Avez-vous remarqué ? Depuis l'annonce d'une première application dans le secteur bancaire, prestement suivie par quelques autres, la technologie Watson d'IBM fait aujourd'hui beaucoup moins parler d'elle. La raison de cette discrétion pourrait résider dans la difficulté que rencontrent les pionniers à concrétiser les promesses initiales…
Du côté du constructeur, pourtant, les messages ne changent pas : la « banque cognitive » est prête à résoudre tous les problèmes, de la lutte contre la fraude à la fidélisation des clients. Et, en effet, les exemples d'application de sa solution ne manquent pas, dans tous les domaines : le conseil personnalisé en gestion de fortune, la réponse précise aux besoins individuels de chaque client, l'aide à la décision pro-active dans les centres d'appel, la détection d'anomalies dans les comportements…
Hélas, comme le rappelle un billet récent sur le blog , il reste encore un long chemin à parcourir pour faire le pont entre la théorie et la réalité. Certes, il n'existe aucune raison de remettre en cause les espoirs de bénéfices qu'offriraient l'analyse profonde des gigantesques masses de données dormant dans les systèmes d'information des institutions financières (sans parler de celles qui circulent librement sur internet…). Mais les obstacles à surmonter avant de les atteindre s'avèrent nombreux.
En premier lieu, l'utilisation des données existantes représente à elle seule un défi incommensurable. Disséminées dans des silos étanches, sans la moindre cohérence transverse, de qualité souvent douteuse ou, a minima, inégale, elles sont en réalité extrêmement délicates à exploiter. Non qu'il faille attendre qu'elles soient « nettoyées » pour tenter d'en extraire de la valeur. Cependant, rien ne sera possible avant d'avoir établi un état des lieux précis, permettant de pondérer les résultats produits.
Du côté du constructeur, pourtant, les messages ne changent pas : la « banque cognitive » est prête à résoudre tous les problèmes, de la lutte contre la fraude à la fidélisation des clients. Et, en effet, les exemples d'application de sa solution ne manquent pas, dans tous les domaines : le conseil personnalisé en gestion de fortune, la réponse précise aux besoins individuels de chaque client, l'aide à la décision pro-active dans les centres d'appel, la détection d'anomalies dans les comportements…
Hélas, comme le rappelle un billet récent sur le blog , il reste encore un long chemin à parcourir pour faire le pont entre la théorie et la réalité. Certes, il n'existe aucune raison de remettre en cause les espoirs de bénéfices qu'offriraient l'analyse profonde des gigantesques masses de données dormant dans les systèmes d'information des institutions financières (sans parler de celles qui circulent librement sur internet…). Mais les obstacles à surmonter avant de les atteindre s'avèrent nombreux.
En premier lieu, l'utilisation des données existantes représente à elle seule un défi incommensurable. Disséminées dans des silos étanches, sans la moindre cohérence transverse, de qualité souvent douteuse ou, a minima, inégale, elles sont en réalité extrêmement délicates à exploiter. Non qu'il faille attendre qu'elles soient « nettoyées » pour tenter d'en extraire de la valeur. Cependant, rien ne sera possible avant d'avoir établi un état des lieux précis, permettant de pondérer les résultats produits.
Vient ensuite le changement de paradigme introduit par l'informatique cognitive : contrairement au monde de la finance traditionnelle où tous les calculs sont rigoureux et les chiffres toujours justes, lorsqu'il s'agit de proposer des recommandations ou de détecter une fraude, tout est affaire de statistiques et de taux de confiance (ce qui, incidemment, rejoint le point précédent). Or, dans ce domaine, le champ est grand ouvert et IBM n'a pratiquement pas de réponses prêtes à l'emploi à apporter.
Afin de profiter pleinement de l'intelligence supposée de Watson, il faut donc d'abord franchir ces écueils, après quoi il restera à concevoir et implémenter les modèles d'analyse que le marketing du constructeur ne fait qu'esquisser. Pour cela, il est nécessaire de recruter (et former, probablement) un bataillon de « data scientists », ces spécialistes capables de transformer les données brutes en mined'or d'informations. Les profils adéquats étant rares, cette exigence représente un challenge supplémentaire…
Conclusion, l'euphorie qu'ont pu provoquer les implémentations initiales de la technologie d'IBM dans les institutions financières doit peut-être laisser la place à une prise de conscience de l'immense chantier préalable à un projet réussi. En revanche, il serait dangereux de considérer que le jeu n'en vaut pas la chandelle, car les pré-requis dont il est question ici seront indispensables dans tous les cas – avec Watson ou non – pour que la banque de demain soit en position de répondre aux attentes de ses clients.
Afin de profiter pleinement de l'intelligence supposée de Watson, il faut donc d'abord franchir ces écueils, après quoi il restera à concevoir et implémenter les modèles d'analyse que le marketing du constructeur ne fait qu'esquisser. Pour cela, il est nécessaire de recruter (et former, probablement) un bataillon de « data scientists », ces spécialistes capables de transformer les données brutes en mine
Conclusion, l'euphorie qu'ont pu provoquer les implémentations initiales de la technologie d'IBM dans les institutions financières doit peut-être laisser la place à une prise de conscience de l'immense chantier préalable à un projet réussi. En revanche, il serait dangereux de considérer que le jeu n'en vaut pas la chandelle, car les pré-requis dont il est question ici seront indispensables dans tous les cas – avec Watson ou non – pour que la banque de demain soit en position de répondre aux attentes de ses clients.
Aucun commentaire:
Enregistrer un commentaire
Afin de lutter contre le spam, les commentaires ne sont ouverts qu'aux personnes identifiées et sont soumis à modération (je suis sincèrement désolé pour le désagrément causé…)