Le premier numéro de l’année (Vol.3 n°1- 2019) fait écho à ces questionnements.

Joonas Rokka et Lionel Sitz soulignent, dans ce premier avis d’expert intitulé « Pourquoi enseigner l’ethnographie aux managers (à l’ère des big data) ? », la nécessité de l’interprétation humaine afin de contextualiser et d’incarner des données collectées massivement. La gestion des big data est aujourd’hui une expertise incontournable à lister sur un curriculum vitae incitant de nombreuses offres de formation à intégrer cette facette dans les parcours proposés. Les auteurs regrettent le culte voué au phénomène big data, bien qu’offrant de nombreuses opportunités, soulève également certaines limites. Ainsi, face à un océan de données désincarnées, l’ethnographie permettrait notamment de contribuer à l’esprit critique du manager et à une meilleure compréhension des phénomènes observés.

Et si l’intelligence artificielle remplaçait l’humain ? Sur la base du constat d’une vente aux enchères du portrait d’Edmond de Belamy « peint » par un programme d’intelligence artificielle, Amélie Boutinot et Hélène Delacour questionnent « L’intelligence artificielle, une artiste à part entière ? ». Sur la base d’une comparaison avec le processus de création artistique traditionnelle, les auteurs montrent que l’IA peut sous certains aspects être considérée comme une artiste, même si la quête du sens et sa reconnaissance sur le marché de l’art sont encore à préciser. Cette nouvelle forme artistique plus numérique ouvre la voie à des profils d’artistes d’un nouveau genre.

Trois articles de recherche composent ce numéro. Les articles proposés montrent que les dispositifs, les projets ou business model liés à la data nécessitent d’être structurés, interprétés et ajustés afin d’être performants. L’analyse critique est un levier d’amélioration des dispositifs mis en place au sein des organisations.

Dans son article intitulé « Big Data et pratiques de GRH », Clotilde Coron étudie des dispositifs RH introduisant du Big Data (CV et formation) en comparaison à l’analytique RH (absentéisme), Elle précise la mesure dans laquelle ces nouveaux dispositifs modifient les pratiques de GRH, notamment en termes de personnalisation et de prédiction.

Dans le second article intitulé « Quelles configurations pour les Business Model du Big Data ? », Bouafia Soumaya et Jacques Jaussaud  proposent cinq catégories de modèles d’affaires liées en premier lieu à la finalité d’usage du projet Big Data. Sur la base des travaux de (Bénavent, 2014 ; Lecocq et al, 2006), les auteurs proposent 5 catégories de modèles d’affaires du Big Data construits autour de cinq variables/caractéristique des BM émergents : 1) Finalité d’usage des données, 2) Ressources et compétences mobilisées, 3) Transformation organisationnelle requise, 4) Offre de produits et services, 5) Modèle revenus-entreprise et Modèle revenus-projet.

Le troisième article proposé par Hervé Potelle et Laurent Leblond s’intitule « How to succeed in data science projects industrialization ? ». Les auteurs précisent le cycle de vie d’un projet en data science organisé autour de différentes étapes : Compréhension de la situation de marché et des objectifs (Business understanding) > Collecte et exploration de la data (Data Understanding) > Préparation de la data (Data preparation) > Modélisation (Modeling)> Evaluation (Evaluation) > Déploiement (Deployment). Six critères sont avancés pour permettre de prédire la performance d’un projet.

Par ailleurs, un cas d’application est proposé par Michel Lutz, Wilfrid Azan et Aurélien Galicher et s’intitule « Agilité des données et structure organisationnelle : le cas Total ». Les auteurs développent et contextualisent un dispositif « Data Squad » mis en place au sein de l’entreprise Total pour accompagner les projets data de bout-en-bout en termes d’expérience utilisateur, d’usage de la données, d’architecture analytique, de gouvernance des données et d’implication métiers.

Enfin, différents événements permettent aux experts d’échanger et se rassembler autour des thématiques de transformation digitale et big data. Un data challenge visant à anticiper le départ des clients d’une agence bancaire est proposé. Le congrès Big data Paris se déroulement par ailleurs les 11 et 12 mars 2019.

L’équipe de Management & Data Science vous souhaite une bonne lecture et une belle année 2019 jalonnée de recherches enthousiasmantes.