Connues de tous depuis longtemps, les difficultés liées aux silos dans les domaines de l’IT et de la gestion des données persistent malgré tout au sein des entreprises, ces dernières limitant alors l’accès à leurs capacités d’Intelligence artificielle (IA) et de machine learning (ML). Ce manque de répartition des capacités au sein des organisations concernerait près de 40% des acteurs selon une étude menée par IDC en avril 2020.
Lorsqu’il est question d’améliorer l’expérience utilisateur et l’exploitation des données, les solutions analytiques qui reposent sur l’IA et sur le ML connaissent aujourd’hui une croissance sans précédent. Divisées entre les équipes de Business Intelligence, les entreprises sont généralement conscientes que disposer des capacités en silos freine l’accélération de la création de valeur à partir des données. Or, 42 % des dirigeants considèrent que généraliser l’usage de l’IA et du ML à tous les niveaux de l’entreprise est essentiel pour améliorer les chances de succès des projets d’analytique.
Persistance des silos : trois raisons principales
Alors, pourquoi ces silos réapparaissent-ils ? Il est possible d’identifier trois causes principales à cela. Premièrement, la stratégie de gouvernance des données choisie par les entreprises est déterminante. Cependant, celles-ci adoptent fréquemment la solution la plus aisée à mettre en place, c’est-à-dire, limiter l’accès aux données à un nombre très restreint de personnes. Bien que cette approche garantisse la sécurité des données, elle ne permet cependant pas aux entreprises de tirer parti de celles qui sont nécessaires au fonctionnement des outils analytiques avancés qui incluent l’IA et le ML.
Dans un second temps, il faut prendre conscience que toutes les sources de données ne sont pas exploitables, ou nécessitent des méthodes spécifiques pour permettre aux données de devenir créatrices de valeur. À titre d’exemple, les modélisations prédictives peuvent s’avérer être particulièrement impactées par l’utilisation de systèmes ERP, qui limitent la capacité des utilisateurs métier à extraire les données pour les incorporer dans des solutions analytiques intelligentes.
Pour finir, la répartition des compétences sur l’ensemble de la structure est une des composantes primordiales à la démocratisation de l’IA et du ML. Pourtant, nombreuses sont les entreprises qui ne sont pas en mesure d’assurer cette répartition. Aujourd’hui, c’est encore 79% des employés qui déclarent ne pas disposer des compétences nécessaires en matière de data literacy selon une étude menée par Accenture. Néanmoins ces compétences techniques sont indispensables pour lire, travailler, analyser ou argumenter avec les données de manière efficace. La data literacy est finalement la clé pour une utilisation et une compréhension optimale des solutions intelligentes par les collaborateurs.
Rendre les bénéfices de l’IA et du ML accessibles pour optimiser l’analyse de données
Il est désormais indispensable que les dirigeants interrogent les faiblesses et les difficultés de leurs entreprises en la matière. Dès lors, les responsables IT doivent prendre des mesures drastiques de manière à casser ces silos. Voici quelques pistes qui peuvent permettre aux entreprises de surmonter ces défis et d’en tirer des bénéfices :
- Rendre les données accessibles aux utilisateurs qui ne disposent pas de connaissances techniques - Près de deux tiers des dirigeants d’entreprises (61 %)affirment que l’identification de nouvelles sources de données créatrices de valeur représente un défi à surmonter. Le recours à un catalogue de données représente alors un bon moyen d’identifier ces données au sein d’une entreprise. Faire appel à des fonctionnalités comme la recherche par mots-clés via une plateforme SaaS permettra aux utilisateurs de trouver des ensembles de données potentiellement pertinents et pouvant être exportés dans des outils de visualisation, plutôt qu’à un stock statique de données. Cela permet d’améliorer grandement la gestion de la sécurité et de la gouvernance.
- Exploiter les sources de données brutes –La plupart des données porteuses de valeur sont généralement contenues dans les systèmes ERP et CRM. Les limitations d’accès à ces données en temps réel dans un format optimisé restent une difficulté qui persiste, empêchant DSI et CDO de les mettre à disposition des utilisateurs métier. Le processus traditionnel extract, transform, load (ETL) utilisé pour transférer ces données transactionnelles vers des entrepôts de données où elles peuvent être gouvernées, nettoyées et requêtées prend souvent de six à neuf mois, à l’issue desquels la plus grande partie de leur valeur peut être perdue pour l’entreprise. Pour permettre aux entreprises d’accéder en temps réel aux informations provenant des solutions ERP et CRM, il est nécessaire de passer à l’ELT et à l’automatisation du processus de streaming de données avec le Change Data Capture (CDC). Les moteurs analytiques avancés et prédictifs seront ainsi davantage alimentés au profit des utilisateurs métier.
- Préférer des plateformes analytiques augmentées– Les plateformes intuitives favorisent grandement l’accès aux enseignements qui permettent aux entreprises de prendre les bonnes décisions. Ces systèmes intelligents peuvent faciliter de manière significative la recherche d’information des utilisateurs. À titre d’exemple, le traitement du langage naturel simplifie la tâche de l’utilisateur qui ne maitrise pas le vocabulaire technique tandis que, l’analytique conversationnelle assiste l’utilisateur dans sa navigation parmi les données.
- Former les collaborateurs à ces nouvelles méthodes –Actuellement, les compétences d’analyse nécessaires à l’utilisation de l’IA et du ML ne sont acquises que par 16 % des collaborateurs dans le monde, selon une étude menée par IDC. Néanmoins, les dernières observations révèlent que le nombre de collaborateurs formés à ces pratiques est prometteur. D’ici deux ans, les sondés prévoient d’augmenter ce nombre pour atteindre 25 % des effectifs, tout en augmentant en parallèle la proportion de collaborateurs ayant des compétences en data literacy de 45 à 63 %. Ces compétences jouent un rôle crucial dans l’optimisation de la prise de décisions à partir des données. Les enseignements générés par ces plateformes d’IA et de ML ne peuvent être pleinement questionnés, explorés et analysés par les utilisateurs qu’à condition d’investir dans l’acquisition des compétences nécessaires.
Il est désormais primordial pour les entreprises d’appliquer ces bonnes pratiques pour être en mesure d’utiliser des solutions d’analytique reposant sur l’IA et le ML et ainsi optimiser la prise de décision en accélérant la création d’actions informées.
Par Stéphane Briffod, directeur avant-vente chez Qlik
