Big Data : liste de contrôles pour la mise en oeuvre de projets analytiques
Le consultant Rick Sherman décrit en détail une série d'étapes que les entreprises ont tout intérêt à suivre pour mettre leurs programmes d'analyse des Big Data sur de bons rails.
Les projets analytiques Big Data sont en haut de la liste des priorités du service informatique pour de nombreuses entreprises qui cherchent à tirer le maximum de bénéfices commerciaux de toutes les données (structurées, non structurées et semi-structurées) qui entrent dans leurs systèmes.
Mais comme pour toute initiative qui peut rapporte gros, les risques sont également élevés. C'est le cas de la mise en oeuvre du Big Data, ce qui rend la planification et la gestion des déploiements d'autant plus incontournables.
Il existe de bonnes méthodes, mais aussi de mauvaises. Vous trouverez ci-après la liste des étapes que des chefs de projets ont tout intérêt à suivre pour mettre leurs programmes Big Data sur les bons rails : celle qui permettra à l'entreprise d'obtenir la valeur métier escomptée et un bon retour sur investissement.
Cherchez des référents métier qui proposent un plan d'activité sérieux.
Avec tout le battage qui entoure le Big Data, il est probable que les cadres dirigeants désireux de sponsoriser un projet seront nombreux.
Le principal critère sur lequel vous devez vous appuyer pour les sélectionner est leur capacité à élaborer un ensemble d'objectifs métier clairs, assortis de délais réalistes. En ayant une idée bien définie des résultats que votre entreprise cherche à atteindre, vous pourrez déterminer la portée des systèmes de gestion des données et d'analytique qu'il vous faudra créer parallèlement à la technologie de base à installer.
Si un projet démarre sans ce type de cadrage, il y a de fortes chances pour qu'il échappe à tout contrôle en tentant d'en faire trop et trop vite.
Intégrez l'apprentissage, mais aussi les erreurs, dans le plan du projet.
L'analytique du Big Data introduira de nouvelles technologies, techniques et méthodologies dans votre organisation (comme le NoSQL ou Hadoop), et nécessitera probablement de nouvelles compétences ou de faire évoluer celles que les entreprises ont déjà.
Sur le même sujet
En outre, les technologies du Big Data ne cessent d'évoluer et un énorme travail de développement personnalisé est souvent nécessaire. Les nouvelles compétences requises sont encore très rares, qu'il s'agisse des développeurs informatiques et des data-scientists ou des autres professionnels de l'analytique qui dirigeront les travaux d'analyse des données.
Par conséquent, votre équipe de projet apprendra sur le tas, et les cadres et utilisateurs de l'entreprise découvriront progressivement ce que l'analytique du Big Data signifie vraiment pour eux. Etablissez les calendriers et les budgets du projet en prévoyant une longue courbe d'apprentissage, sans oublier les inévitables erreurs qui jalonneront cet apprentissage.
Recourez au développement Agile des applications.
Etant donné que chacun devra probablement recevoir une formation substantielle et que les besoins détaillés de l'entreprise pourraient changer en cours de route, les méthodologies de développement Agile conviennent mieux aux applications d'analytique du Big Data que les approches en cascade standard.
Une approche Agile offre des fonctionnalités par petits fragments itératifs et facilite les changements rapides dans les plans de développement. Elle est mieux adaptée lorsque de nombreuses incertitudes subsistent.
Cette approche doit s'accompagner d'un processus visible et transparent de gestion des changements, ainsi que de communications régulières avec les référents du projet et les participants au sujet des progrès réalisés et des inévitables changements.
Planifiez la moindre activité.
L'une des règles de gestion de projet qui ont fait leurs preuves, notamment en matière de développement de logiciels, est que le travail remplira n'importe quel intervalle de temps disponible.
En tant que chef d'un projet d'analytique du Big Data, vous aurez certainement la chance d'avoir une communauté extrêmement enthousiaste de cadres et d'employés à la recherche d'informations leur permettant d'orienter les stratégies et la tactique opérationnelles. Même si l'apprentissage sur le tas et l'ouverture aux changements nécessaires font partie du processus, vous devez exploiter cet enthousiasme en organisant des activités programmées dans des créneaux horaires étroits, afin que l'initiative Big Data aille de l'avant et que les participants ne se découragent pas en cas de blocage sur certaines tâches.
Traitez les data-scientists comme des artistes.
Les data-scientists et autres analystes spécialisés ont un rôle clé à jouer pour extraire les connaissances métier du Big Data. Générer ces connaissances, à l'aide d'applications telles que l'analyse prédictive et le data mining, est un processus incrémentiel et itératif.
Le data-scientist élabore un modèle analytique, le teste, l'affine et le valide, pour finalement l'appliquer et publier les résultats en interne.
Ce faisant, il peut tester des dizaines ou des centaines de variables en utilisant diverses méthodes statistiques. Or, le terme de data-scientist est quelque peu trompeur : créer des connaissances analytiques tient autant de la science que de l'art. Traitez les data-scientists comme des artistes de talent plutôt que comme d'ordinaires travailleurs si vous voulez booster leur productivité et obtenir de meilleurs résultats.
Fixez des attentes réalistes et gérez-les de manière proactive.
Dans les entreprises qui font leurs premières armes dans l'analyse du Big Data, les fournisseurs de technologie peuvent fixer des objectifs ambitieux en assurant que les outils de Big Data sont faciles à utiliser et en citant d'autres entreprises les ayant mis à profit pour augmenter considérablement leur valeur métier.
Des projets Big Data
Il est important de garder à l'esprit que la plupart des pionniers des systèmes de Big Data étaient de grandes sociétés d'Internet bénéficiant d'une solide expertise et qui, très souvent, ont joué un rôle prédominant dans le développement de Hadoop et d'autres technologies du Big Data.
Si vous laissez vos objectifs échapper à tout contrôle et n'arrivez plus à les atteindre par la suite, la mise en oeuvre de votre analyse du Big Data risque d'être perçue comme un échec, quelle que soit la valeur qu'elle produira réellement pour l'entreprise. Fixez des objectifs réalistes dès le départ, et continuez ainsi tout au long du projet.
Conclusion
Certes, le lancement d'un projet d'analytique du Big Data comporte des risques considérables tout en rapportant gros. Mais en adoptant autant que possible des pratiques de gestion de projet rigoureuses, les chefs de projet et leurs équipes limiteront les aspects négatifs et transformeront les déploiements en véritables opportunités pour leur entreprise.
