Le Data Citizen et la culture
low-code, no-code

La technologie évolue très vite; il suffit de penser aux téléphones intelligents et à tout ce qu’ils permettent maintenant d’accomplir.

Peut-être moins soupçonné, notre accès au savoir a également grandement évolué avec l’avènement de la technologie. Ces jours-ci, « le ciel est à notre portée »! Vous pouvez apprendre beaucoup de choses par vous-même, de la façon de devenir un meilleur photographe à la façon d’analyser et de travailler avec les données à partir de votre ordinateur portable. Oui, vous avez bien lu! Il existe un million de podcasts, de blogues et de vidéos – et la demande est en constante croissance – sur l’analyse de données et les outils de données.

Qu’est-ce qu’un Data Citizen ?

Il existe un public grandissant désireux d’apprendre et d’en faire plus dans ce domaine, des personnes dont l’expérience n’est pas à l’origine d’un domaine technique (c’est-à-dire des informaticiens), des personnes qui sont ou pourraient être intéressées par le travail avec des données, mais qui n’ont pas de compétences « formelles » ou de connaissances techniques pour coder. Ils savent pourtant comment utiliser les données grâce à leurs activités professionnelles. C’est ce qu’on appelle un Data Citizen, quelqu’un qui travaille avec des données, mais qui n’appartient pas au monde de l’informatique. Vous pensez peut-être que c’est nouveau ? Mais ce ne l’est pas. Quelle est l’origine de ce phénomène ? Quel est son avenir ?

Les Data Citizen ont toujours été dans nos organisations, même lorsque l’analyse de données n’était pas aussi populaire qu’aujourd’hui. On peut penser aux professionnels de la finance ou de la comptabilité, qui étaient des experts d’Excel. Certains savaient même comment naviguer cette « magie noire » nécessaire pour créer une chose étrange appelée les Macros ! La raison pour laquelle je mentionne Excel, c’est qu’il s’agit du principal outil d’analyse de données utilisé par les organisations et qu’il est un exemple parfait pour expliquer le phénomène du Data Citizen.

Ne roulez pas des yeux et laissez-moi vous expliquer pourquoi c’est important et quelle est la relation entre cette réalité et le monde frénétique actuel des données et de l’analyse.

Excel et la démocratisation des données

Soyons clairs, il y a tellement de raisons de penser qu’Excel a été abusivement utilisé et qu’il y a des failles et des risques associés à cet outil même après 35 ans d’utilisation ! Cependant, j’aimerais tenter d’expliquer pourquoi cet outil a acquis une telle importance et comment il s’est connecté au monde de l’analyse d’aujourd’hui et comment il aide à le comprendre. Dans cette perspective, que sont les Data Citizen et la culture Low-Code, No-Code ?

Avec l’émergence d’Excel, les utilisateurs ont commencé à effectuer certaines analyses auparavant trop difficiles, car elles nécessitaient trop d’étapes, ou qu’elles étaient tellement complexes qu’elles devaient être programmées ou codées. Cette approche non programmatique était dans une certaine mesure plus proche de leur réalité quotidienne. Normalement, lorsqu’ils étaient confrontés à une analyse, les Data Citizen devaient savoir « ce qui était requis ». Ils pouvaient même connaître les sous-éléments ou les étapes pour y arriver, mais des problèmes survenaient s’ils n’étaient pas en mesure de traduire en « comment faire » avec les outils à leur disposition.

En mettant entre leurs mains un outil qui pourrait combler cet écart, nous avons commencé à voir apparaître une dynamique où de plus en plus d’analyses avancées et robustes étaient créées par ces utilisateurs ou Data Citizen. Si cette dynamique était amplifiée par une transmission organique des connaissances, alors vous aviez une combinaison parfaite pour qu’un outil ou une approche gagne en popularité.

