À l'ère du numérique, l'intelligence artificielle (AI) a le pouvoir de transformer les entreprises - et transforme déjà les modèles opérationnels des entreprises. Cependant, AI, et les analyses basées sur AI, ne valent que ce que valent les données qui les alimentent.
C'est pourquoi les entreprises qui réussissent leur transformation numérique ont deux choses en commun. Premièrement, elles disposent de stratégies détaillées pour gérer les données en fonction de leur rôle et de leur valeur, et reconnaissent que les différents types de données doivent être gérés de différentes manières. Deuxièmement, elles disposent d'une plateforme de données qui rend la découverte, l'intégration et la gestion des données aussi rapides, faciles et automatisées que possible.
AI transforme les opérations commerciales
Ant Group (anciennement Ant Financial), la fintech la plus valorisée au monde, est un exemple frappant de la manière dont AI change le visage des entreprises. L'application de paiement mobile et en ligne Alipay de la filiale d'Alibaba compte plus d'utilisateurs numériques que les plus grandes banques américaines, alors que l'entreprise ne dispose que d'une fraction du personnel de ces banques.
Comment Ant Group y parvient-il ? Comme le décrivent Marco Iansiti et Karim Lakhani dans leur livre Competing in the Age of AI, l'entreprise a "la capacité d'exploiter les données pour connaître les besoins des utilisateurs et y répondre par des services numériques". Par exemple, Ant Group a complètement automatisé ses processus de prêt, les transformant en services entièrement numériques sans aucune intervention humaine.
Malheureusement, ce n'est pas si facile pour les organisations qui utilisent encore des modèles d'exploitation traditionnels. Avant que ces entreprises ne puissent devenir performantes sur le site AI - et produire les analyses les plus significatives - elles doivent être performantes en matière de données. Dans Analytics at Work, Tom Davenport, éminent professeur, auteur et leader d'opinion, déclare : "On ne peut pas être vraiment bon en analyse sans avoir de très bonnes données".
À l'avenir, les organisations gagnantes auront la capacité de transformer les données en valeur plus rapidement grâce à l'analyse, et de transformer cette analyse en valeur et en action grâce à de meilleurs processus d'entreprise et à des expériences améliorées pour les clients, les employés, les partenaires, les fournisseurs et les clients potentiels.
Que faut-il pour être un grand spécialiste des données ?
Comme l'indique M. Davenport dans What's Your Data Strategy, "malgré l'émergence de fonctions de gestion des données et de responsables des données, la plupart des entreprises restent très en retard. Des études intersectorielles montrent qu'en moyenne, moins de la moitié des données structurées d'une entreprise sont activement utilisées pour prendre des décisions, et que moins de 1 % des données non structurées sont analysées ou utilisées. Et 80 % du temps des analystes est consacré à la découverte et à la préparation des données.4"
Davenport déclare également que "le fait d'avoir un CDO et une fonction de gestion des données est un début, mais ni l'un ni l'autre ne peuvent être pleinement efficaces en l'absence d'une stratégie cohérente d'organisation, de gouvernance, d'analyse et de déploiement des actifs d'information d'une organisation. Les aspects de plomberie de la gestion des données ne sont peut-être pas aussi sexy que les modèles prédictifs et les tableaux de bord colorés qu'ils produisent, mais ils sont essentiels à la haute performance."
Il poursuit en suggérant :
- la défense des données, qui garantit le respect des réglementations, l'intégrité des données circulant dans les systèmes de l'entreprise et la gestion des sources de données faisant autorité, y compris une source unique de vérité.
- Data offense, qui permet de mieux connaître les clients grâce à l'analyse et à la modélisation des données, en intégrant des données clients disparates et des données de marché pour soutenir la prise de décision managériale.
Pour en savoir plus sur la façon dont vous pouvez accélérer la transformation de vos données, lisez notre dossier "Transformer plus rapidement les données en valeur commerciale".
