En vérité, des progrès gigantesques ont été accomplis dans ces deux domaines grâce au cloud et aux solutions évoluées d’intégration et de transformation de données. Cependant, dans un monde appelé à être continuellement piloté par l’automatisation et des technologies telles que l’IA générative, il faut désormais s’atteler à relever deux autres défis plus épineux : la variété et la véracité des données.
L’incapacité à collecter et à analyser l’ensemble des données disponibles pertinentes avec rapidité et cohérence risque fortement d’entraîner des décisions non éclairées et un certain retard sur les concurrents. En outre, en l’absence d’un solide socle de données permettant de comprendre et d’avoir confiance dans leur source, il sera sans doute impossible de tirer parti de nouveaux outils tels que l’IA générative.
Aujourd’hui, les entreprises demandent à leurs fournisseurs de les aider à concevoir et à déployer des stratégies pour rester en phase avec ces objectifs en évolution constante. C’est pourquoi les entreprises devraient davantage traiter leurs données comme un produit (approche Data-as-a-Product). Elles pourraient ainsi créer plus facilement un cadre favorisant l’exactitude, la qualité et l’accessibilité des données au service des utilisateurs qui en ont le plus besoin. S’il peut être difficile de limiter la fragmentation des données entre différents silos, cela n’est toutefois pas impossible. Ce faisant, les entreprises seraient sur la bonne voie pour démocratiser l’accès aux données en vue d’actions en temps réel et de décisions plus éclairées.
Voici quatre conseils pour l’élaboration d’une stratégie en matière de données.
Une approche data fabric facilitera l’unification, l’intégration et la gouvernance de données hétérogènes
La première étape dans l’élaboration d’une stratégie de données est la création d’une approche data fabric. Il s’agit d’une architecture informatique qui s’appuie sur des métadonnées pour faciliter l’unification, l’intégration et la gouvernance des environnements de données hétérogènes. De nombreuses entreprises sont entourées d’ensembles de données vastes et complexes, englobant non seulement différentes sources – CRM, finance, Marketing Automation, opérations, IoT/produits, etc. – mais aussi divers emplacements - cloud, multicloud, hybride, sur site, Edge…En mettant en place une architecture data fabric, les entreprises pourront rassembler les données issues de ces différentes sources afin de les transformer et de les traiter à l’aide de technologies comme le Machine Learning en vue d’y découvrir des tendances. Il en ressortira une vue globale de l’entreprise, ainsi que des informations exploitables par les équipes. L’utilisation d’une data fabric évite également de tomber dans le piège de la création de silos de données lorsque celles-ci sont organisées à la manière d’un produit. Cette approche très agile et évolutive est à envisager dans toute entreprise.
L’accessibilité des données entre équipes allège la tâche de l’informatique
L’étape suivante consiste à rendre les données accessibles ce qui n’induit pas nécessairement la disponibilité, car les deux termes ne sont pas équivalents. En effet, toutes les données disponibles ne doivent pas être accessibles à tous. L’entreprise doit donner à ses collaborateurs accès à toute combinaison d’informations dans un cadre sécurisé et maîtrisé qui ne bride pas l’agilité.L’un des principaux atouts est de donner aux utilisateurs métiers, analystes et data scientists le pouvoir de trouver des relations entre les systèmes. Les utilisateurs pourront ainsi explorer et analyser les données avec plus de facilité et d’efficacité sans avoir à faire appel aussi fréquemment aux équipes informatiques.
Réfléchir au mode d’interaction des utilisateurs avec les données
Une fois les données pertinentes rendues accessibles, l’entreprise doit alors passer le test du mode d’interaction des utilisateurs avec celles-ci. L’évolution de ces interactions est déjà en cours sous l’effet de nouvelles technologies telles que l’IA générative. Voilà pourquoi c’est à ce stade du processus que les entreprises devraient faire une pause pour réfléchir à leur objectif initial : traiter leurs données comme un produit interne.Dans cette optique, elles peuvent se demander quelles possibilités ce « produit » doit offrir, notamment en réfléchissant sérieusement aux problèmes internes que les données, en tant que produit, peuvent aider à résoudre ou à atténuer. Dans le domaine de la finance, par exemple, la détection de la fraude pourrait se faire grâce à la création d’un produit fortement personnalisé. Un autre pourrait aussi être utilisé dans tous les secteurs de l’entreprise afin de mieux éclairer les décisions en fonction de l’activité. En identifiant les principaux besoins des utilisateurs en interne, il est possible de définir le mode le plus adapté pour l’interaction avec les données.
Une stratégie de gouvernance optimise l’utilisation des données (et assure leur conformité)
Une fois toutes les étapes précédentes mises en œuvre (mise en place d’une approche data fabric, accessibilité des données et identification du mode d’interaction avec celles-ci), les entreprises sont enfin prêtes à déployer des processus de gouvernance des données. L’une des couches les plus courantes superposées aux data fabrics modernes est celle de la gestion des données. Cette dernière assure leur gouvernance et leur sécurité et, par conséquent, leur fiabilité et leur cohérence. La gouvernance revêt d’autant plus d’importance si l’entreprise projette de déployer l’IA générative. Elle s’assure ainsi que l’audience élargie utilise les bonnes données pour répondre aux bonnes questions.Alors que de nouvelles réglementations entrent en vigueur chaque année, des infrastructures de gouvernance efficaces contribuent également à la protection des données sensibles. L’entreprise se prémunit ainsi contre des amendes pour non-conformité ou, dans les cas extrêmes, contre les atteintes à sa réputation ayant potentiellement des conséquences tangibles sur ses résultats financiers.
L’élaboration d’un plan robuste de gouvernance des données demande du temps et de l’engagement et une équipe dédiée, comprenant un comité de pilotage et des groupes de data stewards.
Un nouvel angle
En abordant le travail avec les données sous l’angle de la gestion d’un produit, les entreprises doivent définir les besoins concernant les données, les structurer puis les organiser de façon à garantir partage et compréhension. Et la monétisation des données n’est pas le seul objectif d’une approche « data as a product » ; les entreprises qui réussissent le mieux aujourd’hui traitent leurs données comme un produit spécifique, un choix qui porte ses fruits sous la forme d’un avantage concurrentiel unique et durable.Par James Fisher, Chief Strategy Officer chez Qlik
