SAP. Quels exemples de transformation numérique avez-vous vus chez vos clients, où les analyses et les données ont joué un rôle important ?

Dan Vesset. Les grands titres des médias spécialisés dans le domaine de la technologie et du business et sur la transformation numérique se concentrent principalement sur des secteurs de consommation bien connus. Ce sont de bons exemples, mais ils peuvent être difficiles à identifier dans le contexte de l'analyse d'entreprise plus large et de l'évaluation des exigences de données dans d'autres secteurs. La réalité est que la transformation numérique se passe dans toutes les industries et peu importe la taille des entreprises ou leurs régions géographiques. Une entreprise de médias et de divertissement a été mise au défi de fournir à ses équipes de vente des données pertinentes qui permettraient d'attribuer des résultats à des campagnes de marketing client spécifiques afin d'augmenter les revenus publicitaires et la part de marché. La société a lancé une initiative qui aboutit à l'accumulation et à l'utilisation continue d'un nouvel ensemble de données provenant de 2 000 sources fournies par 13 fournisseurs de données internes et externes. Son groupe analytique interne a pu capitaliser sur ces données et atteindre l'objectif souhaité par l'entreprise, mais a également pu transformer le groupe d'analyse d'un centre de support interne pour les ventes publicitaires en un centre de profit fournissant des analyses et des données.

Un fournisseur de soins de santé éprouvait des difficultés à gérer le volume de visites à l'urgence et manquait de données pour fournir aux administrateurs les informations nécessaires pour prendre des décisions correctives. Cette organisation a donc lancé chantier de transformation numérique en numérisant le processus d'enregistrement des patients et en intégrant ces données à des informations relatives au type et à la durée des procédures médicales fournies aux patients et à la disponibilité du personnel médical. Les nouvelles données et analyses (y compris les analyses descriptives, prédictives et d'optimisation) qui en ont résulté ont permis aux administrateurs de cette organisation de soins de santé d'ajuster et de continuer à réajuster les niveaux de dotation; comprendre la relation et les dépendances entre les temps d'attente dans les laboratoires et la salle d'urgence; et de mieux comprendre la gravité de l'état des patients ainsi que le statut d'assurance des patients. Avec les nouvelles informations, ce fournisseur de soins de santé a non seulement résolu ses problèmes d'efficacité et de productivité dans les salles d'urgence, mais aussi augmenté les revenus provenant des remboursements d'assurance.

Un fabricant de groupes électrogènes a commencé à recueillir des données sur les performances de ses générateurs sur le terrain. L'analyse des données collectées permet à l'entreprise de prévoir les problèmes de maintenance potentiels et d'informer les concessionnaires de ces informations de maintenance prédictive. L'objectif était de fournir à son réseau de concessionnaires des informations exploitables pour aider les clients dans la maintenance préventive des générateurs. Le résultat a été estimé à une augmentation de 20 % des revenus post-installation pour les concessionnaires. Pour le fabricant, ce service de données et d'analyse est devenu un facteur de différenciation par rapport à ses concurrents.

Ce ne sont que trois exemples récents parmi les nombreux efforts de transformation numérique rendus possibles par les analyses que les analystes d'IDC rencontrent régulièrement.

Quel rôle joue l'analyse dans ces efforts de transformation digitale ?

Les initiatives de transformation numérique sont avant tout des changements. Deux citations d'experts renommés aident à mettre en évidence ce point et expliquent la valeur de l'analyse dans la transformation numérique. L'économiste John Maynard Keynes a déclaré : « La véritable difficulté à changer une entreprise ne réside pas dans le développement de nouvelles idées, mais d'échapper aux anciennes », et le consultant en gestion Peter Drucker a déclaré : « Il n'y a rien d'aussi inutile que de faire efficacement ce qui ne devrait pas être fait du tout. » La transformation numérique nécessite une rupture avec le statu quo en posant de nouvelles questions. Les Analytics aident les organisations à générer de nouvelles questions et à obtenir des réponses à ces questions. Les processus de prise de décision qui étaient inexistants ou implicites dans le passé sont maintenant exposés explicitement à travers de nouvelles plateformes d'Analytics et le tout numérique. La technologie Analytics d'aujourd'hui peut traiter très rapidement de gros volumes de données diverses afin de rester en phase avec les nouvelles questions en constante évolution des décideurs impliqués dans la transformation numérique. Quel est le meilleur moment pour lancer un nouveau produit ? Quel ajustement devrions-nous apporter à notre stratégie de mise sur le marché basée sur les derniers commentaires des clients ? Quelle est la probabilité qu'un nouveau prix entraîne une croissance des revenus ? Combien un fournisseur de marché de données est-il prêt à payer pour nos données ? Est-ce qu'une offre un mardi matin par une journée ensoleillée obtiendra une meilleure réponse qu'une offre un dimanche soir pluvieux ? Ce ne sont que quelques exemples de questions que les décideurs à différents niveaux des organisations que nous avons interrogées posent dans le cadre de leurs initiatives de transformation numérique.

