Actualités : analyse de données, Business Intelligence, Data Science, Big Data


Les 10 grandes tendances de la BI pour 2019


Rédigé par Edouard Beaucourt, Tableau le 15 Janvier 2019

Quelles seront les tendances BI de l'année 2019? Une question de début d'année qui offre l'occasion de passer en revue les tendances et technologies émergentes qui vont façonner le secteur de la BI et ouvrir de nouveaux horizons pour les entreprises. L'année 2018 a été marquée par l'innovation et les améliorations en matière de produits et de services, incitant les entreprises à donner la priorité à une approche moderne de la BI et à réorganiser leur activité pour exploiter tout le potentiel de leurs données.



Edouard Beaucourt, Directeur Régional France et Europe du Sud de Tableau
Edouard Beaucourt, Directeur Régional France et Europe du Sud de Tableau
1. L'avènement de l'IA transparente

La promesse de l'IA est de renforcer notre compréhension des données grâce à l'automatisation de la prise de décisions. À mesure que nous nous appuyons de plus en plus sur l'IA et le machine learning, nous nous interrogeons pourtant sur la fiabilité des recommandations générées par des modèles automatiques. En effet, de nombreuses applications de machine learning ne proposent pas de manière transparente de comprendre les algorithmes ou la logique sur laquelle reposent de telles décisions ou recommandations. Comme l'explique Adrian Weller, chercheur à l'université de Cambridge, la transparence est essentielle pour faciliter le déploiement de systèmes intelligents à grande échelle. Ce besoin favorise l'essor d'une IA capable de présenter les modèles de machine learning de manière transparente. S'il est possible de remettre en question une décision humaine, nous devons également en avoir la possibilité avec les décisions de machine learning.

Les responsables d'unités métier attendent des équipes de data science qu'elles utilisent des modèles plus transparents et proposent une documentation ou un historique détaillant leur création. L'impact de l'IA dépend de la confiance que nous lui accordons, et les résultats qu'elle produit doivent être simples et intelligibles, et répondre de manière dynamique aux questions que nous lui posons pour comprendre nos données.

2. Le langage naturel humanise vos données

Le traitement du langage naturel permet aux ordinateurs d'interpréter des questions posées en langage humain. Les fournisseurs de solutions BI intègrent le langage naturel à leurs plates-formes, pour proposer des interfaces et des visualisations plus naturelles. En parallèle, le langage naturel évolue et joue un rôle de plus en plus important dans les conversations analytiques, c'est-à-dire un humain conversant avec le système au sujet de ses données. Le système puise dans le contexte de la conversation pour comprendre l'intention de l'utilisateur et faire progresser le dialogue. Ainsi, l'expérience conversationnelle paraît plus naturelle. Par exemple, lorsqu'une personne a une question supplémentaire au sujet de ses données, elle n'a pas à reformuler sa question pour l'approfondir ou clarifier une ambiguïté. Le langage naturel représente un changement radical de la façon dont vous pouvez interroger vos données. La possibilité d'interagir avec une visualisation de la même manière qu'avec un interlocuteur humain permet à davantage d'utilisateurs d'approfondir leurs analyses, quelles que soient leurs compétences. En gagnant du terrain dans le secteur de la BI, il va faciliter l'adoption de l'analytique et aider les entreprises à mettre en place une approche en libre-service basée sur les données.

3. Les analyses exploitables contextualisent les données

Les utilisateurs ont besoin d'accéder à leurs données et de prendre des décisions en conséquence de leurs découvertes sans changer de workflow. Les fournisseurs de plates-formes BI élargissent par conséquent leur offre en proposant des fonctionnalités analytiques mobiles et intégrées, des extensions de tableau de bord et des API. Les analyses intégrées placent les données et les informations au cœur des workflows pour que les utilisateurs n'aient pas besoin de recourir à des applications ou serveurs différents, et les extensions de tableau de bord permettent d'accéder à des systèmes externes directement à partir d'un tableau de bord. Les analyses mobiles, quant à elles, permettent aux utilisateurs d'accéder à leurs données même sur le terrain. Ces améliorations viennent répondre aux attentes de différentes équipes métier et de différents marchés verticaux, et élargissent la base d'utilisateurs en proposant des données contextualisées à la demande.

4. La collaboration autour des données a un impact positif important sur le plan social

En plus de leur impact sur les entreprises privées, les données transforment les ONG et les organisations à but non lucratif. Le mouvement Data for good va prendre de l'ampleur à mesure que les organisations prennent conscience des avantages de l'utilisation des données dans leurs initiatives à portée sociale. Pour appuyer cela, Gartner souligne que les mentions du mouvement Data for good sur les plates-formes de réseaux sociaux ont augmenté de 68 % l'an passé, et le public prend de plus en plus conscience de l'impact positif des données sur la société.

