Malo Chevillotte (2015) choisit de cr\u00e9er une start-up d\u00e8s sa sortie d\u2019\u00e9cole. Fort de cette exp\u00e9rience, il s\u2019oriente ensuite vers diff\u00e9rents m\u00e9tiers consacr\u00e9s \u00e0 l\u2019exploitation des data au service du business.<\/p>\n
Variances\u00a0: Dipl\u00f4m\u00e9 de l\u2019Ensae en 2015, tu pars voyager pendant quelques mois. A ton retour, tu choisis de co-fonder une start-up, Concrete Metrics. Pourquoi t\u2019\u00eatre lanc\u00e9 dans l\u2019entrepreneuriat\u00a0? Que faisait cette start-up, et qu\u2019est-elle devenue\u00a0?<\/strong><\/span><\/p>\n Malo Chevillotte<\/strong>\u00a0: Ma plong\u00e9e dans l\u2019entrepreneuriat est principalement due \u00e0 deux facteurs.\u00a0Le premier est un go\u00fbt prononc\u00e9 pour la cr\u00e9ation, associ\u00e9 \u00e0 un fort int\u00e9r\u00eat pour l\u2019innovation\u00a0; un cours sur la cr\u00e9ation de start-up, suivi \u00e0 l\u2019ENSAE, m\u2019avait convaincu que j\u2019y trouverais mati\u00e8re \u00e0 satisfaire ces envies. Le deuxi\u00e8me facteur est une rencontre\u00a0: un proche venait de finir une formation sur les nouvelles m\u00e9thodes de mod\u00e9lisation des donn\u00e9es dans le secteur du b\u00e2timent. Nous avons d\u00e9cid\u00e9 de nous associer : mon associ\u00e9 prendrait en charge la prospection commerciale facilit\u00e9e par sa connaissance du secteur et de ses enjeux, je d\u00e9velopperais les produits.<\/p>\n Nous consid\u00e9rions que l\u2019harmonisation en cours dans la mod\u00e9lisation de la donn\u00e9e du b\u00e2timent (BIM\u00a0: Building Information Modelling<\/em>) pouvait \u00eatre exploit\u00e9e afin de fournir des pr\u00e9visions plus pr\u00e9cises quant aux d\u00e9penses d\u2019exploitation (OPEX) et d\u2019investissement (CAPEX) des d\u00e9tenteurs de portefeuilles d\u2019actifs immobiliers d\u2019une taille cons\u00e9quente (investisseurs institutionnels ou fonci\u00e8res).<\/p>\n Le grand pari derri\u00e8re Concrete Metrics \u00e9tait que la fiabilit\u00e9 de nos pr\u00e9dictions allait cro\u00eetre proportionnellement au volume de donn\u00e9es que nous traiterions. Mais un crit\u00e8re que nous n\u2019avions pas suffisamment pris en compte dans le d\u00e9veloppement de notre entreprise \u00e9tait la dur\u00e9e du cycle de vente (tr\u00e8s long dans le cas d\u2019acteurs institutionnels) et la difficult\u00e9 \u00e0 faire changer d\u2019avis des acteurs \u00e9conomiques qui n\u2019y ont pas d\u2019int\u00e9r\u00eat imm\u00e9diat\u00a0: ces institutions \u00e9taient pr\u00eates \u00e0 financer des missions de consulting alors que nous voulions d\u00e9velopper un logiciel, un produit. Apr\u00e8s plus d\u2019un an \u00e0 pr\u00e9senter notre proof of concept<\/em> nous avions d\u00e9pens\u00e9 beaucoup d\u2019\u00e9nergie et n\u2019avions plus l\u2019envie de r\u00e9aliser un \u00ab\u00a0pivot\u00a0\u00bb\u00a0(changement de business model<\/em> pour une start-up). Nous avons d\u00e9cid\u00e9 d\u2019arr\u00eater l\u2019aventure.<\/p>\n V\u00a0: Quels enseignements professionnels et personnels as-tu tir\u00e9s de cette exp\u00e9rience\u00a0? <\/strong><\/span><\/p>\n MC\u00a0:<\/strong> Mon principal enseignement professionnel peut para\u00eetre na\u00eff mais c\u2019est de ne jamais oublier les fondamentaux \u00e9conomiques du march\u00e9 sur lequel on \u00e9volue\u00a0: qui sont les clients\u00a0? quels sont leurs besoins les plus pressants\u00a0? combien sont-ils\u00a0pr\u00eats \u00e0 payer pour le produit\/service offert ?