À l’origine de tout projet abouti en Big Data, il y a un proof of concept (preuve de concept ou démonstration de faisabilité en français). Cette étape essentielle permet d’évaluer la faisabilité d’une idée mais recèle bon nombre de pièges. Afin de ne pas perdre de vue l’objectif final – soit la mise en production – réalisme et efficacité sont essentiels. Nous vous donnons dans cet article les clés pour réaliser un bon proof of concept (PoC) en Big Data.
Qu’est-ce qu’un proof of concept et quelle est son utilité ?
Que les spécialistes du genre se rassurent, le but ici n’est pas d’alimenter le débat sur les subtilités de la définition du proof of concept. Si beaucoup on tendance à assimiler proof of concept et prototype, des divergences existent. Néanmoins, elles présentent un intérêt limité dans le cadre de cet article.
Le proof of concept est une des premières étapes de développement d’un projet Big Data. C’est à ce moment-là que la faisabilité du projet est évaluée autour de différents axes dont le temps et l’argent à investir ainsi que la valeur ajoutée du projet. Bon nombre de projets seront stoppés à cet étape et c’est tant mieux. En effet, si un projet Big Data est voué à l’échec ou ne répond pas aux attentes, mieux vaut limiter les dégâts le plus tôt possible dans le processus.
Beaucoup d’observateurs narguent le taux d’échec des projets Big Data. On parle souvent de manière négative du faible pourcentage des preuves de concept qui arrivent effectivement en production. Il s’agit là d’une erreur de raisonnement. Trouver le projet Big Data adéquat qui répond aux besoins de l’entreprise et a une réelle valeur ajoutée demande souvent plusieurs PoC et c’est normal. Cette étape est déterminante pour évaluer l’intérêt du projet. En revanche, il est crucial de pouvoir réaliser un proof of concept de manière efficace afin d’éviter les pertes de temps et de tirer le plus rapidement possible les conclusions qui s’imposent en termes de viabilité. L’attractivité de la preuve de concept est également déterminante pour convaincre vos clients, qu’ils soient internes ou externes à l’entreprise.
Comment se présente un bon PoC ?
Concevoir un bon proof of concept relève parfois de l’exercice freestyle. En effet, il n’y a pas de standard en la matière. Un bon PoC doit convaincre de la valeur ajoutée du projet et donc inciter les décideurs à consacrer du temps et de l’argent à son développement.
En matière de Big Data, un PoC présentera généralement un cas pratique sur la base de données test afin de démontrer l’efficacité de l’algorithme ou de l’IA dont il est question. En l’absence de norme, on peut quand même distinguer un certain nombre de caractéristiques ou d’éléments à tenir en compte pour mettre toutes les chances de son côté.
Voici donc quelques recommandations pour établir un bon proof of concept :
- S’assurer que le projet répond à un besoin de l’entreprise et a une réelle valeur ajoutée. Il est intéressant de pitcher le projet à certains décideurs afin d’avoir un premier avis. Cela implique également de démontrer l’intérêt d’une solution orientée données plutôt qu’une autre alternative ;
- Impliquer différents départements ou équipes afin d’assurer la transversalité du projet ;
- Définir un horizon de temps pour finaliser son proof of concept et ne pas se perdre dans la recherche de la perfection. Gardez toujours à l’esprit que le but est de démontrer l’intérêt du projet. Des biais sont acceptables au stade de proof of concept pour autant qu’ils soient connus et puissent être maîtrisés par la suite ;
- Prendre le temps de dresser une analyse coûts – bénéfices pour l’entreprise en impliquant éventuellement les équipes produits et marketing. La plupart du temps, des considérations financières freineront les décideurs. Il faut donc convaincre de la valeur ajoutée du projet sur un horizon moyen et long terme. Soyez réalistes dans vos budgets. C’est à cette étape également qu’il faut s’assurer de la disponibilité des données nécessaires pour que le modèle fonctionne. Pensez aussi à évaluer le temps d’entraînement du modèle afin de garantir un résultat acceptable. N’oubliez pas d’évaluer le coût lié à la collecte et de l’organisation des données ;
- Ne pas négliger la présentation du proof of concept. Le PoC doit souvent convaincre en quelques minutes. Même si les questions d’esthétique ou de design vous paraissent triviales au moment de présenter votre idée, il faut y consacrer du temps. Gardez à l’esprit que vous devez convaincre différents types d’intervenants et ne réalisez pas une présentation trop technique.
Quelques erreurs à éviter dans le cadre d’un proof of concept
La plupart des erreurs classiques du PoC ont déjà été évoquées ci-avant. Le piège principal reste de se retrouver coincé dans sa propre idée et d’être incapable de prendre du recul par rapport au bienfondé de son projet. Souvent, des solutions plus simples existent pour résoudre le problème sans nécessiter forcément un modèle Big Data. Il est dès lors crucial de faire preuve d’esprit critique par rapport à son concept et de s’assurer de suffisamment de retours externes afin d’éviter les déconvenues.
L’autre erreur classique est de perdre de vue l’aspect client, qu’il soit interne ou externe. On l’a dit, les preuves de concept revêtent des formes diverses et un caractère plus ou moins abouti. Il est de votre responsabilité d’ajuster votre PoC en fonction des personnes que vous devrez convaincre. Sachez évaluer leurs priorités et les éléments qui feront une différence dans leur chef. Si vous n’êtes pas un vendeur ou un orateur né, s’entourer de personnes ayant les compétences adéquates pourra vous aider à soumettre votre idée. En 2020, négliger les politiques internes à l’entreprise ou à vos clients externes en imaginant que votre idée se vendra par elle-même est une grossière erreur.
Quelles sont les étapes après la validation d’une preuve de concept ?
Ça y est, votre PoC a fait l’unanimité et vous avez le feu vert pour déployer le projet ? Surtout, ne perdez pas le momentum. Si ce n’est pas encore fait, c’est le moment de développer rapidement le prototype et d’entamer ensuite la phase de mise en production.
Pour ce faire, différentes options s’offrent à vous. Il est bien entendu possible de créer votre architecture de données en interne ou avec l’aide de data engineers externes afin de créer un système propre.
Il est également possible d’utiliser des logiciels d’industrialisation. Outre leur expertise, l’avantage de ces logiciels à la demande est qu’une fois maîtrisés, ils peuvent être réutilisés dans le cadre d’autres projets. En effet, les logiciels d’industrialisation de modèles de données offrent une grande flexibilité.
C’est le cas de la solution conçue par les équipes de Ryax qui permet d’industrialiser vos données grâce à notre plateforme intuitive et évolutive. Si vous souhaitez une démonstration ou mieux connaître notre produit :
La Ryax Team.