Les responsables de l’analyse des données (CDAO) avisés ne manqueront pas de faire appel à l’IA pour générer de la valeur pour l’entreprise, mais ils devront également veiller à optimiser leur stratégie et leur gouvernance.
- Client Gartner ? Log in pour des résultats de recherche personnalisés.
L’IA pour l’analyse de données : Se concentrer sur la valeur ajoutée
Exploiter le potentiel de l’IA pour l’analyse des données
Les avancées rapides de l’IA générative (GenAI) sont en train de recomposer les programmes stratégiques et de peser sur les responsabilités des dirigeants D&A et de leurs attributions dans bien des domaines. Téléchargez cette étude pour découvrir comment les responsables des données et analyses structurent les projets liés à l’IA générative et quels sont les principaux défis auxquels ils sont confrontés. Consultez également :
Des stratégies pour répondre aux attentes des parties prenantes
Les meilleures pratiques pour l’évaluation des applications de l’IA générative
Les méthodes de collaboration avec les parties prenantes impliquées dans la gestion des risques
Mettre l’IA au service de l’analyse des données à travers une stratégie, un leadership et une gouvernance
Pour réussir à mettre l’IA au service de l’analyse des données, le responsable D&A doit apporter une valeur ajoutée à l’entreprise en intégrant l’IA dans sa stratégie d’analyse de données et en donnant la priorité à une gouvernance des données pensée pour l’IA.
- L’IA dans le contexte de la stratégie d’analyse de données
- Leadership dans le domaine de l’IA
- Données compatibles avec l’IA
Actualiser la stratégie de gestion d’analyse des données avec une stratégie relative à l’IA, en accordant notamment une attention particulière à l’IA générative
Les projets liés à l’IA se multiplient, souvent au sein d’une même entreprise, sans aucune coordination et stratégie préalables. Ce constat se vérifie tout particulièrement en ce qui concerne l’adoption de l’IA générative. Quand un pan de l’entreprise ignore ce qu’un autre pan entreprend avec l’IA, il peut involontairement créer un risque pour l’entreprise et potentiellement lui faire perdre toute création de valeur stratégique. Ainsi, pour éviter un tel écueil, les entreprises ont besoin d’une stratégie dédiée à l’IA.
Il ne s’agit pas ici de mettre un terme aux projets d’IA qui essaiment, mais de préparer le terrain de façon à mieux les orchestrer. Étant donné que le responsable de l’analyse de données est déjà le garant de nombreuses composantes associées à l’IA (notamment les infrastructures de base de l’analyse des données et de l’IA, la gouvernance et la confiance dans les données, la gestion des risques liés aux données, l’éthique dans le domaine d’analyse de données, les biais analytiques, la transparence des données et certains aspects de la gestion du changement au travers de la maîtrise des données et de l’IA) il est logique que la stratégie D&A soit étendue et vienne inclure la stratégie de gestion de l’IA.
Si elle est bien structurée, une stratégie de gestion de l’IA axée sur les données peut susciter une réflexion de fond, produire des résultats commerciaux, favoriser une prise de décision éclairée et contribuer à la réussite de l’entreprise. Pourtant, trop souvent, les tentatives d’intégration de l’IA dans les stratégies d’analyse de données se concentrent sur des projets ambitieux et des budgets prévisionnels, sans identifier comment ces projets d’IA produiront de la valeur et en fonction de quels paramètres.
Il est préférable de contourner ces écueils en adoptant une vision plus globale qui établit un lien entre l’adoption de l’IA et les objectifs de l’entreprise et, à terme, avec ses résultats commerciaux, de la manière suivante :
Harmoniser et faire correspondre les projets d’IA avec les priorités commerciales stratégiques de l’entreprise ; inclure des mesures et des indicateurs clés de performance pour en déterminer les retombées.
Susciter la participation des parties prenantes de l’entreprise en adoptant une approche financière et commerciale plutôt qu’une approche axée sur l’IA et l’analyse des données
Appréhender les vecteurs de création de valeur et les facteurs limitants de l’entreprise et expliquer comment l’IA et l’analyse des données sont porteuses d’une valorisation tangible, qui est directement corrélée à la stratégie de l’entreprise.
L’IA générative : un cas particulier dans le cadre de la stratégie D&A
Le soudain engouement autour de l’IA générative impose une orientation stratégique spécifique. Dans la mesure où ce type d’IA est largement utilisé par les consommateurs et que la barrière à l’adoption est faible, les équipes peuvent facilement l’utiliser sans connaissances ni supervision de la part de leur hiérarchie.
