DATASWATI

DUCC®


de l'idée à l'industrialisation !

DATASWATI

Artificial Intelligence for Data Driven Industries

Le DUCC®, une approche pragmatique des projets data

Le Data Use Case Canvas a pour objectif de cadrer un projet data. En fournissant un outil de pilotage, le DUCC® offre un moyen de maximiser les chances de réussite. Il s'agit entre autres d'identifier en amont les incertitudes à lever et le périmètre à respecter par les différents intervenants. Cette méthode unique est pensée pour être générique et généraliste. Elle s'applique à différents domaines et métiers, du marketing et l'assurance à l'industrie du futur (ou Industrie 4.0). Il suffit d'une volonté d'exploiter les données à travers des modèles prédictifs.

C'est pour quoi nous tenons à partager avec vous notre méthode. Vous pourrez ainsi développer, chez vous ou chez vos clients, des projets data grâce à l'Intelligence Artificielle !

Contenu du DUCC®

Use Case

USE CASE

Il s'agit ici de définir l'usage qui sera fait du projet data. Ce cas d'usage doit correspondre à un ou des utilisateurs et doit avoir un objectif cible de ROI. Cet objectif sera affiné au cours du projet, en fonction de l'information contenue dans les data, et donc de la qualité des prédictions.

Users

USERS

Les utilisateurs sont les personnes qui vont utiliser l'application au quotidien. Ils peuvent être dissociés du client.

Contraints

CONSTRAINTS

Les contraintes sont liées au cas d'usage et aux data. Elles définissent les nécessités auxquelles doit répondre le cas d'usage. Exemples de contrainte : Le temps de réponse de l'application, la connectivité, l'environnement poussiéreux des usines…

UX DESIGN

Ce sont les contraintes appliquées à l'utilisateur pour une utilisation efficace. Exemples d'UX Design : Application sur tablette tactile 9", prédiction renvoyée sur la supervision de l'usine…

Data

DATA

Le « nerf de la guerre », sans DATA aucune possibilité de mener le projet. Malheureusement, la disponibilité des données n'est jamais aussi bonne qu'on l'aimerait.

FAQ

# Ça veut dire quoi data driven ?

Des décisions, on en prend tous les jours. Parfois elles semblent évidentes, parfois elles sont incertaines, et parfois encore elles sont faites dans l’urgence. Quand on parle de data driven, l’objectif est que ces décisions se prennent en se basant sur la réalité du terrain, et non sur des intuitions et des ressentis qui peuvent facilement être biaisés et incorrects. Pour une entreprise, l’accès au terrain se fait à travers la collection et l’exploitation des données qui permettent de reconstruire les informations qui nous intéressent pour une répondre à une question donnée.

# Je mets mes données dans le Big Data, et après ?

Le Big Data, cet objet magique et merveilleux dans lequel il suffit de mettre toutes les données pour créer de la valeur… n’existe pas !

Le Big Data est un écosystème technologique. Il s’est développé à une vitesse vertigineuse et est aujourd’hui suffisamment riche pour qu’il existe un ou plusieurs outils capable de répondre à l’ensemble des problématique de manipulation, de transfert, de persistance, etc, des données.

Le défi est maintenant d’identifier les opportunités de création de valeur, et de mettre en œuvre les outils adéquats.

# Ça veut dire quoi créer de la valeur ?

Les données dans un système d’information ne tombent pas du ciel, et ne sont pas dues au hasard. Elles regorgent d’informations caractéristiques du fonctionnement d’une entreprise. Des patterns particuliers, des régimes de fonctionnement, du savoir-faire (à travers l’historique des réglages machines, dans des rapports, etc).

Créer de la valeur, c’est avant tout identifier les besoins précis au sein des métiers qui profiteraient de ces informations, avec généralement un gain de temps et/ou d’argent à la clé.

# J’ai l’habitude de mener des projets informatiques. Quelle différence avec un projet data ?

Un projet data, c’est comme une boîte de chocolats : on ne sait jamais sur quoi on va tomber. L’incertitude en amont est très forte, car, malgré toutes les bonnes volontés, c’est la quantité et surtout la qualité des données disponibles qui dictent ce que l’on peut faire et jusqu’où on peut aller.

Si vous fonctionnez avec un cahier des charges qui fait office de périmètre immuable, alors votre projet data risque de vous décevoir. Il est fortement recommandé de laisser suffisamment de marge de manœuvre à un projet pour qu’il puisse évoluer en fonction de cette qualité des données, mais d’avoir en même temps des pratiques pour maîtriser et contrôler le risque en adoptant des méthodes de gestion de projets itératives et incrémentales, et en ayant toujours comme cible finale une réponse avec un ROI.

# Donc je dois faire un PoC ?

Non : à nos yeux, le terme « PoC » (Proof of Concept) a une connotation de tentative sans lendemain. Nous lui préférons de beaucoup l’approche « MVP » (Minimum Viable Product) : un projet court, qui doit passer en production, dans la vraie vie, même si tous savent qu’il sera étendu et amélioré de manière itérative.

# Comment j’amène les métiers à discuter data et innovation ?

Ce qu’il ne faut pas faire : du « techno-push », c’est-à-dire vendre aux métiers une nouvelle technologie incroyable qui va révolutionner leur travail, mais en espérant que la valeur apparaisse d’elle-même à l’usage. Notre expérience montre qu’une bonne approche consiste à partir d’un véritable problème métier, et de rester ouvert sur les solutions qui peuvent y répondre.