Data Scientists – LeBigData.fr https://www.lebigdata.fr Le magazine du Big Data et du Cloud Computing Tue, 29 Aug 2017 15:23:05 +0000 fr-FR hourly 1 Data science : apprendre la discipline en 8 étapes avec DataCamp https://www.lebigdata.fr/data-science-etapes-1512 https://www.lebigdata.fr/data-science-etapes-1512#comments Thu, 15 Dec 2016 17:54:13 +0000 https://www.lebigdata.fr/?p=3101 Le métier de data scientist a été surnommé par Harvard Business Review comme « le plus sexy du 21e siècle » en …

Cet article Data science : apprendre la discipline en 8 étapes avec DataCamp a été publié sur LeBigData.fr.

]]>
Le métier de data scientist a été surnommé par Harvard Business Review comme « le plus sexy du 21e siècle » en 2012 et « le meilleur emploi de l’année » en 2016 par Glassdoor. Data Camp a dévoilé une infographie qui résume la façon d’apprendre la data science en 8 étapes. 

Un métier encore méconnu

La position vis-à-vis de la data science a considérablement évolué au cours de ces quatre dernières années. En 2012, la majorité des articles visaient à expliquer le rôle du data scientist et son activité exacte. À l’époque, une recherche Google de « comment devenir un data scientist » montrait que ce concept pouvait avoir un grand nombre de significations. En 2016, c’est toujours le cas, la recherche donne toujours une variété d’articles présentant différentes opinions sur le sujet. Mais la majorité des articles se concentrent à expliquer les raisons pour lesquelles les data scientists sont des leaders et sont indispensables aux entreprises en pleine transformation digitale.

Ils sont très importants, car il existe très peu de data scientists répondant aux attentes des entreprises à ce jour, bien que la définition de ce métier ne soit pas encore fixe. Les offres d’emploi montrent que les sociétés recherchent des personnes ayant des compétences en communication, de la créativité, de l’intelligence, de la curiosité, de l’expertise technique et bien d’autres atouts. Souvent, en regardant les compétences requises, il est possible de penser que la data science est un secteur est peine perdue. 

Avec plus de demande que d’offre, l’attention que l’on porte aux équipes de data scientists est à la hausse. Cette demande pose une fois de plus la question de ce qu’est réellement la data science.

setwidth700-data-scientist

De nombreuses compétences requises

Tout comme la définition de data scientist, la définition de la data science a également de multiples facettes. En effet, il existe beaucoup de conseils pour les personnes voulant apprendre la data science. Évidemment, il n’existe pas de définition précise puisque cela dépend fortement de l’industrie et du contexte. Pour en savoir plus, il suffit de se référer à l’infographie “Become a Data Scientist in 8 Steps” crée par la société DataCamp, qui donne un aperçu des huit étapes à suivre pour devenir un data scientist. Certaines étapes peuvent être plus faciles que d’autres pour certains, en fonction de l’expérience. Cette infographie peut aussi bien s’adresser aux novices, aux informaticiens voulant travailler dans la data et même aux équipes de data scientists.

Pour faire court, il faut devenir compétent en statistiques, en mathématiques et en machine-learning, apprendre à coder, comprendre les bases de données, explorer le flux de travail de la data science et acquérir des compétences en Big Data. L’infographie conseille également de rejoindre des compétitions, rencontrer d’autres data scientists, suivre chaque tendance sur les réseaux sociaux et médias spécialisés. 

De plus, des connaissances de SQL, des langages Python, Java et R sont généralement requises. Contrairement aux spécialistes de l’analyse prédictive doivent savoir utiliser les bases de Python, un data scientist doit être capable de construire ses propres outils sur Python sans être limité à une ou deux bibliothèques. La connaissance de Python est l’une des qualités les plus importantes pour le recrutement. Ainsi, un apprenti data scientist n’ayant pas de connaissances en Java ou en C++ pourront se contenter d’une expérience en Python.

Une expérience en machine-learning est également appréciable pour le recrutement d’un data scientist. De plus en plus de développeurs comme Microsoft, Google ou Salesforce ajoutent du machine-learning à leurs applications. Les profils d’étudiants les plus recrutés sont des étudiants en mathématiques, statistiques, science informatiques, neurosciences, biologie ou psychologie informatique. Pour ceux qui n’ont pas eu la chance d’étudier dans ces domaines, il existe également de bons programmes proposant une formation intensive focalisée sur des compétences spécifiques. On pense notamment à Kaggle, proposant aux data scientists de s’affronter sur des problèmes complexes à résoudre avec également la possibilité de travailler sur des projets réels en collaboration.

