Data Science : organisation et liens avec les Directions Métiers et la DSI Comment positionner les Data Scientists dans l’entreprise ? Comment structurer les relations entre Data Science et les autres Directions Métiers ou Support ? L’explosion des volumes de données et la vulgarisation des outils de Mining et de Machine Learning ont poussé les entreprises à se doter de Data Scientists. Après les premiers succès, l’heure est maintenant à la généralisation et se posent des choix d’organisation. Doit-on centraliser la Data Science ou laisser l’autonomie aux Directions Métiers ? Comment ventiler les responsabilités entre une Direction Data Science et une Direction Digitale ou Informatique ? Comment organiser la gouvernance autour des données utilisées par les Data Scientists ? Quels sont les enjeux du management d’une team de Data Scientists ? Pour répondre à ces questions, nous vous invitons à notre matinale en accès libre, au cours de laquelle Gilles VENTURI, Directeur Général de Soft Computing, partagera un panorama des choix effectués par un panel d’entreprises clientes ainsi que des retours d’expérience sur les différents modèles organisationnels autour de la Data Science. Agenda : • Data Science : périmètre • Data Science : les 5 niveaux de maturité • Modèles d’organisation des fonctions Data Science • Data Science et autres Directions : RACI • Data Science : panorama des compétences à cultiver • Data Science : attirer et fidéliser les talents • Conclusion

1. © Soft Computing – www.softcomputing.com
Data Science : organisation et liens avec les
Directions Métiers et la DSI
Comment positionner les Data Scientists dans l’entreprise ? Comment
structurer les relations entre Data Science et les autres Directions Métiers
ou Support ?
25/01/2018

2. © 2

3. © 3
Data Science : organisation et liens avec les Directions Métiers et la DSI
Matinale le 25 janvier 2018
Comment positionner les Data Scientists dans l’entreprise ? Comment structurer les relations
entre Data Science et les autres Directions Métiers ou Support ?
L’explosion des volumes de données et la vulgarisation des outils de Mining et de Machine Learning ont poussé les entreprises à se doter de
Data Scientists. Doit-on centraliser la Data Science ou laisser l’autonomie aux Directions Métiers ? Comment ventiler les responsabilités entre une
Direction Data Science et une Direction Digitale ou Informatique ? Comment organiser la gouvernance autour des données utilisées par les
Data Scientists ?
Pour répondre à ces questions, nous vous invitons à notre matinale en accès libre, au cours de laquelle
Gilles VENTURI, Directeur Général de Soft Computing, partagera un panorama des choix effectués par un panel d’entreprises clientes ainsi que des
retours d’expérience sur les différents modèles organisationnels autour de la Data Science.
Agenda : 08h45 – 11h00
▪ Data Science : périmètre
▪ Data Science : les 5 niveaux de maturité
▪ Modèles d’organisation des fonctions Data Science
▪ Data Science et autres Directions : RACI
▪ Data Science : panorama des compétences à cultiver
▪ Data Science : attirer et fidéliser les talents
▪ Conclusion
A propos
Soft Computing est le spécialiste du marketing digital data-driven. Ses 400 consultants, experts en sciences de la donnée, en marketing digital et en technologies Big Data, aident au quotidien plus de
150 entreprises à travers le monde à exploiter tout le potentiel de la donnée pour améliorer l’expérience de leurs clients et le ROI de leur marketing digital. Soft Computing est côté à Paris sur NYSE
Euronext (ISIN : FR0000075517, Symbole : SFT).
Soft Computing |55 quai de Grenelle|75015 Paris|01 73 00 55 00 | www.softcomputing.com

4. © 4
Profil
SPECIALISTE
100 %
GLOBAL
21 %
CA International
30 pays servis
DYNAMIQUE
7 %
Croissance 2017
40 M€ CA
HUMAIN
400
Consultants
25 nationalités
INCONTOURNABLE
80 %
CAC40 clients
200 clients actifs
INNOVANT
9 %
R&D
/CA
EXPERT
1/3
Retail –Finance-
Services
Data Sciences & Tec
Marketing Intelligence & ROI
Expérience Digital & Omnicanal

5. © 5
Vision
Explosion du volume
et des types de data
exploitables
IOT
Digitalisation
Réaction en chaîne
sur la puissance et
l’usage du prédictif
Artificial Intelligence
Big Data
Nouveaux modèles
d’expérience et de
relation client
Temps réel
One2One
Mutations des
comportements et
des attentes client
Mobile
Social
La data a déclenché
une disruption des
liens de l’individu à
la marque

