Les entreprises dépassées par de nombreuses sources de données

Too big to use : de nombreuses entreprises se montrent dépassées par l'abondance des sources de données. Dans l'espace DACH, seules 8 % des entreprises utilisent les sources de données les plus diverses, y compris les données d'autres organisations, pour prendre des décisions. Pour 44 %, cet objectif est partiellement atteint. De nombreuses entreprises se dispersent dans le traitement et l'intégration systématique des données de différentes origines. Quatre sur dix se plaignent de déficits techniques dans l'utilisation des données pour des analyses plus approfondies. Conséquence : un manque de création de valeur à partir des investissements dans l'analytique. C'est ce qui ressort de l'étude BI & Analytics biMA® 2017/18 réalisée par Sopra Steria Consulting en collaboration avec le Business Application Research Center (BARC). La base méthodologique de ces études est le modèle de maturité biMM® (Business Intelligence Maturity Model) développé par Sopra Steria Consulting, en collaboration avec les universités de Duisburg-Essen et de Saint-Gall, avec la participation de l'université de Düsseldorf, et la méthode d'analyse biMA® (Business Intelligence Maturity Audit) qui s'appuie sur ce modèle.

L'exploitation professionnelle des sources de données fait défaut

Avec les nouvelles possibilités techniques (Advanced Analytics), la prédiction de l'avenir en intégrant des sources de données différenciées est au centre des préoccupations des entreprises. De nombreux services numériques sont basés sur l'intelligence artificielle et l'apprentissage automatique. Il s'agit par exemple de prévisions sur la manière dont les clients et les marchés vont se comporter, afin d'orienter la production. En outre, il y a longtemps que les commerçants en ligne ne sont plus les seuls à vouloir recommander des produits à leurs clients ou à leur montrer des alternatives lorsque le produit souhaité n'est pas disponible à ce moment-là. Des algorithmes évaluent à cet effet plusieurs millions d'enregistrements. Ceux-ci proviennent d'un nombre croissant de sources de données, par exemple de données géographiques, de données issues des médias sociaux et de données de capteurs.

Le point crucial dans le développement de nouveaux modèles commerciaux et de prestations de service n'est pas tant la puissance d'analyse technique que le manque d'exploitation professionnelle. 43 pour cent des entreprises interrogées ont des difficultés à extraire des connaissances et des enseignements des données et à créer de la valeur ajoutée grâce à l'information. Plus d'une entreprise sur quatre (27%) estime avoir du retard à rattraper en matière d'intégration et de mise en relation des données dans le travail professionnel. Au final, les informations s'évaporent ou les entreprises tirent des conclusions erronées.

Les modèles commerciaux axés sur les données nécessitent une nouvelle approche

Certaines entreprises s'écartent désormais de la stratégie consistant à utiliser le plus grand nombre possible de sources et de jeux de données. Des entreprises comme la banque Goldmann Sachs et le groupe allemand de commerce électronique Otto s'expriment sur le fait que l'utilisation de l'intelligence artificielle et de l'apprentissage automatique consiste plutôt à avoir le bon choix de données, mais que celles-ci soient parfaitement comprises. D'autres entreprises misent sur de nouveaux concepts comme le data-thinking - une méthode qui combine le design-thinking avec l'analyse et l'exploration des données. Ces exemples montrent qu'un changement de mentalité est en train de s'opérer dans de nombreux secteurs, qui s'éloignent des stratégies "big data" pour se rapprocher des stratégies "smart data".

"Il ne s'agit pas de devenir le champion du monde de l'exploitation d'un maximum de sources de données", explique Lars Schlömer, responsable BI & Analytics chez Sopra Steria Consulting. "Ce ne sont pas la quantité ni la qualité des données qui déterminent la qualité des modèles commerciaux axés sur les données, mais le savoir-faire technique et analytique permettant d'utiliser les données pour créer de la valeur. Il est important de réunir des équipes qualifiées de data scientists et de spécialistes qui identifient et exploitent systématiquement des cas d'application dans un environnement de travail agile et qui répondent également à la question des données réellement nécessaires", explique Schlömer.

Source et informations complémentaires : Sopra Steria