Les Analytics jouent le rôle de moteur qui propulse les efforts de transformation numérique d'une organisation vers une prise de décision basée sur les données. Ne vous laissez pas impressionner par le jargon de l'industrie. Souvent, l'utilisation de termes tels que « big data », « Analytics » et « machine learning » détourne l'attention du fait que ces concepts, processus et technologies sont mis en œuvre pour soutenir et automatiser la prise de décision. Ce qui est différent aujourd'hui dans le rôle des Analytics dans la transformation numérique, c'est que cet engin métaphorique ne consiste pas simplement à rouler plus vite en utilisant le même carburant (données) sur la route; il s'agit de prendre son envol et d'utiliser un nouveau type de carburant (big data) pour atteindre de nouveaux sommets plus rapidement.

Le sujet de l'aide à la décision a été discuté pendant des années, voire des décennies. Qu'est-ce qui a changé ?

En effet, l'aide à la décision en tant que thème IT était discutée et abordée depuis les années 1980. Le sujet a traversé plusieurs phases presque répétitives, en commençant par EIS et DSS et en passant à BI et maintenant les Analytics. Mais plusieurs facteurs sont différents aujourd'hui. La première est l'interface utilisateur (UI) qui est à présent facile à utiliser. La visualisation dynamique des données (activée par le calcul en mémoire), les écrans tactiles, les appareils mobiles et maintenant l'interactivité vocale ont rendu la technologie accessible à tous. Cela vaut non seulement pour les analystes et les gestionnaires du monde des affaires, mais aussi pour ceux qui dirigent de petites entreprises, pour les infirmières, pour les livreurs, pour les forces de l'ordre et pour les enseignants. En d'autres termes, il est désormais possible de disposer d'une aide à la décision et même d'une automatisation de la décision.

Deuxièmement, les bases de données en mémoire ont inauguré l'ère de la plate-forme analytique de données transactionnelles, qui permet l'intégration de la fonctionnalité d'aide à la décision dans les applications d'entreprise. Cette technologie soutient les décisions en temps réel. Les employés peuvent désormais avoir accès au soutien nécessaire pour les décisions tactiques ou opérationnelles qu'ils doivent prendre dans leur travail quotidien en temps réel.

Le troisième est l'émergence du cloud. Ici, il s'agit moins de l'aspect « hors site » du déploiement sur l'infrastructure cloud que du fait que la technologie d'analyse moderne est conçue pour le cloud. Cela facilite l'intégration de fonctionnalités étroitement liées - qu'il s'agisse de reporting ou d'analyse visuelle ad hoc ou de planification ou de prévision ou d'analyse prédictive. Ces outils et méthodes ont tous des fonctions qui doivent inter-opérer. Aujourd'hui, nous disposons de plateformes d'analyse qui en font finalement une réalité via l'architecture cloud.

Le quatrième point est la notion que les décisions ne sont pas seulement des points dans le processus où un exécutif rend une opinion après avoir évalué un ensemble d'alternatives. Aujourd'hui, l'automatisation des décisions tactiques et opérationnelles repose sur l'adoption de l'apprentissage automatique, de l'intelligence artificielle et des techniques d'apprentissage en profondeur pour analyser de gros volumes de données à partir de choses connectées et de personnes connectées. La combinaison d'ensembles de données internes augmentés de données tierces achetées et d'une plus grande puissance de traitement pour prendre en charge des analyses complexes permet à un nombre croissant d'organisations de former des algorithmes d'apprentissage automatique pour découvrir de nouvelles perspectives. Un apprentissage automatique supervisé et non supervisé a été lancé pour analyser les images médicales, prédire les pannes d'équipement, permettre l'interactivité vocale, identifier automatiquement les problèmes de qualité des données, recommander les meilleures actions à venir et accomplir de nombreuses autres tâches. Ces solutions améliorent la productivité grâce à l'automatisation de tâches manuelles qui prenaient beaucoup de temps et permettent des analyses auparavant impossibles.

