Parmi les disciplines émergeant autour des données, l'analyse prédictive est parée de toutes les vertus, comme si sa pratique allait permettre de répondre à toutes les questions que se posent les entreprises. Fred Giron – analyste pour Forrester – rappelle quelques règles à observer pour espérer atteindre des résultats utiles.
Le risque avec l'analyse prédictive est le même que celui qui accompagne toutes les technologies victimes de la mode : les promesses mirobolantes – émanant en grande partie d'éditeurs prêts à tous les mensonges pour vendre leurs produits – déclenchent quelques expérimentations et, parfois, une ou deux premières implémentations, dans l'excitation générale. Puis, au bout de quelques mois, il s'avère que les informations produites – aussi « sexy » soient-elles – ne servent à rien et le logiciel est enterré.
Premier conseil, qu'on ne répétera jamais assez : afin de réussir l'adoption d'une nouvelle solution, il est impératif de déterminer au préalable l'objectif que l'on souhaite atteindre, en s'assurant que l'outil envisagé est bien adapté au problème à résoudre. Au-delà de cette recommandation générale, l'analyse prédictive présente un certain nombre de spécificités – dont le défi principal, consistant à transformer des données en actions « métier » – qui vont imposer aussi des changements de méthode.
Commençons par la mauvaise habitude qu'ont beaucoup de DSI de s'emparer des derniers « joujoux » technologiques en vogue et de les mettre en œuvre après avoir – au mieux – rapidement informé leur alter ego du métier ciblé (en répétant les arguments du vendeur initial). En l'espèce, il faut non seulement rechercher les cas d'usage les plus pertinents avec les utilisateurs, mais ce sont même les bénéfices potentiels pour l'entreprise qui doivent focaliser les efforts, dans une véritable collaboration.
L'enjeu est particulièrement critique, car les talents capables de transformer la matière brute en valeur ajoutée par l'analyse prédictive sont extrêmement rares et, donc, précieux. Il serait doublement mal venu de les employer sur des sujets sans importance stratégique : outre le pur gaspillage qu'une telle attitude engendrerait, elle pourrait également décourager les « data scientists », qui – stars du moment – n'auront aucune difficulté à trouver un challenge plus ambitieux et plus exaltant sous d'autres cieux…
Établir une relation fructueuse entre l'informatique et le métier – ce qui n'est toujours pas une réalité dans beaucoup trop d'organisations – n'est pourtant pas si compliqué dans le domaine des « big data ». Pourquoi ne pas aller rechercher, dans le département marketing par exemple, les personnes qui explorent déjà les données existantes, identifier celles qui sont plus curieuses, plus passionnées et plus susceptibles d'adhérer à une nouvelle approche ? Avec elles se bâtiront les fondations d'une coopération efficace…
Le risque avec l'analyse prédictive est le même que celui qui accompagne toutes les technologies victimes de la mode : les promesses mirobolantes – émanant en grande partie d'éditeurs prêts à tous les mensonges pour vendre leurs produits – déclenchent quelques expérimentations et, parfois, une ou deux premières implémentations, dans l'excitation générale. Puis, au bout de quelques mois, il s'avère que les informations produites – aussi « sexy » soient-elles – ne servent à rien et le logiciel est enterré.
Premier conseil, qu'on ne répétera jamais assez : afin de réussir l'adoption d'une nouvelle solution, il est impératif de déterminer au préalable l'objectif que l'on souhaite atteindre, en s'assurant que l'outil envisagé est bien adapté au problème à résoudre. Au-delà de cette recommandation générale, l'analyse prédictive présente un certain nombre de spécificités – dont le défi principal, consistant à transformer des données en actions « métier » – qui vont imposer aussi des changements de méthode.
Commençons par la mauvaise habitude qu'ont beaucoup de DSI de s'emparer des derniers « joujoux » technologiques en vogue et de les mettre en œuvre après avoir – au mieux – rapidement informé leur alter ego du métier ciblé (en répétant les arguments du vendeur initial). En l'espèce, il faut non seulement rechercher les cas d'usage les plus pertinents avec les utilisateurs, mais ce sont même les bénéfices potentiels pour l'entreprise qui doivent focaliser les efforts, dans une véritable collaboration.
L'enjeu est particulièrement critique, car les talents capables de transformer la matière brute en valeur ajoutée par l'analyse prédictive sont extrêmement rares et, donc, précieux. Il serait doublement mal venu de les employer sur des sujets sans importance stratégique : outre le pur gaspillage qu'une telle attitude engendrerait, elle pourrait également décourager les « data scientists », qui – stars du moment – n'auront aucune difficulté à trouver un challenge plus ambitieux et plus exaltant sous d'autres cieux…
Établir une relation fructueuse entre l'informatique et le métier – ce qui n'est toujours pas une réalité dans beaucoup trop d'organisations – n'est pourtant pas si compliqué dans le domaine des « big data ». Pourquoi ne pas aller rechercher, dans le département marketing par exemple, les personnes qui explorent déjà les données existantes, identifier celles qui sont plus curieuses, plus passionnées et plus susceptibles d'adhérer à une nouvelle approche ? Avec elles se bâtiront les fondations d'une coopération efficace…
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…)