Chapitre 1 : Projet d'analyse de données, étape 3

1.1 L’analyse des données doit pouvoir déclencher une « action ».
____À quoi sert l'analyse des données ?
Qu'est-ce que l'action ____
Projet d'analyse de données – Phase 3
1.2 Les trois étapes et les neuf tâches de l'analyse des données
Étape 1 : Préparation
Étape 2 : Analyse
Étape 3 : Rapport
1.3 Puisque nous avons déjà échoué, relançons-le de manière significative.

Chapitre 2 : 10 solutions pour une préparation sans faille

Cas n° 1 : L'analyse est axée sur les intérêts, l'objectif de l'analyse passant au second plan.
Cas n°2 : Même après l’entretien, je ne sais toujours pas ce que l’analyste recherche vraiment.
Cas n° 3 : L'entretien avec l'analyste s'éternise.
Cas n° 4 : « Je suis analyste de données… » Comment gagner la confiance d’un expert en IA
Cas n° 5 : L’incapacité à élaborer un plan complet pour votre projet d’analyse de données.
Cas n°6 : Le projet a démarré, mais il y a un manque de coordination entre les membres.
Cas n°7 : Au cours de l'analyse, nous avons réalisé que nous ne disposions pas des données nécessaires.
Cas n°8 : Je ne sais pas où se trouvent les fichiers dont j'ai besoin.
Cas n°9 : Les contrôles de sécurité de l’information vous prennent du temps à votre insu.
Cas n° 10 : Les analystes de données communiquent mal

Chapitre 3 Solutions pour l'analyse lisse 20

Cas n° 11 : Le temps a manqué pour répondre à tous les besoins des demandeurs d'analyse.
Cas n° 12 : Manque de temps lors de l’essai de nouvelles techniques d’analyse
Cas n° 13 : Gaspillage de temps et d’argent à construire des modèles inutiles.
Cas n° 14 : Il est difficile d'imaginer le contexte des données ou de comprendre ces dernières.
Cas n° 15 : Les calculs nécessaires à l'analyse ont pris trop de temps.
Cas n° 16 : Incapacité à expliquer pourquoi des données supplémentaires sont nécessaires
Cas n° 17 : L’outil d’analyse ne peut pas lire le fichier Excel.
Cas n° 18 : Il est difficile de comprendre la signification d'un élément de données.
Cas n° 19 Malgré toute notre analyse, nous n'avons pas pu parvenir à une conclusion exploitable.
Cas n° 20 : Nous croyons que les modèles statistiques sont scientifiques et objectifs.
Cas n° 21 : Tentative de création d'un modèle complexe reflétant de multiples facteurs du monde réel.
Cas n° 22 : Utilisation d’une variable indépendante inappropriée
Cas n° 23 : Les données ont été saisies sans avoir effectué la normalisation nécessaire.
Cas n° 24 : L’analyse devient instable en raison d’une augmentation excessive des variables indépendantes.
Cas n° 25 : Surapprentissage
Cas n° 26 : L’analyste demande des résultats inattendus.
Cas n° 27 : J'ai rédigé un script d'analyse dont la lisibilité laissait à désirer.
Cas n° 28 : Les indicateurs d’évaluation ne sont pas utiles à votre entreprise
Cas n° 29 : Mauvaise interprétation de l'intention du demandeur et poursuite de l'analyse.
Cas n° 30 : L’idée fausse selon laquelle l’analyse est la seule tâche d’un analyste de données.

Chapitre 4 : Solutions pour des rapports propres 5

Cas n° 31 : La personne qui demande l'analyse ne comprend pas le contenu du rapport.
Cas n° 32 : Trop d’informations sur les diapositives du rapport
Cas n° 33 : Un rapport a été rédigé qui est passé à côté du sujet.
Cas n° 34 Même après plusieurs vérifications, le rapport contenait des fautes de frappe et des chiffres incorrects.
Cas n° 35 : En raison de la nuit blanche, une discussion constructive n'a pas été possible lors de la communication des résultats.

Chapitre 5 : Interviews : Cinq analystes de données prennent la parole

Passer du statut d'ingénieur logiciel à celui de data scientist – Takuya Shiraishi
Une étudiante en physique qui rêvait de devenir chercheuse est devenue analyste de données – Akie Shimizu
Le monde de l'analyse des données est toujours nouveau et jamais ennuyeux. – Kwon Jeong-min
L'attrait de l'analyse de données réside dans la division des problèmes et leur résolution. _Choo Kyo-young
Les avantages de la mise en place progressive d'une culture d'analyse de données _Park Ok-hee

[Note de l'auteur]

Ce livre est un recueil de témoignages d'échecs et de frustrations vécus par de jeunes analystes de données (ayant moins de trois ans d'expérience) chez SoftBank Technologies, Inc.

C'est vraiment embarrassant de révéler ses expériences en détail aux autres.
Mais si vous le gardez pour vous et ne le partagez avec personne, cela n'a aucun sens.
Ceux qui partagent leurs expériences les organisent et, sur cette base, évitent progressivement de répéter les mêmes erreurs.
Le bénéficiaire de cette expérience partagée peut anticiper les problèmes potentiels et préparer des contre-mesures.
Non seulement les capacités d'analyse de données de chaque individu s'amélioreront, mais la capacité de l'organisation à utiliser les données augmentera également.

