Avec l’émergence du Big Data et de la Data Science, il n’a pu échapper à personne que les entreprises se sont frénétiquement lancées dans des plans de transformation digitale dont elles ignorent bien souvent les contours exacts. Elles savent qu’elles doivent prendre le train en marche pour ne pas se faire distancer par leurs concurrents, mais elles ont parfois du mal à identifier ce qu’elles attendent de ce tournant technologique.
L’analyse métier est, elle aussi, à la croisée des chemins, et va, pour la première fois sans doute depuis 20 ans, devoir adapter considérablement ses pratiques.
Les Data Sciences dotent les Business Analysts de nouveaux outils. Ceux-ci peuvent non seulement mieux connaître les activités et les besoins des clients et marchés qu’ils analysent, mais également prévoir comment ceux-ci vont évoluer.
Cette nouvelle source d’information est absolument cruciale, en cela qu’elle va inévitablement faire émerger une nouvelle génération de Business Analysts, spécialisés dans le Big Data et la Data Science.
Pour celles et ceux qui auraient besoin d’une piqûre de rappel, voici la distinction Big Data vs. Data Science faite par le Survey Magazine:
Big Data
La notion fait référence à la collecte d’un volume important de données puis à l’analyse en temps réel de celles-ci. Les analyses requises pour traiter le nombre impressionnant de données nécessitent des moyens techniques et informatiques. Les logiciels dans la veine d’EthnosData permettent de traiter l’ensemble de ces données dans un temps court et très acceptable.
Data Science
La Data Science consiste à mettre au point des séries d’algorithmes à partir de règles mathématiques et statistiques (ou de Machine Learning) afin de délivrer des solutions. Ces techniques peuvent s’appuyer sur l’analyse d’image, l’analyse de textes (text-mining), l’étude de corrélation entre capteurs, etc.
Le lien entre les deux apparaît alors : afin d’analyser les amas de données, le Big Data repose sur les algorithmes développés par la Data Science. Plus loin avec les chantiers de digitalisation engagés par les entreprises et les institutions, la Data Science voit son champ d’applications profondément s’élargir : rationalisation de la logistique, optimisation des achats, études de corrélation, ajustements des politiques prix, etc. Les projets d’optimisation de la chaîne de valeur sont très nombreux.
C’est dans ce sens que d’aucuns perçoivent la Data Science comme étant le prochain département contrôle de Gestion appliqué aux données (et non aux activités financières).
The Survey Magazine
En tant que Business Analyst, je commence tout juste à découvrir, au gré de mes veilles technologiques et informationnelles, l’impact considérable que le Big Data et la Data Science peuvent avoir sur mon métier.
Je vous propose donc ici de partager avec vous ce que j’ai retenu de ce mariage annoncé – et même déjà prononcé – entre l’analyse métier (Business Analysis ou BA), le Big Data et la Data Science.
Comment utiliser la puissance du Big Data pour améliorer la Business Analysis
La Business Analysis est un domaine d’expertise plutôt stable. Le BABOK de l’IIBA en est un exemple concret, puisque son approche, décrite en 2005, n’a subi depuis lors que quelques changements mineurs, le dernier en date étant impulsé par l’utilisation de plus en plus fréquente des méthodes agiles.
La plupart des outils que les Business Analysts utilisent existent donc depuis longtemps, et continueront d’être utilisés dans l’avenir, mais ils ne sont plus suffisants pour exploiter le plein potentiel de la Data Science et du Big Data.
En effet, l’avènement du Big Data et son adoption à grande échelle a, dans un grand nombre de cas, perturbé le modèle économique traditionnel de la Business Analysis. Cela a ajouté une foule de nouveaux facteurs et modifié de façon significative l’objet même de l’analyse métier.
Si la Business Analysis, jusqu’à présent, permettait de collecter les besoins métier d’une entreprise et d’optimiser sa performance ou de résoudre des problématiques, elle peut maintenant lui donner la capacité de prédire les besoins (les siens, ceux de ses clients ou de son environnement externe) ou les problèmes qui surviendront à court, moyen ou long terme.
Grâce aux modèles prédictifs, il est maintenant possible d’y répondre à l’avance, de manière plus efficace, tout en évitant de nombreux effets de bord indésirables.
L’ampleur de ces changements et la capacité désormais démontrée du Big Data à guider les entreprises pour assurer leur croissance conduisent ces dernières, quelle que soit leur taille, à adopter ce virage technologique.
Les Business Analysts vont devoir intégrer ces changements technologiques majeurs à leur manière d’aborder leur métier.
Le modèle traditionnel de l’analyse métier et comment il a été impacté par le Big Data
L’ensemble des bonnes pratiques et outils de l’analyse métier traditionnelle, ainsi que le modèle classique du BABOK, sont relativement exhaustifs.
