5 mythes de l’intelligence d’affaires qui vous séparent d’une entreprise axée sur les données

Pendant des décennies, les outils d’intelligence d’affaires (BI) et d’analyse ont promis un avenir où les données peuvent être facilement accessibles et transformées en informations et en idées pour prendre des décisions rapides et fiables. Cependant, pour la plupart, cet avenir n’est pas encore arrivé. De l’équipe C à la ligne de front, les employés s’appuient fortement sur les équipes techniques pour comprendre les données et obtenir des informations à partir des tableaux de bord et des rapports. En tant que PDG d’une société de données et d’intelligence décisionnelle, j’ai entendu d’innombrables exemples de la frustration que cela peut causer.

Pourquoi, après 30 ans, la BI traditionnelle n’apporte-t-elle pas de valeur ? Et pourquoi les entreprises continuent-elles d’investir dans des outils multiples et fragmentés qui nécessitent des compétences techniques spécialisées ? Une récente Forrest rapport montre que 86 % des entreprises utilisent au moins deux plateformes BI, avec Accenture constatant que 67% de la main-d’œuvre mondiale a accès à des outils d’intelligence d’affaires. Pourquoi, alors, la littératie des données est-elle toujours un problème aussi répandu ?

Dans la plupart des cas d’utilisation, l’inaccessibilité des prévisions analytiques découle des limites des outils de BI d’aujourd’hui. Ces limites ont perpétué plusieurs mythes, largement acceptés comme des « vérités ». De telles idées fausses ont sapé les tentatives de nombreuses entreprises de déployer des analyses en libre-service ainsi que leur capacité et leur volonté d’utiliser les données dans l’intelligence décisionnelle cruciale.

Mythe 1 : Pour analyser nos données, nous devons toutes les rassembler

Les approches traditionnelles des données et de l’analyse, façonnées par les capacités limitées de la BI, nécessitent de rassembler les données d’une entreprise dans un seul référentiel, tel qu’un entrepôt de données. Cette approche consolidée nécessite du matériel et des logiciels coûteux, un temps de calcul coûteux si vous utilisez un cloud d’analyse et une formation spécialisée.

Trop d’entreprises, ignorant qu’il existe de meilleures façons de combiner les données et de leur appliquer l’analyse commerciale pour prendre des décisions intelligentes, continuent de se résigner à des approches analytiques coûteuses, inefficaces, complexes et incomplètes.

Selon une enquête IDG, les entreprises utilisent en moyenne 400 sources de données différentes pour alimenter leur BI et leurs analyses. Il s’agit d’une tâche herculéenne qui nécessite des logiciels spécialisés, une formation et souvent du matériel. Le temps et les dépenses nécessaires pour centraliser les données dans un entrepôt de données sur site ou dans le cloud annulent inévitablement tout gain de temps potentiel que ces outils de BI devraient offrir.

La requête directe implique d’apporter l’analyse aux données, plutôt que l’inverse. Les données n’ont pas besoin d’être prétraitées ou copiées avant que les utilisateurs puissent les interroger. Au lieu de cela, l’utilisateur peut interroger directement les tables sélectionnées dans la base de données donnée. Ceci est en opposition directe avec l’approche de l’entrepôt de données. Cependant, de nombreux utilisateurs de Business Intelligence comptent encore sur ce dernier. Ses effets chronophages sont bien connus, mais les gens les acceptent à tort comme le coût de la réalisation d’analyses avancées.

Mythe 2 : nos ensembles de données les plus volumineux ne peuvent pas être analysés

Les données existent en temps réel sous forme de flux d’informations multiples et fluides ; il ne devrait pas être nécessaire de le fossiliser et de le déplacer vers le moteur d’analyse. Cependant, les bases de données en mémoire qui s’appuient sur une telle méthode sont un élément essentiel de l’informatique décisionnelle. Le problème avec cela est que les ensembles de données les plus étendus d’une entreprise deviennent rapidement ingérables ou obsolètes.

Le volume, la vitesse et la variété des données ont explosé au cours des cinq dernières années. Par conséquent, les organisations doivent être en mesure de gérer régulièrement de grandes quantités de données. Cependant, les limites des outils de BI hérités – certains remontant aux années 1990, bien avant l’avènement des données, des applications, du stockage et à peu près tout le reste dans le cloud – qui s’appuient sur des moteurs en mémoire pour analyser les données ont créé le sentiment qu’il s’agit d’un bataille impossible à gagner.

Les entreprises peuvent résoudre les problèmes inhérents aux moteurs en mémoire en accédant directement à l’endroit où se trouvent les données, ce qui permet d’accéder à des ensembles de données plus volumineux. Cela permet également de pérenniser un programme d’analyse d’entreprise. La requête directe facilite infiniment la migration des services sur site vers les services cloud tels que ceux fournis par nos partenaires, AWS et Snowflake, sans réécrire entièrement le code.

Mythe 3 : Nous ne pouvons pas unifier nos efforts en matière de données et d’analyse au sein de l’organisation

Trop souvent, les pratiques courantes sont confondues avec les meilleures pratiques. Des sélections ad hoc et des combinaisons d’outils de BI produisent un cocktail de préférences et de fonctionnalités, les organisations adoptant fréquemment des approches département par département. Les ventes peuvent aimer une plate-forme ; la finance peut préférer quelque chose de différent, tandis que le marketing pourrait choisir encore une autre option.