Voici l’infographie réalisée par DataCamp :

data-scientist

Cet article Data science : apprendre la discipline en 8 étapes avec DataCamp a été publié sur LeBigData.fr.

]]>
https://www.lebigdata.fr/data-science-etapes-1512/feed 1
Pourquoi les investissements Big Data ne payent pas encore ? https://www.lebigdata.fr/investissements-big-data-ne-payent Tue, 19 Jul 2016 11:48:53 +0000 https://www.lebigdata.fr/?p=1839 Une étude menée par l’Economist Intelligence Unit et ZS révèle que les investissements Big Data judicieux et réfléchi est plus …

Cet article Pourquoi les investissements Big Data ne payent pas encore ? a été publié sur LeBigData.fr.

]]>
Une étude menée par l’Economist Intelligence Unit et ZS révèle que les investissements Big Data judicieux et réfléchi est plus pertinent qu’un investissement massif pour tirer profit des données et des analyses. L’étude a été menée auprès de 450 senior executives d’entreprises américaines, dans des secteurs variés comme l’informatique, les télécoms, la pharmacie, les appareils médicaux, les services financiers, le tourisme ou l’hôtellerie. 

L’étude « Broken Links: Why analytics investments have yet to pay off », menée par l’Economist Intelligence Unit, et par l’expert en marketing ZS, révèle que 70% des business executives évaluent les analyses des ventes et du marketing « très importantes » ou « extrêmement importantes ». Cependant, seuls 2% d’entre eux affirment avoir obtenu un « impact positif » grâce à ces analyses.

economist-intelligence-unit

Selon le directeur de l’étude, Dan Wetherill, associé principal chez ZS, ce pourcentage est peu élevé, mais il faut prendre en compte que plusieurs entreprises viennent seulement de commencer leur projet Big Data. Ces dernières se dirigent en temps réel vers l’objectif fixé.

La communication, principal facteur de réussite

communication-entreprise

L’étude met en avant que l’un des principaux obstacles rencontrés par les entreprises est la difficulté de communication entre les responsables de la Business Performance et les personnes travaillant directement avec les outils analytiques. Le sondage a d’ailleurs été mené auprès de ces deux catégories de professionnels.

Beaucoup de représentants d’entreprises ont déclaré que leurs firmes ont investi massivement dans les outils analytiques et le recrutement de Data Scientists professionnels. Pourtant, l’envergure de l’investissement ne semble pas être le principal facteur de réussite d’un projet Big Data.

La véritable distinction entre un projet réussi et un projet raté provient de la collaboration entre les responsables et les analystes. Ainsi, 41% des exécutifs interrogés estiment que cette collaboration existe au sein de leur entreprise. Parmi les entreprises ayant tiré un bénéfice de leur stratégie Big Data, ce taux monte à 55%, contre 37% pour les autres.

Les principaux obstacles aux investissements Big Data

Un autre problème, fréquemment rencontré par les entreprises tentant d’adopter une stratégie Big Data, est le manque de données adéquates au moment opportun. Pour Wetherill, il s’agit d’un problème de disponibilité. Ce problème peut engendrer des difficultés pour prendre des décisions lorsque les informations nécessaires sont inaccessibles. Les analystes et décideurs sont alors obligés de faire confiance à leur intuition plus qu’ils ne devraient.

Dans l’ensemble, le sondage a permis d’identifier trois domaines dans lesquels les entreprises rencontrent des difficultés pour dégager une valeur de leurs analyses. Dans ces trois domaines, les entreprises auraient intérêt à reprendre leur projet depuis le début pour implémenter des changements permettant de corriger les points faibles.

Le premier est un problème d’organisation, pouvant être résolu par une communication améliorée entre les dirigeants et les leaders analytiques, comme évoqué précédemment. Le second problème est lié à la procédure. Pour y remédier, il est nécessaire d’étudier de quelle façon les outils analytiques sont implantés dans les opérations de l’entreprise, pour s’assurer qu’une approche end-to-end est déployée, afin de propager une culture analytique. Selon l’étude, les plus grands défis rencontrés par les entreprises se situent à l’avant et à l’arrière de la chaîne analytique.

infrastructure-cloud

Enfin, la troisième zone sensible est celle de la plateforme utilisée. Selon Wetherill, une majorité d’entreprises utilisent une infrastructure Big Data basée sur le Cloud. Toutefois, alors que 90% d’entreprises ont pris la décision de converger vers cette direction, seuls 8% ont connecté ces infrastructures avec des outils analytiques. Cet écart montre que beaucoup de firmes ont posé les fondations de leur projet Big Data mais ne l’ont pas encore réellement déployé.

