En bref

En bref

  • De nos jours, de nombreuses entreprises pourraient se sentir submergées leurs données, et auront possiblement de la difficulté à récolter le dernier des quatre « V » : la valeur.
  • Leurs experts seront pris en otage par le travail de préparation et de nettoyage de ces données et auront le sentiment d’être paralysés par ce volume écrasant.
  • Les chefs d’entreprise ont le devoir d’évaluer ce qui doit être fait avec ces données pour l’ensemble des fonctions – et isoler un aspect restreint, mais prioritaire.
  • Il constituera un point de départ capital et ciblé, qui permettra d’instaurer un élan porteur et reproductible capable de faire boule de neige à l’échelle de l’organisation.


Tout projet d’IA est alimenté par les données. Elles n’ont pas besoin d’être parfaites, mais elles doivent afficher une qualité et une uniformité suffisantes pour être en mesure de faire ressortir des modèles récurrents. Toutefois, de nombreuses entreprises sont submergées par le volume, la vitesse et la variété de leurs données, et ont donc de la difficulté à récolter le dernier des quatre « V » : la valeur. Comment devrions-nous considérer les stratégies de préparation des données, si nous voulons éviter une éventuelle paralysie – ou un excès d’ambition –  dans vos projets d’IA?

Meilleures sont les données, plus l’IA livrera la marchandise. Mais pour beaucoup d’organisations, un problème demeure : 85 % de leurs données sont soit cachées (dont la valeur est inconnue), redondantes, obsolètes ou insignifiantes..

Il n’est pas toujours facile de déterminer où se trouve la valeur, mais pour pouvoir au moins contempler l’ensemble du paysage, les données doivent être nettoyées et intégrées dans vos activités. On parle ici de données correctement structurées et formatées, qui permettent de créer la base d’entraînement requise pour vos modèles d’IA.



Le travail de restructuration des données n’est peut-être pas très compliqué, mais il est pesant. Les numéros de téléphone, par exemple, doivent être formatés de façon uniforme, avec les espaces toujours aux mêmes endroits. Un autre cas? Pensez aux adresses postales : si une personne indique « New York » comme étant sa ville de résidence, mais qu’une autre inscrit « New-York », et une troisième « NYC », les modèles d’IA considéreront comme distinctes ces trois localisations, à moins d’avoir été « formés » pour les assimiler à une seule.

Les dirigeants savent que leur compétitivité dépend de leur utilisation des données, mais ils savent aussi combien la tâche de nettoyage de ces dernières est monumentale. Non seulement cette corvée est coûteuse et chronophage, mais dans bien des cas, leurs responsables ne sauront pas par où commencer et resteront paralysés.

Confier ce travail pénible aux experts en données n’est pas toujours la meilleure solution. Lorsque ces effectifs inestimables se retrouvent pris avec ce fardeau, ils se retrouvent alors souvent piégés dans un véritable « donjon numérique », au détriment de leurs responsabilités d’analyse – autrement plus cruciales – qui permettent de trouver et exploiter des solutions transformatrices, de créer de nouvelles expériences clients et plus encore.

Confier ce travail pénible aux experts en données n’est pas toujours la meilleure solution. Lorsque ces effectifs inestimables se retrouvent pris avec ce fardeau, ils se retrouvent alors souvent piégés dans un véritable « donjon numérique ».

Surmonter la paralysie tout en évitant l’excès d’ambition

Pour retirer le maximum de bénéfices des données et entraîner une transformation profitable, les entreprises voudront éviter cette paralysie et trouver la voie qui fera progresser leur programme d’IA. Toutefois, les entreprises doivent également tenir compte des risques associés à une stratégie trop ambitieuse, qui peut être tout aussi dommageable que la corvée de données; considérez l’exemple ci-dessous :

  • Désordre à grande échelle Cette société financière possédait des installations dans plus de cinq pays, mais elle effectuait la gestion de la plupart de ses activités au moyen d’une quantité astronomique de fichiers Excel. Sans surprises, ceux-ci contenaient nombre d’incohérences et d’inefficiences disséminées dans tous les secteurs d’opération – par exemple, une filiale dans un pays X faisait le suivi de sa clientèle selon une méthode complètement différente de celle dans le pays Y.
  • Changer, sans progresser Un nouveau directeur principal des données venait de se joindre à l’entreprise. Son approche consistait à regrouper toutes les feuilles de calcul – des dizaines de millions d’entre elles – dans un seul et immense lac de données. Hélas, cette approche manquait cruellement de facteurs de différenciation, tout en étant excessivement complexe et lourde. L’entreprise a dépensé une petite fortune pour tenter d’organiser la chose et récupérer un tant soit peu de valeur de toutes ces données éparses, mais en vain – elle a voulu faire trop gros et trop vite, en négligeant de réfléchir à une stratégie viable et ciblée.
  • Des ambitions réalisables Dans les premiers temps de notre implication, plutôt que de provoquer un grand séisme dans cette montagne de données, nous avons opté pour une stratégie plus judicieuse : examiner les points les plus sensibles de l’entreprise, tout en identifiant ses unités d’affaires et géographies les plus profitables. Cela nous a aidés à déterminer où l’amélioration des données et l’IA auraient le plus d’impact positif. En se concentrant sur une transformation à plus petite échelle – mais aux échelons les plus payants –, les rendements se sont accrus de plus en plus vite, accélérant du coup une transformation plus globale et à long terme. Le processus reproductible désormais établi permet à la société d’implanter cette même métamorphose numérique dans les autres secteurs de son organisation.
Les entreprises doivent également tenir compte des risques associés à une stratégie trop ambitieuse, qui peut être tout aussi dommageable que la paralysie des données.

Priorisation, plutôt que perfection

Je conseille d’évaluer ce qui doit être fait avec vos données dans une perspective globale, pour ensuite isoler un aspect restreint, mais prioritaire pour l’organisation. Il constituera un point de départ capital et ciblé, qui permettra d’instaurer un élan porteur et reproductible capable de faire boule de neige à l’échelle de l’entreprise.

On pourra commencer par choisir, par exemple, 10 points sensibles où une amélioration est nécessaire, ensuite les classer et se concentrer uniquement sur les deux premiers – pour découvrir qu’on peut ainsi réaliser une amélioration substantielle par rapport à une mesure clé. Trouvez un tel point sensible dans votre entreprise et sortez votre loupe avant de passer aux suivants. Cette façon de procéder vous permet de concrétiser des succès tangibles en matière d’IA, gagner la confiance des parties prenantes et établir des méthodes qui pourront être reproduites et déployées.

Jean-Luc Chatelain

Directeur Général – DPT, Intelligence Appliquée

SUR LE MÊME THÈME

Devenir une entreprise axée sur les données
Qu’est-ce que l’intelligence artificielle?

INSCRIPTION
Restez au courant avec notre infolettre Restez au courant avec notre infolettre