L’objectif
Analyser l’actuelle utilisation des répertoires et fichiers partagés de la DAF afin de fournir des éléments de décision pour déterminer une arborescence et un système de nommage cible et commun aux différentes entités Voltalia.
Pour cela, Grégory Gaugy & Emmanuel Gauché ont agi en tant que facilitateurs entre leur client Voltalia, représenté par Sarah Mouline et Marie-Odile Lavenant, et leur partenaire DataGenius, représenté par Taha Zemmouri et Samy Melaine.
Ce projet consistait concrètement en la réalisation de Data Visualisation sur les données existantes, transformées à l’aide de Machine Learning (Traitement du langage), dans le but d’observer des éléments utiles à la conception de la nouvelle architecture.
Cette collaboration s’est révélée riche en enseignements. Nous retiendrons en particulier 3 leçons à répliquer lors de projets sur les données (Data/Machine Learning/IA).
Leçon 1 : Nécessité d’avoir des données en qualité ET quantité suffisante
Nous avons commencé avec une ambition et une fois dans l’exécution nous nous sommes rendu compte que les données étaient trop hétérogènes et fournies en décalé. Aurions-nous pu anticiper ?
Oui, en recensant les données nécessaires et en ne commençant les analyses qu’une fois toutes les données disponibles.
Non, car sans avoir obtenu les données nous ne pouvions anticiper leur qualité / hétérogénéité.
Nous retenons qu’il faut bien préparer son projet IA et ne pas le démarrer sans avoir toutes les données nécessaires et surtout s’assurer que tous les acteurs sont synchronisés sur les principales échéances et modes de fonctionnement du projet.
Leçon 2 : Besoin de parler le même langage que le métier
Nos expériences nous ont prouvé qu’il n’est pas toujours simple de se comprendre entre le monde du métier et le monde technique. Le métier n’a pas forcément les compétences techniques et vice-versa pour les data scientists avec les connaissances métiers.
Pour ce projet, trois types d’acteurs ont donc collaboré : les Data Scientists avec DataGenius, les Métiers avec Voltalia et les Consultants avec Advents. La complémentarité entre DataGenius et Advents a permis de transformer les analyses statistiques en interprétation métier, afin de donner des éléments de décision aux métiers de Voltalia.
Le trio Data Scientist / Consultant / Métier se révèle particulièrement efficace, car il permet de réunir l’expertise technique et l’expertise métier, le consultant occupant un rôle de facilitateur auprès de l’ensemble des parties prenantes.
Leçon 3 : les résultats statistiques ne sont pas les uniques éléments de décision
Les résultats de l’étude menée par l’usage de Data Visualisation et Machine Learning n’ont pas tenu toutes leurs promesses. A l’issue du projet il demeure des points structurants à arbitrer. Un modèle unique de structure de dossier / fichiers n’a pas pu être tiré de l’analyse. Cependant nous avons été en capacité de poser un diagnostic et de proposer plusieurs scénarios envisageables.
Des ateliers avec les opérationnels permettront de confronter ces scénarios de bonnes pratiques avec la réalité du terrain et de l’organisation afin de faire un choix unanime.
Conclusion
Ce projet est un premier pas pour Voltalia dans l’utilisation des nouvelles technologies autour de la Data. Après le Machine Learning, c’est l’Intelligence Artificielle qui est maintenant envisagée afin de contrôler le respect des bonnes pratiques édictées et éventuellement de faire des modifications à la volée.