Un investissement d’avenir

investissement-avenir

Malgré tout, alors que 70% des interrogés estiment que les analyses ventes et marketing sont très importantes pour leur croissance, 89% estiment qu’elles le seront dans les deux années à venir. Ceci confirme l’idée d’EIU selon laquelle le faible taux de succès est lié au caractère récent du Big Data.

Par ailleurs, l’étude met en exergue la confiance croissante des entreprises à succès dans les décisions basées sur les analyses. Un total de 76% des exécutifs interrogés se basent sur les données davantage que sur leur intuition. La principale solution pour tirer profit du Big Data semble donc à présent de laisser le temps aux projets entamés d’aboutir.

Cet article Pourquoi les investissements Big Data ne payent pas encore ? a été publié sur LeBigData.fr.

]]>
5 films américains célèbres ayant pour thème le Big Data https://www.lebigdata.fr/5-films-celebres-ayant-theme-big-data Wed, 22 Jun 2016 17:58:04 +0000 https://www.lebigdata.fr/?p=1627 Il n’y a pas que la Silicon Valley pour vouer une fascination au Big Data. Avant même que ce terme …

Cet article 5 films américains célèbres ayant pour thème le Big Data a été publié sur LeBigData.fr.

]]>
Il n’y a pas que la Silicon Valley pour vouer une fascination au Big Data. Avant même que ce terme ne fasse son apparition, et que les géants californiens de la technologie ne s’intéressent à ce phénomène, les possibilités offertes par le Big Data fascinaient déjà les cinéastes d’Hollywood. Plusieurs films célèbres sont directement inspirés par les possibilités offertes par l’analyse de données. Aujourd’hui, les entreprises peuvent tirer des leçons de business de ces œuvres cinématographiques créées par des visionnaires. 

House of Cards (2013 – aujourd’hui)

person-of-interst

Dans la dernière saison de la série House of Cards, même le Président des États-Unis rencontre des difficultés pour recruter les experts en analytics dont il a besoin.  Le personnage de Frank Underwood, incarné par Kevin Spacey, tente d’embaucher Aiden, le meilleur Data Scientist du pays, pour un projet de surveillance sous couverture. Malgré l’illégalité de l’opération, Aiden finit par accepter pour saisir les opportunités et les perspectives offertes.
De toute évidence, aucune entreprise n’irait jusqu’à contourner la loi de cette manière. Cependant, la demande mondiale de Data Scientists devraient excéder le nombre d’experts qualifiés de 50% à partir de 2018 et les salaires généreux devaient encore augmenter. Les chefs d’entreprise peuvent garder en mémoire que les meilleurs Data Scientists souhaitent faire de grandes découvertes et résoudre d’importants problèmes. Pour retenir leur attention, il est nécessaire de leur offrir un espace dans lequel ils peuvent librement s’épanouir.

I, Robot (2004)

i-robot

Dans le film I,Robot, le superordinateur VIKI récupère de larges quantités de données afin de créer une ville plus sécurisée. À la fin du film, les outils analytiques de VIKI ont tiré une conclusion selon laquelle les humains doivent nécessairement être contrôlés par les robots ou exterminés. Le principal problème de ce superordinateur est son objectif mal défini au moment de sa création, lui permettant par la suite de dévier de son but initial. Il est effectivement important de fixer des objectifs clairs dès le départ dans le cadre d’une stratégie Big Data. Par exemple, dans le commerce au détail, déterminer les facteurs permettant d’améliorer la fidélité du consommateur est un objectif explicite permettant aux équipes d’analystes de surmonter les défis et de transformer leurs découverte en production. 

Person of Interest (2011 – aujourd’hui)

person-of-interst

Dans la série Person of Interest de CBS TV, un ancien agent de la CIA et un génie de l’informatique utilisent un système informatique intelligent pour empêcher des crimes violents de survenir. Même si l’intelligence artificielle utilisée dans cette série est largement supérieure à celles disponibles aujourd’hui, l’un des composants clés du succès des deux personnages est que cette machine leur donne le pouvoir d’analyser des données en provenance de sources innombrables, des caméras de trafic aux satellites GPS en passant par les réseaux cellulaires.

