Un proof of concept (POC) réussi en data science doit démontrer la valeur supérieure d'un modèle, en s'assurant qu'il est aligné sur la poursuite des objectifs stratégiques à long terme de l'entreprise.
1. Choisir un use case réel et concret. La première étape, et peut-être la plus importante, pour mener à bien un POC en data science est de choisir un use case. Sans cela, un POC ne peut tout simplement pas exister. Commencez par une liste d'enjeux stratégiques essentiels parmi lesquelles vous pourriez choisir, en sollicitant l'expertise métier apportée par personnel clé de l'entreprise. Évaluer les processus actuels, déterminer si l'utilisation de data science et des techniques de machine learning pourrait spécifiquement contribuer à les améliorer et, si oui, comment ?
2. Se limiter à un délai raisonnable. En général, un maximum de 60 jours est suffisant pour un projet POC de data science car il permet une évaluation correcte de l'impact des modèles construits sans prendre trop de temps au personnel de l'entreprise qui doit jongler avec d'autres travaux et projets en cours.
3. Définir clairement les livrables. Bien entendu, l'un des facteurs les plus importants pour limiter un POC de data science à un délai raisonnable est la présence de livrables clairs. Sans ces éléments, le processus peut s'éterniser, car personne ne sait vraiment ce qu'il faut considérer comme fait ou à quel moment on peut considérer le POC comme une réussite.
4. Impliquer les bonnes personnes. Pour mener à bien un projet POC de data science, tous les acteurs concernés doivent être impliqués, et ils peuvent venir de toutes les parties de l'organisation : les consultants, les data scientists bien sûr, seront nécessairement les plus connectés au projet ; mais aussi l'équipe SI, toutes les équipes métier impactées par les résultats, ainsi que les utilisateurs finaux de la solution, doivent tous être impliqués.
5. Envisager la mise en production. La data science et les projets liés à la data ne doivent pas se dérouler en laboratoire. L'objectif d'un POC n'est pas seulement de réaliser un simple projet. Au contraire, un POC réussi permettra à la plate-forme de continuer à fournir une valeur business sans discontinuité, même une fois le POC terminé. Afin d'apporter cette valeur, les projets (y compris le use case pour le POC de data science) doivent réellement entrer en production et ne pas rester bloqués dans une phase de prototypage ou de bac à sable.
6. Assurer l'autonomie. Souvent, un POC en data science offre aux entreprises la possibilité de travailler avec des experts du domaine ayant une grande expérience dans le lancement et la mise en production de projets data-driven. Aussi simple qu'un produit puisse paraître, travailler avec des experts data présente l'avantage supplémentaire d'apprendre des erreurs et des réussites que d'autres entreprises ont pu avoir rencontrées. Il est important d'assurer le passage de témoin afin de permettre aux entreprises une autonomie totale et une assimilation parfaite des outils fournis.
7. Etre agile mais concentré. Dans un processus de POC data science, les meilleurs résultats proviennent d'équipes qui sont à la fois agiles - désireuses de pivoter dans de nouvelles directions qu'elles n'avaient pas prévues - mais aussi concentrées et ne s'éloignent pas trop du problème initial lorsque des aperçus intéressants surgissent inévitablement.
