En tant que chef de projet, en entreprise et pour les sociétés de service, garder ses projets sur les rails et rentables peut s'avérer être une tâche difficile. Comment la Data Science permet-elle d'optimiser la gestion de projet en entreprise ? Gryzzly, le chatbot intelligent des managers projet devient une aide incontournable en automatisant la récolte des temps de travail, en anticipant les risques sur les projets pour simplifier le métier de chef de projet et pour faciliter la vie de chaque membre du projet. Jonathan co-fondateur et Jacob, Data Scientist de Gryzzly, vous présentent leur outil et les enjeux permettant d'améliorer l'expérience des parties prenantes sur la collaboration d'un projet en entreprise.
Quel est votre parcours ?
Je suis Jonathan, cofondateur de Gryzzly et ancien chef de projet. J’ai longuement travaillé en agence web, en cabinet de conseil, en agence de communication et au bureau d'études. Moi c'est Jacob, ancien thésard en information à l'ENS. J'ai fait des études de bio-info et de mathématiques, puis j'ai décidé de rejoindre Gryzzly pour les aider avec leur projet Data. J'ai rejoint Gryzzly il y a un an juste après qu'on soit labellisé French Tech Site, qui est un dispositif national avec un ancrage régional ayant pour but de favoriser la R-D dans les startups. L’objectif est un fonds qui va permettre aux startups et aux entreprises qui font de l’innovation d'aller faire un effet de levier sur une levée de fonds et recruter ou travailler avec des laboratoires. C’est de cette manière que l’on a commencé notre démarche R-D grâce à l'aide du BPI.
Qu’est-ce que Gryzzly ?
Grizzly est né de la frustration, de la saisie du temps de travail. Saisir des temps n'est pas forcément la tâche la plus créatrice de valeur pour un collaborateur. La saisie des temps est essentielle pour une agence, un cabinet de conseil ou une boîte de prestation, car ils vont vendre leur temps de travail. L’objectif de Gryzzly, va être de permettre aux sociétés de services de mettre en place un outil de suivi des temps de travail de façon simple, appréciable par les équipes et de donner de la vision derrière au manager. Aujourd'hui, dans la plupart des temps une société classique va mettre en place dans un premier temps un fichier Google Sheets ou Excel. On va demander aux employés de remplir les colonnes dans les tableaux Excel. Par exemple, nous avons travaillé avec un grand groupe de l'assurance lyonnaise. Ils avaient un fichier Excel pour une vingtaine de personnes, dont une vingtaine d'onglets un par personne, plus un 21ième qui faisait le total avec dans chacun de ces onglets là, les 365 jours de l'année, semaine par semaine. Le fichier mettait 10 minutes à s'ouvrir sur les ordinateurs de chaque personne. Cette solution est très flexible et chronophage à maintenir, à ouvrir et à traiter.
En partant de ce constat là, nous avons décidé de créer et de mettre en place un chatbot. Généralement le chatbot pose des questions et nous répond à partir d'une base de connaissances. Gryzzly a renversé ce processus. C'est le chatbot qui va vous poser une question pour remplir des temps et mettre en phase de projets que l'on va comparer après des budgets qui ont été vendus. La mission de Gryzzly est de booster la rentabilité des sociétés de services. Grâce à ce chatbot vous allez recevoir tous les jours un petit message, sur lequel le chatbot vous demandera sur quelles tâches vous avez travaillé aujourd'hui. Le collaborateur va pouvoir choisir des projets, des tâches et un volume horaire associé à ces tâches.
Ce chabot fonctionne aujourd'hui dans Slack et bientôt dans Microsoft Teams. Nous avons une fréquence de données et une précision de données qui est beaucoup plus importante que quand les personnes vont aller remplir leur temps en fin de mois. En créant des données qui sont plus fraîches et plus précises, on va pouvoir apprendre de ces données et on va surtout pouvoir mieux les valoriser. Aujourd'hui, notre enjeu est de pouvoir valoriser ces données là. Nous pouvons aller les valoriser et surtout faire en sorte d'aller anticiper des dépassements sur des projets, anticiper des risques de surcharge pour les collaborateurs, etc. Une fois que l'on a récupéré le temps de travail, nous les mettons dans une interface de suivi à destination du manager. Par la suite nous allons regrouper ces temps par projet, par collaborateur, par équipes, et par client, puis nous allons mettre en phase d'un portefeuille de projets clients et très simplement, les chefs de projets de nos clients vont pouvoir suivre la rentabilité du dossier et la rentabilité de l’équipe. En automatisant ce système de reporting et en simplifiant la récolte des temps de travail, nous faisons gagner du temps à nos clients, du temps qu'ils vont pouvoir sacrifier à d’autres tâches.
