166 lines
8.4 KiB
Markdown
166 lines
8.4 KiB
Markdown
|
# Gestion de projet data - Introduction
|
|||
|
|
|
|||
|
|
## Définition
|
|||
|
|
|
|||
|
|
* Latin DATUM, DATA | Du latin data (« choses données (au pluriel) »)
|
|||
|
|
|
|||
|
|
data \da.ta\ féminin
|
|||
|
|
(Philosophie) Se dit de faits connus dans le domaine scientifique et servant
|
|||
|
|
de
|
|||
|
|
départ à des recherches futures. (corrélatif de desiderata)
|
|||
|
|
Données.
|
|||
|
|
Dans le cadre de l'option à 1,99€/20Mo, la data sera-t-elle décomptée par
|
|||
|
|
paliers de 1Mo ? 100Ko ? 20Ko ? 10Ko ? 1Ko ? — (Forum LesMobiles.com)
|
|||
|
|
Et si Uber, le premier d’entre eux, y investit (et au sens plein du terme,
|
|||
|
|
puisqu’elle se dit prête « à voir ses recettes s’effriter dans un premier
|
|||
|
|
temps
|
|||
|
|
»), c’est parce que ses data confirment un raccourcissement du trajet moyen
|
|||
|
|
des
|
|||
|
|
courses réalisées par les chauffeurs. — (Olivier Haralambon , « Un vélo
|
|||
|
|
électrique pour tous ? » sur LEquipe.fr. Mis en ligne le 11 septembre 2018)
|
|||
|
|
---|---
|
|||
|
|
* ce qui est donné
|
|||
|
|
* un fait
|
|||
|
|
* une information
|
|||
|
|
* A quoi sert la data
|
|||
|
|
* à des machines
|
|||
|
|
* in fine, à d'autres humains
|
|||
|
|
|
|||
|
|
## Contexte
|
|||
|
|
|
|||
|
|
* Dans une entreprise capitaliste on veut de la croissance
|
|||
|
|
* Vendre plus cher
|
|||
|
|
* Vendre plus
|
|||
|
|
* Elargir le marché (croissance horizontale)
|
|||
|
|
* Mieux cibler sa prospection
|
|||
|
|
* connaitre le consommateur
|
|||
|
|
* Payer moins cher les ressources
|
|||
|
|
* Etre plus efficace / ressource
|
|||
|
|
* Produire plus / ressource
|
|||
|
|
* Acquérir de nouvelles compétences (croissance verticale)
|
|||
|
|
* De plus en plus de projet data
|
|||
|
|
* De plus en plus d’entreprises du secteur optent pour des stratégies data-driven et se lancent dans un marathon de projets Data Science et Intelligence artificielle, espérant ainsi profiter des avantages des nouvelles technologies et de la donnée.
|
|||
|
|
* Quelle est la meilleure approche pour réussir un projet Data Science ou Intelligence artificielle ?
|
|||
|
|
* Quels sont les acteurs nécessaires aux changements ?
|
|||
|
|
* Comment se déclinent les différentes étapes de conception et de déploiement de projets dans le temps ?
|
|||
|
|
* De plus en plus de demande pour les compétences data
|
|||
|
|
* Data scientist
|
|||
|
|
* data analyst
|
|||
|
|
* data engineer
|
|||
|
|
* ...tout le monde peut inclure de l'analyse data dans sa pratique professionnelle.
|
|||
|
|
|
|||
|
|
## Enjeux de la data et de son analyse
|
|||
|
|
|
|||
|
|
* Analyse de données
|
|||
|
|
* = être capable de collecter, organiser, nettoyer, manipuler, décortiquer, analyser et visualiser des données internes ou externes, qualitatives ou quantitatives, que chaque entreprise a à sa disposition
|
|||
|
|
* Nouvelle forme de capital (valeur + levier de pouvoir)
|
|||
|
|
* Information
|
|||
|
|
* = Valeur
|
|||
|
|
* = Influence
|
|||
|
|
* = Temps d'avance
|
|||
|
|
* Analyse de données
|
|||
|
|
* Information... qui produit de l'information
|
|||
|
|
* => Levier de pouvoir
|
|||
|
|
* => Nouvelle forme de capital
|
|||
|
|
|
|||
|
|
## Différents types de projets data
|
|||
|
|
|
|||
|
|
* Les usages sont innombrables.