Les entreprises axées sur les données industrialisent leurs processus de données
Selon Iansiti et Lakhani, le succès implique "l'industrialisation de la collecte de données, de l'analyse et de la prise de décision pour réinventer le cœur de l'entreprise moderne, dans ce que nous appelons l'usine AI ".
Ils suggèrent qu'une usine AI repose sur un pipeline de données qui recueille, saisit, nettoie, intègre, traite et protège les données de manière systématique. Cela inclut, de plus en plus, une méthodologie de publication et d'abonnement pour les API. L'objectif est de mettre à disposition des données propres et cohérentes. Une fois ces données disponibles, le développement d'algorithmes et l'expérimentation peuvent avoir lieu.
Mais où en sont les leaders en matière de données en ce qui concerne la mise en œuvre de cette vision ?
Dans un récent #CIOChat, l'ancien DSI Isaac Sacolick suggère que "de nombreux DSI peuvent, malheureusement, vous en dire plus sur la boîte dans laquelle vivent les données que sur ce qu'il y a à l'intérieur de la boîte et sur la façon dont elles peuvent être utilisées pour atteindre les objectifs de l'entreprise". Tim McBreen, ancien DSI, ajoute que "les organisations essaient de corriger les données trop tard dans la chaîne d'utilisation des données. Elles corrigent le problème là où elles le remarquent au lieu de trouver la source de l'erreur. Cela fait perdre du temps et laisse les causes profondes intactes".
Le fait est qu'aujourd'hui, trop de responsables des données (CDO) et d'organisations informatiques sont contraints d'adopter une approche de la gestion des données qui prend du temps, en s'appuyant sur un ensemble d'applications disparates pour découvrir, intégrer et analyser les données. En raison de cette approche dispersée, les scientifiques des données finissent par passer trop de temps à collecter et à nettoyer les données, au lieu de les analyser. Il n'est donc pas étonnant que les initiatives AI ne portent pas encore leurs fruits.
Les CDO doivent encore s'améliorer
En règle générale, l'objectif d'un CDO est de s'assurer que son organisation exploite les données en tant qu'actif stratégique de l'entreprise pour une prise de décision basée sur les données. Mais notre étude montre qu'ils sont souvent trop concentrés sur les blocages et les tacles fondamentaux. Ils doivent agir en tant qu'évangélistes des données, en gardant les données au premier plan de l'esprit des gens. Ils doivent également éduquer les gens sur la valeur fondamentale de données opportunes et précises. Cela signifie que la plupart des CDO passent beaucoup de temps à expliquer la valeur des données plutôt qu'à guider les efforts de leur organisation en matière de données.
Pourtant, les perturbateurs numériques comme Stitch Fix s 'appuient sur les données et la valeur de l'analyse. Les 3 400 stylistes du détaillant travaillent avec un moteur de recommandation AI pour suggérer des vêtements aux clients en fonction de leurs préférences personnelles et des informations fournies - et ce n'est là qu'un exemple de personnalisation innovante basée sur les données.
C'est pourquoi les CDO d'aujourd'hui déclarent investir beaucoup d'énergie et d'argent dans la défense des données, y compris les dictionnaires de données, les modèles de données d'entreprise, les flux de données normalisés et les outils de qualité des données. Si seulement cela pouvait aller plus vite...
Paroles d'adieu
Les données sont importantes. Et comme le dit Davenport, "de bonnes données sont la condition préalable à tout ce qui est analytique, elles sont propres en termes d'exactitude et de format". Dans ces conditions, les CDO et les CIO ont du pain sur la planche. Mais le jeu en vaut la chandelle, car seules les organisations qui savent manier les données - et qui disposent de données de qualité - peuvent prospérer dans un monde numérique axé sur le site AI.
Pour en savoir plus sur la façon dont vous pouvez accélérer la transformation de vos données, lisez notre dossier "Transformer plus rapidement les données en valeur commerciale".