<\/p>\n Une start-up est une entreprise qui nait \u00e0 la suite d\u2019une innovation (scientifique, technique voire organisationnelle) afin de commercialiser un bien ou un service. Mais l\u2019innovation ne r\u00e9side pas simplement dans le produit propos\u00e9, elle doit aussi exister dans la mani\u00e8re dont le produit est vendu (business model<\/em>). Par exemple, internet a modifi\u00e9 profond\u00e9ment la commercialisation des logiciels\u00a0: de la vente \u00e0 l\u2019unit\u00e9 via des CD-Roms, le march\u00e9 a \u00e9volu\u00e9 vers des abonnements mensuels pay\u00e9s par nombre d\u2019utilisateurs via le cloud<\/em>.<\/p>\n Ce qui caract\u00e9rise une start-up est l\u2019it\u00e9ration extr\u00eamement rapide dans l\u2019articulation de son offre de valeurs aupr\u00e8s de ses clients avant de trouver la \u201cformule magique\u201d qui permettra la croissance exponentielle. Vue sous cet angle-l\u00e0, une start-up est une machine \u00e0 effectuer des tests afin de vite valider ou d\u2019infirmer les hypoth\u00e8ses \u00e9mises. Un enseignement que j\u2019ai tir\u00e9 du lancement de Concrete Metrics est la n\u00e9cessit\u00e9 de lancer le maximum de tests afin de pouvoir les arr\u00eater rapidement si la traction du march\u00e9 n\u2019est pas assez forte ou, au contraire, les pousser plus loin si l’int\u00e9r\u00eat des clients est grand.<\/p>\n Au plan personnel, j\u2019ai \u00e9norm\u00e9ment appr\u00e9ci\u00e9 la phase de cr\u00e9ation de produits issus de la compr\u00e9hension des attentes des prospects\/clients\u00a0: comprendre le besoin de nos interlocuteurs, r\u00e9fl\u00e9chir \u00e0 la forme \u00e0 donner \u00e0 la r\u00e9ponse et pr\u00e9senter un produit (pas forc\u00e9ment fini) qui r\u00e9pond en partie \u00e0 ce besoin est extr\u00eamement gratifiant.<\/p>\n V\u00a0: Quelle influence cette exp\u00e9rience entrepreneuriale a-t-elle eu sur le m\u00e9tier que tu as exerc\u00e9 ensuite\u00a0?<\/strong><\/span><\/p>\n MC\u00a0: <\/strong>Au sein de Concrete Metrics, j\u2019ai mesur\u00e9 combien disposer de donn\u00e9es directement exploitables \u00e9tait essentiel dans la plupart des entreprises avec lesquelles nous avons travaill\u00e9, que ce soit avec la direction g\u00e9n\u00e9rale, les op\u00e9rationnels ou encore les data analysts<\/em> et les data scientists<\/em>. Ce constat m\u2019a naturellement orient\u00e9 vers le m\u00e9tier de data analyst<\/em>.<\/p>\n J\u2019ai beaucoup appris sur les besoins data des diff\u00e9rents m\u00e9tiers lors de mes exp\u00e9riences en tant que data analyst<\/em> chez Smart Flows<\/em> puis chez Meeroo<\/em>. Deux points que je souhaiterais souligner :<\/p>\n V\u00a0: Depuis presque deux ans, tu travailles en tant que Analytics Engineer<\/em>. Peux-tu nous d\u00e9crire en quoi consiste ce m\u00e9tier\u00a0?<\/strong><\/span><\/p>\n MC\u00a0: <\/strong>Avant de d\u00e9crire en d\u00e9tail mon m\u00e9tier actuel, il est int\u00e9ressant de le placer dans un contexte plus large. Mettre en place une base de donn\u00e9es sp\u00e9cialement d\u00e9di\u00e9e \u00e0 l\u2019analytics<\/em> \u00e9tait jusqu\u2019\u00e0 r\u00e9cemment extr\u00eamement co\u00fbteux et donc prohibitif pour des start-up. Ce paradigme a \u00e9t\u00e9 compl\u00e8tement boulevers\u00e9 par l\u2019arriv\u00e9e d\u2019Amazon Redshift<\/em> en 2012. En effet, Amazon a d\u00e9cid\u00e9 de commercialiser, via le cloud<\/em>, l\u2019infrastructure mise en place pour ses analyses internes. Le co\u00fbt de cr\u00e9ation et de maintien d\u2019une base de donn\u00e9es d\u00e9di\u00e9e \u00e0 l\u2019analytics<\/em> a ainsi fortement diminu\u00e9. Cons\u00e9quence naturelle, le march\u00e9 des bases de donn\u00e9es d\u00e9di\u00e9es \u00e0 l\u2019analytics<\/em> est en tr\u00e8s forte croissance\u00a0; l\u2019ann\u00e9e derni\u00e8re, une des plus importantes introductions en bourse au Nasdaq fut l\u2019entreprise Snowflake<\/em>.