open langage menutoggle menu
Actualités t3://page?uid=116

Datalab, Datafab : une mode devenue besoin

C’est une constante : depuis l’émergence du Big Data, chaque nouveau concept lié à la donnée suscite l’engouement des DSI. Mais en matière de projets data, on aurait tort de confondre vitesse et précipitation. Le point sur le Datalab et le Datafab, deux approches mal comprises à leurs débuts, mais qui démontrent aujourd'hui leur efficacité.

Le Datalab, un concept mal compris à ses débuts

Lorsque le Datalab est apparu, au mitan des années 2010, les entreprises se sont emparées bille en tête de ce nouveau concept. Par souci de réactivité, elles ont immédiatement mobilisé leurs équipes de Business Intelligence en leur demandant d' « innover ». Mais au lieu de solutions innovantes, elles ont surtout obtenu des reportings décisionnels et de nouveaux outils de dashboarding.

En effet, le Datalab ne se résume pas à une simple étiquette qu'il suffirait de coller à une organisation existante. Pour fonctionner, ce laboratoire doit rassembler des profils issus du monde de la data, mais aussi des designers UX/UI et des experts métiers. Ce n'est que grâce à cette collaboration qu'un Datalab peut vraiment produire ce qu'on lui demande, c'est-à-dire des solutions innovantes. Lorsque cette philosophie est respectée, les résultats sont obtenus rapidement. Ainsi, il a fallu à peine quelques années au Datalab d'Axa pour mettre au point une application de lutte contre la fraude qui est désormais utilisée dans plusieurs pays. L'expérience fut tellement concluante que l'assureur a aujourd'hui multiplié par cinq l'effectif initial de son laboratoire.

 

Le Datafab, bras armé du Datalab

Si, à lui seul, le Datalab permet d’innover, il ne serait rien sans le Datafab, qui permet d’industrialiser les nouvelles solutions. Cette approche complémentaire se base sur une architecture logicielle dédiée à la collecte, au stockage et au traitement des données. En règle générale, cette architecture s’appuie sur le cloud, beaucoup plus rapide à mettre en œuvre qu’une solution on premise. C'est d'autant plus vrai lorsque l’application que l’on souhaite industrialiser est prévue pour un usage éphémère.

En la matière, un exemple reste en mémoire. En juin 2020, la RATP adoptait une nouvelle application pour détecter le port du masque dans les transports. Développé par la start-up Datakalab, cette application n'aurait pu voir le jour aussi rapidement sans le duo Datalab-Datafab. Et même si la CNIL a finalement mis un coup d'arrêt au dispositif, l'expérimentation s'est avérée concluante. Car on sait désormais qu'il tout à fait possible d'innover et de lancer une application en un temps record.

 

Les concepts data : ne pas confondre vitesse et précipitation

Si les entreprises ont tendance à se précipiter sur les nouveaux concepts data, c’est parce que la donnée représente pour elles un enjeu stratégique. Pour autant, on aurait tort de confondre vitesse et précipitation. En effet, pour qu'un concept porte ses fruits, il doit d'abord être étudié et assimilé. Les entreprises doivent faire l'effort de comprendre, et d'implémenter correctement. De fait, lorsqu'elles ont commencé à comprendre l'approche Datalab, les bénéfices ont été au rendez-vous. Auparavant négligeable, le taux de mise en production a rapidement progressé pour s’établir à environ 20 %. Et il ne cesse de croître depuis.

Prendre dès à présent de bonnes habitudes, voilà la clé pour progresser en data centricité. Dans les années à venir, il y a fort à parier que de nouveaux concepts fassent leur apparition. Par exemple, dans le sillage du DataOps et du FinOps, on pourrait très bien voir émerger un « RSEOps ». Une approche qui permettra d’optimiser les batteries de serveur afin de réduire l’impact environnemental d’un projet data. Ce n’est qu’en se concentrant maintenant sur les concepts à leur disposition que les entreprises parviendront à intégrer et à appliquer plus rapidement les concepts de demain.