée récoltée par les capteurs pour construire des modèles de manière locale, sécurisée et confidentielle au sein du smartphone. Le dernier exemple en date est le cas de Sonos. En acquérant la start-up française Snips, la société américaine va désormais avoir sa propre intelligence artificielle et ne plus être dépendante du cloud computing, apportant ainsi une solution 100% respectueuse de la vie privée de ses utilisateurs.