À ce titre, même dans le cas du lancement de projets officiels d’IA générative, les responsables de l’analyse des données en sont rarement les seuls maîtres d’œuvre. Dans la mesure où vous êtes responsable des différentes ressources utilisées par l’IA telles que la science des données et les données sous-jacentes nécessaires, vous pouvez toutefois assumer un rôle stratégique consistant à fournir une perspective sur les domaines dans lesquels l’IA générative peut apporter une valeur ajoutée aujourd’hui et ceux dans lesquels elle se révèle incapable d’en apporter une. De plus, vous pouvez fournir aux responsables des conseils déterminants sur les conditions propices à la réussite pour ce qui est de la gestion des données et des questions de confiance, de la gestion des risques et de la gouvernance.
Cela permet à l’entreprise de se concentrer sur les applications de l’IA générative qui apportent une valeur ajoutée à l’entreprise et d’éviter de se laisser distraire par un engouement pour certains projets et des attentes déraisonnables.
Ainsi, pour que cette perspective soit envisageable, fournissez des précisions supplémentaires sur les projets d’IA générative qui se distinguent de l’IA traditionnelle (solutions prédictives) et qui comprennent :
Un suivi attentif de l’IA générative en tant que vecteur de la stratégie D&A et des résultats de l’entreprise
Identifier et hiérarchiser les scénarios d’utilisation de l’IA générative à forte valeur ajoutée en fonction de leur incidence sur la concurrence, de leur valeur commerciale, de leur priorité, de leur coût et des risques qu’ils présentent
Justifier de la valeur et de la rentabilité du projet, puis concrétiser-le via un portefeuille d’investissements en IA générative, en mesurant à chaque fois leurs résultats, tout en tirant des enseignements et en procédant à des corrections
Suivre les tendances émergentes dans le domaine de l’IA générative pour tirer parti de l’évolution des avancées sur le plan du rapport valeur/coût au fur et à mesure que le marché mûrit
Dans le cadre de cette lutte pour la prise en charge et l’appropriation de l’IA, les responsables de l’analyse des données doivent faire preuve de leadership dans ce domaine
L’essor soudain de l’IA générative motive certains cadres dirigeants ambitieux à affirmer avec crédibilité qu’ils doivent assumer le contrôle des projets relatifs à l’IA au sein de l’entreprise. Le DSI, le directeur de la technologie, le directeur du numérique, le responsable de l’innovation, le responsable de l’IA peuvent tous prétendre à une telle attribution. Pourtant, comme l’IA elle-même, si elle est envisagée avec une approche réactive, tous ces conflits pour la maîtrise de l’IA peuvent être une source de distraction qui ralentit les progrès de l’entreprise en matière de création de valeur.
Les responsables de l’analyse des données doivent être impliqués et avoir leur mot à dire dans les discussions portant sur l’IA. Vous n’avez peut-être pas envie ou besoin de vous approprier l’IA, mais vous devez faire partie des dirigeants de l’entreprise qui participent à ce processus décisionnel. Votre participation est essentielle, étant donné que vous êtes déjà responsable d’un grand nombre de dispositifs et ressources fondamentales liées à l’IA, notamment tout ce qui touche aux données exploitables par l’IA, à la gouvernance des données, aux compétences en matière de gestion des données et analyses et au perfectionnement de ces dernières. Vous pouvez également jouer un rôle de rassembleur et force stabilisatrice, si vous faites preuve de leadership en matière d’IA en mettant l’accent sur un cadre disciplinaire et des pratiques pour lesquelles vous occupez une position unique de fer de lance.
Pour que votre service d’analyse de données reste au cœur des ambitions de l’entreprise en matière d’IA, les responsables de l’analyse des données sont invités à prendre des mesures dans deux domaines clés qui vont vous différencier et vous permettre de faire preuve de leadership dans le domaine de l’IA :
Intégrer l’IA dans la stratégie d’analyse de données en mettant l’accent sur la création de valeur commerciale.
74 % des responsables d’analyse de données déclarent que la direction générale a confiance dans leur service, mais seulement 49 % d’entre eux ont adopté des mesures axées sur les résultats commerciaux qui permettent aux parties prenantes de suivre la valeur de leur service. Les responsables D&A ont peut-être bénéficié d’une courte période où ils ont pu jouir d’un état de grâce, mais celle-ci est désormais révolue. Faute de pouvoir faire clairement le lien entre les différentes actions du service D&A et la création de valeur (cela inclut les actions relatives à l’IA) les responsables des services D&A risquent de voir leur service démantelé et assimilé au service informatique, ou à des services axés sur l’exploitation des données.
Une gouvernance d’analyse de données maîtrisée est le garant du développement d’innovations commerciales et de l’IA.
