La donnée est au cœur de la transformation numérique. Avec elle, toute une panoplie de nouveaux outils aux capacités inédites deviennent accessibles. Ces derniers offrent de formidables opportunités d’améliorer nos produits actuels, d’en développer de nouveaux, et de renforcer notre efficacité opérationnelle interne.

Les promesses de l’IA et du Big-Data

Les outils traditionnels ont souvent limité le champ des analyses car ils ne passaient pas à l’échelle facilement. Le BigData a résolu ce problème en rendant accessibles les technologies nécessaires à l’ingestion, au stockage et au traitement des données massives. Avec les technologies actuelles, le volume ne constitue plus un problème, et de nouveaux gisements de données sont maintenant accessibles, que ce soit pour en extraire des statistiques ou bien pour mettre au point des algorithmes d’intelligence artificielle plus avancés.

Car les avancées du numérique n’ont pas seulement permis un passage à l’échelle, mais ont aussi vu l’émergence de nouvelles capacités algorithmiques. L’intelligence artificielle (l’apprentissage statistique en particulier) a ainsi révolutionné de nombreux domaines de l’informatique tels que l’analyse d’image ou le traitement du langage. La particularité de ces méthodes est leur capacité à apprendre à partir d’exemples : plus ces exemples sont nombreux et plus les tâches apprises pourront être complexes. On comprend donc le rôle central de la donnée dans le développement et l’utilisation de ces outils.

La transformation de la concurrence

Ces nouvelles technologies, bien que porteuses de réelles opportunités business, font également peser certaines menaces sur les entreprises. Cette nouvelle ère de la donnée a vu l’arrivée de nouveaux acteurs qui ne sont pas des concurrents historiques. Devenus des géants du numérique, et en partie à l’origine de la transformation actuelle, ils maîtrisent parfaitement les nouveaux outils et s’en servent de levier pour entrer de manière rapide et agressive dans de nouveaux secteurs. La menace est réelle et certains domaines comme l’hôtellerie, la logistique ou la mobilité urbaine ont été complètement transformés en quelques années. Thales ne fait pas exception et certaines de ses activités, telles que le cloud
militaire, le renseignement ou les segment-sol satellites pourraient voir l’arrivée de potentiels « disrupters ». On ne peut donc faire l’économie de s’engager pleinement dans une démarche de transformation.

Identifier les opportunités de création de valeur

Cela commence par l’identification et l’évaluation des opportunités de création de valeur à partir des données. Chaque source doit faire l’objet d’un travail d’identification de cas d’usage, impliquant à la fois les équipes métiers et datascience. Les cas d’usage jugés prometteurs sont évalués à la fois sur leur faisabilité technique et sur la valeur qu’ils pourront générer (Proof of value). Cette valeur peut être tangible (recettes ou économies) ou intangible (transformation au cœur de l’entreprise). Pour l’évaluation d’un cas d’usage nous nous positionnons sur la rapidité et un investissement raisonnable, de l’ordre d’un datascientist pour une durée d’un ou deux mois. Cette démarche peut ainsi être facilement étendue pour évaluer de nombreux sujets.

Améliorer l’accès à la donnée

Mais il faut mettre en place les conditions nécessaires à ce genre d’initiatives : en améliorant l’accès aux données, en décloisonnant les différentes sources au sein du groupe, et en engageant des démarches pour améliorer la qualité des données. Pour ce faire, un modèle clair de gouvernance et les processus de gestion associés doivent impérativement être mis en place. Pour les données issues de nos produits et services, se pose la question de la propriété et du droit d’usage. Leur utilisation doit donc être discutée avec les clients, avec pour objectif la mise en place de partenariats gagnant-gagnant conduisant à une amélioration de la valeur ajoutée pour les deux parties. Les données externes, commerciales ou issues de sources ouvertes doivent être centralisées afin d’optimiser les coûts et les diffuser largement au sein de l’entreprise.

Enfin, il est indispensable de disposer d’une infrastructure adaptée aux cas d’usage envisagés. Cela passe par la mise à disposition d’une plateforme BigData au sein du groupe, mais aussi d’outils permettant de soutenir la mise en place de la gouvernance des données et de bonnes pratiques pour leur gestion.

Réussir la mise en production

Identifier un cas d’usage prometteur est une excellente chose, encore faut-il réussir à l’industrialiser et le mettre en production pour le valoriser. Et contrairement à une preuve de concept, cette démarche est plus longue et nécessairement plus risquée. Plus qu’une simple brique algorithmique, il faut développer tous les éléments nécessaires à sa mise en place (backend et frontend), en prenant notamment en compte les aspects Ops, le design, l’expérience utilisateur et en garantissant le bon
niveau de sécurité.

Gestion de projet agile

Les méthodes agiles permettent en partie de réduire ces risques. En agile, le cahier des charges détaillé dès le début du projet disparait au profit de spécifications (user stories) écrites au fur et à mesure et s’adaptant à l’avancement. Des versions utilisables sont également livrées très régulièrement, permettant de démontrer rapidement une plus-value à l’utilisateur et surtout de bénéficier de ses retours pour améliorer le produit. Il est alors possible de réagir vite si une impasse est identifiée et éventuellement effectuer un pivot en cours de route. Cela permet de gérer à la fois le temps court et le temps long, en offrant à l’équipe de projet une capacité de manœuvre accrue pour atteindre ses objectifs.

Tirer parti des nouveaux outils

Au-delà de la gestion de projet, les nouveaux outils du numérique facilitent aussi la tâche. Le cloud tout d’abord, qui réduit considérablement les contraintes d’administration de l’infrastructure et permet à ses utilisateurs de se concentrer sur le développement du produit. Il facilite également la collaboration entre différentes entités en offrant notamment la possibilité de centraliser les données dans un datalake dont les coûts sont maîtrisés.

Côté logiciel, les outils de traitement et d’analyse de données sont en évolution permanente. Très modulaires (pipelines de traitement des données), de plus en plus portables, ils intègrent aussi mieux les besoins de passage à l’échelle. Ils offrent désormais un cadre plus unifié pour réaliser des chaînes de traitement de la donnée de bout en bout, sans pour autant trop gagner en complexité, grâce à des API (Application Programming Interface) de haut niveau et une interopérabilité croissante.

Se transformer en une entreprise centrée sur la donnée est vital pour rester dans la course. L’intégration de nouvelles boîtes à outils technologiques et l’évolution de nos modes de fonctionnement sont autant d’étapes nécessaires à ce changement profond. L’expertise de Thales dans son cœur de métier technique et sa connaissance des clients place le groupe dans une position avantagée par rapport à ses concurrents pour identifier de nouveaux usages et offrir la meilleure expérience utilisateur.

Rémi Parize, IPA, data scientist à la Thales Digital Factory   Après sa formation à l’X et l’ENSTA, Rémi Parize exerce son premier poste au département de recherche opérationnelle du CATOD en tant qu’ingénieur chargé d’étude puis chef de département. Il est actuellement Data Scientist au sein de la Thales Digital Factory, dans le cadre de la « période d’ouverture » des IA.

Stéphane Royer, Group chief data officer, Thales   Après un début de carrière dans l’audit des systèmes d’information, Stéphane Royer prend des responsabilités dans le domaine de la cyber-sécurité. Puis, au sein d’AXA, il co-fonde le Data Innovation Lab dont il sera l’un des directeurs. Il rejoint Thales en 2018 en tant que Chief Data Officer du groupe.