Les données constituent la nouvelle source de valeur des entreprises, le nouvel « or noir ». Toutes les promesses sont-elles pour autant tenues ?
L’Informatique Décisionnelle (ou BI : Business Intelligence) est une histoire ancienne. Le terme OLAP est apparu dans les années 1990 avec au cours du temps de très nombreux produits logiciels permettant l’analyse et la compréhension des données.
La BI a ensuite attiré de nombreux investissements autour de projets d’entrepôts de données (Datawarehouse, Datamarts), production d’analyses opérationnelles (Reporting) et de Tableaux de Bord (Dashboards).
L’approche EPM (Enterprise Performance Management) ajoute une dimension supplémentaire en mettant en œuvre des processus de mise sous contrôle et de pilotage des activités, notamment financières.
Les techniques de visualisation (« DataViz ») se sont développées pour permettre la compréhension la plus fine des phénomènes analysés.
A chaque fois de nouveaux outils apparaissent, de nouveaux éditeurs, de nouvelles méthodes plus ou moins agiles.
Ces différents domaines sont aujourd’hui des « classiques » indispensables dans la panoplie des outils de gestion des entreprises mais ne constituent plus le lieu où se gênèrent les différentiations concurrentielles.
La donne a complètement changé depuis le début des années 2010 avec l’arrivée des approches « Big Data » dont l’objet initial n’était pas de faire du décisionnel mais de soutenir la création de nouveaux services innovants tels que les réseaux sociaux.
Il convient de conserver cette approche quelle que soit l’activité : la création de nouveaux services basés sur les données existantes permet la création de nouvelles données et ainsi la création de nouveaux services. C’est le cercle vertueux de la valorisation des données.
La frontière entre les domaines classiques des systèmes opérationnels tels les ERP et le domaine Analytique de nouvelle génération devient plus floue. L’Analytique peut d’ailleurs devenir dans de nombreux cas le point d’entrée des utilisateurs vers les systèmes opérationnels. Quelques exemples :
Services Financiers : offres automatisées de gestion d’actifs, de crédit ; propositions de paiement,
Finance d’entreprise : gestion du cash, prévention de la fraude,
Juridique : estimation de succès d’une action en justice, analyse de contrats, conformité réglementaire,
Achats : intégration automatisée des factures, découverte de fournisseurs,
Les questions plus traditionnelles restent bien sûr importantes et doivent être mises sous contrôle par les processus appropriés : sécurité, traçabilité, conformité.
L’enjeu d’évolution vers une véritable Entreprise Analytique implique donc, au-delà des questions traditionnelles traitées par la BI (Que s’est-il passé ? Combien ? Comment ? Quelles sont les causes ?) d’évoluer vers une plus grande intelligence dans la compréhension des données (Comment optimiser mon service ? Comment automatiser ? Comment anticiper les événements ? Comment focaliser mes ressources humaines sur les tâches à plus forte valeur ?) en exploitant la panoplie des technologies disponibles que l’on se contentera de citer ici : IA, traitement et compréhension du langage, recherche sémantique, apprentissage profond, etc. A noter que la mise en qualité des données (le « raffinage ») est aussi importante que l’extraction des données. Mettre des données brutes, aussi volumineuses soit elles, au contact des utilisateurs est le plus sûr moyen de rater sa cible. L’entrainement de modèles basé sur des données biaisées ou non qualitatives est source récurrente de difficultés.
L’Entreprise Analytique positionne donc la donnée et les outils de traitements associés au cœur de sa stratégie. En pratique, on constate que les métiers traditionnels autour de la BI changent à la fois de nature et de périmètre par la mise en place de nouvelles organisations et fonctions :
« Usine Analytique » appuyée sur les gisements de données métier et dédiée à la production de services numériques,
« CAO (Chief Analytics Officer) – CDO (Chief Data Officer) » en charge de piloter l’innovation et les services numériques,
« Consultants Analytiques » connaissant à la fois le métier, les processus et les capacités et limites des solutions techniques,
« Ingénieur Données » en charge de la qualité des données et de la cohérence des référentiels,
« Data Stewart » en charge des contenus, sécurité, qualité,
« Data Scientists » développant les techniques algorithmiques sous-jacentes.
Comment s’assurer de prendre les bonnes décisions ?
Les premières bonnes décisions d’un projet Analytique concernent l’organisation du projet. Selon la taille et la stratégie des organisations, ces métiers pourront être interne ou externe, mais il convient en réalité de bien préparer les rôles et responsabilités de chacun, à la fois dans la mise en œuvre d’un processus décisionnel, mais également tout au long de son cycle de vie. Citons les principaux domaines :
– Communication / Implication des acteurs
– Analyse des domaines clés d’application
– Analyse des données stratégiques disponibles
– Développement d’une vision des nouveaux services
– Recensement des outils / méthodes / technologies / partenaires techniques
– Accompagnement du changement des métiers