Qu’est-ce qui permet de combler cet écart entre le « quoi » et le « comment faire » lors de l’analyse des données ? Il s’agit normalement d’une interface visuelle, de fonctionnalités de glisser-déposer et de termes ou langage familiers pour les utilisateurs finaux. Ce qui nous amène à la culture Low-Code, No-Code en entreprise.

Low-Code, No-Code et les données en entreprise

Low-Code, No-Code est une approche qui utilise une interface de développement visuelle permettant aux utilisateurs non techniques de créer des applications ou une analyse en faisant glisser et en déposant des composants (drag & drop). Lorsque la révolution Big Data & Analytics est arrivée vers 2010, elle a entraîné une demande rapide de compétences liées aux données. Quand on parle de demande, on parle d’un besoin exponentiel d’analystes capables de travailler avec des statistiques, des bases de données, de la visualisation de données ou des domaines plus spécialisés comme l’apprentissage automatique ou l’intelligence artificielle.

Nous sommes confrontés ici à un problème classique d’offre et de demande, car il n’y a pas assez de ces ressources sur le marché pour répondre à la demande, qui est en croissance exponentielle. La réalité, c’est que nous ne sommes même pas près de combler cet écart. Par exemple, le Bureau of Labor Statistics des États-Unis constate une forte croissance de la demande pour des compétences en sciences des données. Ils prédisent que le domaine de la science des données augmentera d’environ 28 % jusqu’en 2026.

De plus, grâce aux améliorations technologiques, les entreprises ont pu accroître la sophistication de leurs opérations et de leurs analyses de données. Ajoutons à cela l’apport de certaines nouvelles technologies sur le plan opérationnel et financier, comme l’intelligence artificielle ou l’apprentissage automatique. Dans le passé, ces technologies semblaient exclusives aux films de science-fiction, mais elles sont désormais très accessibles.

Cette demande d’analyse de données a créé de nouveaux rôles qui n’existaient pas auparavant, tels que les Data Scientists, Data Engineers, Data Architects, etc. Dans de nombreux cas, ces rôles sont très spécifiques et nécessitent une variété de domaines qui étaient perçus, avant cette révolution des données, comme des expertises séparées. Le marché du travail a rarement exigé qu’un individu les possède tous. Cela est vrai pour des domaines tels que la gestion de bases de données, les statistiques, la programmation, la conception et la visualisation d’informations et, bien sûr, l’expertise de métier.

Il y a donc un écart, non seulement en matière de personnes et de compétences, mais aussi en matière d’exigences des organisations. La réalité actuelle montre qu’il n’est pas facile de trouver des individus avec ce portefeuille de compétences. On peut les trouver, mais ils sont rares. Il y a une offre accrue de programmes universitaires qui tentent de fournir officiellement ces compétences. Le temps nous dira si les gens sont attirés par le domaine. Nous espérons voir plusieurs professionnels des données sortir des écoles dans les années à venir !

Coder ou ne pas coder ?

En attendant, nous devons faire face à notre réalité actuelle. Dans cette perspective, peut-être que les entreprises pourraient adopter une stratégie hybride dans laquelle nous pourrions faire coexister le Data Citizen avec d’autres professionnels comme les Data Scientists, Data Engineers, etc. Les entreprises doivent construire des écosystèmes pour que cela se produise et, pour ce faire, ils doivent également adopter certaines technologies et outils adaptés aux Data Citizen. Par conséquent, nous constatons une croissance de la popularité d’outils tels que Tableau, Power BI, Power Apps, Alteryx et autres. Ces outils sont l’Excel de cette nouvelle ère. Leurs interfaces facilitent le travail des utilisateurs et leur permettent de se concentrer sur l’élément clé, qui est d’analyser les données et de produire des conclusions, de trouver des modèles cachés ou d’ajouter de la valeur à la prise de décision.

