Plateforme Data Groupe : de 2 semaines à 1 jour

Le contexte

À mon arrivée, les équipes Data Science disposaient de capacités Data dispersées et fortement dépendantes des processus IT.

La réalisation d’une analyse simple pouvait nécessiter plus de deux semaines, notamment en raison de processus manuels, de déploiements dépendants de l’IT et d’un environnement peu adapté au cycle de vie complet des projets Data Science.

La plateforme existante reposait également sur un modèle de licences coûteux et peu scalable, limitant l’accès à la Data Science à un nombre restreint d’utilisateurs.

L’enjeu était donc plus large que la création d’un nouvel environnement technique : il s’agissait de transformer le modèle de delivery Data Science.

De l’environnement Data à une capacité Data Groupe

J’ai défini la vision et l’architecture cible d’une nouvelle plateforme Data conçue pour couvrir l’ensemble du cycle de vie Data Science : ingestion, transformation, exposition des données, développement, déploiement et exploitation.

L’objectif était de permettre aux équipes de gérer leur cycle de delivery de manière beaucoup plus autonome, tout en conservant les exigences du Groupe en matière de sécurité, d’architecture et de gouvernance.

La plateforme a été conçue selon une approche cloud-native et Security by Design, avec une architecture moderne permettant d’industrialiser les traitements et de déployer différents types d’applications Data et AI.

Concevoir la transformation, pas seulement la technologie

Le projet impliquait autant des arbitrages organisationnels et économiques que des choix d’architecture.

J’ai notamment :

• défini la vision, les principes d’architecture et la trajectoire cible ;
• sélectionné et structuré le socle technologique ;
• conçu la plateforme pour couvrir le cycle de vie complet des projets Data Science ;
• coordonné les contributions des équipes Architecture, Sécurité et partenaires externes ;
• accompagné l’évolution des pratiques de développement et de déploiement ;
• piloté la sortie progressive d’une solution existante devenue trop coûteuse et contraignante ;
• contribué à faire évoluer le modèle de delivery vers davantage d’autonomie pour les équipes Data Science.

La plateforme a été conçue avec une logique de réutilisabilité et d’industrialisation, afin de pouvoir accueillir différents projets sans reconstruire leur socle technique à chaque fois.

Un changement de modèle opérationnel

Avant la transformation, une évolution pouvait suivre un cycle de type :

Data Science → demande IT → déploiement → attente

La nouvelle plateforme permet aux équipes de maîtriser beaucoup plus directement leur cycle :

Code → pipeline → déploiement → exploitation

Cette évolution a réduit les dépendances opérationnelles tout en rapprochant les pratiques Data Science des standards d’ingénierie logicielle : versionnement, automatisation, environnements séparés et déploiements reproductibles.

L’objectif n’était pas de supprimer les équipes IT ou Architecture, mais de clarifier les responsabilités et de donner aux équipes Data Science le niveau d’autonomie nécessaire à leur activité.

Un arbitrage entre autonomie, sécurité et coût

La plateforme devait répondre simultanément à trois contraintes :

• accélérer fortement le delivery ;
• respecter les exigences de sécurité et d’architecture du Groupe ;
• rester économiquement soutenable.

La conception a donc intégré la sécurité dès l’architecture, plutôt que de la traiter comme une étape ultérieure.

Cette approche a notamment permis à la plateforme de répondre aux exigences de sécurité évaluées dans le cadre des contrôles menés sur l’environnement Data Science.

Résultats

>2 semaines → 1 jour

Le temps nécessaire pour réaliser et mettre à disposition une analyse ou un POC Data Science est passé de plus de deux semaines à environ une journée.

~60 k€ / an

La sortie de la solution existante a permis de réduire les coûts annuels de plateforme d’environ 60 k€, tout en supprimant les limitations liées au nombre d’utilisateurs.

Autonomie de bout en bout

Les équipes Data Science peuvent désormais gérer directement une part beaucoup plus importante de leur cycle de développement et de déploiement, sans dépendre systématiquement d’une intervention IT.

Une fondation pour la Data & AI

La plateforme constitue un socle commun pour industrialiser les projets Data Science et AI, depuis la préparation des données jusqu’au déploiement et à l’exploitation des solutions.

Ce que j’en retiens

Une plateforme Data n’est pas seulement un assemblage de technologies.

Sa valeur vient de sa capacité à transformer la manière dont l’organisation travaille avec la donnée : réduire les dépendances, accélérer le delivery, sécuriser les usages et rendre l’industrialisation reproductible.

Le rôle d’un leader Data n’est donc pas uniquement de choisir une architecture. Il consiste à aligner technologie, organisation, gouvernance et économie pour créer une capacité durable.

C’est cette combinaison qui permet de transformer une équipe Data Science en véritable capacité Data & AI à l’échelle du Groupe.