6. © 6
Mission
Data
Placer la data au cœur
du marketing mix
Audience
Augmenter le ROI des
média digitaux
Experience
Enrichir
l’expérience omnicanal
Marketing
Développer
la valeur client
All-in Data
Appliquer le meilleur des
sciences de la donnée et
des technologies digitales
pour
transformer le marketing
et l’expérience client

7. © 7
Compétences
Display
email
Search
SocialFidélité
Scrum Masters
Use cases
Business cases
Change
Adtec
Martec
Big Data
eCommerce
Mobile UX
Data mining
Deep Learning
Predictif
AI
Product Owners
Digital
Marketers
Business
Analysts
IT
Experts
Data
Scientists
Un assemblage unique de compétences pointues
Image miningTime & signals
Dataviz
Campagnes
Analytics
Mobile
Training
CRM
Adtec
Martec
NPS
Cloud
PMO
NLP

8. © 8
Bénéfices
Data
Artificial Intelligence
Big Data
Data sciences
Modèles prédictifs
Customer Data Platform
Data gouvernance & GDPR
Data quality & onboarding
Audience
Analytics
Adtec
Dataviz
DMP
Activation média
Contribution Attribution
Monétisation
Experience
CRM
Mobile & web UX
eCommerce
Parcours omnicanal
Personnalisation
Recommandation
Social Engagement
Marketing
Mobile
Social
Martec
Programmes d’acquisition
Programmes relationnels
Campaign Management
Datasharing
Ideate – Design
Build – Rollout - Run
Retours d’expérience
Expertises pointues
Offres
APPORT DE VALEUR ET DE CONTENU
EFFICACITE ET SOUPLESSE DU DELIVERY
Innovation
Pragmatisme
Maîtrise

9. © 9
Book
Accompagnement Data
Science à la valorisation des
données Big Data.
Définition de la gouvernance
d’un Référentiel client multi-
activités et international.
Mise en œuvre des flux Big
Data pour optimiser les
parcours clients.
DMP, CRM, orchestration
omnicanal, et déploiement du
Data-driven Marketing.
Mise en œuvre et exploitation
opérationnelle d'une DMP.
Analyse de l’usage des
programmes TV sur les box et
ciblage publicitaire 1to1.
Reconstitution d’un catalogue
produit unique.
Modèle de substitution de
produits concurrents
Moteur de recommandations
de contenus.
Refonte de la stratégie de
fidélisation omnicanale multi-
marques.
Centre de Services gestion de
campagnes multicanal et
Web Analytics.
Centre de Services gestion
des campagnes marketing et
connaissance clients.
Valorisation des données
Web Analytics via l’analyse
des parcours de conversion.
DMP et valorisation
d’audiences.
Design des parcours client
multi-marque, multi-canal et
du référentiel client unique.
DataAudienceCampagneExpérience
Plate-forme CRM et
marketing client
internationale multi-marques.

10. © 10
Actualité

11. © 11
HUMILITE
41 M
Google Search
Datascience
INDEPENDANCE
<2 %
Prestations
d’organisation
ECHANGE
10+
Modèles
organisationels
DISCRETION
74 %
CAC40 clients
en datascience
PRAGMATISME
120+
Datascientists
LEGITIMITE
±100
Clients datascience

12. © 12
DATASCIENCE : PERIMETRE

13. © 13
Datascience : en 2 mots

14. © 14
Horizontalité
Datascience
Fraude
Marketing
Maintenance
GridSûreté
Réseau
Risque

15. © 15
Interdisciplinarité intrinsèque : exemple sur les applications marketing
Moteurs de
recommandations
Reconnaissance
vocale
Analyse
textuelle
Reconnaissance
d’image
Analyse de
sentiments
Traitement
du signal

16. © 16
Interdisciplinarité horizontale
Analyse de
données
Développement
d'application
Collaboration Créativité
Intelligence
artificielle
Big data
Expertise métier Programmation
Intégration
informatique
Visualisation de
données

17. © 17
Interdisciplinarité verticale
Hardware API
Deep Learning
Platform backend
Langage
Textbook
Deep Learning
framework

18. © 18
Process générique
Cadrage
Plan d’étude
Collecte data
Préparation
data
Nettoyage
data
Exploration
Analyse
Validation
Recette
métier
Tests
Intégration
data
Intégration
modèle
Déploiement
Logs
Mesure
Optimisation

