Stratégie

7 tendances en matière de stratégie data

---

La maîtrise des données apparaît comme la fondation de toute stratégie de transformation numérique. Voici comment les organisations les plus avancées remodèlent leurs stratégies en la matière.

PublicitéLes DSI d'aujourd'hui comprennent non seulement la valeur des données, mais aussi le fait que des applications analytiques exploitables, alimentées par des données de haute qualité, conduisent à de meilleures décisions métiers et à des opérations plus efficaces. Mais, la collecte de données est loin d'être un processus statique.

D'abord, parce que le patrimoine de données que détient l'entreprise s'accroit considérablement. Qu'il s'agisse de données de première main ou provenant de tiers, qu'elles soient structurées ou non. Pour Murli Buluswar, responsable analytique de Citi pour les services bancaires aux particuliers aux États-Unis, « les entreprises les avancées se distingueront en sophistiquant leur capacité à stocker, interroger, dériver et assembler des informations à partir de ces données. Et ce, à grande échelle. »

La mise en oeuvre d'une stratégie data nécessite une planification minutieuse, l'accès à des sources pertinentes et des capacités de gestion solides, tout en restant adaptables. Voici les tendances pour rester au fait des dernières approches en la matière.

1. L'IA transforme la proposition de valeur

L'intelligence artificielle (IA) représente aujourd'hui la tendance la plus importante en matière de stratégie de données, en raison de son profond potentiel de transformation, souligne Craig Muir, associé de la banque d'investissement Solomon Partners, où il est responsable des logiciels, des données et des applications analytiques.

L'IA permet aux organisations de tirer des enseignements de vastes ensembles de données, ce qui facilite la prise de décisions et favorise l'innovation, indique Craig Muir : « ses capacités d'automatisation peuvent rationaliser les opérations, améliorant ainsi l'allocation des ressources et l'efficacité globale. »

Il note aussi que l'IA ouvre de nouvelles perspectives aux entreprises qui ne vendent pas directement des données en tant que produit. « Le récent accord de licence Google/Reddit en est un exemple », dit-il. Cet accord, d'une valeur de 60 M$, permettra au géant de la recherche d'entraîner des modèles d'IA à partir de messages postés par les utilisateurs sur Reddit. « La stratégie data d'une entreprise doit donner la priorité à l'investissement et à l'exploitation de la puissance de l'IA, que ce soit en interne ou par le biais d'une commercialisation externe. » Craig Muir estime que ne pas s'engager de manière proactive dans l'IA, tant en interne qu'en externe, serait « au mieux une occasion manquée, au pire prendre un risque d'extinction de type Kodak ».

2. La démocratisation des données prend de l'ampleur

La démocratisation des données joue un rôle de plus en plus crucial dans les entreprises avancées sur le sujet. L'enjeu consiste à rendre les données accessibles et utilisables par tous, et pas seulement par les data scientists et autres experts. « En amenant des perspectives différentes, cette démocratisation peut aider à compléter les conclusions [issues de l'analyse de données, NDLR] et à favoriser la collaboration au sein de l'organisation », indique Portia Crowe, responsable de la stratégie des data dans la défense d'Accenture Federal Services.

PublicitéLa démocratisation passe par la capacité à dépasser les silos. « Elle favorise une culture data-driven en fournissant un accès aux données et des outils qui encouragent les usages, explique Portia Crowe. L'essor d'outils conviviaux en libre-service permet aux utilisateurs ayant une expertise minimale d'explorer et d'analyser les données. »

3. La qualité des données revient au centre des préoccupations

La qualité des données englobe l'exactitude, l'exhaustivité, la cohérence, la validité et la fraicheur. Et elle devient une préoccupation majeure de la DSI à mesure que l'IA et d'autres initiatives axées sur les données s'implantent dans l'entreprise.

« Des données adaptées à l'objectif visé ainsi que la confiance dans les données sont essentielles pour une organisation, dit Portia Crowe. La qualité des données sert également de terreau à une utilisation judicieuse de l'intelligence artificielle, car elle a un impact direct sur sa capacité à fonctionner et à générer des résultats fiables. »

A mesure que les entreprises deviennent de plus en plus data-driven, le besoin en données de haute qualité pour alimenter la prise de décision ne fera que s'intensifier, prédit la responsable. « Les données dites 'sales' conduisent à de mauvais choix et entravent la capacité d'une organisation à être compétitive et performante, prévient-elle. Des données inexactes ou biaisées conduisent à des résultats d'IA erronés, ce qui souligne la nécessité de disposer de données propres et fiables. »

Si les spécificités de la mise en oeuvre de données de qualité peuvent évoluer au fil du temps, les principes fondamentaux qui sous-tendent la discipline resteront probablement ancrés dans les organisations à long terme.

4. Les stratégies data changent de direction

Selon Jayaprakash Nair, responsable analytique chez Altimetrik, une société d'ingénierie numérique et de données, la manière dont certaines entreprises mettent en oeuvre des initiatives internes data-driven est de plus en plus orientée.

Selon ce dernier, la stratégie traditionnelle est principalement orientée de gauche à droite. Autrement dit, les données collectées à partir de diverses sources sont acheminées vers un emplacement unique, tel qu'un datalake ou un datawarehouse, puis nettoyées pour créer une source unique de vérité (Single source of truth, ou SSOT). Bien que cette approche soit généralement couronnée de succès, Jayaprakash Nair note que certaines organisations souffrent avec cette approche, en raison du temps nécessaire à la mise en place d'une SSOT et au déploiement d'applications permettant d'en tirer parti.