Personne de nos jours ne se pose des questions comme « quel code dois-je utiliser pour produire un tableau croisé dynamique ou pour créer une ligne de tendance pour ces données » ? Cela est fourni par l’outil. Imaginez maintenant que vous soyez confronté à une situation d’analyse de données qui pourrait vous obliger à créer un modèle pour analyser les corrélations ou que vous ayez besoin de créer des clusters dans votre population. En tant qu’analyste, vous savez comment résoudre le problème. Mais cela pourrait être frustrant et long si vous ne savez pas comment coder en Python, R ou tout autre langage.

Les organisations qui créeront cet écosystème de données hybride dans lequel les Data Citizen traiteront les problèmes simples de leur domaine à l’aide d’outils Low-Code, No-Code libéreront les Data Scientists pour qu’ils s’attaquent aux problèmes plus complexes. Elles auront de meilleures chances de réussir et de résoudre la situation actuelle des emplois de données. Cela créera également une bonne base pour encourager l’émergence d’une culture axée sur les données au sein de l’organisation.

Quel futur pour les pratiques data-driven ?

Il n’y a pas une seule règle pour cela. Vous aurez des organisations qui pourraient parfaitement survivre avec les Data Citizen, car leur pipeline de données est suffisamment simple pour permettre de produire des résultats incroyables en utilisant les bons outils et les bonnes ressources. Vous pourriez aussi avoir de plus grandes organisations avec des pipelines de données plus complexes (et des budgets plus importants), qui pourraient accueillir un tel écosystème hybride. Les organisations doivent simplement garder à l’esprit qu’il existe des alternatives, selon leur taille ou leur réalité, et que certaines fondations doivent être préservées pour rendre leur cadre de données durable dans le temps.  En voici quelques exemples.

Documentation et gouvernance

L’objectif principal en tant qu’organisation sera de préserver les connaissances. Les gens partent, mais les connaissances doivent rester. Quel que soit le contexte, les connaissances du Data Citizen (et outils) ou du Data Scientists (et code), doivent être correctement documentées. Un bon modèle ou une bonne stratégie de gouvernance doit être en place afin de maintenir un bon équilibre entre créativité et stabilité. Vous souvenez-vous d’Excel et de la créativité des gens avec les feuilles de calcul ? Eh bien, la même chose pourrait se produire avec les tableaux de bord, les modèles de données, les modèles prédictifs, et plus encore.

Bons processus et délégation

Dans un écosystème hybride, il est crucial d’établir qui fait quoi. Vous souhaitez une bonne coexistence entre les Data Citizen et Data Scientists. Il y a une place pour les deux parties, et chacune d’elles peut amplifier les résultats.

Communication

En termes simples, les gens ont besoin de savoir ce qui se passe ; cela évite les pièges des personnes pensant travailler pour rien ou travailler en double.

Outils appropriés et bonne formation continue

les organisations décideront quelle est la suite d’outils à utiliser. En tant qu’individu, il faut être ouvert pour en apprendre le plus possible sur les outils à sa disposition. L’élément clé pour l’organisation est d’encourager les discussions ouvertes et les séances d’apprentissage. Cela créera une dynamique positive de partage des connaissances. On ne sait jamais, un collègue pourrait être aux prises avec un problème similaire au vôtre.

L’avenir de la gestion des données hybrides

La révolution des données vient de commencer et sera avec nous pendant un certain temps. Nous observons déjà des tendances intéressantes dans les deux sens. Les langages de programmation comme Python ou R deviennent de plus en plus populaires, mais en même temps, les logiciels ou plates-formes Low-Code, No-Code comme Tableau, Power BI ou Power Apps gagnent également en popularité. Nous pouvons faire tellement plus avec les données qu’il y a dix ans. Le ciel est vraiment la limite.

Particuliers, si vous aimez les données et que votre domaine est la programmation ou si vous êtes plutôt un Data Citizen, n’hésitez pas à continuer à apprendre, il y a beaucoup de place pour vous deux. Et vous pouvez apprendre de tant de façons, par vous-même ou dans le cadre d’un programme académique formel, par exemple. Organisations, le marché évolue. Soyez intelligentes et adapter votre approche et votre stratégie à la nouvelle réalité de l’importance émergente des données.