<\/p>\n Ces innovations dans les technologies de stockage et de calcul ont eu un impact sur la mani\u00e8re de rendre les donn\u00e9es exploitables en entreprise et donc, in fine<\/em>, sur l\u2019organisation des \u00e9quipes data en charge de cette mission. Une telle \u00e9quipe rassemble en g\u00e9n\u00e9ral quatre types de m\u00e9tiers : data engineer, data analyst, analytics engineer<\/em> et data scientist<\/em>.<\/p>\n – Le ou la data engineer<\/em> s\u2019occupe de deux t\u00e2ches principales\u00a0: d\u2019une part monitorer la performance des bases de donn\u00e9es et adapter l\u2019infrastructure \u00e0 l\u2019augmentation du volume des donn\u00e9es ou du nombre de requ\u00eates internes\u00a0; d\u2019autre part construire les pipelines de transfert des donn\u00e9es des sources brutes au data warehouse<\/em> (autre nom de la base de donn\u00e9es pour l\u2019analytics<\/em>).<\/p>\n – Le ou la data analyst<\/em> utilise la donn\u00e9e afin de r\u00e9pondre \u00e0 des probl\u00e9matiques business complexes (par exemple, quelle est la rentabilit\u00e9 de chacun des canaux d\u2019acquisition de clients et lesquels prioriser \u2026?).<\/p>\n – Le ou la data scientist<\/em> utilise les donn\u00e9es afin d\u2019automatiser certaines t\u00e2ches via des algorithmes et peut intervenir sur des sujets aussi vari\u00e9s que la reconnaissance d\u2019objets dans des images ou la recommandation de produits dans l\u2019e-commerce.<\/p>\n – L\u2019analytics engineer<\/em> se concentre sur la phase de cr\u00e9ation des m\u00e9triques de suivi de la performance. Ces m\u00e9triques peuvent \u00eatre utilis\u00e9es dans des situations tr\u00e8s diff\u00e9rentes par des op\u00e9rationnels qui souhaitent avoir une vue pr\u00e9cise de leur performance en quasi-temps r\u00e9el ou par des data scientists<\/em> afin de suivre la performance des mod\u00e8les qu\u2019ils ont mis en production.<\/p>\n Le livrable final fourni par un analytics engineer<\/em> est un tableau de bord cr\u00e9\u00e9 avec un outil de business intelligence<\/em> afin que le client interne ait acc\u00e8s aux m\u00e9triques qui l\u2019int\u00e9ressent sous une forme facilement exploitable, sans avoir \u00e0 se soucier de la fra\u00eecheur des donn\u00e9es (qui sont mises \u00e0 jour dans la base de donn\u00e9es). Le livrable interm\u00e9diaire que l\u2019analytics engineer<\/em> cr\u00e9e, et qui est n\u00e9cessaire pour arriver au livrable final, est une nouvelle table dans le data warehouse<\/em> ou une nouvelle colonne dans une table existante.<\/p>\n Ces diff\u00e9rents m\u00e9tiers ont des outils en commun malgr\u00e9 leurs sp\u00e9cificit\u00e9s\u00a0: SQL pour toute t\u00e2che concernant les bases de donn\u00e9es, Python pour toutes les t\u00e2ches d\u2019analyses et un outil de business intelligence<\/em> pour la visualisation.<\/p>\n <\/p>\n La d\u00e9marche de l\u2019analytics engineer<\/em> peut se r\u00e9sumer ainsi\u00a0:<\/p>\n – Comprendre les enjeux de chaque \u00e9quipe business et d\u00e9finir conjointement les Key Performances Indicators<\/em> (KPIs) qui leur permettront d\u2019\u00e9valuer leur performance<\/p>\n – Comprendre o\u00f9 est la donn\u00e9e brute existante. Coder un pipeline de r\u00e9cup\u00e9ration et de nettoyage des donn\u00e9es pour passer de la donn\u00e9e brute \u00e0 de la donn\u00e9e exploitable disponible dans une base de donn\u00e9es<\/p>\n – Proposer des visualisations permettant aux \u00e9quipes m\u00e9tiers de suivre ces KPIs dans un outil de business intelligence<\/em><\/p>\n – Revenir \u00e0 l\u2019\u00e9tape 1, valider avec l\u2019interlocuteur business et it\u00e9rer pour am\u00e9liorer.