Mais la lecture de ce livre peut-elle vraiment résoudre tous vos problèmes ? Une chose est sûre : l’analyse des données ne se résout pas simplement en lisant un livre.
Même en le sachant à l'avance, l'échec reste possible, bien que son ampleur puisse varier.

L'expérience de ne pas pouvoir empêcher un problème de survenir, même en sachant qu'il surviendrait, est d'une grande aide pour éviter que la même chose ne se reproduise.

Si vous parvenez à surmonter et à tirer parti de la frustration et de l'échec, vous pouvez devenir un analyste de données recherché partout.
En fonction des expériences que vous acquerrez, votre philosophie, notamment votre vision de la vie et du monde en tant qu'analyste de données, se formera et s'approfondira.
Des connaissances approfondies sur la lecture des données sont développées et une analyse approfondie devient possible.

Ce livre présente 35 études de cas et des solutions adaptées à chacune des trois étapes d'un projet d'analyse de données : préparation, analyse et rédaction du rapport.
Ceux qui ont une certaine expérience en analyse pourraient penser qu'il n'y a rien de particulièrement nouveau.
Certains d'entre vous pourraient bien se surprendre à regretter leurs années de lycée en lisant ce livre.
Vous en avez peut-être assez d'entendre ces histoires si souvent.

Il n'existe aucune garantie que les cas et les solutions présentés dans ce livre seront utiles à tout le monde.
Mais vous y trouverez peut-être des pistes pour surmonter la frustration et l'échec.
J’espère que votre lecture vous amènera à réfléchir à vos propres solutions.
De plus, ce serait un atout considérable si nous pouvions ajouter des cas non inclus dans cet ouvrage.

[Note du traducteur]

Lorsque j'ai lu ce livre pour la première fois, j'ai ressenti un sentiment de soulagement.

Quand j'entends le terme « analyse de données », j'ai un peu l'impression que c'est quelque chose que font « des gens d'un niveau différent du mien » (et c'est effectivement le cas).
Mais après avoir appris, grâce à ce livre, que même dans un monde apparemment rempli de modèles complexes et de codes difficiles, les erreurs et les frustrations existent, j'ai réalisé une vérité évidente : l'analyse des données est aussi une entreprise humaine.

Je ne suis pas spécialiste en informatique.
Je ne suis pas analyste de données non plus. Je travaille dans une entreprise informatique, où je fais des recherches sur les technologies et les tendances du marché et je communique avec des sociétés d'études de marché.
Mon travail consiste à comprendre pourquoi et comment les nouvelles technologies et les nouveaux services sont créés et utilisés, et à les expliquer de manière à ce que les autres puissent les comprendre facilement.
D'une certaine manière, il peut s'agir d'une autre forme de travail d'analyse qui consiste à lire et à interpréter des données.

C’est peut-être pour ça ? En traduisant le livre, j’ai lu tellement de passages où je me disais : « J’ai vécu quelque chose de similaire… »
Lorsque les données que vous avez laborieusement recueillies lors de la rédaction d'un rapport deviennent inutiles à cause d'une simple question hors de propos, ou lorsqu'une présentation que vous pensiez prometteuse est ruinée par une simple réponse de l'autre personne.
Même en dehors du domaine de l'analyse de données, l'événement regorgeait de moments qui seraient familiers à quiconque y travaille.
Chacun a probablement déjà vécu au moins une fois qu'un projet semble bien se dérouler au départ, mais que quelque chose tourne mal au moment de son lancement, même si l'objectif de l'analyse et les outils utilisés sont différents.

En fin de compte, je pense que ce livre explique comment les personnes qui gagnent leur vie grâce à l'analyse de données peuvent bien le faire.
S'il est vrai que peu de choses peuvent être accomplies seul au sein d'une organisation, l'analyse des données est un domaine où la collaboration est essentielle.
Vous devrez collaborer avec les dirigeants d'entreprise pour interpréter la signification des données, communiquer de manière convaincante les résultats de votre analyse aux cadres supérieurs et parfois même tirer parti de l'expertise d'autres départements.
De plus, je crois que l'attitude que ce livre cherche à démontrer — à savoir, écouter les échecs, les analyser et les consigner — est le point de départ non seulement de l'analyse des données, mais aussi de toute résolution de problèmes que nous effectuons.
D'une certaine manière, on pourrait dire que ce livre traite des « bases du travail » en empruntant le concept d'« analyse de données ».

En tant que traductrice et collègue du secteur informatique, j'espère que ce livre pourra servir de petit mais précieux conseil à tous ceux qui ont des difficultés avec les données.

