Les 10 grandes tendances de la BI pour 2019

La promesse de l'IA est de renforcer notre compréhension des données grâce à l'automatisation de la prise de décisions. À mesure que nous nous appuyons de plus en plus sur l'IA et le machine learning, nous nous interrogeons pourtant sur la fiabilité des recommandations générées par des modèles automatiques. En effet, de nombreuses applications de machine learning ne proposent pas de manière transparente de comprendre les algorithmes ou la logique sur laquelle reposent de telles décisions ou recommandations. Comme l'explique Adrian Weller, chercheur à l'université de Cambridge, la transparence est essentielle pour faciliter le déploiement de systèmes intelligents à grande échelle. Ce besoin favorise l'essor d'une IA capable de présenter les modèles de machine learning de manière transparente. S'il est possible de remettre en question une décision humaine, nous devons également en avoir la possibilité avec les décisions de machine learning.

Les responsables d'unités métier attendent des équipes de data science qu'elles utilisent des modèles plus transparents et proposent une documentation ou un historique détaillant leur création. L'impact de l'IA dépend de la confiance que nous lui accordons, et les résultats qu'elle produit doivent être simples et intelligibles, et répondre de manière dynamique aux questions que nous lui posons pour comprendre nos données.

Le traitement du langage naturel permet aux ordinateurs d'interpréter des questions posées en langage humain. Les fournisseurs de solutions BI intègrent le langage naturel à leurs plates-formes, pour proposer des interfaces et des visualisations plus naturelles. En parallèle, le langage naturel évolue et joue un rôle de plus en plus important dans les conversations analytiques, c'est-à-dire un humain conversant avec le système au sujet de ses données. Le système puise dans le contexte de la conversation pour comprendre l'intention de l'utilisateur et faire progresser le dialogue. Ainsi, l'expérience conversationnelle paraît plus naturelle. Par exemple, lorsqu'une personne a une question supplémentaire au sujet de ses données, elle n'a pas à reformuler sa question pour l'approfondir ou clarifier une ambiguïté. Le langage naturel représente un changement radical de la façon dont vous pouvez interroger vos données. La possibilité d'interagir avec une visualisation de la même manière qu'avec un interlocuteur humain permet à davantage d'utilisateurs d'approfondir leurs analyses, quelles que soient leurs compétences. En gagnant du terrain dans le secteur de la BI, il va faciliter l'adoption de l'analytique et aider les entreprises à mettre en place une approche en libre-service basée sur les données.

Les utilisateurs ont besoin d'accéder à leurs données et de prendre des décisions en conséquence de leurs découvertes sans changer de workflow. Les fournisseurs de plates-formes BI élargissent par conséquent leur offre en proposant des fonctionnalités analytiques mobiles et intégrées, des extensions de tableau de bord et des API. Les analyses intégrées placent les données et les informations au cœur des workflows pour que les utilisateurs n'aient pas besoin de recourir à des applications ou serveurs différents, et les extensions de tableau de bord permettent d'accéder à des systèmes externes directement à partir d'un tableau de bord. Les analyses mobiles, quant à elles, permettent aux utilisateurs d'accéder à leurs données même sur le terrain. Ces améliorations viennent répondre aux attentes de différentes équipes métier et de différents marchés verticaux, et élargissent la base d'utilisateurs en proposant des données contextualisées à la demande.

En plus de leur impact sur les entreprises privées, les données transforment les ONG et les organisations à but non lucratif. Le mouvement Data for good va prendre de l'ampleur à mesure que les organisations prennent conscience des avantages de l'utilisation des données dans leurs initiatives à portée sociale. Pour appuyer cela, Gartner souligne que les mentions du mouvement Data for good sur les plates-formes de réseaux sociaux ont augmenté de 68 % l'an passé, et le public prend de plus en plus conscience de l'impact positif des données sur la société.

Avant, les organismes du secteur public manquaient de ressources pour investir dans des infrastructures de données sophistiquées ou des équipes spécialisées dans les données. Aujourd'hui, grâce à la flexibilité et la rentabilité du cloud computing, les ONG et organisations à but non lucratif peuvent développer des environnements de données sophistiqués sans investir massivement dans des solutions sur site, et ainsi mieux poursuivre leur mission en s'appuyant sur les données. Cette approche a également permis la création de plates-formes dédiées au partage et à la collaboration entre associations, pour permettre à celles-ci de mieux remplir leur mission. Elle ouvre également le dialogue sur les aspects contribuant à renforcer la confiance sur ces plates-formes, notamment l'utilisation responsable des données. Même si chaque projet collaboratif a son lot de défis à relever, le mouvement Data for good illustre le potentiel altruiste du partage de données pour aider chaque organisation à mieux mener ses combats.

Avec l'apparition de réglementations comme le RGPD, les équipes de direction s'interrogent sur l'évolution des pratiques déontologiques en entreprise en matière d'utilisation des données. La confidentialité est un sujet qui va continuer à animer les conversations, notamment à mesure que les utilisateurs prennent conscience des enjeux du partage de leurs données personnelles. En ce qui concerne l'utilisation des données au quotidien en entreprise, il y a deux manières d'aborder la déontologie et la confidentialité :

1. Les codes de déontologie : bon nombre de professions sont déjà régies par un code de déontologie (avocats, médecins ou comptables, par exemple), mais la prolifération des données pousse les entreprises à réfléchir à la manière d'appliquer ces mêmes principes à leurs pratiques analytiques. Les CDO (Chief Data Officer) participent à la mise en place de tels codes de déontologie pour créer un environnement facilitant la prise de décisions en matière d'infrastructure de gouvernance et de recrutement. À titre d'exemple, l'enquête de 2017 de Gartner sur le rôle des CDO révèle que « le nombre de CDO pour qui la déontologie fait partie de leurs responsabilités a augmenté de 10 points entre 2016 et 2017 ».
2. Les modifications apportées aux processus métier : un passage en revue en profondeur du cycle de vie des données permet d'évaluer régulièrement la stratégie de gestion des données et de vérifier qu'elle est conforme aux réglementations et aux codes de déontologie internes. Comme le souligne Accenture dans son rapport sur les principes universels de déontologie en matière de données, « les processus de gouvernance doivent être robustes, connus de tous et régulièrement passés en revue » pour s'adapter à la croissance et aux évolutions de l'entreprise.