Le mythe de la BI et de l'IA en libre-service
Je me souviens très bien du changement d'expression de mon client, un mélange de surprise et de consternation, alors que je lui expliquais les tableaux de bord que j'avais créés. Il était chef de produit et ces tableaux de bord avaient changé la donne pour son équipe. Avant mon intervention, ils passaient près d'une semaine par mois à consolider les données et à préparer des rapports pour la haute direction. Par la suite, cette tâche est devenue presque facile.
Lors de mon dernier jour, le chef de produit, appelons-le Roy, m'a demandé de transférer des connaissances afin qu'il puisse apporter lui-même de petites modifications à ces tableaux de bord. J'ai hésité, sachant que les modèles et les calculs étaient complexes et que Roy n'avait jamais utilisé le logiciel auparavant. Pourtant, il a insisté. J'ai ouvert l'éditeur du logiciel et expliqué méthodiquement le modèle de données, les calculs, les filtres et les fonctionnalités de navigation.
Je travaille dans le domaine du conseil depuis plus de dix ans, et je n'ai jamais été aussi déçue de voir un client, non pas à cause de la qualité de mon travail, mais parce que Roy croyait sincèrement que lui et son équipe seraient totalement autonomes une fois que je serais parti. À ce moment-là, il s'est rendu compte qu'ils ne le seraient pas.
N.B. J'utiliserai « BI » et « analytique » de manière interchangeable dans cet article. J'entends par là le cabinet ou l'équipe responsable de la préparation des actifs d'analyse visuelle à la fois stratégiques et opérationnels.
Le rêve de la BI en libre-service
Au début des années 2010, la BI en libre-service est devenue le Saint Graal pour les équipes commerciales et informatiques, loin du statu quo. À l'époque, les utilisateurs professionnels devaient suivre un processus rigide de collecte des exigences, impliquant souvent des analystes commerciaux et des chefs de projet, avant que les développeurs puissent créer quoi que ce soit dans des cadres BI complexes et monolithiques. Après des semaines (voire des mois), les utilisateurs recevaient un rapport qui ne répondait peut-être même pas à leurs besoins, en raison d'exigences vagues ou de malentendus lors du développement. Essentiellement, même pour obtenir des informations et des statistiques de base sur leur activité, les organisations devaient jouer plusieurs rôles et devaient faire face à un cycle de développement lent et lourd.
Le paradigme de la BI en libre-service est apparu comme une bouffée d'air frais, promettant de sortir les entreprises de ce cycle lent et coûteux de création de rapports traditionnelle. Posez une question, obtenez une réponse : ne vous fiez plus à des spécialistes informatiques ou analytiques, plus de longs délais d'attente.
Pour des scénarios simples tels que l'analyse d'un fichier Excel bien rangé ou d'une poignée de tableaux bien structurés, cette vision analytique en libre-service peut fonctionner. Si vous poussez les choses plus loin, les entreprises se retrouveront dans une « fabrique de rapports » centralisée, composée de spécialistes qui traduisent les besoins de l'entreprise en solutions techniques.
Cela reflète l'expérience de bon nombre de mes clients : leur manque d'autonomie persistant en matière de données, malgré d'importants investissements technologiques. J'ai essayé de comprendre pourquoi les analyses en libre-service restent difficiles à trouver, et je pense que cela est dû en grande partie à trois hypothèses erronées mais courantes que je partage ci-dessous :
1. En supposant que l'ingénierie des données est triviale
Je définirai l'ingénierie des données comme la pratique consistant à transformer des données brutes en un formulaire pouvant être utilisé pour répondre à des requêtes analytiques. Je considère qu'il s'agit d'un pilier fondamental de l'analyse en libre-service.
Pourtant, de nombreuses organisations mettent en œuvre des outils frontaux élégants tout en négligeant le travail d'ingénierie des données que ces outils nécessitent. C'est comme installer un lustre chic, sans les circuits électriques de base en place.
