Marc Sanselme 00:00:00 – 00:00:32 : Bonjour et bienvenue sur Data Driven 101. Je suis Marc Sanselm, l’hôte de ce podcast qui s’intéresse aux applications concrètes et variées de l’intelligence artificielle et de la data. Dans Data Driven 101, je reçois chaque semaine des professionnels pour qu’ils nous partagent leurs expériences et leurs visions sans filtre. Aujourd’hui, je reçois Ritavan, qui a travaillé dans le domaine de la data pendant une décennie dans les secteurs traditionnels comme la banque, l’énergie, l’immobilier, l’industrie. Il est auteur du livre Data Impact, un ouvrage qui introduit le framework SLASOG. Bonjour Ritavan. 

Ritavan 00:00:33 – 00:00:36 : Bonjour Marc, merci, enchanté d’être là. 

Marc Sanselme 00:00:36 – 00:00:54 : Écoute, avec grand plaisir. Alors peut-être, première question que j’ai envie de poser, c’est est-ce que tu peux nous parler un peu, généralement on va dire, on va évidemment rentrer dans le détail du framework, mais qu’est-ce que c’est ce framework et comment ça t’est venu, quel était le besoin ? 

Ritavan 00:00:54 – 00:03:36 : Oui, avec plaisir. En fait, ce qui m’a vraiment motivé, c’est la décennie que j’ai travaillé dans des secteurs traditionnels. Et juste au départ, définissons un peu ce que ça veut dire. Donc les secteurs traditionnels, pour notre contexte, C’est des secteurs qui sont non natifs au numérique, au digital. Donc, l’énergie, l’immobilier, l’industrie qui produit des produits physiques, etc., Et j’ai travaillé dans ces industries-là, dans des grandes entreprises, mais aussi dans des startups. Et j’ai vu qu’ils ont vraiment des problèmes à créer de la valeur avec la data. Et ça se voit aussi dans les chiffres, en fait. Il y a la Société Générale Research on Equity, Quant, etc., qui ont publié Des graphières ou des avant-hier, je crois. Et on voit très bien, en fait, que même aux États-Unis, par exemple, dans l’SNP 500, dans le Russell, etc., que les actifs des entreprises qui sont non-actifs au logiciel… ils ne sont presque pas profitables et de plus en plus font des pertes. Et donc, si on voit ça dans les marchés publics, il y a un effet similaire dans les marchés privés. C’est juste plus dur de visualiser, de quantifier parce que les données ne sont pas ouvertement accessibles. Mais je crois que c’est un vrai problème qu’on a dans notre économie. Et aussi pour nous en Europe, parce qu’on a pas mal d’industries d’autre gamme qui produisent des produits physiques, ce que j’appelle le paradigme industriel, qui est non natif au logiciel. Et comme c’est mon expérience sur une décennie dans ce domaine, même des cicatrices en fait, souvent où j’ai essayé de faire des trucs où je voulais maximiser l’impact et je n’ai pas pu. à cause de raisons diverses. Donc j’ai pris tout ça, j’ai pris tout ce que j’ai lu et appris dans, disons, des playbooks big tech, des playbooks start-up, etc. J’ai pris tout ça et j’ai essayé de cristalliser ça dans un livre. Et le livre, c’est un peu un produit de tous ces éléments, quoi. 

Marc Sanselme 00:03:37 – 00:04:00 : Ok, super. Alors, le framework, c’est des initiales. Save, Leverage, Align, Simplify, Optimize et Grow. Exactement. Commençons dans l’ordre. Save, est-ce que tu peux nous développer l’idée derrière ? 

Ritavan 00:04:00 – 00:06:28 : Oui, en fait, avec Save, je veux… provoquer les gens à se dire si on veut faire quelque chose avec la data dans le numérique digital, avec du logiciel, on n’est pas tout de suite obligé à commencer à dépenser l’argent. C’est mieux de prendre du recul, de réfléchir sur ce qui marche, ce qui a des retours sur investissement qui sont intéressants avant de commencer à faire des trucs. Et donc, save, c’est vraiment save by not, en anglais, c’est save by not wasting money on groupthink and low impact investments and initiatives. Et donc le concept du groupe Think, c’est quelque chose que j’ai observé dans l’industrie et c’est très intéressant. C’est quelque chose qui est assez commun dans les marchés parce que j’ai commencé ma carrière en tant que trader et ça se voit très bien et ça a été étudié très bien dans les marchés, dans tout ce qui est en anglais behavioral economics. l’économie des derniers 20-30 ans. Voilà, comportementale, qui a créé des modèles quantitatifs et beaucoup d’études empiriques sur comment les humains agissent, décident, etc. Et comment ces décisions sont influencées par des groupes, par d’autres effets réseaux, etc. Donc… On voit bien dans les marchés que les gens ne sont pas toujours rationnels, ne sont pas en train de maximiser l’opportunité à chaque fois. Et c’est la même chose, en fait, dans les décisions du quotidien dans une entreprise, parce que c’est les mêmes humains. Donc, dans ce premier pas, ce que je veux faire, c’est prendre du recul et parler de ces… de ces hypothèses que les gens ont souvent, qui sont fausses, et je prouve ça logiquement from first principles, donc des premiers principes. J’essaie de construire un argument logique. Et en fait, je cite des études empiriques qui montrent que ça ne marche pas. Et donc, je vais prendre trois exemples concrets. 

Marc Sanselme 00:06:29 – 00:06:55 : Peut-être juste avant d’entendre un exemple, il y a un truc qui m’intéresse là-dedans, c’est le lien avec le groupe. C’est-à-dire que tu dis, il y a du low impact, donc faible impact et des erreurs qui sont générées par la pensée de groupe. Quel est le lien justement ? Pourquoi est-ce que le groupe ne produit pas des pensées qui mènent à du fort impact ? 