|
|||
|
|
* Objectifs concrets
|
|||
|
|
* l’automatisation des processus
|
|||
|
|
* l’analyse des insights (soit pour comprendre l’existant, détecter des patterns ou prédire des événements)
|
|||
|
|
* l’amélioration du niveau de service et l’engagement vis-à-vis de l’utilisateur final.
|
|||
|
|
* Trois grandes classes
|
|||
|
|
* 1\. Robotic Process Automation | Le Robotic Process Automation (RPA) est la forme de l’IA la plus facile et la
|
|||
|
|
moins coûteuse à mettre en place. En général, elle porte ses fruits à court
|
|||
|
|
terme et son ROI est remarquable. Toutefois, malgré la facilité de sa mise en
|
|||
|
|
place et ses bénéfices considérables, de nombreuses entreprises ont encore du
|
|||
|
|
chemin à faire dans ce domaine.
|
|||
|
|
---|---
|
|||
|
|
* Le transfert de données et des emails collectés dans divers systèmes d’information pour mettre à jour les bases de données clients ou les opportunités détectées ;
|
|||
|
|
* Le rapprochement et contrôle des factures et commandes afin de rendre plus robuste les processus comptables ;
|
|||
|
|
* La lecture et analyse des contrats et documents légaux pour extraire des contraintes ou anomalies possibles.
|
|||
|
|
* 2\. Analyse de données | La deuxième forme la plus commune et connue de l’IA et de la Data Science est
|
|||
|
|
l’analyse de l’information et l’extraction de la valeur depuis un vaste volume
|
|||
|
|
de données (Big Data) pour des fins descriptives ou prédictives. Par exemple :
|
|||
|
|
|
|||
|
|
Les techniques les plus développées de Machine Learning, dites de Deep
|
|||
|
|
Learning,
|
|||
|
|
permettent de réaliser des fonctions comme la reconnaissance vocale ou d’image
|
|||
|
|
ou encore du [Natural Language
|
|||
|
|
Processing](https://fr.blog.businessdecision.com/replay-data-science-5-text-
|
|||
|
|
mining-nlp/) (NLP).
|
|||
|
|
---|---
|
|||
|
|
* Faire de la maintenance prédictive sur les chaines d’industrie
|
|||
|
|
* Identifier les fraudes possibles dans les systèmes bancaires ou d’assurance ou les systèmes de santé
|
|||
|
|
* Automatiser le ciblage clientèle lors des campagnes marketing
|
|||
|
|
* Fournir aux assureurs des modèles plus précis sur les potentiels clients
|
|||
|
|
* Engagement et prise de décision | La troisième forme consiste à engager l’utilisateur final (employé ou client)
|
|||
|
|
dans un processus d’interaction avec la machine afin de récolter de
|
|||
|
|
l’information ou de fournir un service.
|
|||
|
|
|
|||
|
|
La richesse des fonctions que peuvent s’offrir les organisations est très
|
|||
|
|
attractive. Toutefois, la mise en place de projets d’Intelligence Artificielle
|
|||
|
|
est confrontée à plusieurs obstacles de natures différentes :
|
|||
|
|
organisationnelle,
|
|||
|
|
financière, technologique ou stratégique.
|
|||
|
|
---|---
|
|||
|
|
* Les [agents conversationnels](https://fr.blog.businessdecision.com/chatbot-agent-conversationnel-experience-client/) (chatbots) intelligents qui sont sollicités 24/7 et qui couvrent une panoplie de services dépendant du niveau d’apprentissage du robot.
