Le fil

Les exigences d’une Data Literacy réussie

Projets - 26 septembre 2020

L’exploitation des gisements de données en entreprise est-elle génératrice de valeur ? Si pendant des années la réponse pouvait sembler mitigée, on peut raisonnablement affirmer qu’un consensus s’est désormais formé pour une réponse positive. Pour autant, injecter de la Data Science dans les veines des organisations ne se décrète pas. C’est un processus qui embarque toutes les fonctions à tous les étages… et qui peut malheureusement faire pschitt faute d’une appropriation suffisante par les métiers. 

La dernière décennie a vu fleurir dans les organisations des directions dédiées (avec parfois une confusion forte entre digital et data) et ces dernières ont pu faire émerger des usages de la donnée aux résultats contrastésSi l’apport des algorithmes a pu servir directement la performance industrielle ou commerciale, on dénombre aussi beaucoup de projets au mieux avortés (l’innovation passant par l’acceptation de l’échec) au pire aboutis mais sans utilisation réelle dans l’entreprise, car souvent mal adaptés aux processus et à l’organisation. Ces mêmes directions abritaient pourtant dans leurs équipes un niveau d’expertise rarement atteint en dehors des directions Recherche et Développement ! 

L’une des raisons de cette inadaptation tient tout d’abord à la mauvaise connaissance des processus et activités au plus près du terrain. L’autre à la réticence des opérationnels à s’approprier des outils dont ils ne maîtrisent pas le fonctionnement. L’acculturation des collaborateurs est un levier à la disposition de l’organisation pour répondre à ces deux points. Cette acculturation passe par la mise en place d’une « Data Literacy », c’est-à-dire d’une lecture et d’une compréhension commune des concepts, enjeux, processus et outils de la Data Science.

J’identifie quelques incontournables à cette démarche. 

Une Data Literacy : pour qui ?  

Pour tous, évidemment ! Mais derrière ce terme, on associe trop souvent les équipes terrains, le « gros des troupes ». Oui, elles sont concernées, mais je peux témoigner que cette culture data est souvent partielle pour un grand nombre de managersmême au niveau du top managementLe déploiement de la Data Literacy doit donc se faire en pensant réellement à tous les publics, chacun ayant un acquis et une expérience différente et donc des ressorts différents sur lesquels il va falloir s’appuyer. 

Une Data Literacy : par qui ? 

Surtout pas par votre direction digitale ou équivalent ! Puisqu’elle doit toucher tout le monde, puisqu’elle doit pleinement s’inscrire dans les métiers, la direction des ressources humaines est la seule légitime pour concevoir ce programme. Bien entendu, elle s’appuiera sur les équipes spécialisées mais si ces dernières prennent la main sur l’ensemble du sujet, on est assuré de cultiver l’entre-soi et de fournir une culture loin des métiers et des processus ! 

Une Data Literacy : quel contenu ? 

On ne peut évidemment pas passer à côté du poncif consistant à dire qu’il faut du concret, des réalisations effectives, etc. Oui, bien sûr, c’est indispensable, mais est-ce suffisant ? Je pense très sincèrement que non. Se cantonner à des expériences concrètes ne saurait offrir un bagage suffisamment solide aux acteurs de l’organisation pour qu’ils se projettent pleinement dans la démarche. Il faut leur en donner plus ! La compréhension des concepts fondamentaux de la Data Science n’est pas réservée à une élite : si l’on souhaite impliquer tous les acteurs dans la démarche, il ne faut pas hésiter à leur donner des contenus scientifiques robustes. Ce savoir, délivré avec pédagogie, démystifiera le sujet et permettra à chacun de comprendre ce qu’un concept aussi abstrait que la Data Science peut leur apporter mais aussi et surtout ce que la Data Science ne pourra pas apporter et remplacer ! 

Une Data Literacy : comment ? 

Bien entendu, on cherchera à associer des média en ligne avec une communication de terrain, laquelle pourra profiter pleinement de l’organisation mise en place dans le cadre d’un projet de gouvernance des données le cas échéant. Au-delà du choix des supports, il me semble important de ne pas avoir peur d’associer dans ces contenus des expertises venues d’horizons différents: à la fois en interne, au travers d’experts métiers, de data scientists et d’informaticiens, mais également venus de l’extérieurau travers de témoignages d’entreprises partenaires, et même jusqu’à des enseignants et chercheurs qui sauront trouver les mots pour que chacun appréhende pleinement des concepts parfois ardus. 

Data Science for Everyone !

A titre illustratif, je voudrais citer le projet Data Science for Everyone initié par le Groupe TotalMis en place par Total Learning Solutions, le programme comprend plusieurs modules de e-learning associant des retours d’expérience sur les projetsdes contenus scientifiques permettant à chacun de comprendre ce qu’estpar exemple, le machine learning ainsi que des modules permettant à tous de remettre dans une perspective historique la transformation des sociétés et des organisations par la science des données. Datastorm a contribué à ce projet en apportant sa propre expertise et celle de l’écosystème Institut Polytechnique de Parissur les aspects scientifiques et techniques. Nous avons pris beaucoup de plaisir à co-construire DS for Everyone aux côtés notamment de Agnès Gimenez, chef de projet en ingénierie de formation chez TLS et Michel Lutz, Group Data Officer de Total. L’engagement et la conviction de tous les acteurs ont été les facteurs clés de succès de DS for Everyone disent-ils. J’en suis convaincu. Je sais aussi qu’ils ont su répondre aux exigences d’une Data Literacy réussie au service des métiers du Groupe Total. 

 

Benoit Ravel, CEO de Datastorm

 

Data Science for Everyone, Total & Datastorm :

Replay webinar : Comment concilier Performance business et Règlementation grâce à l’Anonymisation des données ?

Pourquoi anonymiser ? Choix de la méthode ? Comment mettre en oeuvre la k-anonymisation ? Comment outiller un département/une activité pour mener des études avec la confidentialité différentielle ? Dans ce webinar animé par Benoit Ravel, Thibaut Dubois et Martin Masson partagent leur expertise et vous expliquent comment trouver le point d’équilibre entre la maîtrise des risques d’identification et la conservation des capacités d’analyse et de valorisation des données.

« Les métiers de la data et de l’IA ne viennent pas assez à la rencontre des femmes »

Naomi Girard a rejoint la team Datastorm en 2018. Data scientist junior, elle explore toutes les facettes du métier avec un intérêt prononcé pour le Traitement du Langage Naturel et un avis éclairé sur les femmes dans la data. Rencontre.

Les exigences d’une Data Literacy réussie

Acculturer pour embarquer. Pour une entreprise, la Data Literacy est un levier puissant qui permet de partager une lecture et une compréhension commune des concepts, enjeux, processus et outils de la Data Science. Dans cet article, Benoit Ravel revient sur les incontournables de cette démarche.

Toute l'expertise du Groupe ENSAE-ENSAI

Plateau de Saclay
5 Avenue Henry-Le-Chatelier
91120 PALAISEAU - FRANCE

Paris
24 rue Barbès
92120 MONTROUGE - FRANCE