Ritavan 00:06:55 – 00:08:38 : En fait, déjà, pourquoi les gens aiment suivre des groupes ? Je crois que c’est un comportement évolutionnaire parce que quand on était… Il y a des centaines d’années, des milliers d’années où… on n’aurait pas survi si on était seul. Et donc, en tant qu’espèce, en fait, on a l’habitude, comme beaucoup d’autres espèces, d’essayer de décider et d’agir en groupe. Et on voit ça dans les marchés, évidemment, c’est à cause de ça qu’il y a toutes ces bulles et ce boom and bust cycle, etc. Voilà, donc les marchés vont en haut et puis ils baissent. Et donc, c’est un peu ce genre de… C’est déjà comportemental et ça se passe aussi dans des décisions. parce que Ce qui se passe souvent, c’est au lieu de réfléchir des premiers principes, de se dire voilà mon problème et je vais réfléchir comment je résous mon problème. Donc je passe beaucoup de temps à comprendre mon problème, à le poser, etc. Au lieu de faire ça, ce qui est plus confortable émotionnellement aussi, c’est juste d’appeler des gens et leur demander quoi faire ou de regarder ce que les compétiteurs ou autres ont fait. C’est ça un peu qui est de base, c’est ce qui permet à l’effet de groupe de se propager. Parce qu’on est tous réseautés et les gens parlent avec l’un l’autre. Et puis aussi à l’effet d’expertise. Il y a certaines institutions qui sont vues comme des experts et avec leurs intérêts donnés. Et ça, ça cause en fait ce genre de phénomène. 

Marc Sanselme 00:08:38 – 00:08:42 : Ça tue la créativité. On est dans, vraiment, on suit le premier. 

Ritavan 00:08:42 – 00:09:39 : Et la rigueur, exactement. La créativité et la rigueur. Et c’est ça, en fait, la créativité et la rigueur, c’est pour moi vraiment ce qui définit l’humain et ce qui, pour un bon moment, je crois, va continuer à définir l’humain. Parce qu’on aura des algorithmes qui vont pouvoir faire de plus en plus de choses, cadrer. Mais la rigueur dans la pensée et la créativité et aussi le fait d’avoir un modèle empirique du monde, du monde physique par exemple, ou même des normes par exemple du monde social, C’est aussi très humain parce que tous les modèles entraînés aujourd’hui, en fait, ils ont été entraînés sur la donnée. Donc, ils n’ont pas vraiment cet aspect physique. Et donc, je crois que tout ça, ça nous définit et c’est là qu’il faut vraiment qu’on focus et qu’on investit. 

Marc Sanselme 00:09:39 – 00:09:48 : Ok, donc ça, ça mènerait à du faible impact. Le fait de ce côté grégaire, ce côté on suit le premier. 

Ritavan 00:09:48 – 00:12:51 : Oui, je vais complétiser en fait trois choses qui sont empiriquement faibles d’impact et aussi logiquement déconstruire et expliquer pourquoi. Un truc qui se passe souvent, c’est une entreprise se dit ok, je veux… investi dans la data je vais essayer de faire un truc digital. donc ils se disent ok on va crowdsourcer les idées dans l’entreprise parce que bon on veut voilà on veut involver tout le monde. les dirigeants ne savent pas tous les détails. donc allez on fait un hackathon ou je sais pas. on va On va faire un grand meeting ou on va faire autre chose. On va demander à tout le monde d’envoyer leurs idées. Ensuite, on va essayer de les prioriser basé sur je ne sais pas quoi. Il y a souvent des trucs comme on estime des coûts ou on estime des choses qui sont pas très rigoureux. Et donc, on finit avec une liste et puis les gens commencent à dire, OK, bon, là, on a des use cases. On va commencer par le premier qu’on suppose a le plus gros impact et puis le suivant, etc. Et donc, ce qui se passe ici, ça, c’est ce qu’on appelle en anglais « wisdom of the crowd », qu’un groupe décide mieux qu’un individu. C’est aussi l’idée derrière les jurys. Chacun qui a vu une série américaine dans les tribunaux, c’est très bien comment ça fonctionne. Le modèle mathématique derrière, c’est le théorème du jury de Condorcet. Et ça, des hypothèses très claires, c’est que chaque membre du jury a le même contexte. Parce que si on a vu ces séries, on voit très bien que le jury est assis pendant toutes les séances. Ils ont la même information. Si je commence à crowdsourcer dans mon entreprise, le comptable a un contexte dans lequel il opère. La personne en marketing a un autre contexte, etc. Déjà, je n’ai pas le même contexte. Je n’ai pas le même niveau d’expertise parce qu’il y a une expertise technique qui est requise. Je n’ai pas les mêmes incentives, je n’ai pas les mêmes objectifs à chaque fois. Il y a des tas de choses qui font en sorte que crowdsourcer une stratégie gagnante… ne fonctionne pas. donc ça c’est vraiment un groupthink. c’est de dire émotionnellement on se sent très bien parce que en tant que dirigeant je peux me dire je respecte tous mes employés je veux les empower, je veux les donner le sentiment qu’ils ont une voix qu’ils peuvent décider. C’est très bien, mais par exemple, pour décider ce qu’on va faire pour la fête de Noël ou autre chose, mais pas pour définir une stratégie data impact. Donc ça, c’est un exemple concret. 

Marc Sanselme 00:12:51 – 00:13:03 : OK, et alors du coup, comment on évite ce genre d’erreur ? Parce que l’idée, c’est qu’il faut éviter le groupthink qui mène à des low impact stratégies. 

Ritavan 00:13:03 – 00:13:05 : Donc ça c’est le reste du framework en fait. 

Marc Sanselme 00:13:06 – 00:13:09 : Ok, donc on peut passer au deuxième alors. 

Ritavan 00:13:09 – 00:15:06 : On peut ou je peux nommer très vite deux exemples qui sont aussi low impact. Un c’est cette pensée en petit use case de dire ok on va dérisquer le truc. Et on va dérisquer parce qu’en fait, penser à formuler un problème petit et essayer de l’exécuter vite et séquentiellement, ça vient d’une hypothèse qu’on n’a aucune idée de ce qui va se passer. C’est pour ça qu’on essaye de prendre un pas et ensuite le pas suivant. Et donc, C’est cette pensée use case qui sort de ce crowdsourcing souvent. Et ça, ça ne fonctionne pas parce qu’à la fin, la donnée est un peu partout dans l’entreprise. L’impact, c’est lié à la création de la valeur pour le client. Et donc, cette approche use case narrow un peu partout, ça ne fonctionne pas. Et sinon, il y a souvent des transformations digitales soviétiques de plusieurs années. Allez, on va changer tous nos systèmes, on va upgrader tous nos systèmes, on va On va aller sur le cloud, on va changer notre CRM, on va changer notre ELP, etc. Pourquoi pas ? Mais tout ça, c’est des investissements d’infrastructures. Ça ne crée pas de la valeur. Le client, il s’en fout de ce qu’il y a derrière en tant que système. Et donc ça, c’est aussi important. C’est que des changements à IT, ce n’est pas forcément la création de la valeur. Et tout ça, c’est des investissements qui, d’un point de vue data impact, n’ont pas trop d’impact. Oui. Et en fait, je pouvais même m’arrêter là. Mais évidemment, si on écrit un livre et qu’on déconstruit ce qui ne marche pas, l’attente, c’est de dire, OK, très bien, mais dis-nous ce qui fonctionne. Et voilà, et le reste du framework essaye de faire ça. OK. 

