ActiveViam fait travailler les data scientists et les décideurs métiers ensemble

ActiveViam  en quelques mots ?

Depuis 2005, ActiveViam édite des solutions analytiques pour la prise de décision opérationnelle et la data science. La société compte plus de 60 clients internationaux, notamment des acteurs majeurs de la finance et de la grande distribution comme HSBC, la Société Générale, Intermarché ou encore Engie.

Nos produits sont construits en particulier autour de technologies d’agrégation in-memory et du Cloud pour permettre l’analyse en temps réel de grands volumes de données. Ils exploitent les langages Java, Python et Javascript pour offrir des capacités uniques sur le marché, comme de l’analyse multi-dimensionnelle entièrement libre et des simulations ‘What-If‘ complètes à la volée.

Partis de l’analytique nous nous sommes étendus vers la data science. En 2019, nous avons créé Data Lab pour accompagner nos clients et les aider à tirer toute la valeur de leurs données. En 2020, notre nouveau produit (gratuit) fait le pont entre le monde de la data science et celui de la prise de décision : atoti.

Il permet, d’un côté, aux data scientists d’explorer plus rapidement et avec plus de précision leurs données à petite ou grande échelle, et de l’autre, aux décideurs de consulter les résultats sous forme de dashboards interactifs.

Sur le plan commercial, nous avons lancé un projet de « pop-up offices », des bureaux éphémères que nous ouvrons un peu partout en France pendant deux ou trois jours pour aller à la rencontre de professionnels de la data. Les prochains se tiendront à Lille et à Lyon courant octobre.

Pourquoi est-ce un défi de faire travailler data scientists et décideurs métiers ?

On pourrait dire qu’ils ne parlent pas le même langage, au sens propre comme au sens figuré. Les questions business posées par les décideurs métiers comme « Pourquoi mes ventes baissent ? Quel est le meilleur prix pour mes produits ? » doivent parfois être reformulées pour que les data scientists puissent trouver des réponses pertinentes et opérationnelles dans les données.

A l’inverse, les réponses que trouvent les data scientists ne sont souvent pas immédiatement « consommables » par des non-experts qui ne sauront pas lire les résultats. Il faut les convertir en tableaux ou en graphes pour leur donner du sens.

Cela se retrouve aussi au niveau des outils. Pour un décideur métier, l’outil de prédilection, ce sont des outils de « business intelligence » comme Excel, Tableau ou Power BI. Pour un data scientist, cela varie selon les besoins et les habitudes mais aujourd’hui c’est Python qui est de loin le langage le plus répandu. Or, les deux univers ne communiquent pas ensemble, les data scientists recherchent en Python mais délivrent leurs résultats sous forme de dashboards dans d’autres applications. Dans les faits, cela veut dire pratiquement faire le travail deux fois, ce qui représente un temps important.