[Note de l'éditeur]

Ayant travaillé dans le domaine de l'analyse de données pendant un peu moins de 20 ans et ayant participé à la rédaction de divers ouvrages sur le sujet, j'ai reçu de nombreuses demandes de recommandations de livres sur l'analyse de données.
Parmi ces demandes, nombreuses étaient celles où l'on me demandait de recommander des livres adaptés aux débutants en analyse de données ou des livres à lire dans le cadre d'une activité d'analyse de données.
À chaque fois, je pense à la rapidité avec laquelle les ouvrages techniques dans ce domaine évoluent, et au fait qu'il existe déjà de nombreux bons livres pour débutants, ce qui permet de choisir celui qui convient le mieux.
Mais malgré cela, il manquait toujours quelque chose.

Si vous n'analysez pas de données à des fins de recherche, mais que vous abordez l'analyse de données en tant que « data scientist » (ou toute autre profession dont le travail principal consiste à analyser des données, comme un analyste de données, ci-après collectivement appelé « data scientist »), l'analyse de données prend souvent la forme d'un vaste « processus de résolution de problèmes ».
Pour passer d'une bonne approche à une bonne conclusion, il y a une variété de choses à prendre en compte qui vont au-delà des aspects techniques.
De l'identification des parties prenantes impliquées dans la résolution de ce problème à la manière de dialoguer avec elles et de communiquer efficacement les résultats, il y a une multitude d'éléments à prendre en compte au-delà du cadre restreint de « l'analyse des données » auquel on pense généralement.
Et ce sont ces éléments qui, au final, constituent une « bonne » analyse de données ayant un réel impact sur les performances.

J'analyse des données depuis longtemps dans divers contextes et je n'ai jamais trouvé d'exceptions. Je pense que l'analyse de données est, en fin de compte, une forme de résolution de problèmes.

Cependant, la plupart des ouvrages sur l'analyse des données se concentrent principalement sur le traitement technique des données et l'application d'algorithmes.
Quand on pense à l'expression « analyse de données » ou au métier de « data scientist », on imagine généralement des personnes qui résolvent des problèmes à l'aide des mathématiques et des technologies. Comme ce type de travail exige des connaissances en mathématiques et en technologies, les livres et les formations suivent inévitablement cette perspective.
De plus, la connaissance d'un large éventail de tâches peut sembler quelque peu différente selon la tâche et l'entreprise.
Les connaissances non spécialisées, telles que les mathématiques ou la technologie, sont souvent classées dans la catégorie des « compétences générales », que tout le monde maîtrise déjà plus ou moins.

Cependant, parmi ceux-ci, certains domaines sont clairement essentiels à la résolution des problèmes dans le domaine de l'analyse des données, et ceux-ci sont aussi importants, voire plus importants encore, que les connaissances techniques.
Dans le monde actuel, où l'IA, notamment le LLM, émerge soudainement et où de nombreuses méthodes de résolution de problèmes évoluent rapidement, la capacité à appliquer les connaissances techniques est aussi importante que les connaissances techniques elles-mêmes. Or, cette notion a toujours été amalgamée à l'adage « chaque cas est différent », et, fascinés par les dernières technologies, nous avons tendance, par le passé, à survoler l'essence même de la résolution de problèmes.

Bien que chaque cas soit indéniablement différent, il existe forcément des points communs en matière d'analyse des données.
Et cette partie mérite d'être partagée et discutée.
J'ai donc aussi essayé de diffuser ce message par différents canaux, mais j'ai toujours eu le sentiment qu'il manquait quelque chose.

C’est pourquoi, lorsque Jeongwon Shin, le traducteur de ce livre, me l’a fait découvrir, j’ai été à la fois surpris et ravi.
Bien sûr, comme je ne maîtrise pas bien le japonais, je n'ai vérifié que le contenu général à l'aide d'une application de traduction, mais il semblait couvrir suffisamment les aspects techniques essentiels pour les data scientists, indépendamment des avancées technologiques.
Je recommande vivement une traduction coréenne de ce livre, car je pense qu'elle comblerait bon nombre des lacunes que j'y ai perçues.
Cependant, l'ouvrage n'est pas entièrement à jour et présente des différences entre la situation des grandes entreprises japonaises et celle des entreprises locales. J'ai donc jugé utile de compléter ces informations et me suis proposé pour effectuer des relectures techniques et des entretiens avec des acteurs locaux. J'ai également inclus des mises à jour et des conseils sur la situation locale dans une rubrique intitulée « Le mot du relecteur ».
J'ai pris plaisir à réfléchir à la manière dont je pourrais rendre ce contenu plus accessible et utile aux gens, sans pour autant dénaturer le contenu original de qualité.

Je me souviens de la première fois où j'ai reçu le premier jet du manuscrit traduit et où j'ai lu le livre attentivement.
Je m'y attendais déjà, mais j'ai été ravi de constater qu'il contenait un contenu encore plus précieux que prévu.
En tant que spécialiste des données et lectrice, j'ai pu m'identifier à une grande partie du contenu et réfléchir à mon propre parcours.
J'aurais peut-être moi aussi souhaité écrire un livre comme celui-ci, mais je suis heureux de pouvoir partager ce contenu, ne serait-ce qu'en participant au livre de quelqu'un d'autre.
Je suis convaincu que de nombreux autres spécialistes des données trouveront également dans ce livre une aide « pratique » dans leur travail.