Marc Sanselme 00:15:06 – 00:15:27 : Alors, le deuxième point, c’est l’average. Donc, le levier identifie et capitalise sur des… avantage compétitif unique. Est-ce que tu as des exemples ? C’est clair, je ne pense pas qu’il y ait besoin de l’expliciter, mais est-ce que tu as des exemples d’avantages compétitifs uniques ? 

Ritavan 00:15:27 – 00:18:54 : Oui, tout à fait. Il y a plusieurs axes. Il y a trois, quatre axes très concrets et importants pour des entreprises dans le secteur traditionnel, des entreprises existantes. Parce que ce framework-là, ce n’est pas fait pour les big tech, pour des entreprises qui sont natives au logiciel. Et ce n’est pas fait pour des startups qui n’ont pas de clients, qui veulent acquérir des clients. C’est vraiment pour des entreprises qui existent dans les secteurs qui ont des clients. Donc, le premier levier, c’est la demande client. C’est super évident, mais malheureusement, les gens ne commencent pas à réfléchir à maximiser la data impact avec ça. Ils commencent avec autre chose, comme on a discuté. La demande client, c’est ce qui compte parce que si on est une entreprise traditionnelle existante, c’est qu’on a des clients par définition. Donc, comprendre la demande client et comprendre la distribution de la demande client. Et donc, d’un point de vue de ce qui consomme, quelle valeur est livrée au client, etc., c’est super important et c’est unique à chaque entreprise. et c’est pour ça cette approche first principles de pensée de premier principe parce que c’est unique à chaque entreprise. donc ça sert à rien de dire ah tel et tel a fait quelque chose parce que la demande client elle est unique. le deuxième enfin une autre axe très importante c’est les assets Les legacy assets, donc en gros, tout ce qu’il y a en tant que patrimoine d’actifs, etc., du business qui existe. Donc, ça peut être des assets physiques, comme Walmart aux États-Unis, qui a tous ces shops physiques où les gens peuvent entrer acheter des choses. Encore par exemple, Amazon qui est « digital first », Et donc, pour 20 ans, en fait, la story, c’était à Amazon, ils vont tout finir. Enfin, il n’y aura plus de magasins, les gens ne vont pas entrer, on va tout acheter en ligne. Et tant que Walmart essayait d’être en concurrence avec Amazon sur Amazon, disons, sur le terrain d’Amazon, c’était toujours cette histoire déprimante. Et depuis quelques années, Walmart a dit, on a des magasins physiques, nos clients, ils achètent dans nos magasins physiques, mais on a aussi des services en ligne, enfin des souscriptions où ils peuvent commander en ligne, etc. Et donc, en gros, Walmart comprend son client d’une manière hybride. en ligne, mais aussi dans les magasins physiques. Et ça, c’est unique à une entreprise traditionnelle, Legacy, parce qu’un player digital natif comme Amazon, ils savent ce qui se passe en ligne, ils savent ça peut-être mieux, peut-être qu’ils ont une taille qui est plus grande, mais ils ne vont jamais savoir comment les gens se comportent dans un magasin physique. Et donc, comprendre la user journey de cette manière profonde, c’est génial. 

Marc Sanselme 00:18:54 – 00:19:07 : Ce que tu dis, c’est que les avantages compétitifs uniques sont aussi une source de données à l’avantage la plus importante sur laquelle se concentrer. 

Ritavan 00:19:08 – 00:22:38 : Exactement. Et en fait, c’est une source de données. On peut voir un magasin physique et se dire, d’une manière purement financière, c’est assez heavy, on ne sera jamais aussi compétitif au niveau balance sheet qu’un player purement digital. Mais si on voit ça comme une source de données, comme une source de satisfaction cliente, c’est un énorme asset, c’est un actif, c’est un patrimoine qu’il faut leverger, où il faut vraiment mettre un effet levier dessus. Et donc ça, c’est super important. Et ça ne doit pas forcément être un truc physique, ça peut être une marque, une brand ou plusieurs brands. Il y a beaucoup d’entreprises qui ont plusieurs brands et donc comment les leverger, dans quelle direction, pour quel groupe de clients ? Là, il y a aussi énormément d’opportunités. Ça peut être des relations avec des suppliers. Il y a vraiment des tas de choses. Mais tout ça, c’est comment leverger les avantages qui existent déjà. Donc, leverger les clients qui existent déjà, leverger tous les autres avantages qui existent déjà. Et ça, ça permet en fait de définir très clairement une proposition de la valeur, une value proposition de ce que j’appelle l’avantage non digital. Donc une entreprise dans le secteur traditionnel, si elle fait ça correctement, ça lui permet vraiment de définir un avantage non digital qui permet de jouer sur un terrain et jouer au sport à laquelle elle peut gagner. Donc c’est Mbappé qui décide de jouer au foot au lieu d’aller jouer au NBA. ou Steph Curry qui joue NBA au lieu de venir jouer dans la Champions League. Et si on fait ça correctement, et on voit ça avec Walmart, les dernières 3-4 années, ils ont embauché Seth Dallaire, qui était avant ça Instacart et avant VP Amazon, et ils ont dit, on va leverager toutes nos données, on va créer des nouveaux business qui sont basés sur la donnée. Donc, ils ont lancé trois business. Ils ont leur souscription. Ils ont un business où ils analysent ce que les clients veulent et ils vendent ça en tant qu’insight. aux suppliers parce que si tu vends à Amazon pardon à Amazon mais aussi à Walmart tu ne sais pas qui achète tes produits quand ils l’achètent au point of sale qu’est-ce qui pourrait les convaincre à acheter un truc contre un autre? ça c’est des insights en fait que le vendeur a mais que le producteur n’a pas et ils vendent ces insights. et donc Une manière concrète aussi de réfléchir, c’est de voir comment dans une supply chain, les biens physiques vont dans une certaine direction et de regarder l’inverse. Parce que si les biens physiques vont d’un point à l’autre, si on inverse ça, c’est le flux de données. Et donc les insights, on les vend dans l’autre sens. 

