Please enable JavaScript.
Coggle requires JavaScript to display documents.
La mise en place et le fonctionnement du centre d’excellence D&A -…
La mise en place et le fonctionnement du centre d’excellence D&A
pour piloter ses activités de monétisation des données
trois approches pour la monétisation des données
Vendre des solutions d’information.
Améliorer les processus métier avec des données (pour générer des retours via des gains d’efficacité opérationnelle).
Ajouter des fonctionnalités ou expériences basées sur l’analyse des données (pour augmenter la valeur d’un produit : prix, parts de marché, fidélité client, etc.).
Recrutement et fidélisation des data scientists
milieu académique ou avaient participé à des programmes d’innovation de BBVA
Chaque recrutement prenait entre 3 et 6 mois.
les RH menaient des entretiens approfondis pour évaluer les compétences techniques et interpersonnelles.
Jusqu’à 10 employés de D&A participaient aux entretiens et avaient leur mot à dire dans les décisions d’embauche
chaque nouveau membre comprenait déjà bien la culture de D&A avant même d’être officiellement intégré.
Après avoir rejoint D&A
les data scientists ont bénéficié d’un programme interne de gestion des talents
le développement auto-dirigé
Des compétences générales (comme des langages de programmation ou des savoir-faire de base) ;
Des compétences rares, acquises via des expériences exceptionnelles (ex : participer à des conférences internationales ou travailler avec des chercheurs universitaires).
Des compétences spécifiques liées à ses intérêts personnels ;
La responsable RH rencontrait régulièrement chaque employé pour suivre les résultats du programme — c’était chronophage, mais essentiel pour entretenir une "rémunération émotionnelle" (les récompenses non financières).
Résultat :
De 2014 à 2017, l’équipe est passée de 6 à 50 personnes (dont un tiers de femmes), avec très peu de départs : seuls 6 employés ont quitté D&A sur cette période, dont un seul pour des raisons de motivation
Gestion du temps et des efforts des data scientists
équilibre dans le temps moitié avec les collegue D & A et moitié avec equipe BBVA
d’impact économique
– cost (réduction de coûts) : automatisation, optimisation, réduction du personnel ou des délais.
other impact (autres impacts) : effets indirects positifs sur la réputation de BBVA (citoyenneté, expérience client...), avec impact potentiel sur le coût et le revenu.
revenue (revenus) : nouveaux clients, fidélisation, ventes de produits, etc.
Construction et diffusion des capacités en science des données
La reconversion des employés ayant des compétences en data mining
From Data Mining to Data Science
Thèmes abordés :
Infrastructure, accès aux données, cadre légal
Statistiques et langages analytiques (R, Python)
Modèles analytiques (machine learning, graphes…)
Outils de visualisation (tableaux de bord, SIG…)
Extension virtuelle de la formation
Plateforme technologique gratuite pour pratiquer la science des données.
Communautés de pratique (CoP)
La création d’une organisation dédiée aux données au sein de BBVA
Le développement de compétences en science des données à l’échelle de l’entreprise
Création de projets conjoints avec les métiers
Développement d’outils réutilisables
e une catalogue de réutilisation des algorithmes
Classer
Optimiser
Prédire
Détecter
Recommander
Comparer
sortir les données de leur isolement
Collaboration avec l’informatique (Engineering)
Sensibiliser tous les employés à la science des données
Formations complémentaires
Machine Learning for Designers
Machine Learning for Executives
How Algorithms Shape our World
BBVA a compris que monétiser les données, ce n’est pas juste faire un gros projet, c’est plutôt lancer plusieurs projets bien pensés, les gérer ensemble comme un portfolio d’investissement, et tirer le maximum de valeur de chacun.
📈 Étendre le portefeuille par une montée en compétences
étendre le portefeuille avec de nouvelles approches
Rendre les activités de monétisation des données plus efficaces
les réalisaions
Recommandations
Évaluer la valeur et l’impact des projets de science des données
Former tous les employés à la science des données
Investir dans des projets d’intérêt général (social-good)
Rémunérer les data scientists avec un "salaire émotionnel" élevé
Équilibrer les objectifs à court terme et le développement de capacités à long terme