Envisagez un ensemble de données de ventes canonique contenant les clients, les numéros de commande et les dates de commande. Pour classer les clients dans l'une des catégories suivantes, il faut effectuer à la fois une jointure et une agrégation.
- Actif : au moins une commande au cours des trois derniers mois
- À risque: dernière commande entre trois et six mois
- Baratté: aucune commande pendant plus de six mois
Désormais, les utilisateurs professionnels, habitués à la simplicité du « glisser-déposer », s'attendent à sélectionner une métrique et à voir le résultat instantanément, sans avoir à effectuer les travaux d'ingénierie des données sous-jacents.
Ce fantasme du glisser-déposer trouve également son écho dans les programmes de perfectionnement où les sessions d'entraînement s'appuient sur des données de démonstration parfaitement propres et simplifiées. Mais une fois que les utilisateurs retournent dans leur environnement réel, ils découvrent des ensembles de données complexes et désordonnés. En l'absence d'un soutien d'experts fondé sur ces cas d'utilisation réels, ils se retrouvent rapidement dépassés et incapables d'appliquer ce qu'ils ont appris.
Le manque de savoir-faire en matière d'ingénierie des données, combiné au temps limité alloué à la mise à niveau des compétences, empêche les utilisateurs professionnels d'aller au-delà des indicateurs de base dans un véritable modèle de BI en libre-service. En conséquence, les entreprises retombent dans l'ancien paradigme de la fabrique de rapports, en s'appuyant sur des développeurs dédiés pour traduire les exigences en tableaux de bord et en actifs analytiques.
Il est vrai que quelques « champions des données » ayant une expérience préalable ou un vif intérêt peuvent utiliser ces outils et obtenir le statut d'étoile, mais leur succès ne reflète pas la réalité de la plupart des utilisateurs professionnels.
2. En supposant que les utilisateurs développeront naturellement des compétences analytiques
La deuxième hypothèse erronée est le manque d'investissement dans la formation des utilisateurs qui va au-delà des compétences techniques pour inclure la maîtrise des données et la pensée analytique.
La BI en libre-service permet à tout travailleur du savoir de récupérer une métrique sans aide extérieure. En réalité, la formation technique devrait être combinée avec pensée axée sur les données, ce qui implique de comprendre que les chiffres nécessitent un contexte.
Examinons le graphique suivant représentant le nombre moyen d'heures par jour enregistrées par les membres d'une équipe donnée. Même avec un tableau de bord prédéfini (donc pas de BI en libre-service en jeu), les interprétations varient considérablement en fonction de l'utilisateur
- Un professionnel des ressources humaines qui constate une baisse du nombre moyen d'heures quotidiennes travaillées par une équipe peut s'inquiéter des problèmes d'engagement.
- Un analyste financier constatant la même tendance pourrait conclure que l'équipe est en sureffectif.
- Le chef d'équipe peut toutefois y voir une conséquence naturelle de la lourde charge de travail d'un projet stratégique récent.
Le scénario idéal serait que chaque utilisateur traite les données non pas comme la réponse finale, mais comme le point de départ d'une enquête plus approfondie. Les questions suivantes devraient être la norme :
- « Cette tendance est-elle attendue ? »
- « Est-ce que six semaines sont trop courtes ? Devrais-je envisager une période plus longue ? »
- « Quel est le contexte général ? »
- « Comment cela se compare-t-il à la même période l'année dernière ? »
- « Cette tendance pourrait-elle être liée à d'autres événements d'entreprise ? »
Mise à niveau des compétences en pensée axée sur les données c'est faire de ces questions un réflexe. Il ne s'agit pas seulement d'accéder aux données, il s'agit de donner aux utilisateurs la confiance et la curiosité nécessaires pour les explorer et les interpréter.
L'intégration d'explications et d'annotations contextuelles directement dans les ensembles de données doit être considérée comme une caractéristique essentielle de toute véritable solution de BI en libre-service. Si elle ne favorise pas la recherche critique et ne fournit pas de contexte autour des chiffres, la BI en libre-service ne tiendra jamais ses promesses.