Cinquièmement, ce n'est pas un point technique, mais un problème organisationnel que nous avons vu évoluer au fil des ans. Aujourd'hui, il y a une acceptation beaucoup plus grande par le département informatique qu'il ne devrait pas contrôler tout ce qui est analytique. Nous voyons l'émergence du rôle d'agent d'analyse en chef, qui ne relève pas de la direction informatique. Nous voyons des déploiements d'outils d'analyse libre-service partout, y compris dans la salle de conférence, où les cadres peuvent désormais « survoler » leurs tableaux de bord plutôt que de se fier à des rapports statiques et imprimés. Cette acceptation par l'informatique lui a permis de se concentrer sur ses compétences de base en fourniture de données et de technologies plutôt que d'essayer de créer des rapports, des tableaux de bord et des analyses pour les utilisateurs professionnels qui sont inévitablement en deçà des attentes.

Par fourniture de données, j'entends l'intégration de données, la qualité des données, la sécurité des données, la gestion des données de base et des métadonnées ainsi que la gouvernance des données et l'intégration de données tierces externes. Ce changement a créé une attitude plus collaborative parmi le personnel de l'IT, des secteurs d'activité et des analystes, ce qui contribue à produire des analyses plus influentes et de meilleures occasions pour générer de la valeur à partir des données.

Selon vous, quels sont les plus grands défis ou obstacles à des Analystics plus efficaces et plus répandues ?

Les trois principaux problèmes qui ressortent de notre étude de marché sont les suivants :

- Adopter une approche « big bang » de l'analytique. En d'autres termes, entreprendre des projets massifs qui dépendent de « tout » ce qui est bien faire pour produire un résultat à long terme. Ces projets sont coûteux et demande du temps - des caractéristiques qui ne sont pas en phase avec les besoins actuels en matière de prototypage rapide et de renouvellement continu de solutions pour soutenir la prise de décision. Seuls les projets visant à résoudre un problème commercial spécifique, une question ou une série de questions peuvent produire le type de retour sur investissement acceptable pour les dirigeants d'aujourd'hui. Grâce à l'itération, les projets d'analyse peuvent démontrer un succès progressif (ou un échec), ce qui mène à un nouveau financement (ou à une réaffectation des financements) et à de nouveaux projets.

- Sous-estimer les problèmes d'intégration et d'intégrité des données. Souvent, des projets d'Analytics bien intentionnés se bloquent à cause de données incomplètes ou de mauvaise qualité. Vous pouvez vous demander, pourquoi mettre en évidence ces problèmes pérennes qui ne sont pas insurmontables, mais servent de détours ou d'obstacles qui nécessitent un investissement supplémentaire en temps, en argent et en ressources humaines ? Bien que l'intégration et l'intégrité des données aient été au premier rang des défis pour les organisations impliquées dans tout type de projet de données et d'Analytics, un facteur supplémentaire de complexité s'est ajouté à la liste. Il est relatif à la migration continue des ensembles de données et des solutions analytiques vers le cloud. IDC prévoit qu'au cours des cinq prochaines années, l'adoption de solutions d'Analytics basées sur le cloud augmentera cinq fois plus vite que l'adoption de solutions d'Analytics sur site. Cela signifie que dans un avenir proche, l'architecture standard de données et d'analyse sera hybride - avec des ensembles de données et des logiciels d'analyse sur site et dans le cloud.

Ainsi, l'intégration des données, la gouvernance des données, la qualité des données, la gestion des données de base et des métadonnées et les processus connexes exigeront encore plus d'attention que par le passé. Les réponses à des questions - telles que comment minimiser les mouvements de données, comment intégrer l'Analytics au niveau des données et quand les intégrer-  détermineront la capacité de l'organisation à gérer efficacement les données et les plates-formes d'Analytics qui permettent aussi bien le prototypage rapide que l'opérationnalisation des Analytics comme support et appuis aux initiatives de transformation digitale.