|
|||
|
|
* Les [moteurs de recommandation](https://fr.blog.businessdecision.com/moteur-de-recommandation-temps-reel-le-graal-du-marketing-digital/) qui orientent l’utilisateur dans ses choix de services ou produits
|
|||
|
|
|
|||
|
|
## Limites et enjeux actuels
|
|||
|
|
|
|||
|
|
* Initiative complexe
|
|||
|
|
* En terme de RH
|
|||
|
|
* En terme de processus
|
|||
|
|
* En terme de technologies
|
|||
|
|
* Manque de recul
|
|||
|
|
* Des modeles difficilements industrialisables
|
|||
|
|
* Encore en POC
|
|||
|
|
* Pas de méthodes sur la partie OPS
|
|||
|
|
* Approche centrée sur la technologie
|
|||
|
|
* Collecte
|
|||
|
|
* capable de ratisser tres large mais..
|
|||
|
|
* quelle est la qualité de la donnée ?
|
|||
|
|
* pertinente ou déchet ?
|
|||
|
|
* Chaine opérationnelle
|
|||
|
|
* Organisation non mobilisée
|
|||
|
|
* Faible collaboration liées aux différences culturelles
|
|||
|
|
* Vision transverse aux différentsmétiers
|
|||
|
|
* Quels temps de réactions
|
|||
|
|
* entre la collecte
|
|||
|
|
* le traitement
|
|||
|
|
* et l'action
|
|||
|
|
* Vision à 360° et humanisme
|
|||
|
|
* La machine ne fait pas de prise en compte globale
|
|||
|
|
* L'analyse du contexte, une vision à 360° autour de la donnée, importe tout autant que cette dernière
|
|||
|
|
* Risque juridique
|
|||
|
|
* données perosnnelles dans les modeles (RGPD)
|
|||
|
|
* a qui appartient le modele entrainé sur la base de données d'un tiers (propriété intellectuelle / industrielle)
|
|||
|
|
|
|||
|
|
## Références
|
|||
|
|
|
|||
|
|
* [READ. La Tribune : Mener à bien un projet data : une route encore semée d'embûches](https://www.latribune.fr/opinions/tribunes/mener-a-bien-un-projet-data-une-route-encore-semee-d-embuches-792583.html)
|
|||
|
|
* [Data Analytics Post : CHEF DE PROJET DATA : L’EXPERT BUSINESS DE L’ENTREPRISE](https://dataanalyticspost.com/fiche-metier/chef-de-projet-data/)
|
|||
|
|
* [Op Team : Quelle gestion de projet pour le BIG DATA](https://www.opteam.fr/blog/quelle-gestion-de-projet-pour-le-big-data)
|
|||
|
|
* [PLB : Formation Big Data : Concevoir et piloter un projet Big Data](https://www.plb.fr/formation/aide-%C3%A0-la-d%C3%A9cision/formation-gestion-projet-big-data,31-700375.php)
|
|||
|
|
* [READ. Chefdentreprise.com : PME : les 5 étapes clés pour réussir un projet data](https://www.chefdentreprise.com/)
|
|||
|
|
* ROI
|
|||
|
|
* PME
|
|||
|
|
* [READ. BusinessDecisions : Data Science et IA : comment bien cadrer vos projets d’entreprise ?](https://fr.blog.businessdecision.com/data-science-ia-cadrer-projets-entreprise/)
|
|||
|
|
* https://www.s-h.fr/la-data-analytics/
|
|||
|
|
|
|||
|
|
## Other topics
|
|||
|
|
|
|||
|
|
* Data visualisation
|
|||
|
|
* DATA vs Business intelligence
|
|||
|
|
* Big DATA
|
|||
|
|
* Data Steward
|
|||
|
|
|
|||
|
|
* * *
|
|||
|
|
|
|||
|
|
/home/warbrain/src/Glenux/teaching-mgmt-data/slides/intro.html | 2020-04-08 |
|
|||
|
|
[vym 2.6.11](http://www.insilmaril.de/vym)
|
|||
|
|
---|---|---
|
|||
|
|
|