<\/p>\n L\u2019analytics engineer <\/em>est donc une fonction en interaction avec des m\u00e9tiers tr\u00e8s vari\u00e9s, qui participe activement \u00e0 la mise en \u0153uvre de la strat\u00e9gie et aux prises de d\u00e9cision des entreprises.<\/p>\n Pour conclure, je dirais que tous ces m\u00e9tiers sont r\u00e9cents, les fronti\u00e8res entre eux peuvent \u00eatre floues et ne cessent d\u2019\u00e9voluer. La composante technique de ces m\u00e9tiers est primordiale et les innovations technologiques peuvent enti\u00e8rement les red\u00e9finir. Les \u00e9quipes data ont une place centrale dans nombre d\u2019organisations, \u00e0 la fois comme soutien \u00e0 la compr\u00e9hension quantitative de l\u2019activit\u00e9 des diff\u00e9rents m\u00e9tiers et comme partenaire dans l\u2019analyse et les choix strat\u00e9giques.<\/p>\n Quels sont les langages communs qui permettent le dialogue avec les utilisateurs op\u00e9rationnels\u00a0? Pour quels enjeux organisationnels\u00a0? Ces questions n\u00e9cessitent d\u2019\u00eatre \u00e0 l\u2019\u00e9coute attentive des \u00e9volutions technologiques mais aussi soci\u00e9tales, voire des nouveaux comportements, de tous ces signaux faibles qu\u2019il peut nous arriver de n\u00e9gliger.<\/p>\n Propos recueillis par Catherine Grandcoing<\/em><\/p>\n <\/p>\n Mots-clefs\u00a0: data – analytics – business intelligence – start-up – immobilier – software<\/em><\/p>\n","protected":false},"excerpt":{"rendered":" Malo Chevillotte (2015) choisit de cr\u00e9er une start-up d\u00e8s sa sortie d\u2019\u00e9cole. Fort de cette exp\u00e9rience, il s\u2019oriente ensuite vers diff\u00e9rents m\u00e9tiers consacr\u00e9s \u00e0 l\u2019exploitation des data au service du business. Variances\u00a0: Dipl\u00f4m\u00e9 de l\u2019Ensae en 2015, tu pars voyager pendant quelques mois. A ton retour, tu choisis de co-fonder une start-up, Concrete Metrics. Pourquoi […]<\/p>\n","protected":false},"author":367,"featured_media":6044,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_et_pb_use_builder":"","_et_pb_old_content":"","_et_gb_content_width":"","_exactmetrics_skip_tracking":false,"_exactmetrics_sitenote_active":false,"_exactmetrics_sitenote_note":"","_exactmetrics_sitenote_category":0,"footnotes":""},"categories":[15],"tags":[],"class_list":["post-6042","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-data-science","et-has-post-format-content","et_post_format-et-post-format-standard"],"_links":{"self":[{"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/posts\/6042","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/users\/367"}],"replies":[{"embeddable":true,"href":"https:\/\/variances.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=6042"}],"version-history":[{"count":0,"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/posts\/6042\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/media\/6044"}],"wp:attachment":[{"href":"https:\/\/variances.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=6042"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/variances.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=6042"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/variances.eu\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=6042"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}\n