- Ne pas appliquer les concepts du knowledge management aux projets d'Analytics. Trop souvent, nous voyons de grands cas de réussite avec des projets d'Analytics qui sont confinés à un seul département ou business unit. La dissémination des connaissances dans l'ensemble de l'organisation est souvent difficile en raison d'un manque de systèmes et de processus pour le faire. Une autre lacune soulevée, l'absence de suivi des processus de prise de décision, y compris le suivi de la façon dont les gens interagissent entre eux et avec la technologie tout au long du cycle de vie des Analytics. Le leadership d'Analytics doit non seulement prendre en charge la technologie, le personnel et les données, mais également servir d'intermédiaire ou de marché pour les meilleures pratiques analytiques, ainsi que pour les algorithmes de partage, les KPI, les données, les nouvelles méthodes analytiques et autres bonnes pratiques dans toute l'organisation.

Avec ces changements dans la technologie et le comportement organisationnel, quelles sont les meilleures pratiques que vous avez vues dans l'utilisation des Analytics ?

Un plus grand nombre d'entreprises ont été en mesure d'éliminer ce que nous avons appelé le « gap d'apprentissage » dans les anciennes solutions business intelligence (BI). L'écart d'apprentissage est créé par des outils de BI fournissant des informations aux individus en l'absence de support pour l'évaluation des alternatives de décision (par exemple, simulation). Elle ne dispose pas de moyen facile de collaborer avec des collègues ou partenaires, ni de moyens techniques de passer de la connaissance à l'action (de l'analyse à l'exécution des décisions dans les différents systèmes opérationnels). Elles ne disposent pas non plus de la capacité à appréhender les processus analytiques et les processus de prise de décision pour un apprentissage et un ajustement futurs. Justement, c'est un autre avantage des solutions basées sur le cloud : elles facilitent le suivi et l'analyse du comportement des utilisateurs de technologies analytiques et intègrent cette analyse dans les décisions sur la façon d'améliorer ces solutions.

Nous constatons également que les clients conçoivent de nouvelles architectures technologiques de gestion des données et d'analyse qui transforment la forte dépendance historique à l'ETL en une entreprise de stockage de données d'entreprise accessible par quelques outils de business intelligence. La nouvelle architecture hybride se développe en une plate-forme moderne de données et d'Analytics qui comprend un certain nombre de composants d'intégration, de gestion et d'analyse de données structurés et non structurés. Ceux-ci incluent les bases de données relationnelles en mémoire, les centres de données NoSQL, les clusters Hadoop, l'Anlytics prédictive, les rapports et tableaux de bord, les tableaux de bord exécutifs, les analyses de flux...

Une autre bonne pratique très percutante a été la reconnaissance du fait que les données et l'analyse requièrent un leadership dédié sous la forme de responsables analytiques en chef et de responsables des données (ou des titres similaires). D'une part, nous voyons beaucoup plus de PDG reconnaître la valeur de l'analyse et être prêts à financer de nouveaux projets d'Analytics. D'autre part, toutes les entreprises ne sont pas outillées pour tirer profit de ce soutien de haut niveau nouvellement trouvé. Trop d'organisations se lancent dans les achats de nouvelles technologies sans se poser suffisamment de questions sur leurs besoins ou leurs objectifs de prise de décision. Les solutions d'Analytics d'aujourd'hui, en particulier dans le cloud, sont bien meilleures que leurs prédécesseurs pour permettre le prototypage rapide et l'évolutivité dynamique, mais le fait que cette fonctionnalité existe ne supprime pas la responsabilité de l'entreprise et de l'informatique de se réunir et de comprendre les objectifs du projet et les décisions qui les aideront à atteindre ces objectifs.

Même les entreprises qui ont exposé certaines des meilleures pratiques en matière d'Analytics n'ont fait qu'effleurer les avantages potentiels. Relativement peu d'entre elles ont adopté l'Analytics prédictive dans son plein potentiel, d'autres utilisent encore des méthodes d'optimisation, et seulement les précurseurs ont commencé à tirer profit de l'intelligence artificielle dans l'aide à la décision et l'automatisation des décisions. Au cours des prochaines années, nous assisterons à une accélération du rythme d'adoption des meilleures pratiques et des nouvelles technologies Analytics dans des secteurs tels que le commerce de détail, la banque, les biens de consommation courante, les télécommunications et le secteur public.