Les 5 meilleures stratégies pour des investissements durables en analytique, Data Science et ML

Technologie   |   David Sweenor   |   18 mars 2021 TEMPS DE LECTURE : 8 MINUTES
TEMPS DE LECTURE : 8 MINUTES

Lorsque le COVID-19 a déferlé début 2020, tous les modèles de Data Science et de ML sont devenus obsolètes. La pandémie a fondamentalement changé la nature du travail et les activités se sont rapidement axées sur les données.

C'est sûr, les temps ont changé !

Pourtant, certaines choses sont restées les mêmes.

Dans le monde de l'analytique, de la Data Science et du machine learning, la technologie évolue rapidement, mais certains principes fondamentaux ne bougent pas. Des progrès dans la préparation, le nettoyage et le profilage automatisés des données au machine learning automatisé (AutoML) et à l'ingénierie des caractéristiques automatisée, il existe effectivement de nombreuses fonctionnalités innovantes à prendre en compte lors de l'évaluation des plateformes DSML.

Cependant, au moment d'investir dans l'analytique et l'IA, les responsables business doivent voir au-delà de la technologie. Celle-ci évolue, mais certains des principes de base nécessaires pour pérenniser votre stratégie restent les mêmes. Après tout, si vous travaillez dans le domaine de la technologie depuis quelque temps déjà, vous avez probablement constaté l'apparition et la disparition de certaines tendances. Vous avez sûrement vu également certains projets analytiques échouer et d'autres rencontrer un immense succès. Pourquoi certains projets aboutissent-ils alors que d'autres semblent ne jamais vraiment démarrer ? Au moment d'investir dans l'analytique et l'IA, les responsables business doivent voir au-delà de la technologie.

Selon une enquête de NVP sur les responsables Big Data et IA menée en 2021, 92,2 % des entreprises « identifient la culture (personnes, processus, organisation, conduite du changement) comme étant le principal obstacle pour devenir data-driven ».

Ces résultats n'ont rien d'anormal. Année après année, la culture continue de retarder les initiatives visant à s'appuyer sur l'analytique. Cependant, certaines entreprises ont trouvé la potion magique pour transformer leur culture basée sur l'intuition et les processus obsolètes en un environnement digital avant tout, reposant sur l'analytique, la Data Science et le ML. La magie opère grâce à cinq stratégies que les responsables utilisent pour pérenniser leurs investissements.

Pour les entreprises capables de se transformer, les résultats peuvent être impressionnants. Selon l'International Institute for Analytics (IIA), en comparant des entreprises avec différents niveaux de maturité analytique (c.-à-d., l'analytique ponctuelle par rapport à des entreprises analytiques), on constate les différences suivantes en matière de croissance financière.

En tant que responsable des données et de l'analytique, prenez en compte les recommandations suivantes en vue de pérenniser votre stratégie pour l'analytique et la Data Science.

1. Alignez l'analytique et la Data Science sur la stratégie d'entreprise

Oui, cela semble un peu cliché, mais l'une des principales causes d'échec des projets provient d'un mauvais alignement entre les professionnels de l'analytique et de la Data Science, différentes fonctions au sein de l'entreprise et la stratégie globale.

Il est nécessaire d'avoir mis en place une stratégie d'entreprise bien définie avec des objectifs business et des OKR (objectifs et résultats clés). Ensuite, il faut définir un ensemble d'initiatives (projets) qui correspondent à ces OKR, puis créer des KPI (indicateurs clés de performance) pour ces initiatives. C'est seulement à partir de ce moment-là qu'il faudrait créer des projets analytiques pour mener à bien ces initiatives majeures.

2. Commencez par la prise de décision digitale et travaillez à rebours

Une fois les initiatives majeures et les équipes de projet définies, il faut travailler à rebours à partir des décisions clés à prendre. Les responsables doivent prêter une attention particulière aux processus métier concernés. Les projets de données et d'analytique ont pour objectif de créer de la valeur pour l'entreprise. Si rien ne change après avoir utilisé l'analytique dans une décision numérique, quel intérêt ? Trop souvent, cet aspect est ignoré, ce qui nuit aux projets et démoralise ceux qui travaillent dessus.

En supposant que l'entreprise puisse prendre des mesures prescriptives basées sur l'analytique, les métiers doivent se mettre à implémenter des workflows analytiques dans les systèmes métier. Cela nécessite un robuste processus de conduite du changement, ainsi qu'une stratégie MLOps.

3. N'oubliez pas vos employés

Les employés sont l'atout le plus précieux d'une entreprise, et il reste encore bien d'autres aspects à aborder. Tout d'abord, il y a toujours une pénurie de Data Scientists qualifiés. Les entreprises ne parviennent pas à les recruter et à les fidéliser. Heureusement, la situation s'améliore rapidement grâce à des opportunités de montée en compétences comme le programme ADAPT.

