Créer une équipe de données solide

Lors de la création d'un outil de plateforme, il est nécessaire de disposer d'histoires et de tâches disponibles. Les Scrum Masters veillent à ce que chaque membre de l’équipe soit informé et aligné sur celles-ci. En collaboration avec le product owner (et le reste de l’équipe), ils définissent les tâches et les organisent en créant une feuille de route. Ils vérifient et précisent également les tâches nécessaires à la construction du produit. Des tâches comme s'assurer que tout le monde travaille en équipe et connaît ses responsabilités. De plus, ils aident l’équipe à élaborer les meilleures tâches en fonction de la feuille de route.

Étapes possibles suivantes

Pour créer un outil comme Spotify, les responsables commerciaux entrent en contact avec les parties prenantes. Leur objectif est d'améliorer un produit et son impact sur le marché. Ils réfléchissent à toutes les options possibles. Ils se poseront également la question : « Que pourrait-on faire pour réaliser notre vision en fonction du marché ? » Les responsables commerciaux font des rapports et posent (et répondent à) des questions liées aux intelligences commerciales. Les intelligences commerciales se concentrent sur la manière d'améliorer les activités et d'être plus rentables. Pour Spotify, ils pourraient envisager plusieurs abonnements. De plus, ils étudient et évaluent le modèle commercial de la concurrence et essaient de déterminer ce qu'il est possible de faire pour rivaliser avec eux. En utilisant Tableau, ils créent des tableaux de bord automatisant des rapports (quotidiens ou hebdomadaires) pour visualiser les données. Quand les utilisateurs utilisent-ils Spotify ? Et qu'utilisent-ils le plus ? Grâce à ces données, de meilleures décisions peuvent être prises. Les intelligences commerciales sont capables de donner de meilleurs conseils aux responsables commerciaux et de discuter des prochaines étapes possibles.

Présentation de solutions

La responsabilité des product owners est de voir ce qui peut être fait pour créer un produit. Ils recherchent constamment des données qui répondent à leurs questions. En outre, ils obtiennent des retours des analystes de données, ce qui aide à développer et définir le produit. Les product owners veillent à ce que les managers soient alignés et gèrent leurs attentes. Enfin - et ce n’est pas le moins important - les data scientists présentent des solutions aux product owners pour voir ce qui peut être fait afin de créer le produit. En résumé : les product owners s’assurent qu’un produit devienne ce qu’il doit être.

Les analystes de données examinent s’il est possible - et ce qui est possible - à partir des données disponibles au sein de l’entreprise. Ils utilisent Python et Tableau pour convertir les informations sur les ventes en insights, ce qui aide la direction dans sa prise de décision. Python et Snowflake sont utilisés pour automatiser les rapports existants en meilleures solutions. En vérifiant ce qui se passe, ils montrent aux product owners et aux spécialistes en business intelligence si la création d’un produit est faisable. Si oui, ils leur expliquent comment. Par exemple, ils évaluent les retours des clients sur un produit et l’impact de l’outil sur le marché. Après cela, ils discutent avec les product owners de l’existence de données qui pourraient aider. Par exemple : nous avons besoin d’une nouvelle fonctionnalité pour les avis, que veulent ou nécessitent les utilisateurs ? Les analystes de données établissent des requêtes qui répondent à ces questions.

Les data scientists travaillent côte à côte avec les analystes de données (ainsi que les ingénieurs en données et les ingénieurs en machine learning). Ils créent des tableaux de bord et des Proof of Concepts (PoC), accèdent aux insights des ingénieurs en données et travaillent avec les données de l’entreprise. Les data scientists vérifient quelles données existent déjà et quelles questions ont été répondues, afin de construire un outil - qui sera réellement utilisé. Concluent-ils qu’il faut de meilleures données ? Dans ce cas, ils doivent interagir avec les ingénieurs en données.

Travailler avec les bonnes données

Passons aux ingénieurs en apprentissage automatique. Ceux-ci doivent travailler avec les ingénieurs en données et consolider tous les pipelines. Ils mettent les modèles à l’échelle et les intègrent dans un environnement de production. Par exemple : lorsque Spotify souhaite se développer. Ils travaillent de concert avec les ingénieurs logiciels sur le backend pour optimiser les technologies et collaborent avec les ingénieurs en données sur l’infrastructure. Les ingénieurs en données créent et travaillent avec des bases de données. Ils veillent à ce que les data scientists aient accès aux données nécessaires pour développer un outil. Sans données, vous ne savez pas quoi faire ni par où commencer. On pourrait dire que c’est le rôle le plus crucial et le plus important de l’équipe de science des données. Il est donc essentiel qu’ils sachent comment construire et structurer une base de données. Par exemple, lorsqu'une personne effectue une requête, celle-ci doit être efficace. Et les ingénieurs en données s’assurent que les autres disposent des bonnes données pour effectuer une requête.

Une fois que votre outil est accessible et que les parties prenantes sont engagées, vous voulez le rendre accessible au public. C’est à ce moment-là qu’une solution (espérons-le) passe en production et que le proof of concept doit se concrétiser. Mettre l’outil en production garantit que les utilisateurs commencent réellement à l’utiliser. Une fois sur le marché, il faut également le rendre attrayant pour le public. Pour aligner votre audience, les ingénieurs logiciels doivent s'assurer que le produit est agréable à regarder et facile à utiliser. C’est là qu’interviennent les ingénieurs logiciels front-end. Ou, si possible, un designer UI ou UX qui réfléchit à l’aspect et à l’expérience utilisateur.

Construire votre équipe

Avant de constituer une équipe de data science, il est important de déterminer ce que vous créez et ce que vous recherchez. Une erreur courante est que les gens commencent à chercher des data scientists. Pas parce qu’ils en ont besoin (un ou plusieurs), mais simplement parce que tout le monde en cherche. Même s’il peut y avoir une petite quantité de data scientists, vous devez d’abord vous assurer d’avoir des données sur lesquelles travailler. Et vous n’obtiendrez pas les bonnes données sans un data engineer. Alors, quelle est la première étape pour constituer votre équipe de data science ? Embauchez un data engineer. Bonne chance !