19. © 19
Datascience : la trinité
BusinessDatascience Technologies

20. © 20
DATASCIENCE : ORGANISATION

21. © 21
Les niveaux de maturité des organisations
Je veux y aller
T0
Q : par où
commencer ?
R : Etablir un
plan détaillé
de cas d’usage
en partant des
données.
J’hésite encore
T0-T1
Q : qui peut
sponsoriser ?
R : Développer
des POC
probants.
J’avance mais
c’est lourd
T0-T1
Q : comment
être plus fluide
?
R: Faciliter les
échanges entre
datascientists
et IT
Je dois
m’industrialiser
T1-T2
Q : comment
démultiplier
mes premiers
succès ?
R : Créer un
CDS pour
partager les
bonnes
pratiques et
favoriser la
collaboration
Je change la
culture
d’entreprise
T3
Q : comment
faire que toute
l’entreprise
devienne data-
driven ?
R: Changer la
culture en
simplifiant
l’accès aux
outils et aux
résultats.

22. © 22
Datascience : les modèles d’organisation
Chef DSC Chef Métier
Equipe DSC
Chef Métier
Equipe DSC
Chef DSC
Chef MétierEquipe DSC
Chef Métier
Equipe DSC
Centralisé Décentralisé Matriciel
Bénéfices
Capitalisation
Attractivité pour les talents
Réactivité
Buy-in métiers
Meilleur des 2 mondes
Inconvénients
Connaissance métier moindre Capitalisation et re-use moindre Taille critique et complexité à gérer
Retour d’expérience
Buy-in et sensibilisation
Transparence du pipeline
Gouvernance et Knowledge
Management transverse
Gestion des priorités et transparence
du pipeline

23. © 23
DATASCIENCE+IT : ADHERENCES

24. © 24
Datascience et IT : l’agilité au coeur
Collecter
Explorer
Transformer
Modéliser
Appliquer
J’en ai besoin pour
hier.
Ca devrait prendre
2 semaines dès que
j’ai les data.
Il me faut 4
semaines pour
sortir les data et
12 semaines pour
intégrer les
résultats.
Ok, je configure
mon IA (watson/
einstein/
sensei/Cortana…),
ça sera bon demain
L’IA est câblée avec
les data et un
serveur d’appli,
j’appuie sur le
bouton de mep de
mon Devops dès
que j’ai votre go.
J’en ai besoin pour
hier.

25. © 25
Datascience et IT : 3 modèles d’organisation
Collecter
Explorer
Transformer
Modéliser
Appliquer
Startup Industrie Retail

26. © 26
DATASCIENCE ET IT : SKILLS

27. © 27
Datascience et IT : compétences

28. © 28
Datascience et IT : skills
Qlik
Shiny
Tableau
Einstein
Watson
TensorFlow
Hive
Hadoop
Cassandra
Spark
Python
Scala
Knime
R
Dataiku
Kafka
Github Scrum
PIC
j2e
Azure
AWS
Google Cloud

29. © 29
Culture de la data
Vision
Connaissance métier
Coding & intégration
Datascience et IT : RACI
Data-
scienceChef DSC
Répondre aux enjeux business
avec les techniques datasciences
Chef Métier
Définir les enjeux business
Grand Chef
Impulser la vision et le changement
Chef IT
Agiliser l’accès aux data
et industrialiser les modèles

30. © 30
Data-
science
Chief Data
Officer
Juridique
Achats
Data
Privacy
Officer
Gouvernance Légalité
GDPRMonétisation
Innovation
R&D

31. © 31
DATASCIENCE ET IT : CULTURE

32. © 32
Sujets variés
Sujets
pointus
Compétences
équipe
Moyens à
disposition
Datascience et IT : attractivité RH

33. © 33
Datascience et IT : développer une culture d’entreprise de la data
Tolérer l’échec
• La découverte passe par
l’échec
Développer l’ouverture
• La datascience n’est rien sans
collaboration
Faciliter l’accès
• La démocratisation nécessite
des accès fluides aux data
Valoriser le travail
• Les efforts sont louables
autant que les résultats
Simplifier les outils
• La performance est moins
critique que la généralisation
Aplatir la hiérarchie
• Trop de niveaux tue la
collaboration

34. © 34
- www.softcomputing.com -
@softcomputing @softcomputing @softcomputing
Merci !
Des questions
contact@softcomputing.com – Tél. : +33 (0)1 73 00 55 00