Améliorer le métier de chef de projet grâce à la donnée
Notre chatbot permet de valoriser le fait que l’on peut rester à traiter des problèmes impliqués tout en essayant de les entrer sur des problématiques scientifiques plus globales. En faisant cela, nous obtenons une double valeur à l'activité, parce que d'un côté, on peut améliorer le produit et donner plus d'informations et de services aux clients, d'un autre côté nous pouvons tout de même contribuer à améliorer les états d'art de Machine Learning et de Data Science en faisant les deux activités. Sur la partie technique, nous allons essayer d'améliorer notre produit en répondant à un besoin client, comme prédire les activités journalières des utilisateurs. Cela répond aux besoins clients, car chaque jour, à la fin de la journée, les utilisateurs doivent interagir avec notre chatbot et déclarer manuellement les activités qu'ils ont sur lesquelles ils ont passé du temps. Il y a le projet, la tâche à l'intérieur du projet et le temps qu'ils ont passé sur ce projet, d’où l’intérêt, c'est de faire des déclarations préremplies. Si il y avait une façon de prédire des activités sur lesquelles un utilisateur va travailler sur la journée, nous lui offrons directement la déclaration préremplie.
Un autre thème à aborder concerne les managers qui vont utiliser l'outil, car ils ont comme outil un suivi du temps que les utilisateurs ont passé sur leurs projets. En effet lorsque les managers créent un projet, ils fixent un maximum d'heures qu'ils pensent dépenser sur ce projet.
La partie scientifique répond à des questions que l’on se pose en science et qui ont espère puissent aussi répondre à des besoins de clients dans le futur. Par exemple savoir si il y a des patterns dans les groupes qui puisse expliquer le succès d'un projet. L'idée serait d'avoir un système de recommandation pour les nouveaux projets et d'utiliser la structure de communication à l'intérieur d'un projet pour être capable d'abord de prédire le succès d'un projet avant sa fin et ensuite d'utiliser ses prédictions pour suggérer aux managers de comment mieux structurer l'organisation de ce projet.
Comment prédire les activités journalières d'un utilisateur ?
Des utilisateurs vont déclarer sur plusieurs projets dans la journée. Le problème se repère à un problème d'apparence. Pour un couple utilisateur projet, nous souhaitons savoir si à partir des données jusqu'au jour-J, on peut prédire s'il y a une déclaration au jour J+1. La première approche des données nous montre qu’il y a peu de projets qui concentrent la plupart des activités de l'utilisateur et il y a très peu d'utilisateurs qui ont beaucoup de déclarations . La majorité des utilisateurs vont avoir très peu de déclarations et la distribution de déclarations par projet est très hétérogène. Nous allons considérer des couples utilisateurs projets uniquement s' il y a un certain volume de déclaration à l'intérieur de ce groupe d'utilisateurs. La plupart des études scientifiques ont été réalisées sur des données de publications ou des données de projets informatiques. Il y a des open data sur GitHub, dans lesquels il est facile de réaliser ce genre de projet sur des données informatiques.
Nous pouvons considérer qu'un projet est réussi si le coût total final du projet est inférieur au coût initialement prévu. Un autre exemple avec l'horaire. Si le coût horaire ou le nombre d'heures passées en total sur ce projet est inférieur au nombre d'heures initialement prévu pour ce projet. Concernant notre outil, il faut du temps pour que les features client arrivent en production et en plus qu'on puisse rajouter la partie RD. Aujourd'hui, prédire les déclarations et donner des scoring sur la réussite d'un projet est une première étape. L'idée est que l'on puisse alerter un manager lorsque nous détectons un risque sur un projet.
Demain : le futur du pilotage budgétaire
Notre objectif à long terme est de pouvoir automatiser la génération de planning adaptée aux entreprises et aux projet sur lesquels les managers travaillent. Nous aurons de nombreuses déclarations qui seront réduites, car nous pourrons nous concentrer uniquement sur le scope des projets de l'entreprise. Demain, nous souhaiterons aider les personnes à mieux vendre leur projet en amont. Une fois que nous avons un historique, nous aurons des prédictions qui nous montrerons ce sur quoi les personnes ont travaillé, sur les risques présents dans les projets, sur l'organisation des projets. Nous nous baserons sur l'ensemble du scope du chef de projet, de la vente du projet jusqu'à sa réalisation en passant par son organisation.