Moneyball (2011)

moneyball

L’adaptation du livre de Michael Lewis, Moneyball, présente Billy Beane, manager général des Oakland Athletics qui décide de développer un modèle basé sur les analyses de données pour évaluer ses joueurs et prendre l’avantage en compétition. Malgré l’absence de ses meilleurs joueurs, l’équipe parvient à décrocher 20 victoires consécutives. Aujourd’hui, toutes les ligues majeures adoptent des stratégies guidées par les données pour élaborer leurs rosters.

Enemy of the State (1998)

enemy-of-the-state

Dans le film Enemy of the State, un membre du Congrès américain se dresse contre le passage d’une loi de surveillance qui affecterait la vie privée des citoyens. Il est essentiel de penser sa stratégie analytique en se demandant comment les consommateurs réagiront. Il ne doivent pas trouver les méthodes envahissantes ou inappropriées. Il est donc essentiel de maintenir la confiance des clients pour ne pas les perdre.

En conclusion, le principal enseignement à tirer de la description qu’Hollywood fait du Big Data est que le pouvoir du Big Data Analytics ne soit pas être sous-estimé. Il offre de nombreuses promesses à l’entreprise, mais comporte également des risques. Il est important de recruter de bons Data Scientists, de rester focalisé, d’expérimenter librement tout en maintenant la confidentialité des consommateurs.

Cet article 5 films américains célèbres ayant pour thème le Big Data a été publié sur LeBigData.fr.

]]>
[Infographie] Big Data et chaîne logistique, présenté par Accenture https://www.lebigdata.fr/infographie-big-data-chaine-logistique-benefices-expliques-accenture https://www.lebigdata.fr/infographie-big-data-chaine-logistique-benefices-expliques-accenture#comments Fri, 20 May 2016 09:34:46 +0000 https://www.lebigdata.fr/?p=1416 Afin de mettre en lumière les bénéfices du Big Data Analytics pour la chaîne logistique d’une entreprise, la firme de …

Cet article [Infographie] Big Data et chaîne logistique, présenté par Accenture a été publié sur LeBigData.fr.

]]>
Afin de mettre en lumière les bénéfices du Big Data Analytics pour la chaîne logistique d’une entreprise, la firme de Management Consulting Accenture a mené une étude de grande envergure. Suite à ces recherches, Accenture délivre une infographie complète sur les enjeux et les avantages du Big Data pour la Supply Chain. 

big-data-accenture-logistique-2

L’entreprise internationale Accenture est spécialisée dans le consulting de management et les services technologiques. Elle compte environ 289000 employés et dispenses ses conseils à des clients dans plus de 120 pays. Afin de réaliser une étude détaillée sur l’intérêt du Big Data Analytics pour la chaîne logistique, cette société a effectué des recherches auprès de 1014 Senior Executives d’entreprises asiatiques, américaines et européennes de tous les secteurs, dont le chiffre d’affaires est compris entre 1 et 10 milliards de dollars ou plus.

big-data-accenture-logistique-3

Cette étude est axée sur trois points principaux : la croissance d’un marché émergent, la gestion des risques de la chaîne logistique, et les Big Data Analytics. Ces trois axes sont les priorités établies par les exécutifs interrogés. L’étude cherche à mettre en lumière les stratégies et tactiques employées par les dirigeants d’entreprises dans ces trois domaines, et à évaluer l’efficacité de ces méthodes.

Accenture commence tout d’abord par un constat paradoxal. Actuellement, 97% des exécutifs estiment que l’analyse du Big Data peut avoir un impact positif sur la chaîne logistique de leurs entreprises. Cependant, seuls 17% ont déjà implanté des outils analytiques à une ou plusieurs fonctions de leur supply chain. En revanche, il s’agit d’un phénomène de mode en plein essor, puisque 1 tiers des dirigeants interrogés est déjà engagé dans le processus d’implantation de ces outils.

big-data-accenture-logistique (6)

Les attentes de ces exécutifs vis-à-vis de l’exploitation du Big Data sont nombreuses. 48% d’entre eux souhaitent s’en servir pour pouvoir réagir plus rapidement aux changements. 45% veulent pouvoir prédire ces changements. 43% espèrent pouvoir obtenir une vue d’ensemble de la chaîne logistique pour pouvoir optimiser les performances globales de leur entreprise.

big-data-accenture-logistique (7)

Hélas, malgré tout l’intérêt porté au Big Data, l’adoption des outils analytiques se heurte à plusieurs obstacles. 67% s’inquiètent de l’investissement représenté. 64% se posent des questions concernant la sécurité. Les autres freins cités sont la confidentialité, l’absence de soutien de la part des chefs d’entreprise, ou encore le manque de personnel qualifié en interne pour se charger de ce déploiement.

