La transition de la BI à l’intelligence artificielle a démarré. Voici comment prendre le train en marche , et pourquoi il ne faut pas le manquer !

La transition a été progressive, même si d’une certaine manière, les conversations qu’elle a suscitées semblaient évoluer du jour au lendemain : la BI (Business Intelligence ou l’intelligence décisionnelle en français), qui marqué autrefois le préambule de la culture data au sein des organisations, a tout doucement cédé la place à la data science, déplaçant alors l’attention vers le Machine Learning (ML) et l’Intelligence Artificielle (IA).

La mutation a été si progressive que les entreprises pouvaient facilement passer à côté, ou attendre qu’elle s’arrête avant de passer à l’action (ce qu’elles n’ont jamais fait). Les entreprises encore piégées dans le monde de la BI se sont donc retrouvées à la traîne, bien loin derrière. Alors comment sommes-nous arrivés à cette situation, et pourquoi vous ne devez plus tarder à faire le grand saut, même si vous pensez qu’il soit trop tard.

Nous sommes entrés sains et saufs dans l’ère de l’intelligence artificielle.

Si vous aviez encore quelques doutes à ce sujet, Forbes a publié en février dernier ses prévisions concernant le marché du Machine Learning (Roundup Of Machine Learning Forecasts And Market Estimates, 2018), où l’on peut lire ceci :

« Les plateformes de Data Science dépasseront le marché étendu de la business intelligence et de l’analytique, dont le taux de croissance annuel composé (TCAC) devrait atteindre 8 % entre 2017 et 2021. Au cours de la même période, les plateformes de Data Science augmenteront en valeur de 3 à 4,8 milliards de dollars. »

De son côté, l’Institut International des Analyses (IIA) a récemment publié une étude qui montre que l’arrivée à maturité des technologies analytiques exerce un impact conséquent sur la performance des entreprises.

Les entreprises consacrent de plus en plus d’argent à la data science et de moins en moins à la business intelligence, n’est-ce pas le signe d’un changement incontestable ?

Qu’est-il arrivé à la BI ?

Les entreprises ont commencé à collecter des données et à les exploiter à la fin des années 80 en y accordant peu d’importance ! Le faible volume de données alors à leur disposition leur permettait de les traiter localement. L’analyse de données étant une nouvelle technique, les idées obtenues étaient nécessairement révolutionnaires (il est toujours plus intéressant d’étudier quelques données qu’aucune donnée, ce qui était précédemment le cas).

Mais compte tenu du volume de données dont nous disposons aujourd’hui, auquel s’ajoutent les données comportementales des utilisateurs sur le net, il est déraisonnable de vouloir continuer à utiliser les mêmes méthodes d’analyse.


Le volume de données a connu une formidable croissance au cours des 10 dernières années.

Certes, le monde de la Business Intelligence a connu moult développements et évolutions depuis qu’elle s’est imposée comme une pratique métier standard et s’est nettement améliorée. Mais en réalité, de nombreuses entreprises se contentent encore d’utiliser seulement la BI. Elles ont donc un comportement réactif  face à la donnée car elles se servent de données anciennes pour influencer des décisions futures, alors que le domaine des analytics a radicalement changé.

Compte tenu des énormes volumes de données qui sont générées, nous disposons enfin, à la minute près, d’informations concernant le comportement des consommateurs (tels que son évolution et les changements soudains). Il est clair que l’analyse dite “réactive” n’est plus la technique adaptée. Pourtant, les entreprises continuent de l’utiliser.
 

Il est plus facile de parler que d’agir (2/2?)

La raison pour laquelle les entreprises n’ont pas totalement adopté l’intelligence artificielle est en fait assez banale. Bien que l’intelligence artificielle soit en apparence une technologie simple ou qui peut être mise en place avec un peu de moyen tout en appuyant sur un bouton, il s’agit d’un défi fondamental, tant sur le plan organisationnel que technique. Peut-être n’est-il pas suffisant de disposer des bonnes ressources, de la bonne expertise, des bons outils, de la bonne volonté de la part des managers, etc.

C’est surprenant, mais il arrive encore aujourd’hui que l’accès à des données propres et exactes pose problème à de grandes entreprises, même à celles dont la réputation en matière d’innovation n’est plus à démontrer. Si tout le monde reste bloqué à la première étape, il est compliqué de passer aux phases suivantes à grande échelle et d’automatiser le processus.

Ne perdez plus de temps !

Bonne nouvelle, il n’est pas trop tard pour commencer. Et s’il n’existe pas de solution miracle, votre entreprise peut prendre certaines mesures pour amorcer le processus de l’intelligence artificielle en entreprise :

  1. Fixez-vous un objectif provenant du sommet de votre organisation, afin que votre entreprise soit véritablement axée et guidée par les données (data-driven), c’est-à-dire qu’elle exploite en permanence des quantités massives de données au lieu de réagir au coup par coup au moyen d’analyses ponctuelles. Je vous incite à visionner cette vidéo pour en savoir plus sur la façon de fixer et d’atteindre cet objectif.
  2. Tirez davantage parti des ressources dont vous disposez déjà, au lieu de vous lancer dans un processus de recrutement. Fournissez à vos équipes les outils leur permettant de travailler avec des données tout en mettant à profit leurs connaissances métier. Par exemple, en formant les analystes à de nouvelles compétences qui leur donneront les moyens de participer à des projets de Machine Learning. Pour mener vos équipes sur cette voie, je conseille de leur partager le guide de l’analyste du futur.
  3. Équipez vos ressources techniques d’outils leur permettant d’être davantage productives en réutilisant leur travail et, le cas échéant, des raccourcis pertinents (par exemple, en préparant des données visuelles ou en comparant facilement les performances de différents modèles). Cliquez ici pour connaître l’utilité des outils de Data Science.
  4. Introduisez-la data science, le machine learning et l’intelligence artificielle dans votre organisation en choisissant un premier cas d’usage spécifique, puis en définissant un cadre pour atteindre votre objectif.
  5. Élaborez un plan pour lancer en production votre projet data finalisé en s’assurant de l’impact et de la valeur réels délivrés pour votre entreprise afin de créer une véritable adhésion.

Leave a Reply