Marc Sanselme 00:22:38 – 00:22:38 : Oui. 

Ritavan 00:22:39 – 00:23:11 : Et une fois qu’on a ça, tu peux te contre-positionner. Et donc, en gros, si moi, j’ai des magasins physiques, je ne vais plus dire à mes clients, je suis en concurrence avec les players digitales au niveau prix. Parce que dès qu’on est en concurrence prix, on est mort. Donc, il faut vraiment avoir un message clair et dire, moi, je vous offre une proposition de la valeur qui est unique. et qu’un player digital natif ne peut pas vous offrir structurellement. Et là, il n’y a plus de concurrence. 

Marc Sanselme 00:23:12 – 00:23:33 : Alors, Align, c’est le troisième pilier. Donc, aligner tous les efforts vers des objectifs à impact, clear, impactful goals. Là, ce qui est intéressant, c’est que tu fais un parallèle avec l’armée, avec le monde militaire. Est-ce que tu peux nous en parler un peu plus ? 

Ritavan 00:23:33 – 00:25:26 : Oui, bien sûr. En fait, j’aime l’histoire militaire, c’est autre chose personnellement, mais la raison professionnelle pourquoi j’utilise des analogies militaires, c’est parce que le militaire, c’est au niveau impact d’une décision, c’est le domaine le plus extrême. Parce que si on fait une bêtise, on est mort, quoi. Et donc, c’est un cadre que j’aime bien utiliser parce que si on laisse l’impact converger à l’infini, c’est le militaire. Et donc, l’alignement, c’est super critique et on voit ça beaucoup dans les entreprises traditionnelles parce que souvent, ils existent depuis plusieurs décennies, des fois même plus de 100 ans. Et ce qui s’est passé, c’est que le fondateur n’est plus là, etc. Il y a beaucoup de clients, donc avec la croissance, on a un peu perdu ce focus sur qui est le client idéal et quelle est la valeur qu’on leur propose. Et donc, c’est très important de quantifier ça. Et les startups qui sont… Et ça, c’est un truc qui est pertinent du monde des startups parce que les startups, ils n’ont pas de clients. Donc, s’ils veulent accueillir des clients, il faut que la proposition de valeur soit clairement articulée. Et un truc qui se fait souvent, c’est la North Star Metric. Donc en gros, c’est quoi cette étoile-là qui nous guide dans tous nos efforts, qui nous montre le chemin et articuler ça d’une manière quantitative. Et de nouveau, on est dans la data, ça ne pouvait pas se faire avant, c’est faisable aujourd’hui, on n’aurait pas pu faire ça il y a 30 ans. 

Marc Sanselme 00:25:27 – 00:25:32 : Que ce soit un KPI qui ne soit pas le KPI de court terme. 

Ritavan 00:25:32 – 00:25:34 : Pas financier. 

Marc Sanselme 00:25:34 – 00:25:43 : Ce n’est pas les ventes du trimestre. C’est quelque chose qui traduit. Si on va dans cette direction-là, ça traduit bien que la boîte va dans la bonne direction. 

Ritavan 00:25:44 – 00:26:12 : Exactement. Et ça quantifie en fait la valeur livrée au client. Donc ça, c’est très important. Il faut allier tout le monde à ça parce que sinon, ce n’est pas clair. Sinon, il y a aussi beaucoup de politique dans les grandes organisations. C’est normal, c’est logique. Juste à cause des structures qu’il y aura beaucoup de décisions politiques. Ça, ça permet à minimiser ça parce qu’une fois qu’on quantifie la valeur livrée au client, c’est plus facile de décider ce qui maximise cette métrique-là. 

Marc Sanselme 00:26:12 – 00:26:16 : Et alors, le rapport avec l’armée, du coup, sur ça. 

Ritavan 00:26:17 – 00:29:51 : Donc, j’utilise… Il y a une case study historique super intéressante. C’était la modernisation de l’armée américaine pendant la Deuxième Guerre mondiale. Donc, on se transporte dans l’année 1939. Les nazis viennent d’attaquer la Pologne, etc. Ils contrôlent la majorité du continent européen en 1940-1939. Et Et de l’autre côté de l’Atlantique, il y a Vannevar Bush, qui était le dean du MIT, qui avait, une ou deux décennies avant, essayé de travailler un peu avec l’armée, avec l’armée alien pour la moderniser. Et ils savaient très bien, en fait, que si l’Amérique entrait dans la guerre, qu’ils allaient perdre parce que technologiquement, les nazis avaient des sous-marins vraiment haut de gamme. Ils étaient beaucoup plus avancés sur tous les armes conventionnelles, etc. ». Il a aussi essayé, en montrant l’hierarchie, à moderniser l’armée. Ça n’a pas fonctionné. C’est parce qu’un scientifique ou quelqu’un qui pense analytiquement, qui expérimente, qui essaie de construire quelque chose de nouveau… à des objectifs, à une manière de fonctionner qui est complètement différente d’un militaire classique. Parce que faire une faute, ça fait partie du process d’invention, d’innovation. Faire une faute dans une opération militaire, c’est pas bien. Le risque, c’est bien quand on essaye un nouveau truc. Le risque, c’est mal si on essaye de faire tourner un truc qui existe, etc. Donc, Les objectifs ne sont pas alignés, mais ils sont même alignés contre l’un l’autre. Et donc, ce qu’il fait, c’est qu’il va voir Roosevelt et lui explique « Écoutez, si on entend la guerre maintenant, c’est fini. Enfin, on n’a pas de chance. ». Et en 15 minutes, c’est très fameux ça, Roosevelt lui signe sur son papier, il a écrit ça sur une page. Donc c’est aussi important de ne pas écrire des trucs à 300 pages. En 15 minutes, Roosevelt lui signe un truc, il écrit « ok » et il signe « FDR ». Et avec ça, en fait, Vannevar Bush commence la modernisation de l’armée. Donc il comprend très bien que changer quelque chose à des objectifs et une manière de travailler complètement différente, de faire tourner un truc qui existe. Donc l’armée classique qui existait. et la modernisation technologique, scientifique. Et donc, il a trouvé des manières de faire fonctionner ces deux organisations très différentes. Et il y a des détails dans mon livre. Et c’est inspiré aussi du livre de Safi Bakal, qui s’appelle « Loon Shot », où c’est encore plus détaillé. Mais ça, c’est un très bon exemple de comment arriver à un alignement dans une situation high stakes. 

