Pour anticiper les tendances à venir, l’économie numérique impose aux entreprises d’être capables de mener rapidement, des analyse de données sur de gros volumes structurés et non structurés.
Toutes les directions Métiers ont désormais conscience du rôle majeur joué par le Big Data et les modèles prédictifs. Un tiers d’entre elles, seulement, estiment que la qualité de la donnée doit être améliorée et qu’il est difficile de recruter « les bons profils ».
Le Big Data génère les bénéfices métiers les plus importants dans trois grands domaines : celui de la connaissance et l’expérience client, de l’excellence opérationnelle et l’amélioration de la sécurité, et enfin dans celui de la gestion des risques et de la prévention de la fraude.
Avec une prévision de 180 zettaoctet de données disponibles d’ici 2025, soit 20 fois plus qu’aujourd’hui, les organisations vont donc avoir de quoi faire ! Pourtant, selon différentes études, la qualité de la donnée n’est pas au rendez-vous. La phase de préparation des données à traiter est chronophage et parfois inutile car sans obtention de résultats. En effet, la majorité des data workers travaillent sur tableurs.
Analyse de données, où en sont les entreprises ?
60% des dirigeants français reconnaissent la valeur commerciale de l’analyse des données.
(source étude 2018 Tableau software & YouGov)
1/3 des dirigeants rencontrent des difficultés à recruter des personnes possédant les compétences requises.
(source étude 2018 Tableau software & YouGov)
9 directions sur 10 sont conscientes de l’importance de la donnée structurée et non structurée.
(source IDC pour Dataiku 2019)
41% des directions métiers déplorent un manque de stratégie claire en matière d’analyse des données.
(source IDC pour Dataiku 2019)
La qualité des données, un enjeu central ?
Selon les différentes études, directions et dirigeants estiment que la qualité de la donnée est un enjeu central. Les séries de données doivent être complètes, fiables et sans biais, pour être correctement analysées.
Traiter les données nécessite de les préparer or cette phase se révèle chronophage voire, inutile car elle s’avère, souvent improductive.
80% des organisations ont des projets avec des data « cross organisation ». C’est à dire des données issues de l’interne et de l’externe et, par ailleurs, partagées entre plusieurs départements.
En moyenne, 33% du temps des collaborateurs est consacré à la préparation des data. 44% du temps consacré aux données est perdu car sans obtention de résultats (données erronées ou incomplètes).
Près de 9 collaborateurs sur 10 utilisent des tableurs, le plus souvent jugeant les outils trop compliqués ou peu efficaces (Source IDC, avril 2019, étude sur l’état de la data science et de l’analytics).
Recruter les bons profils, un défi pour les entreprises ?
Près de 1 organisation sur 2 investit actuellement dans la formation des collaborateurs Pour 71% des dirigeants français, il faut se tourner vers la nouvelle génération issue d’écoles d’ingénieurs ou écoles spécialisées dans le digital (Source tableau Software & YouGov). 63% des organisations de moins de 1000 employés n’ont ni directeur de la donnée, ni responsable BI, ni datascientist, ni dataminer. (source IDC)
Alors que le traitement des données est devenu une priorité pour les directions métiers, seule 1 sur 10 est totalement autonome car ayant embarquée en son sein des informaticiens et statisticiens.
Top 5 des priorités lors de l’analyse de données
Les priorités des métiers font apparaître des besoins en termes de rapidité de traitement, de volume et de variété des données à analyser, qui trouvent leurs réponses dans les apports du Big Data, seules 48% des entreprises y recourent.
Les modèles prédictifs
Utiliser des modèles prédictifs impose de repenser les organisations, de recruter des experts et déployer des plateformes dédiées au traitement de la donnée.
En termes d’intelligence artificielle, il reste encore du chemin à faire. En effet, 36% des entreprises n’y voient qu’un faible intérêt, voire un très faible intérêt pour 26% d’entre elles. Seules 3 directions métiers sont enclines à recourir aux modèles prédictifs.
Arrivent ensuite la logistique (22%), la finance (19%) et enfin les ressources humaines (5%). Par ailleurs, le tableau ci-dessous atteste de l’étendue des domaines d’application des modèles prédictifs au sein des métiers.
(Source IDC France, Tableau Software & youGov, Dataiku, Statista )
Dominique Cozzi, Journaliste