Malheureusement, de nombreuses organisations négligent cette étape cruciale de formation ou de coaching pour leurs utilisateurs professionnels, ce qui finit par les rendre encore plus dépendants de quelques « experts » de l'entreprise, afin d'utiliser les chiffres et les tendances qu'ils consultent dans leurs tableaux de bord.
3. Partant du principe que la gouvernance peut attendre
La troisième question, la plus négligée, est celle de la gouvernance. Dans la plupart des cas, le déploiement initial de la BI se concentre souvent sur un petit groupe d'utilisateurs expérimentés dotés d'autorisations élevées. À mesure que l'adoption se développe, la complexité de la gouvernance des données devient évidente. Supposons que notre modèle de gouvernance limite la plupart des utilisateurs à des données récapitulatives, ce qui est très bien, jusqu'à ce que l'un d'entre eux ait besoin de créer un rapport détaillé au niveau des transactions. Soudain, nous nous rendons compte que l'un des principes de notre politique de gouvernance brise le paradigme de la BI en libre-service.
Bien que je reconnaisse qu'il est difficile de finaliser une stratégie complète de gouvernance des données avant le déploiement, il est tout à fait possible de rédiger une première version robuste en examinant les contraintes et les capacités des outils, des personnes et des processus. C'est comme concevoir la structure d'une maison avec soin, de telle sorte que les ajustements ultérieurs ne nécessitent que le réaménagement des meubles, et non la reconstruction des murs.
Je recommande vivement d'intégrer des points de vue externes dès le début et de rester prêt à peaufiner et à réitérer.
Assez de BI, maintenant nous avons l'IA
Beaucoup pensent que l'IA rendra ces défis de BI obsolètes. Je pense toutefois que l'IA ne sera pas non plus un médicament miracle et qu'elle pourrait même amplifier nos erreurs et notre vision à court terme. Revoyons nos trois hypothèses erronées dans le contexte de l'analytique d'entreprise basée sur l'IA
1. En supposant L'ingénierie des données est obsolète
Les outils d'IA s'appuient souvent sur un modèle sémantique, utilisant essentiellement les mêmes pipelines d'ingénierie de données décrits ci-dessus. Exposez les données de vente brutes à un modèle d'IA et demandez des « clients actifs ». Au mieux, vous n'obtiendrez aucune réponse et, au pire, vous aurez des hallucinations. Vous devez indiquer au système d'IA ce que signifie « actif » dans votre contexte.
Supposer qu'un nouvel outil ou une nouvelle fonctionnalité d'IA éliminera le besoin d'ingénierie des données revient à répéter le même postulat erroné qu'avec la BI.
2. En supposant que les utilisateurs n'ont pas besoin de perfectionnement.
Dans un paradigme d'IA en libre-service, obtenir des réponses aux questions des entreprises est voué à devenir plus rapide mais aussi plus isolant. Un tableau de bord ou un rapport préparé à l'avance est susceptible de contenir des descriptions ou des annotations qui fournissent le contexte d'un chiffre ou d'une tendance. Mieux encore, un tableau de bord préparé à l'avance a un auteur, une personne qui peut être contactée pour en savoir plus sur le contexte des chiffres affichés. En l'absence de telles informations complémentaires et de contacts humains, la capacité de l'utilisateur professionnel à traiter les informations dans leur contexte et, en cas d'absence, à rechercher le contexte devient cruciale. Sans cette capacité, nous retomberons tout de suite dans un paradigme semblable à celui d'une fabrique de rapports, même avec des outils basés sur l'IA à notre disposition.
3. L'hypothèse de la gouvernance ne peut être envisagée qu'après coup.
Dans un scénario analytique traditionnel, il est très simple de sécuriser l'accès aux bases de données et aux mots de passe. Cela peut parfois frustrer les utilisateurs, mais le principe du moindre privilège est relativement facile à mettre en œuvre.
