La taille n’est pas le problème : 3 façons d’obtenir un véritable aperçu de vos données

Les experts le disent depuis des années : les données sont le nouveau pétrole. Et qui peut argumenter ? Les données sont devenues une ressource naturelle indispensable pour les entreprises modernes, un incontournable pour la prise de décision commerciale.

Mais il y a une mouche dans la pommade (ou dans ce cas, l’huile). Les organisations peuvent collecter des données sous tous les angles – chaque personne, lieu ou chose dans un parcours numérique apparemment infini – mais pour extraire de la valeur, les entreprises doivent être en mesure de répondre à une question critique : qu’est-ce que les données essaient de dire ?

En quête de réponses, de nombreuses organisations pompent de plus en plus de données dans le stockage, comme si le simple fait d’accumuler plus de données dans des lacs de données en constante croissance pouvait fournir des informations plus approfondies. Pourtant, ils finissent toujours par être perplexes, à tâtons dans le noir pour le “aha!” des moments qui créent une meilleure compréhension des clients, des efficacités opérationnelles et d’autres avantages concurrentiels.

C’est parce que le problème n’est pas la taille des données ; c’est la capacité d’en tirer des informations précieuses. Les questions commerciales qui aident à esquisser la forme des recommandations de produits personnalisées, de la détection des fraudes en temps réel et des parcours de soins médicaux, pour ne citer que quelques exemples, ne s’intègrent pas dans la manière rigide dont les données sont stockées.

Pas seulement stocker des faits

Les systèmes traditionnels tels que les entrepôts de données sont construits sur des bases de données relationnelles (RDMBS) conçues pour stocker des faits, et non pour analyser les données du point de vue de qui et d’où elles proviennent. Par nature, les tables du SGBDR existent sous forme de fichiers indépendants dans un lac de données. Vous pourrez peut-être trouver des informations isolées dans ces informations, mais ignorez les informations contenues dans les données qui permettent aux entreprises de résoudre les problèmes commerciaux avec nuance.

Trop souvent, au sein des entreprises, différents points de données vivent dans différents silos organisationnels, tels que les ventes, le marketing, le service client et la chaîne d’approvisionnement. Cela laisse une vision déconnectée et myope de la façon dont une entité interagit avec l’entreprise.

Même les programmes d’intelligence artificielle (IA) et d’apprentissage automatique (ML) ont tendance à fonctionner en silos, chaque équipe travaillant sur une question étroitement définie. Ils peuvent trouver des réponses à temps, mais comme ils travaillent sur des données distinctes, il est peu probable qu’ils découvrent des informations plus approfondies (c’est-à-dire des modèles ou des similitudes) qui améliorent la précision de leur modèle pour répondre aux questions commerciales.

Passer à côté du sens des données est une proposition perdante à un moment où les organisations sont soumises à une pression incessante pour mieux comprendre les comportements des clients, prévoir les changements du marché et prévoir ce qui va suivre pour l’entreprise dans un monde instable.

Et l’importance va au-delà de ces utilisations commerciales – elle est également essentielle pour découvrir la fraude financière, personnaliser les soins médicaux aux patients, gérer des chaînes d’approvisionnement complexes et découvrir les risques de sécurité.

Les organisations ont du pain sur la planche pour atteindre un état optimal dans le parcours des données : découvrir les relations au sein, entre et parmi toutes ces informations pour obtenir des informations significatives.

Comment une organisation peut-elle y arriver ? Voici trois conseils clés.

1. Éliminer les silos

De nombreuses entreprises dépensent des millions pour embaucher des scientifiques des données, créer de nouveaux modèles de données et explorer des approches d’IA et de ML. Le problème? Ces programmes fonctionnent souvent en silos dans les grandes organisations. Le résultat? Être obligé de prendre des décisions commerciales critiques avec des données unidimensionnelles dépourvues de contexte essentiel.

Prenons, par exemple, une entreprise de commerce électronique avec laquelle nous travaillons et qui gère cinq sites Web de vente au détail de marque individuelle. Comprendre les identités et les activités des clients à travers ces marques est compliqué et, sans une vue consolidée des identités et des activités des clients, l’entreprise a eu du mal à faire des recommandations et des offres personnalisées.