big-data-accenture-logistique (8)

Pour le moment, seuls 34% des entreprises interrogées ont une équipe de Data Scientists qualifiés focalisés sur l’analyse du Big Data en vue d’une amélioration de la chaîne logistique ou de l’entreprise dans sa globalité. Ce manque de personnel compétent peut provenir d’une incapacité à attirer les profils les plus talentueux, faute de moyens, ou tout simplement d’une négligence de la part des employeurs.

big-data-accenture-logistique (9)

Une fois déployée, la stratégie analytique des données volumineuses peut apporter de nombreux bénéfices. Selon les entreprises interrogées, ses principaux apports sont l’amélioration du service client, l’accélération de la réactivité aux éventuels problèmes de chaîne logistique, ou encore l’efficacité et l’intégration de cette chaîne logistique. Ces bénéfices requièrent toutefois de respecter une stratégie analytique bien ficelée.

big-data-accenture-logistique (10)

big-data-accenture-logistique (11)

Les trois clés pour dégager un retour sur investissement des Big Data Analytics

big-data-accenture-logistique (12)

En effectuant ses recherches, Accenture affirme être parvenue à dégager trois règles à respecter pour tirer un retour sur investissement des Big Data Analytics dans la chaîne logistique. Il est ainsi essentiel de se focaliser sur le développement d’une stratégie analytique couvrant l’ensemble de l’entreprise. Il faut également s’assurer que les Big Data Analytics implantés dans la chaîne logistique visent à améliorer les prises de décisions de l’entreprise. Enfin, il est nécessaire de recruter des spécialistes dotés de compétences analytiques et de connaissances en business, capables de tirer des informations véritablement utiles des Big Data.

big-data-accenture-logistique (13)

Une stratégie analytique englobant l’ensemble de l’entreprise s’avère largement plus efficace qu’une stratégie trop spécifique, orientée vers un seul objectif. Par exemple, pour réduire les temps de livraisons, 61% des entreprises dont la stratégie est globale rencontrent le succès, contre 14% des entreprises trop focalisées. Il en va de même pour l’efficacité des décisions de ventes et d’opérations, avec une réussite de 55% contre 12%. Une stratégie claire dont les objectifs sont prédéfinis à l’avance et mûrement réfléchis est également beaucoup plus rentable.

big-data-accenture-logistique (14)

De même, les statistiques révèlent qu’il est plus judicieux d’utiliser les Big Data Analytics au quotidien que de s’en servir uniquement ponctuellement pour résoudre des problèmes. La première stratégie se révèle encore une fois plus efficace pour réduire les temps de livraison (63% contre 12%), pour améliorer les opérations basées sur la demande (58% contre 15%), pour les décisions de ventes et d’opérations (51% contre 13%), pour réagir aux problèmes dans la Supply Chain (47% contre 18%) et pour optimiser les inventaires (45% contre 19%).

big-data-accenture-logistique (16)

La troisième règle à respecter est de former une équipe de Data Scientists dédiée à l’analyse des données, ou, en dernier recours, une personne capable d’utiliser des outils performants pour analyser les données. L’étude d’Accenture démontre qu’une équipe de Data Scientists est largement plus bénéfique qu’une équipe d’analystes traditionnels pour la réduction des temps de livraison (50% contre 9%), pour améliorer les opérations basées sur la demande (50% contre 9%) ,pour améliorer les relations entre les clients et les livreurs (44% contre 13%), et pour les décisions de ventes et d’opérations (44% contre 11%). Il est donc essentiel de recruter des profils formés dans les meilleures universités.

En conclusion, l’analyse du Big Data peut avoir des conséquences très bénéfiques sur la chaîne logistique d’une entreprise. Il est cependant nécessaire de déployer une stratégie globale, mûrement réfléchie, intégrée à la supply chain et gérée par une équipe de Data Scientists qualifiés.

Cet article [Infographie] Big Data et chaîne logistique, présenté par Accenture a été publié sur LeBigData.fr.

]]>
https://www.lebigdata.fr/infographie-big-data-chaine-logistique-benefices-expliques-accenture/feed 2
10 écueils à éviter dans l’analyse du Big Data https://www.lebigdata.fr/10-ecueils-eviter-analyse-big-data-1707 Fri, 17 Jul 2015 16:53:11 +0000 https://www.lebigdata.fr/?p=575 Les grandes entreprises et les start-ups voient le Graal dans le Big Data. Mais est-ce une fin en soi ? Se …

Cet article 10 écueils à éviter dans l’analyse du Big Data a été publié sur LeBigData.fr.