À l'avenir, la stratégie data sera de plus en plus orientée de droite à gauche, prédit l'expert. Dans ce modèle, les métiers définiront les priorités à résoudre à l'aide des données disponibles. « L'équipe IT collectera et nettoiera suffisamment de données pour répondre à ces priorités, générant ainsi une valeur dans un laps de temps relativement court, de l'ordre de quelques mois, voire de quelques semaines, explique-t-il. Suite à quoi, les métiers définiront alors la prochaine série de priorités. » Cette approche doit permettre de construire le SSOT de manière organique au fil du temps, en générant une valeur tangible en cours de route.

5. Repenser la stratégie data de fond en comble

Selon Stephen Bailey, directeur du cabinet de conseil en sécurité NCC Group, la principale tendance actuelle en matière de stratégie datas consiste... à revisiter de fond en comble le plan actuel de l'entreprise pour en créer un nouveau.

Pour tirer le meilleur parti possible du patrimoine de données en croissance rapide, Stephen Bailey estime que les entreprises doivent adopter une approche ciblée qui englobe tous les domaines d'activité. « Qu'il s'agisse d'améliorer les processus et procédures internes ou de mieux connaître les clients, une bonne stratégie définit la gouvernance, la propriété sur les données et les résultats attendus », explique-t-il.

La réévaluation d'une stratégie existante doit commencer par l'acceptation de la nécessité d'une telle démarche, puis par l'assurance que cette remise à plat bénéficie d'un soutien au plus haut niveau de l'organisation. L'étape suivante consiste à désigner un chef de projet et un groupe de pilotage composé de représentants de tous les métiers concernés. « Alignez la stratégie data et votre cadre de gouvernance de l'IA afin de réduire les conflits entre les deux », recommande l'expert de NCC. Pour Stephen Bailey, les nouvelles exigences créées par la législation relative à l'IA verront de nombreuses entreprises contrainte certains éléments d'un plan sans élaborer une politique globale en matière de data.

6. Les données sont traitées à la périphérie

L'informatique Edge permet d'analyser les données en temps réel, réduisant les problèmes de latence généralement associés au cloud, souligne Javier Muniz, directeur technique du cabinet d'avocats LLC Attorney, basé dans le Colorado.

L'importance de cette tendance réside dans son potentiel à révolutionner la manière dont les données sont manipulées, traitées et livrées, reprend le CTO. En se tournant vers le Edge, les entreprises peuvent analyser les données au plus près de la source, ce qui améliore l'efficacité et permet d'obtenir des analyses plus rapidement. « Cela a des implications particulièrement importantes pour des secteurs tels que le manufacturing, où l'analyse des données en temps réel peut rationaliser les processus et améliorer la prise de décision », indique Javier Muniz.

Pour maximiser les bénéfices de cette approche, les entreprises devraient envisager de mettre en oeuvre une stratégie globale sur le Edge Computing, en identifiant les domaines clés où la latence des données affecte le plus les opérations. « L'engagement de partenaires stratégiques possédant une expertise en matière d'infrastructure et d'architecture IT sur le Edge est également importante », souligne le CTO.

Pour vulgariser la valeur du Edge Computing auprès de la direction, il faut illustrer clairement les avantages et gains d'efficacité potentiels, recommande le CTO. « Il est essentiel de faire comprendre comment le fait de rapprocher l'analyse de la source des données peut permettre d'obtenir de meilleurs résultats, d'accélérer les processus de prise de décision et, en fin de compte, d'augmenter les bénéfices de l'entreprise. »

7. L'essor du Data-as-a-service

Le Data-as-a-service (DaaS) est une tendance centrale dans la gestion des données d'entreprise, car il offre un accès à la demande aux données, un facteur qui devient de plus en plus central pour les entreprises globales, explique Gloria Flynt, analyste senior au sein du cabinet Straits Research. « Sa rentabilité réside dans le fait qu'il ne nécessite pas d'infrastructure sur site, ce qui réduit les dépenses d'investissement et d'exploitation. »

L'agilité du DaaS permet aux utilisateurs d'intégrer rapidement de nouvelles sources et de s'adapter aux changements du marché avec peu ou pas de latence. « En outre, le DaaS permet de monétiser facilement les données, créant ainsi de nouvelles sources de revenus potentielles, explique Gloria Flynt. Il garantit également une qualité élevée de données en les standardisant entre les différents métiers et améliore l'analytique et la BI en rationalisant la virtualisation et l'automatisation des données, débouchant sur de meilleures prises de décision. »

Pour tirer pleinement parti du DaaS, Gloria Flynt conseille aux entreprises d'intégrer cette approche dans leurs écosystèmes data existants, en garantissant un accès transparent aux sources externes. « Cette intégration peut également renforcer la pertinence des analyses, améliorer la prise de décision et stimuler l'innovation. »

Selon l'analyste, les DSI peuvent illustrer l'importance du DaaS à leur direction en soulignant sa valeur stratégique et son alignement sur les objectifs de l'entreprise. « Ils peuvent également mettre l'accent sur l'agilité qu'il offre, permettant à l'entreprise d'intégrer rapidement de nouvelles sources de données et de s'adapter aux changements du marché », dit-elle. Elle note que cette approche permet non seulement de faire connaître les avantages pratiques du DaaS, mais aussi de présenter le service comme un investissement soutenant la croissance et l'innovation sur le long terme.

Compte tenu des volumes croissants de données que les entreprises doivent traiter et de la nécessité d'un accès flexible à celles-ci, Gloria Flynt estime que l'alignement du DaaS sur le cloud et la demande croissante d'analyses de données temps réel suggèrent que la tendance « restera pertinente dans un futur proche ».

Article rédigé par

John Edwards, CIO US (traduit par Reynald Fléchaux)

Partager cet article