Marc Sanselme 00:29:51 – 00:29:55 : Mais alors comment, du coup ? C’était quoi son étoile polaire, lui ? 

Ritavan 00:29:55 – 00:31:03 : Ce qu’il a utilisé très clairement comme étoile polaire, c’était est-ce que si on fait ça, on va gagner cette guerre ? Pas la guerre suivante, mais vraiment la Deuxième Guerre mondiale. Et donc, il y a un contre-exemple, en fait, qui montre qu’il n’a pas toujours pris la bonne décision. Parce qu’il y avait, je crois, c’était Norbert Wiener qui est venu le voir et qui voulait créer le premier ordinateur digital. Et Bush ne lui a pas donné des fonds pour faire ça. Il a dit, c’est un truc génial, mais ça ne va pas être prêt avant la fin de cette guerre. Et moi, je ne vais qu’investir dans les choses qui vont nous aider à gagner cette guerre parce que c’est ça qui compte. Et Wiener, je crois, il a eu des fonds un ou deux ans après. Il a pu même créer ce premier ordinateur, mais juste quelques mois après la fin de la guerre. Et donc, d’un certain point de vue, Bush avait raison. Mais d’un autre point de vue, en fait, il avait vraiment tort parce que si Wiener avait eu ses fonds un an avant, il aurait peut-être pu construire ça avant la fin de la guerre. Donc, on va faire des fautes. Voilà. 

Marc Sanselme 00:31:04 – 00:31:23 : Ok, alors Simplify, réduire la complexité pour augmenter l’adaptabilité et l’efficacité. Est-ce que tu peux nous parler de ça ? Et peut-être la question que je me pose en me demandant ça, c’est comment est-ce que la complexité grossit ? 

Ritavan 00:31:23 – 00:34:18 : C’est une très bonne question. En fait, je crois qu’on est tous d’accord que dans les entreprises existantes ou dans n’importe quelle organisation existante, il y a de la complexité. Mais personne ne crée de la complexité exprès pour créer de la complexité. Donc, quel est le mécanisme qui produit la complexité ? Et en fait, le mécanisme qui crée la complexité avec le temps, c’est quand les gens essayent de résoudre des problèmes. Donc, si j’ai une organisation, une entreprise, il y a un truc qui ne marche pas, la personne qui est responsable pour ça ou quelqu’un… qui est affecté va essayer de résoudre ce problème-là. Et donc, si on voit ça comme un corps, il y a une blessure, on met un pansement dessus. Quelque chose se casse quelque part autre, quelqu’un fait ça. Et donc, à fur et à mesure, et si on pense au code, en fait, il y a un bug, on écrit un petit truc pour résoudre le bug. Et à fur et à mesure qu’on fait ça avec le temps, la complexité a augmenté Parce que quelqu’un a fait, sous contrainte de temps, a essayé de résoudre un problème. Et ces résolutions de petits problèmes, partout dans l’espace, en fait, ils se cumulent avec le temps et ça crée de la complexité. Et donc, en code, on fait du « refactoring ». Et ce que je dis souvent, c’est qu’il ne faut pas juste refactorer le code, il faut même refactorer la raison pourquoi on fait ce qu’on fait. Parce que ça, ça change avec le temps, parce que le mécanisme de création de valeur ne change pas le paradigme. Et c’est super important de comprendre ce concept parce que si on rentre dans l’histoire, on commence avec la chasse. Le mécanisme de création de valeur, c’est avec quelle unité d’effort je peux maximiser le nombre de calories créées. Et souvent on pense que les gens allaient avec des âmes tuer des gros animaux, mais j’ai lu des papiers qui ont fait des études anthropologiques et la majorité de la viande chassée venait des traps, des animaux. En fait, de l’automation, c’était des pièges. Et entre 40 et 60% de la viande consommée aujourd’hui dans des tribus qui vivent comme avant, c’est des pièges. Et donc, après, il y a des gros animaux, mais ça a une probabilité de succès entre 1 et 10%. Donc, ça, voilà. Et ensuite… 

Marc Sanselme 00:34:18 – 00:34:22 : Ça ne scale pas comme les pièges. Exactement. 

Ritavan 00:34:22 – 00:36:30 : Au moins, les pièges garantissent qu’on ne meurt pas. et puis le reste, c’est on top. Ça fait un bon portefeuille de return. Et c’est ça les leverage bets. Il faut penser en tant que portefeuille qui maximise le retour sur l’investissement. Et ensuite, on passe à l’agriculture. Après qu’on a arrêté de chasser, en tant qu’espèce, on a commencé avec l’agriculture. Et dans l’agriculture, en fait, le mécanisme de création de valeur, c’est la terre, c’est la nature. Parce que si je te donne des grains… Tu ne pourras pas faire grand-chose, il faut les mettre. C’est la terre qui fait le travail. Et donc, c’est pour ça, l’unité de création de la valeur, c’est la terre. C’est l’automation et c’est à l’entrepreneur Daniel Priestil qui parle de ça. Et à cause de ça, en fait, les personnes qui avaient le pouvoir, c’était ceux qui contrôlaient la terre. Et c’est pour ça qu’il y a eu une révolution dans ce pays. C’est parce qu’il y avait un petit pourcentage de monde qui contrôlait toute la Terre. Ensuite, on passe à l’industriel. La création de valeur, c’est les ressources premières, c’est les machines et c’est des gens bien entraînés qui peuvent utiliser ces machines, etc. pour produire des produits physiques. Et quand on pense à ce mécanisme de création de valeur, la machine, elle automatise, etc. Mais les coûts de reproduction d’un produit physique, ils sont assez constants. Donc, si je fais une tasse à café, si je veux faire une autre, ça me coûte grosso modo le même, une fois que j’ai mon setup. Les coûts de personnalisation sont aussi constants. Donc, si je fais une tasse en rose, une tasse en bleu ou avec un nom écrit dessus, etc. Donc, ça, ça reste constant. Si on passe maintenant au paradigme de création de valeur logicielle, les coûts de reproduction sont quasiment zéro. C’est le même logiciel. 