De nombreuses grandes entreprises préfèrent conserver les équipes en place et les former à la data en proposant les formations nécessaires pour devenir Citizen Data Scientists. Que vous aimiez ou non le terme de Citizen Data Scientist, de nombreux professionnels utilisent les données et l'analytique, mais sont aujourd'hui piégés dans des feuilles de calcul, à répéter indéfiniment les mêmes tâches.

Par ailleurs, l'efficacité d'une entreprise qui s'appuie sur l'analytique dépend de la communauté qui la soutient. Lorsque vous évaluez une technologie analytique, soyez tout particulièrement attentif à la solidité de sa communauté. Offre-t-elle une expérience collaborative permettant aux employés d'apprendre les meilleures pratiques et de résoudre les problèmes sans solliciter l'IT ni passer par des programmes de formation coûteux ?

4. Ne répétez pas les mêmes actions, automatisez-les

Concernant la recommandation n° 3, l'automatisation est essentielle pour les entreprises. Au cours de l'histoire, il a fallu automatiser les systèmes et les processus à mesure qu'ils devenaient plus complexes. Inutile de se voiler la face : aujourd'hui, les spécialistes du savoir en ont assez des processus dépassés. Ils détestent refaire sans cesse la même chose. Ils préféreraient utiliser leurs compétences pour innover. Par exemple, ils aimeraient sûrement aller au-delà des rapports hebdomadaires purement descriptifs axés sur des événements passés pour créer des modèles de Data Science par glisser-déposer, explorer des scénarios et formuler des recommandations.

De nombreuses entreprises considèrent l'automatisation comme une compétence essentielle. De l'automatisation des processus par la robotique à l'IA et au ML en passant par les chatbots ou les interfaces utilisateur low-code/no-code, s'il y a répétition, vous pouvez automatiser le processus. L'Automatisation des processus analytiques est certainement l'une des pièces maîtresses du puzzle de la transformation numérique. Grâce à cette technologie, les entreprises peuvent permettre à leurs employés de réaliser l'impossible et de résoudre les problèmes d'une façon inédite et innovante.

5. Considérations technologiques

Si la technologie permet bien l'amélioration du bien-être des employés et des performances des équipes, elle ne doit être prise en considération qu'une fois les recommandations précédentes comprises. Avant tout, elle doit être intuitive, accessible et facile à utiliser. Oui, je sais, tous les fournisseurs de technologies disent que leur technologie est facile à utiliser. C'est pourquoi je conseille d'essayer avant d'acheter.

La technologie doit aussi disposer d'un solide ensemble de blocs de construction pour créer des pipelines de données et d'analytique qui aident à résoudre des problèmes métier concrets et conduisent à la croissance du chiffre d'affaires et des résultats.

La technologie doit intégrer l'automatisation et disposer d'un solide réseau de partenaires pour accompagner votre transformation numérique. Enfin, elle doit inclure certaines fonctionnalités AutoML s'appuyant sur des projets open source comme EvalML (cette vidéo YouTube s'adresse aux pythonistes qui lisent ce blog).

Envolée de l'analytique dans une compagnie aérienne

Découvrons ici l'équipe marketing d'une compagnie aérienne. Avant, elle sollicitait une agence marketing proposant des services complets, mais souhaitait reprendre certaines tâches en interne. Avec une plateforme analytique intuitive et facile à utiliser, l'équipe a pu analyser les e-mails marketing et vraiment comprendre les besoins des clients. Après quelques tests A/B et une réduction des textes dans ses campagnes par e-mail, elle a pu obtenir 50 % de clics en plus et une augmentation de 15 % des conversions.

Mais sa réussite ne s'arrête pas là. Puisque les collaborateurs disposaient d'une plateforme capable d'évoluer au fil de leurs connaissances, ils ont pu ajouter une composante géographique à leur analyse, ce qui leur a permis d'augmenter les interactions de 10 %. Plus d'une dizaine de workflows étaient automatisés, ce qui leur a permis de dégager du temps pour l'innovation. En ajoutant des fonctionnalités prédictives, ils ont pu identifier un segment marketing 3 fois plus susceptible d'aboutir à des conversions. Résultat : les conversions ont augmenté de 20 % !

Conclusion

La technologie n'est qu'une composante du fameux trio que forment les collaborateurs, les processus et la technologie. Alors que les responsables business se lancent dans l'analytique, il est important de bien comprendre la stratégie d'entreprise et son lien avec les décisions digitales. Il faut savoir comment le processus métier va évoluer.

Vous devez ensuite impliquer toute l'entreprise dans les divers projets et initiatives. Assurez-vous que vos équipes ont la possibilité d'améliorer leurs compétences. Après tout, ce sont eux qui connaissent le mieux votre business. Ils peuvent apporter des améliorations conséquentes s'ils en ont l'occasion.

Ensuite, automatisez, Automatisation. Automatisation. Enfin, cherchez une plateforme technologique facile à utiliser, flexible et dotée de centaines de blocs de construction permettant de créer des workflows innovants. La technologie doit être soutenue par une communauté solide.

Balises