Dans une solution d'analyse basée sur l'IA, il deviendra plus difficile de créer des règles permettant à l'IA de trouver des réponses aux questions commerciales, tout en préservant la stricte confidentialité des données dans les domaines concernés. En reprenant notre exemple précédent de données agrégées par rapport aux données brutes, réfléchissez à ce qui empêchera un utilisateur d'obtenir des informations sur le niveau des transactions s'il utilise une invite suffisamment précise.
La création d'une gouvernance de l'IA inclura en grande partie la gouvernance des données et restera un processus difficile, non trivial et itératif.
Et maintenant ?
Les affirmations que j'ai avancées plus haut dans cet article peuvent sembler contraires à ce qui suit, mais je pense qu'une véritable BI en libre-service et des analyses augmentées par l'IA sont réalisables. Cela nous obligerait toutefois à passer de les outils d'abord pour les fondations d'abord pensant. Nous devons cesser de considérer les outils comme des solutions miracle : ils n'apportent de la valeur que s'ils sont associés à des données, à des compétences et à une gouvernance appropriées.
Mes espoirs et suggestions pour les organisations qui mettent à jour ou remplacent leur pile analytique par l'IA sont les suivants :
- Utilisez de solides pipelines d'ingénierie des données pour proposer des ensembles de données sélectionnés et prêts à l'emploi.
- Investissez dans des compétences ciblées afin que les utilisateurs sachent non seulement comment utiliser les outils, mais aussi qu'ils pensent comme des analystes.
- Concevez une gouvernance réfléchie pour équilibrer autonomie et contrôle.
Roy, quant à lui, bénéficie du soutien continu de son équipe informatique interne et continue de s'appuyer sur des spécialistes de l'analyse. Je me souviendrai toujours de ce moment pour me rappeler que, quelle que soit la qualité de l'outil, ce sont les personnes et le processus qui déterminent le véritable succès du libre-service d'information.
Auteurs :
Fatima Solomro
Je me souviens très bien du changement d'expression de mon client, un mélange de surprise et de consternation, alors que je lui expliquais les tableaux de bord que j'avais créés. Il était chef de produit et ces tableaux de bord avaient changé la donne pour son équipe. Avant mon intervention, ils passaient près d'une semaine par mois à consolider les données et à préparer des rapports pour la haute direction. Par la suite, cette tâche est devenue presque facile.
Lors de mon dernier jour, le chef de produit, appelons-le Roy, m'a demandé de transférer des connaissances afin qu'il puisse apporter lui-même de petites modifications à ces tableaux de bord. J'ai hésité, sachant que les modèles et les calculs étaient complexes et que Roy n'avait jamais utilisé le logiciel auparavant. Pourtant, il a insisté. J'ai ouvert l'éditeur du logiciel et expliqué méthodiquement le modèle de données, les calculs, les filtres et les fonctionnalités de navigation.
Je travaille dans le domaine du conseil depuis plus de dix ans, et je n'ai jamais été aussi déçue de voir un client, non pas à cause de la qualité de mon travail, mais parce que Roy croyait sincèrement que lui et son équipe seraient totalement autonomes une fois que je serais parti. À ce moment-là, il s'est rendu compte qu'ils ne le seraient pas.
N.B. J'utiliserai « BI » et « analytique » de manière interchangeable dans cet article. J'entends par là le cabinet ou l'équipe responsable de la préparation des actifs d'analyse visuelle à la fois stratégiques et opérationnels.
Le rêve de la BI en libre-service
Au début des années 2010, la BI en libre-service est devenue le Saint Graal pour les équipes commerciales et informatiques, loin du statu quo. À l'époque, les utilisateurs professionnels devaient suivre un processus rigide de collecte des exigences, impliquant souvent des analystes commerciaux et des chefs de projet, avant que les développeurs puissent créer quoi que ce soit dans des cadres BI complexes et monolithiques. Après des semaines (voire des mois), les utilisateurs recevaient un rapport qui ne répondait peut-être même pas à leurs besoins, en raison d'exigences vagues ou de malentendus lors du développement. Essentiellement, même pour obtenir des informations et des statistiques de base sur leur activité, les organisations devaient jouer plusieurs rôles et devaient faire face à un cycle de développement lent et lourd.