Marc Sanselme 00:36:30 – 00:36:30 : Oui. 

Ritavan 00:36:31 – 00:38:05 : Les coûts de personnalisation, ils ne sont pas zéros, ils restent assez constants parce que si j’ai besoin d’adapter le code, le logiciel pour une boîte et ensuite pour une autre, etc., ça fait en sorte que j’ai des coûts de personnalisation qui sont assez constants. Une fois qu’on passe dans le paradigme de création de valeur data-driven, et c’est pour ça que ce podcast, Data Driven 101, c’est une fois qu’on veut faire du logiciel data-driven, les coûts de reproduction sont à quasi zéro, les coûts de personnalisation sont à quasi zéro, et donc ce qui reste, en fait, en gros, les coûts convergent vers zéro au fur et à mesure. Et donc, les coûts ne sont plus pertinents. C’est la valeur créée qui compte. Si on regarde dans le paradigme industriel, c’est les coûts qui comptent. Parce que si je ne peux pas produire ma tasse de café d’une manière qui n’est pas trop chère, je vais sortir du marché parce que quelqu’un va vendre une tasse moins chère et c’est fini pour moi. Et donc, c’est une manière de penser au niveau des coûts qui change complètement. Et la complexité, en fait, c’est que quand une entreprise traditionnelle, dans le paradigme de création de valeur industrielle, essaye de faire du logiciel et ensuite du data-driven logiciel, ça fait trois paradigmes de création de valeur. C’est comme si un chasseur faisait de l’agriculture et essayait de faire du industriel. 

Marc Sanselme 00:38:05 – 00:38:05 : Oui, oui. 

Ritavan 00:38:06 – 00:38:44 : Et c’est pour ça, c’est très important de savoir quel est le mécanisme de création de valeur, de le scoper correctement et de faire en sorte que la complexité n’explose pas. Et là, il y a en fait une recherche très intéressante de Joseph Tainter qui a aussi écrit un livre dessus. Il a étudié plusieurs civilisations. Il a vu que quand les coûts augmente, la civilisation, elle explose. Il a vu ça avec les Romains, avec d’autres. Et donc, il faut vraiment faire en sorte de contrôler ces coûts de complexité. 

Marc Sanselme 00:38:45 – 00:39:22 : Ok. C’est hyper intéressant. Le suivant, c’est Optimize. Donc, cultiver une vision du monde empirique valide pour une prise de décision supérieure. Peut-être… Je pense que c’est très profond comme sujet, mais est-ce qu’on pourrait rentrer dans, par exemple, des anecdotes sur ce sujet-là, de l’optimisation, illustrer ça dans une anecdote, un exemple ? 

Ritavan 00:39:22 – 00:42:36 : Oui, tout à fait. L’optimisation, c’est très important parce que L’optimisation, en fait, c’est la prise de décision. Et déjà, ce qui se passe souvent, c’est que les entreprises sont obsédées à faire des forecasts, de dire qu’est-ce qui va se passer, etc. Et souvent, des points forecasts. Donc, j’essaie de prédire un truc sur l’axe de temps. Et ça y est, ils font ça, ils reportent ça et ils ne font pas le pas suivant qui est optimisé. parce que ça sert à quoi de savoir qu’il va pleuvoir demain si nous on sort de ce studio ou dans une heure et on sort de ce studio sans parapluie. Donc, ça ne sert à rien de savoir ce qui va se passer si on n’optimise pas la décision. Et donc, intégrer en fait la compréhension de l’environnement parce qu’une prédiction, c’est en fait d’essayer de comprendre l’environnement et d’anticiper ce qui va se passer. Et donc, optimiser la décision, c’est critique dans ce contexte. Et donc, pour faire ça, déjà, il faut comprendre l’environnement. Et là, j’aime bien le framework Cinefilm qui parle de des types d’environnement. Donc, il y a des environnements où, grosso modo, on a des trucs connus et on connaît les trucs connus. Après, on a des trucs connus, enfin, inconnus, mais on connaît quand on ne les connaît pas, etc. C’est bien déjà de savoir, grosso modo, dans quel environnement on opère et ensuite, essayer de formuler formuler un modèle, un problème bien posé de cet environnement. Une anecdote très intéressante, c’est un papier d’Andrew Law, qui est prof. directeur du département de finances quantitatives à MIT. qui a créé la théorie « Adaptable Market Hypothesis », si les gens sont intéressés dans le mélange de la finance quantitative et la finance comportementale. Et dans ce papier, il parle d’une anecdote qu’Amos Tversky avait racontée. Et la situation est la suivante. C’est au début de la guerre où les Américains viennent d’envoyer des soldats en Europe, donc en Angleterre dans ce cas. Il commence à faire des sorties, l’armée de l’air commence à faire des sorties contre les nazis. Donc, il y a des bombers, des avions qui lancent des bombes, qui sont envoyés. Et la différence avec les Américains, c’est qu’ils font ça pendant la journée. où c’est plus facile de voir les avions et de tirer dessus. Les Anglais, ils faisaient ça que la nuit. Donc, les pilotes avaient deux options. Donc, soit ils prenaient un parachute, qui à l’époque était assez grand, soit ils prenaient ce qu’on appelle un flag jacket, donc en gros, une veste contre balle. Oui, contre balle, oui. 

Marc Sanselme 00:42:38 – 00:42:38 : Un gilet pare-balles ? 

Ritavan 00:42:38 – 00:44:06 : Un gilet pare-balles. Mais pas un gilet pare-balles comme aujourd’hui. À l’époque, c’était gros parce que c’était fait avec des plaquants métal, etc. Et donc, juste dans le cockpit, il n’y avait pas assez de place pour prendre les deux. Idéalement, on prend les deux. Mais comme il n’y avait pas de place, ils étaient obligés à choisir à chaque sortie s’ils prenaient le gilet pare-balles énorme ou ils prenaient le parachute énorme. Et au fur et à mesure, en fait, ils ont étudié les distributions et ils ont vu que, et je ne sais plus, on peut inverser, je ne sais plus historiquement ce qui était le cas, mais disons que le gilet, je crois que c’était le gilet par balle, en 70% des cas, le gilet par balle maximisait la chance de survie parce que la plupart du temps en fait il y avait des balles qui passaient par l’avion mais l’avion entier n’était pas au sol. et donc 70% des cas c’était mieux de prendre le gilet par balle et 30% donc le parachute. et donc là comme on a tous les deux fait le MVA c’est un problème de bondy et c’est un problème de bondy stochastique. Et donc, la stratégie idéale, c’est en particulier comme le centre de commande a toutes les données, il agresse ça, il nous dit exactement quel bras choisir. Donc, on prend à chaque fois le gilet par balle et on maximise la chance de survie. Et qu’est-ce qu’ont fait les pilotes? 

