consulting en Analytics

CONSULTING en Data Science et Big Data

Le consulting en Analytics (data science, machine learning) peut se positionner dans un business model « top-down » et servir ses clients sur des thèmes stratégiques : comment mettre en place une initiative « Big Data » (qui signifie plus souvent « Analytics » d’ailleurs) ? Comment dimensionner les équipes et les infrastructures ? Pour quelles cas d’usages et pour répondre à quels enjeux ?

Le consulting en Analytics peut servir ses clients de façon plus opérationnelle en définissant le processus de traitement d’une problématique : compréhension des enjeux, métriques, output attendus ; protocoles de collecte et de préparation des données ; protocole d’analyse ; élaboration de recommandations opérationnelles ; mesure de ROI.

Il peut également avoir une approche « bottom-up » en s’attachant à traiter en priorité des sujets à ROI rapide. Ou une approche BPO (externalisation des processus métiers), qui délivre des résultats aux fréquences que le business exige.

Pour ce faire, il faut des Talents, des Consultants, qui comprennent parfaitement les problématiques opérationnelles métiers (marketing, risque, fraude, épidémiologie …), qui savent quelles approches algorithmiques les résolvent et avec quelles infrastructures.

Il faut des (Seniors) Data Scientists, (qui font donc de la Data Science) Mathématiciens et Informaticiens, qui développent des Algorithmes d’Intelligence Artificielle. Ils maîtrisent des langages comme R, Python, C# ou C++ ; ou les utilisent. Ils sont experts de la conception et de la mise en œuvre des technologies comme les SVM, les Réseaux de Neurones, le Deep Learning, les Arbres de Décisions, les Régressions Logistiques, Copules, le Textmining, etc.

Il faut des Technologues, Architectes Big Data et Chefs de Projet, qui savent construire des Infrastructures de Calcul en Grid Computing (ou Calcul Parallélisé), souvent via un Cloud qui permet de dématérialiser les installations.

Il faut aussi des experts de la préparation les données (Data Preparation, Data Cleaning) : il y a peu de technologies « presse-bouton » et rarement des données prêtes à l’analyse pour une problématique précise.

Partager :