Cependant, l’arrivée de la Data Science a créé de nouvelles opportunités de croissance stupéfiantes, et d’ailleurs, un nombre croissant d’entreprises les utilisent désormais pour fixer leurs objectifs commerciaux.
C’est dans ce contexte que le modèle de Business Analysis traditionnel s’avère insuffisant pour utiliser l’ensemble des opportunités fournies par le Big Data et la Data Science.
La Business Analysis “descriptive” conventionnelle doit désormais ajouter au moins une corde à son arc : celle de l’analyse prédictive, voire même “prescriptive”, capable de mettre en œuvre une solution optimum de croissance.
Un nouveau profil de Business Analyst commence donc à se dessiner : celui de « Data Science » Business Analyst, un hybride à l’intersection des Data sciences, de la Business Intelligence et de l’analyse métier traditionnelle.
Cette nouvelle espèce devra être en mesure de comprendre la Data Science pour se coordonner avec ses acteurs techniques (Data Scientist et Data Analyst).
En quoi consiste la « Data Science » Business Analysis et comment l’appliquer ?
La « Data Science Business Analysis » (appelons-la DSc BA) utilise les types de données ci-dessous, moulinées à l’aide de divers algorithmes et techniques de Machine Learning:
- Données internes à l’entreprise, et données prédictives
- Données externes prédictives, telles que, par exemple, les tendances du marché ou les prévisions météorologiques
- Exigences des parties prenantes du projet.
Tout comme la Business Analysis conventionnelle, la DSc BA débute par le cadrage puis l’analyse détaillée des besoins, et suit le schéma « habituel » aboutissant à la proposition d’une solution cible.
Avec l’arrivée du Big Data et de la Data Science, deux différences fondamentales émergent du modèle traditionnel :
- Tout d’abord, la collecte d’informations va s’étoffer de flux de données transmis par le Big Data et la Data Science.
- D’autre part, alors que le Business Analyst traditionnel a pour objectif de dessiner une solution cible en conformité avec les seules exigences métier (celles des utilisateurs / de l’entreprise / du client), le « Data Sciences » Business Analyst va également se concentrer sur les données prédictives et prescriptives.
Après avoir fusionné ces différents types de données et les avoir préparées en vue de l’étape d’analyse, le DSc Business Analyst pourra y appliquer des algorithmes afin d’approfondir sa compréhension et utiliser le Machine Learning pour anticiper les évolutions des besoins.
Ces algorithmes permettront d’obtenir des informations précieuses sur l’évolution de l’entreprise et de son environnement.
Quels sont les livrables de la « Data Science » Business Analysis ?
Les livrables de la DSc BA peuvent donc comprendre des observations et des prévisions (par exemple, sous forme de diagrammes) ainsi que des conclusions sur l’impact des contraintes externes, comme l’évolution des réglementations. Cela consiste par exemple à transmettre des recommandations ou instructions sur la réaction à avoir en cas de réalisation de tout ou partie des prévisions.
Qui peut effectuer une analyse métier orientée en Data Science, et quelle serait la composition d’une telle équipe-projet ?
Le facteur déterminant serait, normalement, la taille du projet et la quantité de données qui doivent être analysées. En tout état de cause, dans la grande majorité des cas, il faudrait au moins deux experts – un DSc BA et un Data Scientist.
L’organisation de l’équipe serait alors le suivant :
- Le Business Analyst « Data Science » (DSc BA):
- Il réalise l’analyse métier traditionnelle, tout en identifiant les problématiques qui, selon lui, peuvent être clarifiées et approfondies par l’utilisation des techniques de Data Science.
- Il identifie également les cas d’évolutions futures des différentes solutions préconisées, sur lesquels des modèles prédictifs peuvent être appliqués via le Machine Learning. Son interprétation des résultats est également fondamentale pour produire des recommandations et identifier la solution cible optimum, en fonction des scénarios possibles.
- Le Data Scientist :
- Il reçoit du Business Analyst « Data Science » une liste des problèmes à résoudre ainsi que des objectifs à atteindre dans le cadre du projet.
- Il applique les cas d’évolutions futures identifiés par le DCs BA aux données projet, et utilise les techniques de Data Sciences comme les arbres de décision, la régression logistique ou les réseaux neuronaux.
Vous le voyez, nous sommes au tout début d’une nouvelle ère technologique. Les impacts de l’utilisation du Big Data et du Machine Learning sont multiples, et pour la plupart d’entre eux, encore largement inconnus/méconnus.
Tout reste donc à construire, en analyse métier comme dans bien d’autres domaines.
Cet article vous a plu? Partagez-le et suivez-moi sur les réseaux sociaux!