Le paradigme de la BI en libre-service est apparu comme une bouffée d'air frais, promettant de sortir les entreprises de ce cycle lent et coûteux de création de rapports traditionnelle. Posez une question, obtenez une réponse : ne vous fiez plus à des spécialistes informatiques ou analytiques, plus de longs délais d'attente.
Pour des scénarios simples tels que l'analyse d'un fichier Excel bien rangé ou d'une poignée de tableaux bien structurés, cette vision analytique en libre-service peut fonctionner. Si vous poussez les choses plus loin, les entreprises se retrouveront dans une « fabrique de rapports » centralisée, composée de spécialistes qui traduisent les besoins de l'entreprise en solutions techniques.
Cela reflète l'expérience de bon nombre de mes clients : leur manque d'autonomie persistant en matière de données, malgré d'importants investissements technologiques. J'ai essayé de comprendre pourquoi les analyses en libre-service restent difficiles à trouver, et je pense que cela est dû en grande partie à trois hypothèses erronées mais courantes que je partage ci-dessous :
1. En supposant que l'ingénierie des données est triviale
Je définirai l'ingénierie des données comme la pratique consistant à transformer des données brutes en un formulaire pouvant être utilisé pour répondre à des requêtes analytiques. Je considère qu'il s'agit d'un pilier fondamental de l'analyse en libre-service.
Pourtant, de nombreuses organisations mettent en œuvre des outils frontaux élégants tout en négligeant le travail d'ingénierie des données que ces outils nécessitent. C'est comme installer un lustre chic, sans les circuits électriques de base en place.
Envisagez un ensemble de données de ventes canonique contenant les clients, les numéros de commande et les dates de commande. Pour classer les clients dans l'une des catégories suivantes, il faut effectuer à la fois une jointure et une agrégation.
- Actif : au moins une commande au cours des trois derniers mois
- À risque: dernière commande entre trois et six mois
- Baratté: aucune commande pendant plus de six mois
Désormais, les utilisateurs professionnels, habitués à la simplicité du « glisser-déposer », s'attendent à sélectionner une métrique et à voir le résultat instantanément, sans avoir à effectuer les travaux d'ingénierie des données sous-jacents.
Ce fantasme du glisser-déposer trouve également son écho dans les programmes de perfectionnement où les sessions d'entraînement s'appuient sur des données de démonstration parfaitement propres et simplifiées. Mais une fois que les utilisateurs retournent dans leur environnement réel, ils découvrent des ensembles de données complexes et désordonnés. En l'absence d'un soutien d'experts fondé sur ces cas d'utilisation réels, ils se retrouvent rapidement dépassés et incapables d'appliquer ce qu'ils ont appris.
Le manque de savoir-faire en matière d'ingénierie des données, combiné au temps limité alloué à la mise à niveau des compétences, empêche les utilisateurs professionnels d'aller au-delà des indicateurs de base dans un véritable modèle de BI en libre-service. En conséquence, les entreprises retombent dans l'ancien paradigme de la fabrique de rapports, en s'appuyant sur des développeurs dédiés pour traduire les exigences en tableaux de bord et en actifs analytiques.
Il est vrai que quelques « champions des données » ayant une expérience préalable ou un vif intérêt peuvent utiliser ces outils et obtenir le statut d'étoile, mais leur succès ne reflète pas la réalité de la plupart des utilisateurs professionnels.
2. En supposant que les utilisateurs développeront naturellement des compétences analytiques
La deuxième hypothèse erronée est le manque d'investissement dans la formation des utilisateurs qui va au-delà des compétences techniques pour inclure la maîtrise des données et la pensée analytique.