Avant, les organismes du secteur public manquaient de ressources pour investir dans des infrastructures de données sophistiquées ou des équipes spécialisées dans les données. Aujourd'hui, grâce à la flexibilité et la rentabilité du cloud computing, les ONG et organisations à but non lucratif peuvent développer des environnements de données sophistiqués sans investir massivement dans des solutions sur site, et ainsi mieux poursuivre leur mission en s'appuyant sur les données. Cette approche a également permis la création de plates-formes dédiées au partage et à la collaboration entre associations, pour permettre à celles-ci de mieux remplir leur mission. Elle ouvre également le dialogue sur les aspects contribuant à renforcer la confiance sur ces plates-formes, notamment l'utilisation responsable des données. Même si chaque projet collaboratif a son lot de défis à relever, le mouvement Data for good illustre le potentiel altruiste du partage de données pour aider chaque organisation à mieux mener ses combats.

5. Les codes de déontologie se mettent à jour sur les questions relatives aux données

Avec l'apparition de réglementations comme le RGPD, les équipes de direction s'interrogent sur l'évolution des pratiques déontologiques en entreprise en matière d'utilisation des données. La confidentialité est un sujet qui va continuer à animer les conversations, notamment à mesure que les utilisateurs prennent conscience des enjeux du partage de leurs données personnelles. En ce qui concerne l'utilisation des données au quotidien en entreprise, il y a deux manières d'aborder la déontologie et la confidentialité :
Les codes de déontologie : bon nombre de professions sont déjà régies par un code de déontologie (avocats, médecins ou comptables, par exemple), mais la prolifération des données pousse les entreprises à réfléchir à la manière d'appliquer ces mêmes principes à leurs pratiques analytiques. Les CDO (Chief Data Officer) participent à la mise en place de tels codes de déontologie pour créer un environnement facilitant la prise de décisions en matière d'infrastructure de gouvernance et de recrutement. À titre d'exemple, l'enquête de 2017 de Gartner sur le rôle des CDO révèle que « le nombre de CDO pour qui la déontologie fait partie de leurs responsabilités a augmenté de 10 points entre 2016 et 2017 ».
Les modifications apportées aux processus métier : un passage en revue en profondeur du cycle de vie des données permet d'évaluer régulièrement la stratégie de gestion des données et de vérifier qu'elle est conforme aux réglementations et aux codes de déontologie internes. Comme le souligne Accenture dans son rapport sur les principes universels de déontologie en matière de données, « les processus de gouvernance doivent être robustes, connus de tous et régulièrement passés en revue » pour s'adapter à la croissance et aux évolutions de l'entreprise.

Les plates-formes BI modernes démocratisant l'analyse de données, de plus en plus d'employés de services différents auront la responsabilité de se conformer aux principes de déontologie. C'est pourquoi la bonne connaissance des données passera par une bonne connaissance des principes déontologiques applicables.

6. La gestion de données converge avec les plates-formes BI modernes

Les sources de données étant de plus en plus diversifiées et complexes, et un nombre toujours plus important d'employés s'appuyant sur les données pour prendre leurs décisions, la gestion de données est plus essentielle que jamais. Les entreprises se tournent vers la curation de données, une pratique qui inclut la capture, le nettoyage, la définition et l'harmonisation de données disparates, pour mieux combler l'écart entre les données et leurs utilisations concrètes. Les outils et processus de curation (comme les catalogues de données et la gouvernance sémantique) convergent désormais avec les plates-formes BI pour établir un lien entre les données et le contexte métier et pour garantir une gouvernance adaptée. Les analystes et les utilisateurs de contenu peuvent ainsi vérifier et analyser l'origine de leurs données, et les ingénieurs Data et les responsables des données peuvent mieux contrôler l'impact des modifications apportées aux ensembles de données. Au final, la curation des données va offrir une base solide à l'ensemble du pipeline analytique et aider les utilisateurs à dépasser le cadre de leurs données pour poser des questions plus précises sur leurs activités.

7. La mise en récit des données est le nouveau langage des entreprises

Pour générer un véritable impact avec vos analyses, vous devez communiquer vos découvertes efficacement. C'est là que la visualisation de données entre en jeu. La mise en récit va devenir une compétence essentielle pour tout analyste souhaitant communiquer efficacement et clairement le cheminement suivi dans son analyse pour parvenir à ses découvertes. La définition de la mise en récit évolue au fur et à mesure que les entreprises développent leur culture analytique. Au lieu de présenter une conclusion déjà établie, les méthodes de mise en récit s'attachent aujourd'hui à ouvrir une conversation autour des données. Cette approche participative de l'analytique partage les responsabilités entre le créateur d'un tableau de bord et son public, pour parvenir ensemble à une conclusion en fonction des données présentées, et recueillir différentes perspectives avant de prendre une décision métier. L'intégration de la mise en récit aux différents rôles en entreprise va amplifier l'impact des données et faciliter les discussions, la communication et la mise en pratique de nouvelles idées à l'échelle de l'entreprise.

