une récent étude McKinsey intitulée « The age of analytics: Competing in a data-driven world » confirme que le potentiel de l’analytics est sous-estimé par les entrprises. D’abord, la vague digitale, numérique et internet fait croitre le volume de données, ce qui oblige à mieux s’équiper et s’organiser pour gérer ces data.
Business cas: de l’usage et la vision
Le point intéressant est le chiffrage du chemin parcouru. Hormis le retail américain et l’usage de plus en plus courant de la géolocalisation, l’étude souligne que la valeur des données n’est encore que trop peu captée. Si certaines législations peuvent freiner leur usage, mais c’est finalement la difficulté de mise en pratique qui ressort comme blocage principal.
McKinsey rappelle ce challenge: la transformation analytique ne viendra que par la réalisation de cas d’usage sur lequel une vision plus large pourra ensuite ancrer une démarche:
L’analytics comme facteur de compétitivité
Alors que la data a montré sa capacité à être un facteur de « disruption« , et plus fondamentalement, un élément d’émergence de nouveaux modèles économiques, son exploitation reste faible. les données restent trop en silo et les capacités internes des entreprises pour les analyser, tant outil (Business Intelligence, Predictive Analytics, Data Discovery, Décisionnel) que compétence (Data Scientist, Data Analyst), sont encore limitées. La disruption est entendue ici dans le sens plus large d’innovation dans le modèle économique.
L’étude propose 6 modèles de disruption:
- monétisation par la captation de données connexes (comme l’iternet des objets pour l’assurance)
- temps réel (hyperscale) à l’image des villes intelligentes
- la personnalisation à outrance pour délivrer systématiquement du sur-mesure (ou perçu comme tel)
- intégration massive de données pour disposer d’une vue client encore plus fine et exploitable
- Data R&D, imaginable dans les sciences de la vie
- la prise de décision automatisée, comme dans le recrutement ou la gestion de systèmes ou les biais humains ou les asymétries d’information faussent la prise de décision
Le deep learning comme horizon
Tous les secteurs semblent impactés tant les problématiques associées sont nombreuses. L’étude en cite 9 classes de cas d’usage liées au machine learning / deep learning:
- Allocation de ressources
- analyses prédictives
- maintenance précidictive
- hyper personnalisation
- Découverte de nouvelles tendances ou anomalies
- Prévisions
- Optimisation du prix
- Gestion des données non structurées
- Cryptage
Plus globalement, le deep learning s’imposera sur 3 types de problème nécessitant:
- classification (détermination des caractéristiques)
- prédiction (projections et prévisions d’indicateurs ou de métriques)
- génération (texte, données manquantes, images)
L’analytics au service de la décision
La tendance est claire: l’analytics va appuyer fortement la prise de décision grâce à sa capacité à répondre à 4 leviers: rapidité, fiabilité, transparence, précision
La maitrise de l’analytics est un des enjeux forts, non sans risques par ailleurs, pour les organisations.