La BI en libre-service permet à tout travailleur du savoir de récupérer une métrique sans aide extérieure. En réalité, la formation technique devrait être combinée avec pensée axée sur les données, ce qui implique de comprendre que les chiffres nécessitent un contexte.
Examinons le graphique suivant représentant le nombre moyen d'heures par jour enregistrées par les membres d'une équipe donnée. Même avec un tableau de bord prédéfini (donc pas de BI en libre-service en jeu), les interprétations varient considérablement en fonction de l'utilisateur
- Un professionnel des ressources humaines qui constate une baisse du nombre moyen d'heures quotidiennes travaillées par une équipe peut s'inquiéter des problèmes d'engagement.
- Un analyste financier constatant la même tendance pourrait conclure que l'équipe est en sureffectif.
- Le chef d'équipe peut toutefois y voir une conséquence naturelle de la lourde charge de travail d'un projet stratégique récent.
Le scénario idéal serait que chaque utilisateur traite les données non pas comme la réponse finale, mais comme le point de départ d'une enquête plus approfondie. Les questions suivantes devraient être la norme :
- « Cette tendance est-elle attendue ? »
- « Est-ce que six semaines sont trop courtes ? Devrais-je envisager une période plus longue ? »
- « Quel est le contexte général ? »
- « Comment cela se compare-t-il à la même période l'année dernière ? »
- « Cette tendance pourrait-elle être liée à d'autres événements d'entreprise ? »
Mise à niveau des compétences en pensée axée sur les données c'est faire de ces questions un réflexe. Il ne s'agit pas seulement d'accéder aux données, il s'agit de donner aux utilisateurs la confiance et la curiosité nécessaires pour les explorer et les interpréter.
L'intégration d'explications et d'annotations contextuelles directement dans les ensembles de données doit être considérée comme une caractéristique essentielle de toute véritable solution de BI en libre-service. Si elle ne favorise pas la recherche critique et ne fournit pas de contexte autour des chiffres, la BI en libre-service ne tiendra jamais ses promesses.
Malheureusement, de nombreuses organisations négligent cette étape cruciale de formation ou de coaching pour leurs utilisateurs professionnels, ce qui finit par les rendre encore plus dépendants de quelques « experts » de l'entreprise, afin d'utiliser les chiffres et les tendances qu'ils consultent dans leurs tableaux de bord.
3. Partant du principe que la gouvernance peut attendre
La troisième question, la plus négligée, est celle de la gouvernance. Dans la plupart des cas, le déploiement initial de la BI se concentre souvent sur un petit groupe d'utilisateurs expérimentés dotés d'autorisations élevées. À mesure que l'adoption se développe, la complexité de la gouvernance des données devient évidente. Supposons que notre modèle de gouvernance limite la plupart des utilisateurs à des données récapitulatives, ce qui est très bien, jusqu'à ce que l'un d'entre eux ait besoin de créer un rapport détaillé au niveau des transactions. Soudain, nous nous rendons compte que l'un des principes de notre politique de gouvernance brise le paradigme de la BI en libre-service.
Bien que je reconnaisse qu'il est difficile de finaliser une stratégie complète de gouvernance des données avant le déploiement, il est tout à fait possible de rédiger une première version robuste en examinant les contraintes et les capacités des outils, des personnes et des processus. C'est comme concevoir la structure d'une maison avec soin, de telle sorte que les ajustements ultérieurs ne nécessitent que le réaménagement des meubles, et non la reconstruction des murs.
Je recommande vivement d'intégrer des points de vue externes dès le début et de rester prêt à peaufiner et à réitérer.