Grâce à une nouvelle approche qui parcourait toutes les données client de l’entreprise et synchronisait les identités des clients via leurs numéros de téléphone mobile, adresses e-mail, appareils, adresses, cartes de crédit et plus encore, l’entreprise dispose désormais d’une vue unique et unifiée de chaque relation acheteur. En conséquence, l’entreprise prévoit une augmentation de 17,6 % des ventes de ses marques de détail spécialisées.

Il s’agit d’un exemple puissant de la façon dont les entreprises collectent si souvent des données à partir de sources, d’angles et d’emplacements disparates et stockent les informations dans des silos et comment cela interrompt les modèles de relations avec cette entité.

En fusionnant les données de différents silos en un seul ensemble de données à l’échelle de l’entreprise, les entreprises peuvent ensuite analyser comment une personne, un lieu ou une chose interagit dans l’entreprise du point de vue de l’entité. Quelle est cette technologie ? Voir point 2.

2. Choisissez la bonne technologie de base de données pour la bonne charge de travail

Les bases de données relationnelles, malgré leur nom, peinent par elles-mêmes à découvrir les relations de données entre, au sein et parmi les différents éléments de données.

Les questions de niveau supérieur telles que la manière de personnaliser les recommandations de produits pour les clients ou de rendre les chaînes d’approvisionnement plus efficaces nécessitent de trouver un contexte, des connexions et des relations dans les données. Pensez à la façon dont notre cerveau collecte et stocke des faits, des données et des éléments d’information chaque seconde, et à la façon dont la partie raisonnement de notre cerveau entre en jeu pour évaluer le contexte et mettre en évidence les relations.

Les bases de données de graphes sont une technologie plus récente qui représente une manière totalement différente de structurer les données autour de relations. Ils agissent comme la partie de raisonnement du cerveau pour des ensembles de données volumineux et complexes pour des ensembles de données interdépendants volumineux et complexes. C’est dans ces ensembles de données que l’on peut voir toutes les relations et connexions entre les données. LinkedIn et Meta (Facebook), par exemple, s’appuient sur des bases de données de graphes pour découvrir comment différents utilisateurs sont liés, les aidant à se connecter avec des contacts et du contenu pertinents.

En complétant leurs systèmes avec l’analyse graphique, les organisations peuvent se concentrer sur la réponse aux questions basées sur les relations.

3. Débloquez des informations plus intelligentes à grande échelle grâce au machine learning sur les données connectées

En accélérant le développement de l’apprentissage automatique amélioré par les graphiques, les organisations peuvent utiliser les informations supplémentaires des données connectées et des fonctionnalités graphiques pour de meilleures prédictions. Grâce à la puissance prédictive précise issue de fonctionnalités graphiques et de modèles graphiques uniques, les organisations peuvent débloquer des informations et un impact commercial encore plus puissants.

Les utilisateurs peuvent facilement former des réseaux de neurones de graphes sans avoir besoin d’une machine puissante, grâce à des fonctionnalités intégrées telles que le stockage distribué et le traitement massivement parallèle, ainsi qu’un partitionnement basé sur des graphes pour générer des ensembles de données de graphes de formation/validation/test. Le résultat : de meilleures représentations des données en termes de traitement du type de données, d’établissement d’un modèle de données unifié et d’un moyen de représenter les données pour obtenir les résultats commerciaux les plus efficaces de l’IA.

Comme le montrent ces trois conseils, il est vital pour les organisations d’adopter une approche moderne des données qui leur permette de comprendre non seulement les points de données individuels, mais aussi les relations et les dépendances entre toutes les connexions de données. Pour gagner avec les données, les entreprises doivent être capables de combiner perspective, échelle et rapidité. Ils doivent également être capables de poser des questions critiques et complexes basées sur les relations et d’y répondre.
questions – et faites-le au rythme des affaires.

C’est la seule façon pour les organisations d’aujourd’hui de vraiment exploiter les données comme le nouveau pétrole.

Todd Blaschka est directeur de l’exploitation chez TigreGraph.