Comment les services IT peuvent faciliter les projets analytiques

Analytique : quelles sont les compétences préalables requises ?

Cela ne veut pas dire que les DSI abandonnent leur expertise en matière de gestion d’infrastructure. Au contraire. En effet, une bonne connaissance des méthodes de traitements et des mécanismes d’optimisation des performances sont nécessaires dans l’entreprise « data driven ». Les compétences en matière d’infrastructure servent à construire une architecture qui prend en charge l’analytique des données et ses besoins, notamment en matière d’évolutivité, de gouvernance et de sécurité des données.

En outre, il est plus simple que jamais d’utiliser l’IA pour créer et mettre en œuvre des propositions de valeur originales grâce aux plateformes disponibles dans le cloud.

« Nous allons avoir besoin d’équipes métier, produit et technique qui mettent leurs compétences et leur expérience approfondie au service de l’exploitation des données, avec l’objectif d’offrir une gamme complète de produits et de fonctionnalités, en phase avec le contexte de l’activité », prédit Rizwan Akhtar, vice-président directeur et responsable des technologies d’entreprise pour la société de services immobiliers Realogy Holdings.

Fondamentalement, l’IT réclame des compétences mathématiques plus avancées. Ce savoir est souvent l’apanage des data scientists. Ce sont eux qui s’y connaissent en algèbre linéaire, en statistiques, en calcul, voire en géométrie et en inférence. Toutefois, avec la généralisation de l’IA et du machine learning (ML), les non-spécialistes peuvent compter sur de nouveaux outils pour les aider.

L’analytique augmentée en est l’exemple parfait, même si elle ne dispense pas de connaître les rouages de l’IA et du ML. Pareillement, il faut une personne compétente en infrastructure, qui comprenne la nature des charges de travail.

L’IT dispose de plusieurs méthodes pour mettre en œuvre le dimensionnement scale-out. L’une d’elles consiste à combiner des environnements cloud et sur site avec des technologies de montée à l’échelle. Par exemple, une infrastructure hyperconvergée apporte plus de souplesse aux services de stockage, de traitement et de réseau.

« La résilience, cette aptitude à surmonter les problèmes grâce à un routage secondaire, à une capacité de secours et à des services tolérants aux pannes, est au cœur du modèle opérationnel de l’IT. »

« La résilience, cette aptitude à surmonter les problèmes grâce à un routage secondaire, à une capacité de secours et à des services tolérants aux pannes, est au cœur du modèle opérationnel de l’IT », explique Wendy Pfeiffer, DSI du fournisseur Nutanix.

Pour cela, il faut une forte expertise en analytique. Les places sont nombreuses et les talents sont rares. Une telle expertise implique généralement de collaborer avec les services métiers afin de comprendre comment utiliser l’IA et le ML pour résoudre leurs problèmes. Il s’agit par exemple de simplifier les parcours clients.

Certaines organisations regroupent l’ensemble de leurs bonnes pratiques dans des centres d’excellence, épaulés par des référents spécialistes de chaque service ou secteur.

En parallèle, le shadow IT conserve malheureusement un bon dynamisme. Cette informatique de l’invisible est tirée par les budgets que les départements consacrent aux solutions analytiques. Les services IT se rendent progressivement compte que plusieurs plateformes d’analytique coexistent, voire plusieurs instances de la même plateforme sans qu’aucune remise de volume ne soit appliquée.

Les éditeurs ont témoigné en la matière : que ce soit Tableau, AWS Quicksight ou Toucan Toco, tous ont observé une consolidation progressive des outils. Si les contrats ne sont pas forcément unifiés, les entreprises passent de quinze outils différents à cinq environ.

Une tendance émerge chez les informaticiens et les data scientists. Il convient de rendre la pratique de la data science accessible aux non-spécialistes. Il est ainsi plus facile de définir des normes d’analytique dans l’entreprise en matière de capacités, mais aussi d’accès, de nettoyage, d’intégration et de gouvernance des données.

En outre, le service IT acquiert de la visibilité sur les différents usages de la plateforme en interne. Ne pas impliquer l’IT, c’est risquer de ne pas savoir si la plateforme retenue est la bonne ou si les données sont assez fiables pour produire des indicateurs exploitables.

Les nouveaux rôles émergents de l’analytique dans les services IT

Beaucoup d’entreprises cherchent à recruter des data scientists. Pas totalement nouveau, ce rôle était souvent occupé par un statisticien ou un actuaire, un spécialiste des probabilités.

Toutefois, à l’inverse du data scientist type, tous les statisticiens n’ont pas de compétences en programmation. En fait, le manque de maturité du marché transparaît dans la course au recrutement de data scientists, lancée avant même de cerner les véritables besoins. D’autant que le data scientist doit collaborer avec les services métiers plutôt que de travailler dans son coin.

Parmi les nouveaux rôles, le data engineer s’assure de la qualité des données et des pipelines de données nécessaires à l’analytique. Ces professionnels occupaient souvent d’autres postes IT, notamment en administration des systèmes ou de bases de données.

« Les data engineers ont de solides connaissances des outils d’extraction, de manipulation et de chargement des données (ETL), d’une variété de langages de programmation et de systèmes de bases de données. Les data scientists sont plutôt axés sur les différents langages de programmation, notamment dans la perspective du machine learning », constate Jennifer Fahey, consultante principale de Syntax, un fournisseur de solutions cloud.

« Intégrer les équipes des données aux unités métier est en pratique le seul moyen de faire face à la croissance effrénée des sources de données et des exigences du business. »

Riches de leurs connaissances métier, les data analysts sont la cheville ouvrière du processus, mais ils peuvent manquer de compétences élémentaires en programmation. Ils travaillent au sein d’une unité opérationnelle, d’une équipe « data », ou des deux.

Les analystes métier n’ont pas disparu du paysage. Parce qu’ils ont plus de compétences techniques que les autres dans leur service, ce sont les non-spécialistes les plus susceptibles de pratiquer la data science au sein de l’organisation.

Les cadres comme les responsables des données (CDO) et de l’analytique (CAO) peuvent relever directement du DSI. Dans certains cas, dans une entreprise du numérique qui priorise l’analytique, le DSI peut endosser un de ces deux rôles.

« Intégrer les équipes des données aux unités métier est en pratique le seul moyen de faire face à la croissance effrénée des sources de données et des exigences du business », explique Satish Jayanthi, cofondateur et directeur technique de Coalesce, un éditeur d’outil de transfert de données. « Si l’IT joue un rôle essentiel dans la création de politiques de gouvernance, ce sont les unités métier qui devraient accueillir les équipes chargées des données haute qualité et de leur partage. »

La collaboration entre équipes chargées des données et services IT renforce les projets d’analytique des données. Alors que les organisations généralisent l’utilisation des données, le rôle des équipes IT reste central pour rendre possibles les opérations analytiques, valider le choix de la bonne plateforme et vérifier la fiabilité des données qui serviront à éclairer les décisions.