Assez de BI, maintenant nous avons l'IA
Beaucoup pensent que l'IA rendra ces défis de BI obsolètes. Je pense toutefois que l'IA ne sera pas non plus un médicament miracle et qu'elle pourrait même amplifier nos erreurs et notre vision à court terme. Revoyons nos trois hypothèses erronées dans le contexte de l'analytique d'entreprise basée sur l'IA
1. En supposant L'ingénierie des données est obsolète
Les outils d'IA s'appuient souvent sur un modèle sémantique, utilisant essentiellement les mêmes pipelines d'ingénierie de données décrits ci-dessus. Exposez les données de vente brutes à un modèle d'IA et demandez des « clients actifs ». Au mieux, vous n'obtiendrez aucune réponse et, au pire, vous aurez des hallucinations. Vous devez indiquer au système d'IA ce que signifie « actif » dans votre contexte.
Supposer qu'un nouvel outil ou une nouvelle fonctionnalité d'IA éliminera le besoin d'ingénierie des données revient à répéter le même postulat erroné qu'avec la BI.
2. En supposant que les utilisateurs n'ont pas besoin de perfectionnement.
Dans un paradigme d'IA en libre-service, obtenir des réponses aux questions des entreprises est voué à devenir plus rapide mais aussi plus isolant. Un tableau de bord ou un rapport préparé à l'avance est susceptible de contenir des descriptions ou des annotations qui fournissent le contexte d'un chiffre ou d'une tendance. Mieux encore, un tableau de bord préparé à l'avance a un auteur, une personne qui peut être contactée pour en savoir plus sur le contexte des chiffres affichés. En l'absence de telles informations complémentaires et de contacts humains, la capacité de l'utilisateur professionnel à traiter les informations dans leur contexte et, en cas d'absence, à rechercher le contexte devient cruciale. Sans cette capacité, nous retomberons tout de suite dans un paradigme semblable à celui d'une fabrique de rapports, même avec des outils basés sur l'IA à notre disposition.
3. L'hypothèse de la gouvernance ne peut être envisagée qu'après coup.
Dans un scénario analytique traditionnel, il est très simple de sécuriser l'accès aux bases de données et aux mots de passe. Cela peut parfois frustrer les utilisateurs, mais le principe du moindre privilège est relativement facile à mettre en œuvre.
Dans une solution d'analyse basée sur l'IA, il deviendra plus difficile de créer des règles permettant à l'IA de trouver des réponses aux questions commerciales, tout en préservant la stricte confidentialité des données dans les domaines concernés. En reprenant notre exemple précédent de données agrégées par rapport aux données brutes, réfléchissez à ce qui empêchera un utilisateur d'obtenir des informations sur le niveau des transactions s'il utilise une invite suffisamment précise.
La création d'une gouvernance de l'IA inclura en grande partie la gouvernance des données et restera un processus difficile, non trivial et itératif.
Et maintenant ?
Les affirmations que j'ai avancées plus haut dans cet article peuvent sembler contraires à ce qui suit, mais je pense qu'une véritable BI en libre-service et des analyses augmentées par l'IA sont réalisables. Cela nous obligerait toutefois à passer de les outils d'abord pour les fondations d'abord pensant. Nous devons cesser de considérer les outils comme des solutions miracle : ils n'apportent de la valeur que s'ils sont associés à des données, à des compétences et à une gouvernance appropriées.
Mes espoirs et suggestions pour les organisations qui mettent à jour ou remplacent leur pile analytique par l'IA sont les suivants :
- Utilisez de solides pipelines d'ingénierie des données pour proposer des ensembles de données sélectionnés et prêts à l'emploi.
- Investissez dans des compétences ciblées afin que les utilisateurs sachent non seulement comment utiliser les outils, mais aussi qu'ils pensent comme des analystes.
- Concevez une gouvernance réfléchie pour équilibrer autonomie et contrôle.
Roy, quant à lui, bénéficie du soutien continu de son équipe informatique interne et continue de s'appuyer sur des spécialistes de l'analyse. Je me souviendrai toujours de ce moment pour me rappeler que, quelle que soit la qualité de l'outil, ce sont les personnes et le processus qui déterminent le véritable succès du libre-service d'information.
Auteurs :
Fatima Solomro