Transformation numérique oblige, nombre de décideurs veulent avoir leur data scientist « in house ». Mais cet oiseau rare se montre difficile à recruter et encore plus à garder, surtout quand on n’est pas un grand groupe. Entre pénurie d’experts et besoins en data science qui ne cessent de croitre, l’outsourcing fait son trou.
Apparu dans le sillage du Big Data, le data scientist est le mouton à cinq pattes que tout le monde s’arrache. A l’heure où les entreprises digitalisent massivement leurs activités, ce profil d’analyste pointu, capable de créer de la connaissance à partir de vastes gisements de données brutes (datawarehouse), de comprendre un phénomène ou de résoudre un problème complexe, fait l’objet de toutes les convoitises.
Et pour cause : compétent en mathématique, statistique, informatique, mais aussi bon connaisseur des problématiques métier, il sait faire parler la data et la restituer de façon concrète sous forme de prédiction, de recommandations d’innovations ou d’améliorations (d’un produit, de l’expérience client, de la performance d’un processus, de la maîtrise des risques …). Rien d’étonnant donc à ce que beaucoup souhaitent avoir leur scientifique de la donnée maison.
Gare à la désillusion réciproque
Mais recruter – de haute lutte – un data scientist peut virer à la désillusion réciproque. Faute souvent d’avoir préparé le terrain, avec des besoins opérationnels bien cernés, des outils ad hoc ou même des données utilisables en l’état. Résultat, plutôt que de donner sa pleine mesure, le data scientist est plus fréquemment « occupé » à extraire les données, les nettoyer et essayer de les comprendre. Bref, à faire tout sauf de la data science.
Inévitablement, cela finit par générer de la frustration mutuelle : l’entreprise ne voit pas de résultats tangibles et le data scientist déchante parce qu’il ne fait pas ce pour quoi il a postulé. Sûr de retrouver une position ailleurs, dans un marché en tension, il démissionnera. D’après un article du Financial Times (How machine learning creates new professions — and problems), les experts data en poste passeraient une à deux heure(s) par semaine à rechercher un nouveau job.
Pour l’entreprise, c’est le pire des scénarios. Sans aucune capitalisation, la perte d’investissement sera totale et les décideurs, déçus du manque de génération de valeur, pourraient être tentés de jeter le bébé data science avec l’eau du bain.
Outsourcer son projet Data Science
Ce serait une erreur, une grosse perte d’opportunités. Pour éviter ce scénario noir, les entreprises soucieuses de garder un avantage compétitif mais limitées en ressources internes (RH, budget, outils), optent souvent pour l’outsourcing. Une approche moins exigeante en matière d’investissements, a fortiori quand on démarre en data science. Les chiffres le confirment. Selon une enquête américaine, la taille du marché global de l’analyse de données outsourcé, estimé à 2 milliards de dollars en 2017, doit connaître un taux de croissance annuel de plus de 22.8% entre 2018 et 2025.
Cinq bénéfices (au moins) de l’externalisation
#1 – Accès à de hauts profils
En externalisant ce champ d’expertise auprès d’un partenaire comme Eversa, l’entreprise accède immédiatement à des méthodologies et des outils éprouvés et à des consultants MOA/MOE formés aux technologies les plus récentes : data scientists, data engineers, consultants BI, data experts, data architects.
#2 – Sécurité des datas
Dans ces projets sensibles, la question de la confidentialité des données, leur conformité et leur caractère stratégique est primordiale. Un partenaire de confiance démontrera qu’il intègre toutes les mesures de sécurité pour la mission qui lui est confiée.
#3 – Une feuille de route claire
Faire appel à un prestataire justifiant d’un fort retour d’expérience est rassurant pour l’entreprise. Elle anticipera mieux les risques et les pièges de ce type de projet et bénéficiera d’une démarche, à commencer par la définition d’un schéma directeur et la clarification des objectifs du projet : veut-elle fidéliser les clients ? Attirer de nouvelles cibles ? Réduire le risque de rupture de stock ? Réduire le risque de pannes ? Détecter les transactions frauduleuses ? …
#4 – Une approche pragmatique
Pour être sûr de partir sur le bon chemin, les missions s’appuient souvent sur un POC (preuve de concept) pour tester des hypothèses en situation réelle. Le POC présente l’avantage d’offrir un premier périmètre précis et maîtrisé qui servira de vitrine en interne. Il démontre l’intérêt de la data science et la possibilité de la mettre en œuvre plus largement dans l’entreprise. Décider du go ou no-go est alors plus facile.
#5 – Le pied à l’étrier
Outsourcer un projet data science est un choix stratégique pour accéder à des compétences rapidement opérationnelles, avec un investissement minimal. Cela ne signifie pas perdre la maîtrise. Chez Eversa en tout cas, il n’est pas question de se substituer à la création d’une équipe de data scientist chez le client. Au contraire, nous sommes aussi là pour accompagner la mise sur pied et la montée en compétences de cette équipe, la promouvoir en interne, accompagner ses premiers projets … et la lancer sur de bons rails.
Voir un exemple de mission data science marketing : le cas RueduCommerce.fr
Vous recherchez un consultant – ou une équipe – data science afin de créer de la valeur pour votre entreprise ? Contactez-nous à contact@eversa.fr. Nos experts pourront vous conseiller dans l’analyse de vos données en temps réel afin de vous aider à construire un véritable data business.