L'art et la science de l'analyse de données

Tout a commencé par une simple question : « Maman, qu’est-ce que tu fais au travail ? » Comme souvent, les questions les plus complexes se formulent parfois avec les mots les plus simples. Ma réponse devait être suffisamment simple pour ne pas effrayer une adolescente de 16 ans, mais en même temps, inspirante pour une future candidate à l’université qui s’apprête à choisir son orientation. Je lui ai donc répondu : « Je suis data scientist. Je collecte et sélectionne soigneusement des données, puis je les traite à l’aide de modèles mathématiques pour décrire, identifier et résoudre des problèmes commerciaux. » Sa réaction a été tout à fait inattendue. Elle m’a dit : « C’est exactement ce que je fais avec l’art. Je sélectionne soigneusement les couleurs et le support, je les traite à l’aide de formes et de structures géométriques, puis j’exprime, j’identifie ou j’essaie de résoudre un problème. »

Cela m'a alors amené à me poser une question brûlante : « Quelle est mon identité professionnelle ? Suis-je un scientifique ou un artiste ? »

Quelle est mon identité professionnelle ? Suis-je un scientifique ou un artiste ?

Selon Forbes, 2,5 quintillions d’octets de données sont créés chaque jour, 90 % des données mondiales ayant été générées au cours des deux dernières années. Nous vivons à l’ère d’un cercle vertueux entre données et technologie. La technologie nous permet de collecter, d’extraire et d’analyser des pétaoctets de données en quelques minutes, voire en quelques secondes, en temps réel. Le recours aux techniques d’apprentissage automatique et d’intelligence artificielle nous permet de prendre des décisions toujours plus éclairées. Toutes les organisations souhaitent tirer parti de cette explosion des données pour devenir des décideurs axés sur les données, à tel point que les termes « apprentissage automatique » et « intelligence artificielle » sont devenus des outils de marque. Bien qu'il s'agisse de capacités essentielles pour mettre en place une pratique analytique, elles ne constituent qu'une pièce très importante d'un puzzle plus vaste.

L'analyse de données est un domaine vaste qui requiert de multiples compétences : une maîtrise des mathématiques appliquées et des technologies appliquées, ainsi qu'une expertise approfondie du domaine. Les data scientists possèdent les connaissances en mathématiques appliquées (statistiques ou économétrie) et en technologies nécessaires pour mettre en œuvre le machine learning, l'IA et d'autres techniques d'ingénierie des données. Il s'agit là de compétences conceptuelles qui ne sont pas propres à un secteur d'activité particulier.

L'analyse de données ayant pour objectif d'identifier ou de résoudre un problème métier, le cloisonnement est un luxe que le data scientist ne peut se permettre. Il doit collaborer avec les experts et les décideurs pour définir le problème, concevoir les analyses, formuler des hypothèses et interpréter/en tirer des enseignements. Un data scientist doit adopter une approche consultative, endossant les rôles de modérateur ou d'intervieweur afin d'extraire l'expertise du domaine. Cela nécessite de comprendre la psychologie des personnes et ce qui les motive, afin de tirer parti de leurs connaissances.

La science consiste à gérer les données, mais l'art consiste à gérer les personnes. Une approche scientifique permet de rationaliser le processus d'identification des problèmes, de conception, d'analyse des données et de communication. Une approche artistique permet de faire preuve de créativité dans la mise en œuvre et la formulation des conclusions. La science réside dans la méthodologie et les lignes directrices qui prennent la forme de lois, de principes, de règles et de techniques de modélisation, tandis que l'art réside dans la compréhension de ces lignes directrices, l'adoption de méthodes adaptées et l'interprétation des résultats pour en tirer des conclusions.

La science, c'est la gestion des données ; l'art, c'est la gestion des personnes.

Les scientifiques comme les artistes ont recours à des techniques créatives pour mettre au jour des messages cachés ; des messages qui peuvent être prédictifs, atténuer l'incertitude et tracer la voie vers un avenir possible, ou simplement apporter une explication à une situation. Afin de produire des analyses efficaces et de les traduire en enseignements exploitables, nous avons besoin d'une approche d'apprentissage collaborative entre les sciences et les arts. En somme, qui suis-je ? Peut-être à la fois un data scientist et un data artist.

Sushma Vadsudevan possède 13 ans d'expérience dans les domaines de l'étude de marché, de l'analyse quantitative et du conseil en stratégie dans le secteur des technologies de l'information. Son parcours professionnel allie de manière unique une expertise en processus marketing, en sciences des données et en économie d'entreprise. Elle occupe actuellement le poste de vice-présidente chargée de l'analyse et des sciences des données chez PureSpectrum, et enseigne également à temps partiel l'étude de marché et les statistiques aux étudiants de troisième cycle de la California Lutheran University. Elle a également travaillé par le passé chez IBM Corporation et GE Capital International Services.

Chez PureSpectrum, Sushma est chargée de mettre en place une culture axée sur les données au sein de l'entreprise, en intégrant les technologies d'apprentissage automatique et la prise de décision fondée sur les données dans les produits. Au sein de l'organisation « Market Development and Insights » d'IBM, Sushma était chargée de mettre en œuvre des initiatives stratégiques autour de l'analyse de l'expérience client : elle élaborait des modèles statistiques et les traduisait en informations exploitables, tout en fournissant des recommandations fondées sur les données à la direction. Parmi les moments forts de sa carrière, on peut citer son rôle de conseillère en développement de marché auprès des équipes d'intégration lors de trois acquisitions majeures, ainsi que la codirection d'un projet pilote visant à intégrer le système d'IA d'IBM, Watson, pour l'optimisation du contenu et de la recherche.

Elle est également formatrice en compétences relationnelles : elle forme des professionnels du marketing du monde entier au storyboarding et aux techniques de présentation, anime des ateliers de prise de décision destinés aux cadres supérieurs et basés sur les concepts du Design Thinking, et mène des entretiens auprès de dirigeants dans le cadre d'études de marché et d'impact. Elle s'intéresse notamment à l'intelligence artificielle et à l'apprentissage automatique, l'analyse quantitative et le comportement des acheteurs.