Marc Sanselme 00:44:06 – 00:44:06 : ? 

Ritavan 00:44:06 – 00:44:23 : Parce que l’armée ne pouvait pas obliger les pilotes de guerre à faire… Enfin, ils leur proposaient un truc, mais à la fin, c’était la décision du pilote. Qu’est-ce que tu crois qu’ils ont… Comment est-ce que tu crois qu’ils ont décidé ? Comment est-ce qu’ils ont choisi entre ces deux ? 

Marc Sanselme 00:44:23 – 00:44:24 : On leur a donné le chiffre. 

Ritavan 00:44:24 – 00:45:25 : On leur a donné les chiffres, mais malgré ça, donc on leur a dit, prenez toujours le gilet par balle. Malgré ça, ils ont randomisé. 70% du temps, ils ont fait ce qu’on appelle du probability matching. Donc, ils ont dit avec une probabilité de 70%, je vais survivre avec un gilet par balle. Donc, 70%. des fois je vais prendre un gilet par le bas et 30%. et donc en gros c’est à chaque fois ils samplent une Bernoulli 70-30 et ils vont faire leur mission. et ça a vraiment. c’était déprimant pour la commande de l’armée aérienne parce qu’il y avait ces jeunes garçons qui allaient se faire tuer. ils essayaient de les convaincre à ne pas faire ça mais Mais les pilotes décidaient de faire ça. En fait, il y a une raison évolutionnaire. C’est très intéressant parce qu’ils ont fait des expériences avec des poissons, des fourmis, des singes, avec des tas d’animaux. Et ce probability matching, c’est vraiment un truc évolutionnaire, pas juste dans notre espèce, mais dans d’autres espèces aussi. 

Marc Sanselme 00:45:26 – 00:45:28 : Il a un sens, mathématiquement ? 

Ritavan 00:45:28 – 00:46:01 : Oui, il a un sens parce que Si tu connais, si tu gères… Si tu n’as pas de contrôle sur l’environnement, par exemple, si tu es un oiseau et que tu peux soit faire ton nid sur une montagne ou soit dans la vallée, disons que dans la vallée, il y a plus de chances de trouver de la nourriture. Donc, disons que tu fais à chaque saison ton nid dans la vallée, si jamais il y a un feu, un incendie dans la forêt, toute l’espèce sera détruite. 

Marc Sanselme 00:46:02 – 00:46:13 : C’est important d’avoir de l’exploration, de diversifier, etc. Ma question, c’est est-ce que matcher exactement le pourcentage, ça a un sens ? 

Ritavan 00:46:13 – 00:48:38 : Je crois que c’est un peu un bondi. Disons que ça devient un bondi adversaire, grosso modo. Et donc, Si le problème est bien posé, c’est un bandit stochastique parce qu’on a fait des hypothèses empiriquement valides. C’est ce que la commande de l’armée faisait. Et sinon, c’est un bandit adversarial et on fait une extra, je crois. C’est où on randomise grosso modo un peu comme au probability matching. En gros, si tu ne maîtrises pas ton environnement à un point où tu as de la confiance que tu peux agir pour maximiser, tu finis par faire du probability matching ou ce qu’un économiste qui a gagné un prix Nobel appelle du satisficing. Donc, en gros, de faire juste assez… pour que tu ne meures pas, mais tu ne maximises pas ton reward. Et donc, c’est très important de comprendre ça, de modéliser l’environnement correctement. Et donc, comme dit Edgar Dijkstra, l’informaticien, L’abstraction, en fait, c’est une couche où tu modélises la réalité d’une manière si précise que ça te permet d’agir dessus. Donc l’abstraction, ce n’est pas un fouillis de la réalité, c’est vraiment de sortir le signal de la réalité et de poser le problème correctement. Et ça, c’est super important. Et voilà, cet exemple des pilotes montre très bien comment c’est. le même contexte, mais quelqu’un a modélisé ça en tant que bandiste stochastique, donc avec des hypothèses qui sont complètement valides et quelqu’un d’autre… n’a pas fait l’effort ou n’a pas même peut-être les outils pour modéliser le problème correctement, finit par jouer une stratégie adversariale. C’est le même bandit, c’est le même contexte, mais c’est deux stratégies différentes et c’est clair laquelle va gagner. Et donc, poser les problèmes correctement, c’est très, très important parce que soit on fait du satisfying, donc faire juste assez pour survivre. Et s’il y a quelqu’un qui maximise le reward, avec le temps, on aura ça. C’est ce qui se passe aussi dans les marchés publics entre les entreprises qui ne maximisent pas et les entreprises qui maximisent la création de valeur. 

Marc Sanselme 00:48:41 – 00:48:51 : Le dernier, c’est GROW. Se focaliser sur la demande du client et avoir un état d’esprit d’abondance. 

Ritavan 00:48:54 – 00:48:57 : À tes souhaits. 

Marc Sanselme 00:48:57 – 00:49:02 : Avoir un état d’esprit d’abondance, qu’est-ce que ça veut dire ? 

