Qu'il soit focalisé sur des sujets data généralistes ou un expert de l'intelligence artificielle, le PO data et le PO IA sont des piliers de votre équipe data pour optimiser la création de valeur en data science, engineering et analytics.
Les modèles d'intelligence artificielle, les dashboards sont sans cesse améliorés, la data de plus en plus accessible, mais ils doivent répondre à des buts précis et cadrés.
Les priorités d'hier ne sont pas celle de demain, il faut constamment les réévaluer pour maximiser la valeur métier.
Les parties prenantes ("stakeholders": marketing, C-level...) et les data experts doivent comprendre leurs contraintes et attentes respectives.
Le Product Owner data est chargé d'établir une vision produit qui soit alignée avec la stratégie de l'entreprise, les différentes parties prenantes ("stakeholders"). Il est le garant d'une vraie synchronisation entre les équipes métier et les équipes de développement. Il met en place les cahiers des charges (user stories) et les outils de mesure de l'avancée des équipes
Dans le contexte fluctuant du marché, Le Product Owner data s'assure que les développements sont constamment en phase avec les besoins de l'entreprise à un instant donné. Il repriorise ces besoins dans un backlog et sait dire non aux demandes sporadiques pour garantir avant tout la maximisation de la valeur pour l'utilisateur interne ou externe.
De nombreux aspects de la data science et du data engineering sont mal connus des parties prenantes. Le Machine Learning par exemple a un aspect "boite noire" différent des heuristiques de la programmation classique: il faut alors expliquer les bénéfices mais aussi les limites des modèles mis en œuvre. Le data PO met en œuvre des process de communication réguliers, individuels ou en groupe ("reviews").
.
Data Product Owner, IA Product Owner, Data Product Manager, Data Project Manager, nous savons que la Data Science, le Data Engineering ne sont pas "hors-sol" et doivent être accompagnés des bons relais métiers/fonctionnels.
Ce profil, très prisé des entreprises, est encore peu disponible en CDI ou freelance. Pour des besoins de formation intra/inter entreprises, pour de la formation en école, les membres de SapIA vous accompagnent en présentiel ou en distanciel, dans des formats adaptés à vos besoins.
Comprendre l'histoire du secteur, les enjeux, les acteurs, les outils et les perspectives.
Prises brutes, les données sont dispersées, hétérogènes, incomplètes et donc inexploitables. Découverte des stratégies et outils pour permettre leur exploitation.
Développer une première compréhension de ces langages qui se trouvent au cœur des outils de données.
Pour comprendre quand utiliser la data science, engineering, analytics/visualisation, les atouts et les limites sur des cas concrets
Comment cadrer une problématique de data, fixer des objectifs réalistes et des moyens adaptés aux enjeux. Mesurer les avancées.
Dans le contexte changeant des organisations et du marché, optimiser la valeur en cycle courts, monitoring et veille, users stories, utilisation d'outils collaboratifs (Jira...)
Inter-agir avec les stakeholders et les équipes de développement. Eléments d'Agilité (rituels,...)
Si vous n'avez pas un passé de data engineer, ce module vous permet de comprendre les principaux outils du data engineer (Hadoop, Spark, Cloud...) et de faire quelques petites réalisations (pré-requis: notions de scripting)
Si vous n'avez pas un passé de data scientist, ce module vous permet de comprendre les principaux outils du ML/DL (TensorFlow, Pandas, Numpy...)et de faire quelques petites réalisations (pré-requis: notions de scripting)
Si vous n'avez pas un passé de data analyst, ce module vous permet de comprendre les principaux outils du data analyst (Tableau, RapidMiner...) et de faire quelques petites réalisations (pré-requis: notions de scripting)
.
Si vous ne disposez que de deux jours et souhaitez un brief sur les aspects essentiels de l'IA afin de prendre vos premières décisions sur le sujet