8. Les entreprises vont plus loin en matière d'adoption de l'analytique

Il ne suffit pas de permettre à tout le monde d'accéder à des solutions BI pour favoriser l'adoption, de même que vous n'aurez pas l'assurance de générer de la valeur avec votre plate-forme simplement parce que vos utilisateurs y ont accès. Et supposer qu'un rapport consulté occasionnellement favorisera automatiquement une prise de décision peut en réalité entraver les progrès de vos efforts analytiques. Pour générer un véritable impact sur vos activités, vos équipes de direction doivent mesurer la manière dont votre plate-forme BI est utilisée. Certaines entreprises ont mis en place des communautés internes d'utilisateurs pour booster l'engagement. C'est notamment le cas pour JPMorgan Chase, dont le centre d'excellence a permis d'intégrer des milliers d'analystes pour booster la base d'utilisateurs de sa plate-forme BI. Ces utilisateurs gagnent ensuite en expertise et pourront contribuer à transmettre les meilleures pratiques et faire en sorte que tout le monde ait la même définition des données. Grâce à tout cela, vous pourrez maximiser l'impact et le retour sur investissement de votre solution BI, booster l'efficacité de vos employés et gagner en compétitivité.

9. La démocratie des données élève le rôle du data scientist

D'après une étude menée par LinkedIn en 2017 aux États-Unis, de nombreux nouveaux rôles font leur apparition sur le marché, comme ingénieur de machine learning, data scientist ou ingénieur Big Data. De plus en plus de services et de types d'employés différents utilisent les données, ce qui a permis d'augmenter le niveau de compétences des employés dans ce domaine, de faire évoluer la définition de la data science et de réduire le fossé qui sépare expertise classique et connaissances d'un domaine métier. Aujourd'hui, les data scientists doivent posséder des connaissances en machine learning comme en statistiques avancées, tout en conservant une approche stratégique du métier et une connaissance approfondie du secteur. Au lieu de simplement présenter des résultats, les data scientists participent désormais à l'application de ces résultats aux problématiques métier. Ils doivent également posséder les compétences nécessaires pour communiquer leurs découvertes à leur direction et collaborer avec les autres utilisateurs pour les aider à utiliser les données. Cette collaboration s'effectue notamment avec des data scientists dont le rôle principal est de générer des modèles en dehors du champ des statistiques, pour développer et tester des hypothèses. Les outils d'analytique en libre-service aident ces différents rôles à mieux comprendre les données pour générer des informations exploitables qui ont un impact fort sur les activités de l'entreprise.

10. L'accélération de la migration de données dans le cloud favorise l'adoption de la BI moderne

Dans le cadre de la modernisation de votre stratégie des données, vous devez réfléchir à leur emplacement de stockage. Pour bon nombre d'entreprise, il s'agit d'envisager leur migration vers le cloud, pour profiter d'une flexibilité et d'une scalabilité accrues, ainsi que d'un coût total de possession réduit. Le cloud permet également de capturer et d'intégrer facilement différents types de données. Comme l'explique Josh Parenteau, directeur de la veille stratégique chez Tableau, « la migration vers le cloud booste l'agilité et offre de nouvelles possibilités d'application de la BI et de l'analytique, ce qui contribue aux efforts de modernisation. » Le concept de gravité des données suggère que les services et les applications sont attirés vers l'emplacement où résident les données. C'est donc tout naturellement que l'analytique va s'orienter vers le cloud, où sont de plus en plus souvent stockées les données. Les équipes de direction se tournent donc vers une approche moderne de la BI, en optant pour une plate-forme capable de gérer une analytique entièrement dans le cloud. Toutes les entreprises ne sont pas encore prêtes à sauter le pas, mais bon nombre d'entre elles testent des solutions hybrides, pour tirer à la fois parti de la diversité des sources de données et des avantages du cloud.




Nouveau commentaire :
Twitter

Vous pouvez commenter ou apporter un complément d’information à tous les articles de ce site. Les commentaires sont libres et ouverts à tous. Néanmoins, nous nous réservons le droit de supprimer, sans explication ni préavis, tout commentaire qui ne serait pas conforme à nos règles internes de fonctionnement, c'est-à-dire tout commentaire diffamatoire ou sans rapport avec le sujet de l’article. Par ailleurs, les commentaires anonymes sont systématiquement supprimés s’ils sont trop négatifs ou trop positifs. Ayez des opinions, partagez les avec les autres, mais assumez les ! Merci d’avance. Merci de noter également que les commentaires ne sont pas automatiquement envoyés aux rédacteurs de chaque article. Si vous souhaitez poser une question au rédacteur d'un article, contactez-le directement, n'utilisez pas les commentaires.


Twitter
Rss
LinkedIn
Facebook
Apple Podcast
App Store
Google Play Store