Avant longtemps, chaque service dispose d’un ensemble d’outils différent, créant des silos d’informations qui empêchent les applications de communiquer entre elles ou de partager des informations analytiques. Selon l’enquête Forrester citée précédemment, 25 % des entreprises utilisent 10 plateformes de BI ou plus.

Le problème est que la séparation de la préparation des données, de l’analyse commerciale et de la science des données entre différents outils entrave la productivité et augmente le temps passé à basculer et à traduire entre les plates-formes.

Certains secteurs d’activité fonctionnent mieux lorsque les dirigeants permettent à leurs départements de choisir une approche individuelle. L’analytique n’en fait pas partie. Les dirigeants et les décideurs doivent faire confiance à leurs données. Mais la confiance est érodée chaque fois qu’elle passe par un autre ensemble d’outils tout au long du parcours de création d’informations exploitables. Le processus entraîne inévitablement des conflits et une opacité des données. La cohérence et la compréhension sont essentielles.

Mythe 4 : La poursuite du rêve de l’IA nous distrait des réalités quotidiennes de la conduite des affaires

De nombreuses technologies, y compris les outils de BI, prétendent être pilotées par l’IA. La promesse est de remplacer le travail humain par une efficacité d’apprentissage automatique infaillible ; la réalité est plus souvent décevante. Par conséquent, de nombreuses entreprises ont abandonné l’idée d’utiliser l’IA dans leur flux de travail analytique quotidien.

Les professionnels de la technologie peuvent être naturellement cyniques quant aux cas d’utilisation réels de l’IA généralisée dans l’entreprise. Les gens doivent encore structurer et analyser manuellement leurs données, extraire des informations et prendre les bonnes décisions, le tout à partir de zéro. Les idiosyncrasies et les processus décisionnels de l’esprit humain sont difficiles, voire impossibles, à synthétiser.

L’astuce pour faire de l’IA un outil d’analyse fonctionnel et efficace consiste à l’utiliser de manière à prendre en charge les défis commerciaux quotidiens sans l’isoler d’eux. Il est essentiel de savoir exactement quelles fonctionnalités basées sur l’IA vous devez utiliser. Il peut être intelligent mais, comme tout outil, il a besoin de direction et d’une main ferme pour apporter de la valeur. L’automatisation de la routine permet aux humains d’employer l’intuition, le jugement et l’expérience dans la prise de décision. Il n’y a pas lieu de craindre un soulèvement de robots.

Mythe 5 : Pour tirer le meilleur parti de nos données, nous avons besoin d’une armée de data scientists

Une énorme demande se développe dans l’industrie pour la capacité de collecter de grandes quantités de données disparates en informations exploitables. Mais la direction de l’entreprise croit toujours qu’elle doit embaucher des interprètes qualifiés pour disséquer les centaines de milliards de lignes de données produites par les grandes organisations.

Le traitement, la modélisation, l’analyse et l’extraction d’informations à partir de données sont des compétences recherchées. Par conséquent, les services de data scientists ayant une formation spécifique et intensive dans ces domaines sont précieux.

Mais alors qu’ils ajoutent de la valeur, vous atteignez un point de rendements décroissants. Et ces employés ne sont plus les seuls à pouvoir faire de la science des données. Une génération d’employés d’entreprise est entrée sur le marché du travail et on s’attend à ce qu’ils évaluent et manipulent les données au jour le jour.

Dans certains cas, les scientifiques des données de haut niveau ne sont pas des embauches nécessaires lorsque les utilisateurs professionnels non techniques ont régi l’accès en libre-service aux plateformes d’analyse et d’intelligence décisionnelle augmentées. Ces utilisateurs ont une connaissance inestimable du domaine et une compréhension de la chaîne décisionnelle au sein de leur entreprise. Ce qu’il faut pour rendre leur travail plus accessible, c’est une base solide de capacités de données et d’analyse que les outils de BI traditionnels ont souvent du mal à fournir.

Propositions de valeur et promesses non tenues

Le paysage actuel de l’analyse et de la BI a fait comprendre aux chefs d’entreprise que certaines limites naturelles sont imposées à leurs efforts en matière de données et d’analyse. Bien qu’ils soient toujours utiles pour des cas d’utilisation spécifiques, les outils traditionnels sont appliqués dans des combinaisons lâches, variant d’un service à l’autre. La frustration que cela engendre — l’inefficacité et les gains de temps potentiels qui sont perdus — est le résultat direct des lacunes dans les capacités actuelles de BI.

La BI traditionnelle empêche les entreprises de tirer le meilleur parti de leurs données. Cela est évident : les entreprises à l’échelle de l’entreprise génèrent de grandes quantités de données dans divers formats et les utilisent à des fins très diverses. La confusion est inévitable lorsque la méthode de collecte et d’analyse des données est, elle-même, confuse.

Il faut quelque chose de plus complet. Les entreprises manquent de confiance dans les processus basés sur l’IA, car les outils de BI hérités ne peuvent pas tenir leurs promesses. Ils ne croient pas en un accès démocratisé aux données car leurs départements ne parlent pas le même langage d’analyse. Et ils manquent de confiance dans leurs données car les moteurs en mémoire ne s’adaptent pas au degré dont ils ont besoin, ce qui les laisse avec des données incomplètes et donc peu fiables.

L’innovation en matière de données et d’analyse est la façon dont les entreprises créent de la valeur à l’ère de la transformation numérique. Mais, pour innover, il faut savoir que ses barrières sont cassables.

Omri Kohl est cofondateur et PDG de Pyramid Analytics.