L'histoire se répète. Lorsque je parle aux entreprises de leurs initiatives de données, je remarque à quel point elles sautent rapidement à bord du dernier train de la hype des données. Peut-être dans le but de devenir 'orientées données', de mettre en œuvre un 'data mesh' ou de 'démocratiser les données', pour finalement obtenir des résultats décevants.

Nous avons tendance à croire qu'avoir un chef de projet responsable d'un produit de données est l'objectif ultime. La vérité est qu'avoir un tableau de bord fiable avec de nombreux graphiques de ventes n'apporte aucune valeur en soi. Ce que nous finissons par avoir est une situation où des ressources importantes sont allouées pour établir une initiative de données, mais il y a toujours un manque évident d'investissement authentique de la part des acteurs clés de l'entreprise.

Cette réalité rend le suivi réussi des performances difficile et conduit souvent à la surveillance de métriques techniques telles que 'le temps pris pour résoudre les problèmes de ventes' ou, plus préoccupant, 'le temps nécessaire pour que les données soient disponibles pour l'équipe de support'.

Tout solution technique sans but commercial clair, objectifs définis et métriques observables risque de devenir inutile avec le temps.

Cela entraîne souvent des situations où les entreprises regardent leurs investissements avec regret, créant un sentiment de 'nous avons gaspillé tant de ressources sur ces mots à la mode liés aux données'.

Vous ne me croyez pas ? Regardez ce post Reddit avec toutes les 'opinions controversées' de centaines d'ingénieurs data : Quelle est votre opinion controversée DE ? Mes collègues ingénieurs data mécontents ressentent la même chose.

Même dans un scénario idéal, où vos pipelines sont impeccables, les tableaux de bord fonctionnent rapidement, les exigences sont clairement définies et les données sont à la fois propres et normalisées, le succès ne semble pas garanti.

À mon avis, de nombreuses organisations privilégient l'idée d'être orientées données plutôt qu'un véritable engagement à analyser en profondeur les données et à interpréter les chiffres de manière significative. Cela entraîne souvent une implication superficielle avec les métriques, menant à des insights qui ne disent rien d'autre que l'évidence et, souvent, même à contrecarrer les intuitions et objectifs exécutifs existants.

La plupart du temps, le mieux que vous puissiez espérer est qu'un graphique que vous avez créé serve à détourner l'attention d'un cadre intermédiaire de son ingérence excessive, plutôt que d'utiliser les données pour réprimander certaines équipes de ventes et de support pour ne pas avoir atteint des objectifs arbitraires et non analytiques.

De plus, le concept d'impact positif sur l'entreprise est généralement utilisé pour renforcer la décision d'un acteur qui coïncide (ou non) avec les données. Je l'appelle 'confirmation intuitive des données'.

Peu importe qui obtient les données ; être un bon DE signifie les amener à la personne qui peut avoir le plus grand impact sur les revenus et/ou les coûts.

Cela signifie que vous et votre équipe devez prioriser les projets avec un potentiel d'impact significatif. La partie ingénierie devrait être facile.

Pour faire valoir le point, nous pouvons envisager la propriété des produits en ingénierie logicielle. Un produit ou un service est sans valeur à moins qu'il ne génère une valeur commerciale tangible et mesurable. Personne ne crée un service d'authentification, un site de commerce électronique ou un service API backend complexe simplement parce que tout le monde le fait. Ceci est toujours motivé par le désir d'augmenter les revenus. Il en va de même pour l'ingénierie des données et les produits de données.