Articles

Comment tirer parti de l’analytique pour devenir une organisation véritablement axée sur les données – trois choses à considérer

Comment tirer parti de l’analytique pour devenir une organisation véritablement axée sur les données – trois choses à considérer
Par Dorman Bazzell et Scott Schlesinger, Capgemini
Il existe un nouveau rôle au sein de nombreuses organisations de premier plan qui se concentre sur la transformation des données en informations et de l’information en intelligence – les données scientifique. C’est un rôle un peu ambigu, car peu de gens comprennent ce qu’ils font et comment ils le font. Pourtant, c’est un rôle vénéré comme très important. Les data scientists aident l’organisation à tracer la voie à suivre en exploitant les données et en créant des algorithmes statistiques sophistiqués dans le but de résoudre les problèmes liés au parcours vers une intelligence exploitable. Ce travail est tellement demandé que McKinsey estime qu’il faudra jusqu’à 190 000 data scientists aux États-Unis d’ici 2020.
Aujourd’hui, cependant, il y a très peu de scientifiques des données et de talents disponibles qui ont une connaissance approfondie de la façon de tirer le meilleur parti des données. Parmi nous autres, beaucoup sont impatients de profiter rapidement de cette tendance pour puiser dans les énormes quantités de nouvelles données qui entrent dans notre organisation en amassant et en évaluant plus de points de données que jamais auparavant pour soutenir la prise de décision.
Ce que beaucoup ont compris, c’est que leur intérêt réside moins dans la tendance elle-même, mais davantage dans les analyses. Cet empressement, alimenté par le désir de tirer immédiatement des informations précieuses et exploitables des données, conduit malheureusement à des résultats à faible impact. Les éléments clés fondamentaux nécessaires à la réalisation d’une vision analytique efficace sont perdus à la hâte.
Grâce aux initiatives de nos clients, nous pensons qu’il y a trois éléments essentiels que les dirigeants de toute fonction commerciale doivent adopter afin d’assurer des résultats idéaux une analyse approfondie des données. Celles-ci incluent la création d’une classification faisant une distinction entre le big Data et l’analytique; définir un cas d’utilisation clair pour l’entreprise; et optimiser l’infrastructure et les outils existants pour soutenir l’effort.
Séparer le Big Data de l’analytique
L’idée générale derrière le Big Data n’est pas nouvelle. Depuis des années, les entreprises cherchent à tirer parti des données disponibles pour améliorer les opérations commerciales et les initiatives des clients. Ce qui est différent aujourd’hui, c’est la grande quantité de types et de volumes de données, leurs points d’entrée et la vitesse à laquelle les organisations cherchent à acquérir et à analyser ces données. Ce qui se perd souvent par empressement, c’est la compréhension que le big Data ne consiste pas seulement à collecter et à gérer des ensembles de données. Au contraire, les mégadonnées doivent intégrer l’analytique – la capacité d’évaluer et d’identifier les résultats et les tendances pour prendre des décisions commerciales plus éclairées et plus percutantes. Pour tirer parti des avantages de l’analytique, les entreprises ont besoin d’une rigueur organisationnelle autour de l’acquisition et de l’exploitation efficaces du big Data. Au départ, toutes les personnes impliquées dans une initiative doivent avoir la même compréhension et les mêmes attentes.
Définir le Cas d’utilisation
Le parcours du big data et de l’analytique commence par un cas d’utilisation pertinent, clairement défini et bien compris. Pourtant, l’une des principales causes de frustration est de se lancer trop tôt dans une initiative d’analyse sans définir clairement ce que l’entreprise veut accomplir.
Alors que les entreprises cherchent à exploiter les données – qu’elles soient internes, externes, structurées ou non structurées – pour accroître l’efficacité opérationnelle, améliorer la rentabilité, augmenter la part de marché, l’analytique offre la possibilité de glaner des informations sur des domaines de l’entreprise qui étaient auparavant une réalité lointaine. Quelles sont les idées que vous espérez obtenir ? Que cherchez-vous à mesurer? Qu’espérez-vous réaliser grâce à l’analyse pour votre département ou votre entreprise ? Il faut répondre à ces questions avant de commencer le voyage, sinon vous n’arriverez pas là où vous l’aviez prévu et vos attentes en matière de retour sur investissement seront anéanties.
Les organisations doivent comprendre pourquoi et où il est logique d’exploiter le big Data. L’établissement d’un ensemble de cas d’utilisation classés par ordre de priorité au niveau du domaine fonctionnel garantira la clarté et l’orientation stratégique de chaque initiative et fournira des critères de réussite pour mesurer les réalisations. Les cas d’utilisation aident à créer des analyses de rentabilisation qui fournissent à l’informatique et à l’entreprise un cadre commun pour répondre aux questions de retour sur investissement attendues du leadership organisationnel aux investisseurs.
Par exemple, il est assez simple pour un détaillant de vêtements de suivre le nombre de cravates pour hommes vendues. Mais, il est moins évident pour eux – à moins qu’ils n’utilisent la conversation de données sociales – pourquoi des liens particuliers où de tels vendeurs chauds. Les compagnies pétrolières peuvent utiliser les données des capteurs de la machine pour déterminer quand un dispositif anti-éruption peut tomber en panne et quelle en est la cause probable.
Cette utilisation des données améliore la sécurité des travailleurs; prévenir les dommages environnementaux et éliminer les coûts potentiels.
Optimiser les investissements technologiques existants
De nombreuses entreprises qui cherchent à tirer rapidement parti de l’analyse se précipitent dans les décisions d’achat. Ils recherchent les logiciels et outils d’analyse les plus récents et les plus performants. Mais, en n’ayant pas d’abord créé un cas d’utilisation commercial clair ou mis en place les cadres de gouvernance des données appropriés, ils sont susceptibles d’atteindre un faible retour sur investissement dès le départ.
Les entreprises devraient d’abord examiner leur infrastructure informatique et leurs systèmes de planification d’entreprise actuels et chercher des moyens de les coupler à des sources externes telles que les médias sociaux et les capteurs. Cela les aidera à obtenir des informations initiales sur les données qui assureront probablement une plus grande flexibilité pour les analyses à grande échelle des ensembles de données ultérieurs qui auront un impact plus large sur l’entreprise, ses partenaires et ses clients. Plus important encore, cette pratique fournira un chemin vers des efforts d’optimisation des données plus efficaces pour tirer parti des outils de données open source, tels que Hadoop, pour stocker et évaluer des ensembles de données plus volumineux.
Obtenir des réponses en temps réel à partir des données est le résultat idéal de l’analyse. Agir sur ces trois éléments critiques nécessite une appréciation de la patience – ils nécessitent du temps. L’empressement à utiliser l’analyse et à obtenir des résultats rapides risque de créer plus de difficultés que d’avantages pour l’entreprise à long terme. Pour que les organisations puissent obtenir leurs résultats idéaux avec des analyses, ces étapes de blocage et de lutte sont essentielles. Ils prennent sans doute du temps, mais leur retour sur investissement sera inestimable pour toute initiative d’analyse.

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée.