Projets data : les principaux obstacles du Chief Data Officer
- 24 mai 2021
Selon Gartner, 85 % des projets data se soldent par un échec. Ceci est lié essentiellement à la qualité de la donnée. Assurer une bonne qualité des données pour les rendre exploitables est donc la mission principale des Chiefs Data Officers (CDO).
Or, 31 % des CDO interrogés par IBM, pensent que la complexité croissante des données, ainsi que le cloisonnement entre services et personnes de l’entreprise sont de véritables obstacles et nuisent à l’exploitation de celles-ci pour construire des modèles pertinents.
Ce ne sont pas les seuls challenges auxquels ils sont confrontés. Pour les projets d’Intelligence Artificielle, les CDO rencontrent là encore de nombreux obstacles :
- 37 % des CDO déclarent que le manque d’expertise et de connaissances en IA sont un frein à son adoption.
- 26 % considèrent qu’ils manquent d’outils dédiés, ce qui les empêche de développer des projets.
Dans cet article, nous faisons le point en détail sur ces obstacles et comment les surmonter.
Obstacle #1 - Le manque de stratégie dans la gouvernance des données
Ce n’est pas un secret : sans une gouvernance et une qualité optimale de la donnée, tout processus visant à l’exploiter et en extraire de la valeur est vain. On entend par gouvernance des données, l’ensemble des organisations et procédures mises en place pour encadrer la collecte, l’organisation et l’utilisation des data. L’objectif est de donner aux collaborateurs les meilleures conditions possibles pour les analyser et les exploiter.
Cependant, cette gouvernance est encore aujourd’hui compliquée pour de nombreuses organisations. Les CDO sont confrontés à un manque de cohérence des données d’un site à un autre, voire même d’un métier à un autre. Ils font également face aux “dark data”, ces données ignorées soit à cause du shadow IT, soit, parce que personne ne sait même qu’elles existent. Il est donc nécessaire de faire un inventaire de toutes ces données pour savoir si on les exploite ou non, comment et pourquoi.
La SNCF a très bien su prendre cette problématique en main : l’entreprise a mis en place des Data Owners qui surveillent des indicateurs liés à la qualité des données. En cas d’écart de qualité, ils préviennent et mettent en place un plan d’action pour résoudre le problème. En parallèle, un expert Data Quality côté métier se charge de construire des tableaux de bord pour aider les métiers à résoudre les problèmes de qualité plus facilement.
Obstacle #2 - Le manque de collaboration avec les métiers
Selon une étude menée par McKinsey (“Notes from the frontier : modeling the impact of AI on the world economy”), l’intelligence artificielle pourrait ajouter 13 000 milliards de dollars au PIB mondial d’ici à 2030. Les bénéfices ne sont donc plus à démontrer. Si le CDO et leurs équipes sont convaincus, il est encore difficile pour les collaborateurs des différentes branches d’une entreprise de comprendre la valeur qu’apporte l’IA. C’est ce manque de collaboration entre métiers et CDO qui peut freiner le développement des projets.
L’IA demande beaucoup de “test and learn”, une approche agile et une forte coopération entre équipes métiers et Data Scientists. Il est nécessaire d’embarquer les collaborateurs pour capitaliser sur le savoir-faire technique et analytique des uns, et la connaissance précise des processus métier des autres.
Pour cela, la formation et l’évangélisation des équipes métiers sont clés : il faut réconcilier les collaborateurs avec l’IA, qui y voient parfois une menace pour leurs fonctions. Cette étape permet de leur faire découvrir comment l’intelligence artificielle va faciliter leurs missions, leurs prises de décisions, les rendre plus performants, mieux cibler leurs actions, et éventuellement les décharger de tâches fastidieuses.
Obstacle #3 - Le manque de ressources humaines dédiées
Une étude menée en 2019 par IDC révèle que la moitié des projets d’IA sont voués à l’échec, à cause notamment d’un manque de ressources compétentes. Les profils data tels que les Data Scientists, CDO, Data Analysts, Data Architects… sont prisés par les entreprises et sont encore trop peu nombreux. Les formations dédiées se développent, mais les profils qualifiés ont l’embarras du choix en termes d’employeurs.
Autre compétence pouvant manquer et mener les projets à l’échec : les managers. En effet, il ne suffit pas de s’entourer de profils techniques pour mener à bien une mission de valorisation des données. Les profils de gestion de projet sont également clés, pour bien cerner le projet, la stratégie et définir les priorités, les délais, les coûts, assurer le pilotage. De nombreux projets se soldent par un échec, non pas par absence de compétences techniques, mais bien par manque de pilotage, faute de compétences managériales.
Obstacle #4 - La difficulté d’industrialiser les modèles d’Intelligence Artificielle
Les CDO sont également confrontés à la difficulté d’exploiter au maximum et de rentabiliser les modèles d’IA. Sans outils adaptés et sans réelle stratégie, la mise en production de projets d’intelligence artificielle peut s’avérer complexe. D’après une étude menée par Algorithmia, 50 % des entreprises passent entre 8 et 90 jours à déployer un modèle d’IA unique. Cela est dû à la difficulté de reproduire les modèles de base, à un manque d’implication de la part des équipes, ou encore à la difficulté de déployer à grande échelle les algorithmes.
Parallèlement, des problèmes propres à la mise en production émergent parfois sans avoir été détectés avant et font échouer le déploiement. En lien avec le manque de ressources humaines, les entreprises n’ont pas toujours les compétences internes pour régler ces problèmes ou faire que le déploiement soit un succès. Enfin, il y a souvent un manque de stratégie, de méthodologie et d’industrialisation des modèles d’intelligence artificielle.
Le manque de collaboration et de compréhension des enjeux entre les métiers et les équipes data peut aussi avoir un impact sur l’industrialisation des modèles : le projet ne répondant pas aux attentes, les métiers ne souhaitent donc pas utiliser les moyens mis à disposition et développés par les équipes data. Un travail d’évangélisation et de communication est alors nécessaire pour ne pas perdre de temps et d’énergie à déployer des processus inutiles.
Certaines difficultés de mise en production peuvent toutefois être anticipées. Si la plateforme d’analyse IA est dès le départ interfacée avec les outils internes de l’entreprise (BI par exemple), si elle est déjà intégrée dans le cloud où sont stockées les données, d’importants écueils techniques susceptibles d’impacter le déploiement seront levés.
Les CDO doivent donc surmonter ces différents obstacles pour pouvoir tirer parti de tous les bénéfices offerts par la data. Avant de penser intelligence artificielle “de masse”, il est nécessaire de travailler sur la qualité de la donnée, la collecte, la stratégie et l’industrialisation des projets, la collaboration entre les métiers et les équipes data, et enfin le recrutement des ressources nécessaires.
Data scientists : un manque de temps à consacrer aux modèles d'analyse
Les data scientists consacrent seulement 20 % de leur temps à la construction des modèles d’analyse, pourtant leur valeur ajoutée.
Tâches effectuées par un data scientist :
- Collecte de données – 16,8 %
- Nettoyage des données – 22,9 %
- Visualisation des données – 13,6 %
- Construction et sélection de modèles – 20,9 %
- Mise en production du modèle – 9 %
- Trouver des idées et les communiquer aux parties prenantes – 16,8 %
Découvrez notre plateforme papAI
Articles recommandés
Projets data : les principaux obstacles du Chief Data Officer