POC et projet d’intelligence de la donnée : les 8 erreurs à éviter
POC signifie Proof of Concept, ce qui signifie démonstration de faisabilité. Il s’agit d’expérimenter un concept ou un produit pour mesurer sa valeur sur tous les aspects (marketing, économique, technique, etc.). Le POC est particulièrement important dans le domaine des nouvelles technologies, de l’Intelligence Artificielle et du Big Data. Il a toute sa place dans les projets d’envergure : il va permettre d’étayer une méthode, d’apporter la preuve de son utilité à partir de données disponibles avant sa mise en production. Toutefois, le POC représente un bon nombre d’écueils qu’il s’agit d’éviter pour voir aboutir le projet d’intelligence de la donnée. Voici les erreurs les plus courantes
Erreur n° 1 : ne pas définir les objectifs du projet d’intelligence de la donnée
Un projet d’intelligence de la donnée est généralement défini par un objectif business et un objectif opérationnel.
L’objectif business est celui fixé par l’entreprise. Il doit être réaliste et quantifiable. Cela peut être d’augmenter les ventes d’un pourcentage précis, par exemple.
L’objectif opérationnel est, quant à lui, laissé au choix de l’équipe en charge du projet. Il s’agit de la solution qu’elle va proposer pour atteindre l’objectif business. Il s’agit la plupart du temps de la recherche et de la mise en place d’une intelligence artificielle, qui pourra analyser les données et effectuer des prédictions.
Le POC, quant à lui, vient accompagner ce dernier objectif. Il a pour but de le préciser, d’analyser s’il est atteignable et de confirmer l’intérêt du concept. Il est donc mis en place au tout début du procédé de concrétisation du produit ou de l’innovation.
Erreur n° 2 : ne pas avoir de sous-objectif et de suivi régulier
Pour mener un proof of concept à bien, notamment lorsqu’il s’agit d’intelligence artificielle, il est nécessaire de découper son objectif en sous-objectifs. De cette manière, l’équipe peut s’assurer du bon déroulé des tests et ajuster leur stratégie s’il y a lieu. Chaque sous-objectif sera analysé selon des critères préétablis.
De plus, au fur et à mesure de l’avancée du projet, ceux-ci peuvent être amenés à être modifiés. Si une information indique que les travaux ne vont pas dans le bon sens, les sous-objectifs seront revus pour permettre au POC d’aboutir (à la concrétisation de l’algorithme ou à son abandon).
N’hésitez pas à définir un véritable cas d’usage qui vous permettra de tester de manière pragmatique le projet.
Erreur n° 3 : ne pas avoir de critères d’évaluation précis
Pour évaluer l’avancée du projet d’intelligence artificielle et sa réussite, il est primordial de définir des critères d’évaluation précis. Ceux-ci permettront de suivre son état d’avancement et de vérifier si les données disponibles, ou encore la technologie envisagée sont suffisantes pour voir aboutir le projet.
Il est important de préciser que les critères peuvent être amenés à changer au cours de l’élaboration du POC, tout comme l’objectif. La réalisation de ce type de projet nécessite de s’adapter constamment, en prenant en compte les éléments qui apparaissent au fur et à mesure.
Erreur n° 4 : complexifier le concept
L’objectif principal d’un POC est de lever les risques d’un projet et de vérifier sa viabilité, pas nécessairement d’en réaliser un prototype.
Aussi, pour que celui-ci soit efficace, la simplicité est de rigueur. Certaines défaillances peuvent être acceptées à ce stade, à condition qu’elles puissent être résolues ultérieurement.
Il existe un débat sur les différences existantes entre le POC, la réalisation d’un prototype et la mise en place d’un MVP (Minimum Viable Product), c’est-à-dire le produit minimum viable. Cependant, chaque projet est unique et nécessitera des ressources, des technologies, des machines et des systèmes différents.
Ce qui compte lors de la réalisation d’un proof of concept, c’est que les clients puissent avoir confirmation que le produit correspond à leurs attentes (même s’il est amené à être perfectionné par la suite).
