Dans un format intimiste, Tech4Exec démystifie, le temps d’une matinée, les sujets et technologies stratégiques du moment, pour en comprendre les implications, les déclinaisons opérationnelles concrètes et leur intérêt pour l’entreprise. Le format est simple et efficace : 15 mn de vulgarisation, 25 mn de mise en oeuvre et 1h de retours d’expérience client. La vidéo est disponible ici : https://youtu.be/Psv0KJsF8kw https://tech4exec.fr/

1. #Tech4Exec
Pourquoi faut-il gérer votre projet data comme
une start-up gère son produit ?
Les 3 erreurs qui vouent un projet data à l’échec et comment les
éviter
Nathan Chauliac, Yoann Benoit

2. Les 3 erreurs courantes dans
les projets data
Ou comment vouer un projet data à l’échec

3. Commencer par construire un DataLake
qui répond à tous les besoins
Les données avant les usages
Erreur #1

4. Limiter la Data Science à des une exploration
sans objectif de mise en production
L’exploration sans contraintes
Erreur #2

5. Détacher la performance des modèles
de la réalité opérationnelle
Les yeux rivés sur la performance
Erreur #3

6. Les 3 erreurs principales
Commencer par construire
un DataLake qui répond à
tous les besoins
Limiter la Data Science à
des une exploration
sans objectif de mise en
production
Détacher la performance
des modèles de la réalité
opérationnelle

7. Les méthodes du Product Management
Design Thinking Lean Startup Agile

8. Comment éviter ces erreurs ?
Démarche de réalisation de projets Data Science

9. Un projet data, de la génération de l’idée à la mise en production
Idéation Prototypage eXtrem Archi Design Sprint
Réalisation / Mise
en production
1 2 3 4 5
Définir le problème à résoudre Idéation Convergence
Users won’t care about any particular technology unless it solves
a particular problem in a superior way
Peter Thiel, founder of Paypal and Palantir
Idéation

10. Un projet data, de la génération de l’idée à la mise en production
Prototypage
Idéation Prototypage eXtrem Archi Design Sprint
Réalisation / Mise
en production
1 2 3 4 5
Minimiser le risque du Use Case 1 sprint pour valider les hypothèses critiques GO / NO GO
If an image worth a 1000 words, a prototype worth a 1000 meetings
IDEO

11. Un projet data, de la génération de l’idée à la mise en production
Idéation Prototypage eXtrem Archi Design Sprint
Réalisation / Mise
en production
1 2 3 4 5
Extrême Architecture
Your focus should be on executing your application’s
critical path ridiculously well while balancing the
constraints you’ve been tasked with. That's it.
Architecture cible Mise en Production simple et rapide Flexibilité pour de nouveaux Use Cases

12. Un projet data, de la génération de l’idée à la mise en production
Idéation Prototypage eXtrem Archi Design Sprint
Réalisation / Mise
en production
1 2 3 4 5
Design Sprint
Prototype UX Testé Validé
You can prototype anything. Prototypes are disposable.
Build just enough to learn, but not more.
Jake Knapp, Creator of Design Sprint

13. Un projet data, de la génération de l’idée à la mise en production
Idéation Prototypage eXtrem Archi Design Sprint
Réalisation / Mise
en production
1 2 3 4 5
Réalisation / mise en production / industrialisation
Data Engineer
DevOps Data Sécurité
Data Scientist Product Owner Data
Dev Back Dev Front UX/UI Designer
Equipe Process
Dev
Mise en prod
Récolter Feedback
Discover
A project fails when no one came up with any better ideas than
what was on the initial list of requirements
Mike Cohn, co-inventor of Scrum Methodology

14. What’s next ?
Passage à l’échelle

15. Un projet data, de la génération de l’idée à la mise en production
Mise à l’échelle
Capitalisation sur les Use Cases, Data Catalog, gouvernance, Continuous Discovery
Gouvernance
T1 T2 T3
Continuous Discovery Analyse des Gains marginaux Capitalisation

16. Un projet data, de la génération de l’idée à la mise en production
Mise à l’échelle
Arbitrage
T1 T2 T3
Continuous
Discovery
Analyse des Gains
marginaux
Capitalisation
Capitalisation GouvernanceOrganisation

17. Merci
Questions ?

18. Annexes

19. Chiffrage
Profil Etape 1 : Idéation Etape 2 : Prototypage
Etape 3 :
Extreme Architecture
Etape 4 : Design
Sprint
Product Strategist 9 2 0 4
Data Scientist 6 10 0 0
Data Architect / Data Engineer 0 0 4 0
UX Designer / Expert front 0 0 0 10
TOTAL 15 12 4 14
Étapes 1 à 4

20. Chiffrage
▼ Durée variable en fonction des Use Cases
▼ Pas d’engagement sur le périmètre -> Peut brider les évolutions
Un projet est un échec si personne n’a eu de meilleure idée
pendant la réalisation que ce qui était initialement prévu
Étapes 5

21. Un projet data, de la génération de l’idée à la mise en production
Product Strategist
Data Scientist
Idéation Prototypage eXtrem Archi Design Sprint
Réalisation /
passage à l’échelle
Liste des use
cases priorisés
Prototypes
Architecture
opérationnelle
Maquettes
UX / UI
Product Strategist
Data Scientist
Architecte
Data Scientist UX Designer
Product Owner
Développeurs
Data Scientists
Projet en
production
1 2 3 4 5