Les données au service de l'entreprise

Les données au service de l'entreprise

Préface

Comment une entreprise peut-elle utiliser au mieux la multitude de données qui lui est accessible, à la fois pour être plus efficace en interne mais aussi vis à vis de ses clients ? Comment peut-elle s'assurer que sa transformation digitale profonde réponde à ses attentes nombreuses ? Quelles compétences doit-elle solliciter ?

Répondre à ces questions nécessite expertise et innovation, c’est précisément ce que nous ont montrés Eleven Strategy, consultant en digital, durant une formation dispensée aux Mines de Paris. L’industrie 4.0 et la digitalisation croissante ne font qu’accroître la nécessité de mieux gérer ses données, ainsi les entreprises se doivent de faire appel à des connaissances précises sur la Data Science. C’est ici qu’interviennent les consultants de Eleven.

Dans un environnement où l’usage des données s’intensifie, les managers et plus largement les employés d’une entreprise ont aussi besoin de comprendre les fondements de la Data Science. En effet, une compréhension, même basique, des mécanismes derrière l’analyse des données peut légitimer les résultats obtenus par les algorithmes et assurer leurs intelligibilité pour le personnel de l’entreprise.

Cet article résume, en partie, le contenu de la formation dispensée, en introduisant des pistes de réflexion pour les entreprises (et Junior-Entreprise) vis à vis de la Data Science.

Introduction aux disruptions digitales et la data

Les entreprises comprennent aujourd’hui que la transformation digitale est devenue une nécessité. Les marchés, les attentes des clients ou encore les “business models” changent de façon continue, ainsi les boîtes doivent faire face à des changements profonds en permanence.

Trop souvent, les initiatives prises en vue d’une transformation digitale de l’entreprise ne réalisent pas leurs potentiels. Les nouvelles applications digitales qui permettent d’automatiser certains process au niveau de l’entreprise pour favoriser les tâches à forte valeur ajoutée restent souvent mal ou tout simplement inutilisées. Les gains de productivité restent maigres et la rupture digitale est ratée.

Cette remise en cause des moyens de productions, de consommation et de collaboration nécessite ainsi une approche systémique de l’entreprise prenant en compte les employés et les process aussi bien que les nouvelles technologies utilisées. Il faut pouvoir comprendre la culture de l’entreprise; sans cette riche perspective interne, les entreprises ne verront jamais le type de transformation leurs donnant un avantage compétitif. C’est en ce sens qu’il faut que les utilisateurs internes des nouvelles applications digitales puissent insérer celles-ci dans leurs routines, dans leurs modes de pensées. Le travail d’un consultant en digital n’est donc pas une chose aisée, il faut pouvoir proposer des solutions technologiques innovantes intégrant une bonne compréhension de la structure de l’entreprise et des méthodes de travail des employés.

Ces solutions technologiques reposent en grande partie sur la multitude de données collectées actuellement par les entreprises; c’est ici qu’intervient la data science et ses méthodes de machine learning. 

Une vision de l'IA et ses applications

Les techniques d’apprentissage statistique ont débutée vers les années 1989 avec l’emploi du deep learning pour la reconnaissance de chiffres. Ce n’est pourtant que récemment que celles-ci ce sont intégrées au sein des entreprises. L’omniprésence des données récoltées est un facteur clé dans ce développement de l’IA, pourtant son utilisation n’est pas toujours aisée.

En effet, il existe des problèmes qui peuvent apparaître de par les modalités de la récolte des données. En effet, dans certains cas le consultant en digital, ou le chargé de la transformation digitale interne, doit s’assurer que les données ne cachent pas des biais. L’exemple phare pour illustrer ce biais de sélection est celui des avions rentrant du champ de bataille durant la seconde guerre mondiale. En effectuant une étude sur les parties les plus touchées, l’ingénieur en déduirait la nécessité de renforcer les ailes ou le corps de l’avion. Cependant, cette étude omet le fait que les avions touchés au moteur n’arrivent presque jamais à rentrer et c’est précisément le moteur qui nécessite le plus de renforcement.

Le biais de sélection n’est qu’une première problématique relative à l’utilisation de l’IA pour l’entreprise. Il faut pouvoir choisir le ou les modèles d’apprentissage statistique les plus adaptés, limiter l’apprentissage trop “parfait” qui ne donne pas de bons résultats lorsqu’il est confronté à de nouvelles données ou encore définir les quantifications de “succès” de l’algorithme.

C’est donc une tâche relativement complexe que d’intégrer des méthodes de machine learning à l’entreprise. Ceci se complexifie d’avantage avec un emploi à grande échelle de ces méthodes. A l’échelle de la multinationale, les méthodes d’IA utilisées en interne peuvent venir se superposer et créer une structure ingérable.

S’il faut persister dans l’utilisation et la compréhension de ces méthodes, c’est qu’elles peuvent avoir un impact plus qu’important au niveau des gains en revenu, en réduction de coûts et dans l’optimisation de la dépense de capitaux.

Mieux gérer ses données - Assurer une transformation digitale réussie 

Certaines entreprises remarquent que leurs gains en productivité n’ont pas été fortement corrélé avec les augmentations des dépenses sur l’informatique et la transformation digitale. Ces augmentations de dépenses sont beaucoup plus élevées que les gains en productivité, alors que le consultant en digital prone la digitalisation de l’entreprise. Il y a donc certaines mesures à adopter pour s’assurer que la transformation digitale soit réussie.

Si les entreprises, à l’aide de consultants, déploient souvent des solutions technologiques innovantes, elles n’assurent pas leurs intégration profonde et donc leurs utilisations quotidienne.

Un premier aspect pour que cette transformation soit bien réussie est de s’assurer que les employés comprennent les bases des solutions proposées. Il faut développer les connaissances de la data science en interne car c’est précisément ces employés qui connaissent l’entreprise et qui peuvent aider le consultant en digital à proposer quelque chose de réellement implémentable.

C’est aussi dans le soucis de l’implémentation que les solutions proposées doivent être des “méthodes agiles” c’est à dire facilement modifiables et avec la possibilité de construire dessus, de l’améliorer en permanence en fonction des retours reçus. Les méthodes de data science et la masse de données utilisées doivent venir s’ajouter aux infrastructures technologiques existantes dans les entreprises. Sinon, la transformation trop brutale désoriente les utilisateurs internes et la digitalisation de l’entreprise ne réalise qu’un gain de productivité après une période d’adaptation, au bout de laquelle le consultant pourrait proposer une nouvelle technologie.

La Junior-Entreprise, elle, n’a pas réellement des masses de données à utiliser et ce n’est pas en interne que ces problématiques ont du sens. Mais ses étudiants proposant des études souvent orientés vers l’informatique se doivent de prendre en compte cette multiplicité d’aspects pour fournir un travail complet et garantir la satisfaction de nos clients.