Erreur n° 5 : travailler en vase clos
Dans un projet d’intelligence artificielle, les experts métier, expert données, spécialistes techniques, du numérique et du digital font partie intégrante de l’équipe. Ils sont complémentaires et apportent leur vision propre dans l’analyse des données. La transversalité de l’équipe en charge du projet est une part importante de sa réussite. N’omettez pas la gouvernance de l’entreprise (aspects éthiques, conformité à la RGPD, jurisprudence, etc.).
Dans tout projet de Big Data, un Data scientist pourra mener une étude approfondie des données à utiliser et ordonner les différentes sources. Il va vous permettre de disposer des éléments nécessaires à votre POC, et à la réussite du projet d’intelligence de la donnée.
Un manque de communication ou de concertation est fortement préjudiciable à un projet d’intelligence de la donnée. Cela peut faire perdre du temps (en analysant des données inutiles par exemple) ou encore donner un résultat erroné (mauvaise analyse).
Erreur n° 6 : vouloir tout inventer
Quand on se lance dans un nouveau projet, l’envie de réaliser tout le travail par soi-même est tentante. Toutefois, il peut aussi être intéressant de vérifier si d’autres spécialistes du Big Data ne se seraient pas déjà retrouvés confrontés à votre problématique liée au Big Data.
S’ils ont solutionné la leur, vous pourrez vous en inspirer. S’ils ont abandonné leur projet, en connaître la cause peut vous faire gagner du temps.
Ce qu’il faut retenir, c’est qu’un POC n’est pas réussi si le projet d’algorithme voit le jour. Il est réussi s’il donne des conclusions efficaces et réalistes — même si celles-ci impliquent l’abandon du projet. Toutefois, mener le POC de manière efficace permettra à toutes les parties prenantes de prendre conscience de la viabilité du projet — ou de le stopper, si cela s’avère nécessaire.
Erreur n° 7 : oublier ce qui importe à l’entreprise
Une entreprise qui finance un POC souhaite s’assurer de l’intérêt de l’intelligence artificielle envisagée. Cela va impliquer pour elle un certain investissement financier : la solution se doit de lui apporter une réelle plus-value. Lors de la réalisation du POC, si vous omettez ce ratio, l’entreprise risque en effet d’être freinée par le coût des algorithmes. La rédaction d’un rapport est tout à fait appropriée pour lui apporter des éléments concrets.
De plus, bien que le POC ne nécessite pas d’être aussi efficace que la solution finale, il doit tout de même convaincre l’entreprise que le projet lui sera utile (si tel est bien le cas). Aussi, identifiez les différents éléments qui sont importants pour les décisionnaires afin de les mettre en avant.
Erreur n° 8 : ne pas définir de date butoir
Il est nécessaire de vous fixer une date de présentation du POC. Cela vous permettra d’avancer de manière efficace et de mettre en avant la faisabilité du projet d’intelligence artificielle — ou son inefficacité face à la problématique client.
Une fois que votre POC aura prouvé l’intérêt du projet d’intelligence artificielle, vous pourrez lancer la conception du prototype, si celui n’est pas déjà existant. Viendra ensuite son apprentissage via le machine learning, pour que les robots soient en capacité de résoudre la problématique client.
Nous vous recommandons ces autres pages :
- Intelligence de la donnée : qu’est-ce que la Data Intelligence ?
- Bien comprendre les enjeux de l’intelligence de la donnée
- Comment bien cadrer un projet d’intelligence de la donnée
- Les clés d’un pilotage efficace d’un projet d’intelligence de la donnée
- L’intérêt de créer un cadre de gouvernance de la donnée
- Intelligence de la donnée : quelques cas d’usage
- Bien choisir ses indicateurs de performance d’informatique décisionnelle
Des questions ?
Contactez-nous dès aujourd’hui pour discuter de vos projets IT et découvrir comment nous pouvons vous aider à les réaliser avec succès.