Comment gagner en maturité data et IA pour générer de la valeur
De nombreuses entreprises sont confrontées à des problèmes de passage à l'échelle, de rapidité et de collaboration dans tous les domaines de l'exploitation des données. Des pistes existent pour transcender ces difficultés.
Alors que de nombreuses entreprises de divers secteurs ont placé l'intelligence artificielle (IA) et le machine learning (ML) au cœur de leur stratégie de croissance, la plupart ne se sentent pas en mesure d'en exploiter la puissance avec succès. Cela s’explique principalement par un manque de maturité pour tirer le meilleur parti des déploiements d’IA et de ML.
Selon Gartner, 85% des projets big data échouent et selon le rapport du MIT, seulement 13% des entreprises excellent dans la mise en œuvre de leur stratégie data avec des résultats mesurables dans toute l’entreprise. Lorsqu'on demande aux "mauvais élèves" quels sont les principaux obstacles qui les empêchent de mener à bien leurs projets découlant de leur stratégie data, la majorité cite l'évolutivité limitée de leur plateforme de gestion de données, les difficultés de collaboration et la lenteur du traitement des gros volumes de données. Ainsi, de nombreuses entreprises sont confrontées à des problèmes de passage à l'échelle, de rapidité et de collaboration dans tous les domaines de l'exploitation des données. Examinons comment les entreprises peuvent en trois étapes simples gagner en maturité data et IA.
1. Construire l'architecture de base
Les entreprises parviennent à mettre en œuvre leur stratégie de données avec des résultats mesurables dans tous les domaines de l'entreprise lorsqu'elles prêtent attention aux fondements d'une gestion solide des données et construisent une architecture qui démocratise les données et tire de la valeur du ML.. La gestion de données d'entreprise est très complexe et nécessite de se débarrasser de la charge des systèmes traditionnels et d’une diversité d’outils, ainsi que des silos de données à moins qu'ils ne puissent être intégrés ou isolés. Tous ces problèmes combinés privent les plateformes de données des entreprises et les modèles ML qu'elles supportent, de la vitesse et de l'échelle nécessaires pour fournir les résultats commerciaux attendus. La bonne architecture de base doit permettre de réduire la duplication des données, de faciliter l'accès aux données pertinentes, de traiter de grandes quantités de données à grande vitesse et d'améliorer la qualité des données.
Le projet d'optimisation des livraisons d'UPS visant à raccourcir d’un kilomètre le trajet journalier de chaque livreur et à générer un gain annuel de 50 millions de dollars, s'appuie sur plusieurs critères de maturité : une infrastructure moderne et évolutive éprouvée, le soutien continu à tous les niveaux de la direction malgré les échecs et les retards, et la volonté d'obtenir des données riches, instantanées et précises par GPS sur les transactions, les points de localisation, les véhicules et même les conducteurs le cas échéant.
2. Développer une culture où les données et l'IA sont l'affaire de tous
Partie intégrante de la transformation de l'entreprise, la maturité data et IA est aussi une question de démocratisation des capacités analytiques, de ML et d'IA pour aider les utilisateurs métiers à prendre des décisions éclairées. Cela nécessite une véritable et forte culture data grâce à une collaboration reposant sur une technologie de pointe permettant d'utiliser les données pour améliorer les prises de décisions et leur impact respectif. Il est alors souvent nécessaire, de combler le fossé entre les équipes data, les utilisateurs finaux et les employés du front ou du back-office. Une bonne façon d’y remédier est d'intégrer des data scientists directement au sein des départements où ils interagissent régulièrement avec les utilisateurs ou de mettre l’analytique à la disposition directe des utilisateurs afin qu'ils en tirent eux-mêmes des informations en fonction de leurs besoins. En d'autres termes, il faut pousser les données plus près de la périphérie, là où se trouve l'utilisateur.
3. Évaluer régulièrement pour progresser dans la bonne direction
Pour réussir à créer de la valeur à partir de projets data-driven, une entreprise doit constamment savoir où elle en est dans son parcours vers la maturité data et IA en adoptant un modèle d'évaluation des compétences clés nécessaires. Un modèle d'évaluation réussi doit permettre de structurer le dialogue entre les équipes et la compréhension des étapes d'amélioration concernant les activités critiques de l’entreprise qui doivent être dynamisées, rendues plus cohérentes et plus stables grâce à l'intégration de données à grande échelle et à une véritable culture data. Cela implique la capacité d'utiliser les données pour améliorer, accélérer ou suivre les décisions et leur progression respective, de partager toutes ces décisions, les données et l'architecture data-driven pour que chacun puisse contribuer aux projets de l’entreprise. Il s'agit tout simplement d'un modèle basé sur la collaboration à tout moment, à tous les niveaux, et tous ensemble.
L'ensemble des projets d'IA d'un grand détaillant de café illustre parfaitement la valeur générée grâce à une maturité data et IA acquise par trois départements impliqués. Les opérations créent des modèles basés sur l'IA pour déterminer l'emplacement des futurs magasins en fonction des facteurs socio-économiques d'un quartier ciblé. Le département relation client bénéficie également directement de l'IA à travers le programme de fidélité de l'entreprise. En comprenant les boissons préférées et les habitudes d'achat de chacun de ses 19 millions d'abonnés, cette équipe contribue largement à dynamiser les ventes, prédit quelles boissons et quels canaux de distribution seront les plus rentables, et offre une expérience client ultra-personnalisée. Enfin, le service Assistance aux magasins s'appuie sur l'IA pour la maintenance prédictive des machines et l'anticipation des demandes d'approvisionnement.
Dans ce parcours exigeant vers une maturité data et IA, une entreprise a déjà fait un grand pas en avant, lorsque divers cas d'usage sont intégrés aux services centralisés, sécurisés et évolutifs spécialement mis en place par le département informatique. De toute évidence, la réussite d'une transformation d'entreprise ou d'une création de valeur data-driven implique impérativement une intégration globale, de la stratégie de l’entreprise aux plans de formation et à la mise à niveau des ressources internes, afin de continuer à diffuser les connaissances et les habitudes. Cette étape est cruciale pour multiplier le déploiement des cas d'usage data et IA, dont le succès et la création de valeur ne pourraient être atteints sans un soutien continu de la direction, une maturité organisationnelle et des capacités de data science à grande échelle.