Ritavan 00:49:02 – 00:51:21 : Donc, avoir un état d’esprit d’abondance, c’est de ne pas être constreint par les ressources qui existent. Et là, on revient à ce paradisme ou ce mécanisme de création de valeur dans un contexte industriel comme la matière première ou les ressources sont critiques pour la production. On est obligé à penser en tant que pénuriant. On ne peut pas optimiser d’une manière sans borne parce qu’on est limité par ce qu’on a pour produire. Mais dans le contexte data-driven logiciel, on n’est pas dans une situation de pénurie. Et donc si on amène cette expertise industrielle dans ce paradis de création de valeur, c’est faux. Et sur ce mindset de pénurie qui est l’opposé du mindset d’abondance, le mindset de pénurie ça a été très bien étudié par deux chercheurs, Moulay Nathan et Shafir, ils ont écrit un livre dessus. Et ils ont vu ça avec des fermiers qui, quand ils avaient beaucoup d’argent dans leur compte et quand ils n’en avaient pas, comment est-ce qu’ils performaient dans des tests d’IQ ou autre. Et c’était très clair que s’ils avaient de l’argent, ils étaient plus intelligents que quand ils n’en avaient pas. Et ça a été vérifié dans des études, dans des labos, ça a été vérifié dans d’autres contextes. Donc, c’est un truc qui a été empiriquement bien validé. C’est que quand on est dans un mindset de pénurie, on finit par être dans un tunnel intellectuel. Parce que la pénurie, en fait, ça fait peur, ça fait penser, ça fait que réfléchir sur les ressources, sur ce qui existe, mais ne pas voir les opportunités d’abondance qui existent. Et donc, c’est très important en tant qu’entreprise traditionnelle existante, si on veut gagner dans le paradigme data-driven, de laisser tomber ce mindset de pénurie, parce que logiquement, il ne fait pas sens dans ce nouveau paradigme de création de valeur. 

Marc Sanselme 00:51:24 – 00:51:39 : Mais si on est en situation de pénurie, il faut arriver à avoir un état d’esprit un peu contre-intuitif, de se dire, faire comme si on n’était pas en pénurie dans les décisions qu’on prend ? 

Ritavan 00:51:39 – 00:55:11 : Oui, je vais prendre un exemple des compagnies aériennes. J’ai pris mon premier vol quand j’avais grosso modo trois ans et j’ai pris un vol seul. Et je me rappelle, c’était une expérience première, je crois, ce n’était pas juste parce que j’étais tout petit, mais c’était juste. il y a 30 ans, les vols, tout le monde n’en prenait pas, c’était plus cher qu’aujourd’hui, etc., Et prendre un vol, c’était un truc assez spécial. Aujourd’hui, c’est comme entrer dans un bus. Enfin, c’est horrible. Et si on regarde les campagnes aériennes, à l’époque, ils avaient des bonnes marges. Aujourd’hui, les marges sont minuscules ou zéro, négatives. Mais ce que les compagnies aériennes ont fait, parce qu’en fait, si on regarde leur valeur d’entreprise, elle est zéro négatif. Mais la manière, enfin, dans cet aspect, disons, business model classique dans le paradigme industriel. Mais ce qu’elles ont fait, c’est qu’elles ont une demande client. qu’elles monétisent via le loyalty programme, donc les miles, etc., qu’on accumule en tant que client de compagnie aérienne. Et ils font des partenariats avec des institutions financières, donc des banques, des assureurs et autres. Et ils lient les deux. parce que La croissance d’une compagnie aérienne classique, c’est un état de pénurie. parce que si tu as 50 avions, tu ne peux qu’optimiser les routes pour 50 avions. Tu ne peux pas optimiser les routes pour 100 avions. Mais si tu as 50 avions, mais que tu existes depuis plusieurs décennies et que tu as énormément de clients, tu peux leur proposer des services financiers, enfin carte de crédit, assurance et autres, illimités. D’accord. Il faut juste comprendre la valeur apportée au client, trouver le partenariat correct. Et tout ça, et tout ce nouveau business model, il est complètement data-driven. La compagnie Alien, elle ne produit rien. Et c’est super important de sortir de ce mindset de pénurie. parce que c’est vrai que le client a été originellement acquis par ce business model classique de pénurie, mais une fois que la personne est devenue client, il n’y a plus de pénurie. Il faut juste réfléchir quelle valeur est-ce que je peux apporter à cette personne d’une manière ou d’une autre. Qu’est-ce que moi je comprends sur mon client que personne d’autre structurellement ne peut pas savoir ? Et dès qu’on commence à réfléchir comme ça, on est dans un monde d’abondance, structurellement. Parce que si j’ai 50 avions, on s’en fout. Parce que c’est mon client maintenant. Je peux lui offrir une gamme énorme de produits, de services, de content, d’expertise et autres. Et ça, c’est critique. Parce que, comme je disais, il y a plusieurs paradigmes de création de valeur. Les entreprises traditionnelles, elles sont nées et elles ont grandi dans le paradigme industriel. Mais elles ne sont pas contraintes au paradigme industriel. Une fois qu’on a acquiert le client, on peut lui offrir de la valeur qui est dans le paradigme du logiciel. Ça ne doit pas forcément être du logiciel, ça peut être du content, ça peut être autre chose, ça peut être des services. Mais on peut offrir de la valeur dans des paradigmes où les coûts sont plus pertinents. Ok. 

Marc Sanselme 00:55:11 – 00:55:23 : Alors, le podcast touche à sa fin. Est-ce que tu as une recommandation d’invité que tu aimerais entendre au micro de Data Driven 101 ? 

Ritavan 00:55:23 – 00:56:46 : Oui, en fait, j’ai une case study dans un livre avec une entreprise française, parisienne même, Locat. Et ils ont… Ce que je connais, c’est la seule entreprise dans le monde qui a vraiment une vision claire, quantitative, data-driven de la supply chain. Parce que ce qui se passe souvent en supply chain, c’est les méthodes que les gens utilisent aujourd’hui en production, ça date d’il y a 100 ans. C’est à l’époque où on faisait ça à la main sur du papier. Et aujourd’hui, on a du compute, on a de la donnée, on a de la puissance de calcul. On peut faire des choses largement plus sophistiquées. Enfin, sophistiquées pas au sens de c’est innovant et c’est cool, mais vraiment sophistiquées d’un point de vue rigoureusement, mathématiquement, logiquement, financièrement. Correct. Et Local a vraiment été un pionnier pour ça et je crois que ce serait super d’inviter le fondateur et le CEO pour parler de la vision de la supply chain quantitatif. Parce que dans le contexte industriel, c’est une question de coût, c’est une question de comprendre et de vraiment pouvoir agir dans la supply chain d’une manière intelligente. Et je ne peux pas, il n’y a pas d’exemple mieux que Lockhart pour ça. 

Marc Sanselme 00:56:46 – 00:56:48 : Génial, et bien merci Ritavan. 

Ritavan 00:56:48 – 00:56:49 : Merci, merci Marc.