Selon les analystes de Gartner, près des deux tiers des projets Big Data ne franchiront pas le stade du pilote et de l’expérimentation au cours des deux prochaines années, et finiront par être abandonnés…
Alors que nombre d’entreprises s’empressent d’investir dans les technologies Big data pour mieux exploiter leurs données et surtout éviter de prendre du retard face à la concurrence, une récente analyse du cabinet d’études Gartner vient quelque peu tempérer cet engouement massif.
Selon ses analystes, le passage au big data ne se décrète pas à coup d’investissements mais implique un réel changement d’état d’esprit et de culture dans l’entreprise que l’acquisition d’outils et de compétences ne suffit pas à produire.
[blockquote cite= »déclare Lisa Kart, directrice de recherche pour Gartner. »] »Une stratégie réussie et avancée d’analyse de données ne se résume pas simplement à acquérir les bons outils. Il est également important de changer les mentalités et la culture, et d’être créatif dans la recherche de la réussite » [/blockquote]
Faute de compétences ou réel projet d’entreprise, Gartner estime donc que 60 % des projets d’analytics seront sanctionnés par des échecs d’ici 2017.
Le cabinet d’études estime toutefois que les choses semblent aller dans le bons sens ces derniers temps avec une meilleure préparation des projets et surtout de leurs objectifs:
[blockquote cite= »explique Nick Heudecker, directeur de recherche au Gartner. « ]« Nous observons une évolution significative dans le contenu des projets et dans les pratiques. Ce qui était jusqu’ici qualifié de big data et impliquait des volumes importants de données hétérogènes devient assez courant alors que les solutions se diffusent dans les entreprises. Parmi les entreprises qui ont lancé des projets, 70 % font de la géolocalisation et 64 % de l’analyse de données textuelles non structurées ».[/blockquote]
Pour mener au mieux un projet de Big Data ou d’analytics, Gartner a identifié 4 best practices :
1. Choisir un problème d’entreprise qui offre un avantage réel
Les responsables de projet devraient travailler avec les directeurs métier pour détecter les problèmes réels à résoudre, en identifiant les décisions business tirées par les données générant l’impact le plus significatif et le bénéfice le plus rapide.
Cela pourrait impliquer de se concentrer sur les enjeux opérationnels du quotidien, ou sur une décision stratégique majeure comme de s’implanter sur un nouveau marché. « Partout où il y a beaucoup de données, incertitude et complexité, il y a une opportunité » juge Gartner.
2. Acheter (ou externaliser) si on ne veut pas développer soi-même
D’après le cabinet, de nombreuses entreprises considèrent devoir concevoir en interne ces moyens poussés d’analyse de données. Cependant, d’autres options s’avèrent plus appropriées pour des succès rapides, comme d’utiliser les services de fournisseurs externes ou d’acheter des ensembles logiciels plutôt que de partir du feuille blanche.
3- Identifier les dirigeants qui doivent être convaincus
Cherchez les opposants, les sceptiques et les décideurs et faites en sorte qu’ils restent à distance ou prenez le risque que le projet détaille, conseille Gartner. Néanmoins, disposer d’un cas d’usage démontrant la valeur du projet est nécessaire, mais pourrait ne pas être suffisant pour garantir la santé du projet – les entreprises doivent d’abord s’assurer que l’importance des données est un postulat partagé en interne.
[blockquote cite= »insiste Lisa Kart. »] »La réussite des démarches en matière d’analyse poussée ne se résume pas seulement à fournir les analyses ou à communiquer leur valeur, mais passe aussi par créer une culture basée sur la donnée » [/blockquote]
4. Décider des compétences nécessaires en interne
Concevoir en interne son propre système d’analyse de données peut faire sens à partir du moment où ce domaine est jugé d’une importance stratégique. Et nombre d’opportunités dans l’entreprise peuvent le justifier.
Dans ce cas, une société aura besoin de mettre en place une équipe comprenant les compétences métier nécessaires pour définir les bonnes priorités, les compétences IT pour accéder aux données et identifier l’infrastructure requise, et aussi des compétences de science des données pour adopter la bonne approche d’analyse.
« Malheureusement, cet ensemble de compétences se retrouve rarement chez une seule personne, mais il est essentiel de disposer de toutes ces compétences au sein d’une équipe » conclut Gartner.
