Avoir des masses de données n’est qu’un premier pas, qui ne sert pas à grand chose sans analyse… Et malgré la multiplication des PoC, la majorité des entreprises affichent des années de retard. L’avenir des analytiques se dessine maintenant et passe par l’Intelligence Artificielle !  

Selon Gartner, 87% des entreprises affichent une maturité d'analyse et de veille économique faible. Leurs efforts se limitent souvent à des analyses basées sur des feuilles de calcul, à des extraits de données personnelles, ou à des projets autonomes sans orientation ni leadership central.

Si un premier pas a été franchi avec l’accumulation des données, restent déployer de véritables stratégies autour de l’Intelligence Artificielle et l’automatisation, la qualité, la fiabilité et la transparence des données, ainsi que la volonté d’étendre l’analyse des data scientists reste de l’entreprise.

Voici 5 forces et tendances qui façonnent l'avenir de l'analyse d'entreprise

1IA et analytiques

L'avenir des analytiques d'entreprise est inextricablement lié à l'IA et au ML (Machine Learning). De l’automatisation du pipeline d’analyses à la réalisation des inférences rapides dont un humain n’est tout simplement pas capable, IA et ML vont révolutionner ce que les entreprises peuvent faire avec les données et la vitesse à laquelle elles les utilisent.

Ne commettons pas l’erreur, cependant, de penser que l’IA est magique ! Les entreprises doivent en effet faire face aux défis liés à l'IA et au ML, tels que le manque de transparence, la pénurie de talents qui se révèlent également coûteux, l'infrastructure de soutien et l'intégrité des données.

2IA et boîte noire

C’est l’une des principales critiques formulée contre l'IA et le ML, le manque de transparence et d'explicabilité... Les changements de réglementation ont également obligé les entreprises à modifier leurs relations avec leurs données, ce qui accroît la responsabilisation quant à la manière dont elles sont collectées, partagées, traitées et communiquées. Cela incite les entreprises à s'éloigner de la boîte noire de l'IA et du ML, la transparence et l'interprétabilité devenant de plus en plus des priorités pour les entreprises responsables.

Les entreprises doivent adopter une approche plus ‘propre’ de la science des données, et accorder la priorité à la transparence et à l'exploitabilité. L'investissement continu dans l'architecture de l'information sera crucial pour les entreprises qui souhaitent tirer le meilleur parti de l'analyse. Sans oublier la conformité et le respect des nouvelles réglementations comme le RGPD.

3La rentabilité viendra des investissements clés

L’analyse d’entreprise n’est pas un projet unique, c’est un investissement de plusieurs années qui nécessitera une attention soutenue, du talent et de l’innovation. Les entreprises qui ont effectué les investissements de base appropriés commenceront à se différencier et iront de l'avant face à celles qui ne l'ont pas encore fait.

Les analytics et l’IA accélèrent les autres innovations d'infrastructure et rentabilisent les investissements réalisés. Quant aux difficultés liées aux infrastructures réseaux, au cloud et au big data à l’échelle de l’entreprise, ce sont les investissements dans la main-d’œuvre et les talents pourront faire la différence. Et l'agilité du réseau est une base clé qui soutient tous les domaines de l'informatique.

4Les plateformes d’automatisation

Les plateformes d'automatisation des data sciences seront un domaine clé pour faciliter la préparation des données, l'ingénierie des caractéristiques et la production de pipeline. L'automatisation permet de rationaliser le développement, de le rendre opérationnel et de générer de la valeur en réduisant drastiquement les temps d’analyse.

La démocratisation d'éléments d'analyse tels que la création d'algorithmes et de modèles fait passer la technologie d'un marché naissant à une réalité. La RPA (Robotic Process Automation) profite des capacités d’analyse. L’automatisation et l'IA aideront les entreprises à démasquer les problèmes que l’on croyait relever de la technologie, mais qui sont en réalité des ‘problèmes de personnel’, tels que les problèmes culturels, la gestion mal alignée et la rivalité.

5L’ouverture au data scientist citoyen

L’ouverture des analytiques signifie passer d’un projet scientifique à un projet accessible et possible pour un grand nombre de clients et d’entreprises. Ce qui était autrefois de longs projets de données deviendra des initiatives rationalisées et accessibles, avec le pouvoir de l'analyse sans avoir à coder.

De nouvelles plateformes qui simplifient les tâches vont ouvrir la voie à des professionnels extérieurs aux data sciences, tels que la BI (Business Intelligence), les ingénieurs de données et les analystes commerciaux. Cela créera une culture axée sur les données au sein de l’entreprise et invitera les data scientists à se concentrer sur des projets de niveau supérieur.

Il est par contre essentiel de créer des options à code faible ou nul pour rendre la technologie accessible afin de compenser le déficit de compétences et d’intégrer les capacités dans tous les secteurs de l’entreprise. De nombreuses applications d’IA seront même créées par des professionnels disposant d'une formation minimale ou inexistante en Intelligence Artificielle !

Source : Gartner, Forrester, et la Information Technology and Innovation Foundation

Image d’entête 979188930 @ iStock Photo z_wei