]]>
Les grandes entreprises et les start-ups voient le Graal dans le Big Data. Mais est-ce une fin en soi ? Se posent-elles les bonnes questions ? Voici une liste des 10 écueils à éviter.

Ne pas prendre de décisions à partir du Big Data

La plupart des entreprises ne réalisent pas combien d’informations elles peuvent extraire du Big Data. Il existe de nombreux outils qui peuvent aider à prendre des décisions. Et si le Big Data avait la solution à vos interrogations ?

Ne pas engager des Data Scientists

La collecte des données est plus facile que jamais et les outils pour travailler sur le Big Data sont également devenus beaucoup plus accessibles. Le problème est souvent que les entreprises ne disposent pas d’un Data Scientist qualifiée ou de quelqu’un pouvant interpréter ces données. Au lieu de cela, elles comptent sur un personnel non qualifié. L’analyse abusive, ou mal faite, des données peut être très nocif pour une société.

Répondre à la question « quoi »

La plus grande erreur que font les entreprises dans l’utilisation du Big Data est d’essayer de répondre à des questions relativement triviales telles que « quoi ». Le Big Data n’est pas la pour répondre au « quoi » mais au « pourquoi ». Le Big Data a pour but de joindre des ensembles de données qui n’ont jamais été joints avant, et poser les questions qui n’ont jamais été posées. Il est, par exemple, question de savoir pourquoi les clients et les employés font ce qu’ils font.

Mettre l’accent sur le traitement des données au détriment de l’analyse

La première partie du défi du Big Data est de trouver les bons algorithmes et l’approche pour ingérer les vastes quantités d’informations. La seconde est plus négligée : le défi est de trouver un moyen de présenter les conclusions pour les rendre facilement utilisables. Trop d’entreprises se concentrent sur « comment traitons-nous toutes ces données ? » au détriment de « comment pouvons-nous mettre en action les solutions ? ».

Négliger de suivre le temps et le coût

Beaucoup d’entreprises n’ont pas investi assez dans le suivi du temps et dans la gestion des coûts, surtout dans les entreprises de services. Avoir les outils appropriés au suivi du temps pour une véritable comptabilité des coûts est très important. L’entreprise sera alors en mesure d’exprimer les véritables marges de chaque offre. Ces informations peuvent être notamment utilisées pour augmenter l’efficacité et la rentabilité.

Faire une confusion entre corrélation et causalité

Lorsque les entreprises travaillent avec des données volumineuses, une erreur majeure (et commune) consiste à supposer que la corrélation implique un lien de causalité. Alors que vous pouvez utiliser des données pour comprendre la corrélation, l’assimiler à la « cause à effet » peut conduire à des résultats erronés et des décisions infructueuses. Faire la distinction entre corrélation et causalité est essentiel à l’utilisation des données pour de meilleurs résultats.

Surcharger le processus

Trop souvent, les entreprises investissent dans des outils coûteux dès le début, ce qui nécessite une équipe d’analystes, mais sans l’équipe en place ou les capacités de traiter les informations. Il est plus simple (et moins coûteux) de commencer avec des outils de base, et croître en fonction de son apprentissage et des outils manquants.

Penser Too Big

Le Big Data est hype et à juste titre, mais les entreprises doivent penser petit pour tirer parti de leurs données. Un projet Big Data peut être très coûteux et créer des coûts récurrents élevés. Lancer des projets par la résolution de problèmes réels, et développer les solutions pour y répondre est un moyen plus sûr pour connaitre un réel retour sur investissement.

Être dirigé par la Data

Certaines entreprises donnent trop de pouvoir de décisions au Big Data, laissant leurs données jouer au stratège. Il faut utiliser les données comme un facteur déterminant, mais pas comme une valeur absolue de décision dans la stratégie d’entreprise.

Mettre les clients dans des cases

La tendance à simplifier et à négliger la variation et la nature complexe des besoins individuels des clients est souvent une cause de résultats partiellement faux. Il ne faut pas mettre les clients dans des cases ! Les entreprises ont besoin d’écouter, de comprendre et de trouver des solutions personnalisées, basées sur ce que le client veut. Le client est roi.

Source

Cet article 10 écueils à éviter dans l’analyse du Big Data a été publié sur LeBigData.fr.

]]>