3 enjeux imprévus pour produire de la valeur avec la donnée
- 1. 3 enjeux imprévus pour produire de la valeur avec la donnée
- 2. qui sommes nous ? Cory CHAPLIN PM produits data Morgiane MEGLOULI PO data segmentation & pub
- 4. 3 enjeux imprévus pour produire de la valeur avec la donnée
- 5. la data chez 6PLAY / Bedrock c’est data factory 30+ personnes 3 produits datadata lab platform & core data, A/B testing, segmentation 2 data scientists
- 7. 2015 M6 doit prendre le virage de la data
- 9. pour réussir dans la data, il faut : data scientist > Docteur en physique > Vision business > Vulgarisateur
- 10. pour réussir dans la data, il faut : data scientist > Docteur en physique > Vision business > Vulgarisateur data engineer > Lead tech Criteo > Expert Big Data & ML > Industrialisation
- 11. pour réussir dans la data, il faut : data scientist > Docteur en physique > Vision business > Vulgarisateur data engineerproduct owner > Lead tech Criteo > Expert Big Data & ML > Industrialisation > 5 ans d’XP M6 > Expert agile > Sens du MVP
- 13. 3 personnalités fortes 2 roadmaps 3 visions 2 technos peu de collaboration 2 équipes
- 14. j’adore qu’un plan se déroule sans avec accrocs
- 15. 3 enjeux
- 17. “on a pas le même maillot mais on a tous la même passion”
- 18. l’équipe une localisation, des expériences, des cultures et des métiers différents
- 19. le mindset les drivers de chacun le leadership d’équipe les valeurs de l’équipe
- 20. et le recrutement softskills VS hardskills les règles du jeu perdre du temps pour en gagner
- 21. l’organisation scrum et test & learn créer des rituels pair programming
- 22. take away travailler la dynamique collective trouver le modèle qui fonctionne pour l’ équipe communiquer et culture du feedback
- 24. pourquoi faire de la (big) data ?
- 25. prendre des décisions © Cassie Kozyrkov @ Google
- 26. quels use cases Data ? Prenons-nous une décision ? © Cassie Kozyrkov @ Google
- 27. quels use cases Data ? Prenons-nous une décision ? Analyse descriptive Non © Cassie Kozyrkov @ Google
- 28. quels use cases Data ? Prenons-nous une décision ? Analyse descriptive Non La réponse existe déjà ? Oui © Cassie Kozyrkov @ Google
- 29. quels use cases Data ? Prenons-nous une décision ? Analyse descriptive Non La réponse existe déjà ? Oui Oui © Cassie Kozyrkov @ Google
- 30. quels use cases Data ? Prenons-nous une décision ? Analyse descriptive Non La réponse existe déjà ? Oui Oui Combien de décisions ? Non © Cassie Kozyrkov @ Google
- 31. quels use cases Data ? Prenons-nous une décision ? Analyse descriptive Non La réponse existe déjà ? Oui Oui Combien de décisions ? Faut-il limiter le risque ? Peu Non © Cassie Kozyrkov @ Google
- 32. quels use cases Data ? Prenons-nous une décision ? Analyse descriptive Non La réponse existe déjà ? Oui Oui Combien de décisions ? Faut-il limiter le risque ? Peu Non Non © Cassie Kozyrkov @ Google
- 33. quels use cases Data ? Prenons-nous une décision ? Analyse descriptive Non La réponse existe déjà ? Oui Oui Combien de décisions ? Faut-il limiter le risque ? Peu Non Inférence statistique Oui Non © Cassie Kozyrkov @ Google
- 34. Analyse descriptive quels use cases Data ? Prenons-nous une décision ? Non La réponse existe déjà ? Oui Oui Combien de décisions ? Faut-il limiter le risque ? Peu Non Inférence statistique Oui Non Machine learning Beaucoup © Cassie Kozyrkov @ Google
- 35. quels uses cases data ? Analyse Descriptive Trouver de l’inspiration Machine Learning Inference statistique Beaucoup de petites décisions Peu de décisions importantes 🔍 © Cassie Kozyrkov @ Google
- 37. analyse descriptive data > Plateforme data > Pipelines ETL > Tables lisibles self serviceaccessible > Accès généralisé > Simple > Autonomie > SQL > Dataviz > Collaboratif
- 38. inférence statistique data > Plateforme data > Pipelines ETL > Tables lisibles data scientist Anotebooks > Proche du business > Expertise statistique > Vulgarisateur > Jupyter > Pandas, Plotly… > Spark
- 39. machine learning data > Plateforme data > Pipelines ETL > Tables lisibles ML engineer > Data engineer > Fort en maths > Affinité business > Statistiques > Machine learning > Affinité avec la prod data scientist B
- 40. de qui avons-nous besoin ?
- 41. les profils d’une équipe Data 1. Décideur 2. Ingénieur Data 3. Analyste “de base” 4. Expert analyst 5. Statisticien(e) 6. Ingénieur AI/ML 7. Data Scientist 8. Data science manager 9. Expert qualité 10. Researcher © Cassie Kozyrkov @ Google
- 43. le challenge, démocratiser l’accès à la data
- 44. la Data c’est des données ! des tables !! du SQL !!!
- 46. les plus courageux se lancent rapidement !
- 48. solution 1 formation SQL ~100 personnes formées
- 49. solution 2
- 50. le challenge, intégrer la data dans les décisions
- 51. réticences convictions > Hypothèses > Fail fast > Itérations habitudes > Adhérer à la valeur > Franchir le cap > Penser autrement > Data quality > Comprendre > Power users confiance
- 52. solution expliquer, comprendre, early adopters les outils, la data quality du temps, du dialogue
- 53. le challenge, intégrer les data scientists
- 54. histoire vécue. Tu peux me sortir le potentiel de consommation non exploité des niches thématiques pour qu’on sache sur quoi on doit renforcer le line up ?
- 55. histoire vécue. Tu peux me sortir le potentiel de consommation non exploité des niches thématiques pour qu’on sache sur quoi on doit renforcer le line up ? Pour avancer il faudrait que tu me donne les features des programmes et qu’on travaille l’heuristique pour que je puisse te calculer la distance Euclidienne entre programmes.
- 56. histoire vécue. Tu peux me sortir le potentiel de consommation non exploité des niches thématiques pour qu’on sache sur quoi on doit renforcer le line up ? Pour avancer il faudrait que tu me donne les features des programmes et qu’on travaille l’heuristique pour que je puisse te calculer la distance Euclidienne entre programmes.
- 57. solution soft skills, intérêt réciproque, compréhension travail itératif & collectif du temps, du dialogue
- 58. MERCI :)
- 59. des questions ?