Les responsables d’analyse de données reconnaissent de plus en plus l’importance de la gouvernance des données pour la réussite de leur service et la plupart des entreprises ont réussi à affiner leur gouvernance au cours des dernières années. Par exemple, 82 % des répondants à l’enquête Gartner sur l’analyse de données déclarent pouvoir identifier les ressources en données nécessaires aux nouveaux projets de D&A et 80 % d’entre eux partagent couramment un actif sur plusieurs applications. Des disparités subsistent toutefois en ce qui concerne les indicateurs de performance clés axés sur la création de valeur dans le domaine de la gouvernance de l’analyse de données, dont seulement 46 % des personnes interrogées déclarent disposer. Les capacités des services d’analyse de données et les modèles de mise en œuvre doivent évoluer pour soutenir l’innovation commerciale et l’IA.
Pour concrétiser la proposition de valeur de l’IA, il faut disposer de données de haute qualité et facilement accessibles
Les programmes d’analyse de données dont la gouvernance est très aboutie sont les plus susceptibles d’avoir adopté des innovations axées sur les données. Cela va à l’encontre de la perception commune des parties prenantes de l’entreprise qui estiment que les disciplines de gouvernance peuvent entraver l’innovation. A contrario, un manque de gouvernance empêche les entreprises de valoriser leurs projets d’IA.
Gartner prévoit que d’ici 2027, 60 % des entreprises ne parviendront pas à dégager la valeur escomptée de leurs applications de l’IA en raison de cadres de gouvernance incohérents en matière d’éthique.
Parmi les lacunes évidentes figure l’établissement de KPIs axés sur la valeur pour les politiques, pratiques et procédures de gouvernance de l’analyse de données, dont seulement 46 % des entreprises disposent. Les exigences de la gouvernance des données adaptées à l’IA sont également différentes de celles de la gestion des données traditionnelle. Négliger cet aspect mettra en péril la réussite des projets d’IA.
Pour que les données soient exploitables par l’IA, les équipes chargées de l’IA et de l’analyse de données devront être en mesure d’identifier rapidement les données adaptées à son utilisation à travers trois actions :
Identifier les données qui correspondent aux scénarios d’utilisation de l’IA. Chaque scénario d’utilisation de l’IA doit préciser la nature des données dont il a besoin, en fonction de la technique d’IA utilisée.
Définir les conditions d’utilisation. S’assurer que les données répondent aux exigences tout au long des phases successives des applications, depuis la conception et la formation jusqu’à l’exploitation d’un modèle d’IA.
Régir les données aptes à être utilisées par l’IA. Définissez le cadre de gouvernance continu des données pour les applications de l’IA en vous appuyant sur des principes tels que l’intendance des données, les normes et réglementations en matière de données et d’IA, les exigences en matière d’éthique de l’IA et des méthodes d’inférence et de dérivation contrôlées.
Le rôle de la gouvernance dans la préparation des données exploitables par l’IA
Alors que les responsables d’analyse de données s’efforcent de garantir que leur gouvernance des données leur permette de se préparer à l’IA, ils doivent également apporter une réponse aux équipes qui développent une IA centrée sur les données, à savoir les projets d’IA qui donnent la priorité aux données d’ingénierie pour créer de meilleurs systèmes d’IA plutôt que de prioriser l’affinage et à la mise au point d’algorithmes ou l’amélioration du code dans les modèles d’IA. Par exemple, d’ici 2025, les données synthétiques et l’apprentissage par transfert réduiront de plus de 50 % le volume de données réelles nécessaires à l’IA.
Les responsables d’analyse de données proactifs veilleront à promouvoir une bonne gouvernance des données afin de préparer celles-ci à leur traitement par l’IA en s’appuyant sur quatre éléments catalyseurs :
Préparation des données et techniques fonctionnelles. La préparation des données se concentre principalement sur la réalisation d’analyses de données exploratoires, l’épuration et la transformation afin de préparer des ensembles de données structurées de haute qualité pour l’extraction et l’ingénierie fonctionnelle. Cette ingénierie fonctionnelle confère aux ensembles de données des nuances ou une signification qui permettent d’améliorer les résultats et la précision des modèles.
Étiquetage et annotation des données. Ces tâches critiques, chronophages et gourmandes en ressources impliquent l’ajout de métadonnées à des données non structurées (images, textes, vidéos et fichiers audio) afin d’identifier des fonctionnalités pour le développement de l’IA.
Données synthétiques. Déjà répandues dans la modélisation et les simulations informatiques, les données synthétiques sont de plus en plus utilisées pour le développement de l’intelligence artificielle. Elles devraient à l’avenir supplanter les données réelles en raison de leur capacité à conserver les aspects statistiques et comportementaux des ensembles de données réels tout en optimisant les données en quantité limitée, en minimisant les biais ou en préservant la confidentialité des données.
Enrichissement des données. Permet d’enrichir les données internes avec des données spécifiques à un domaine provenant de sources de données externes. Les outils d’enrichissement des données peuvent recueillir des données tierces sur Internet (entre autres sources) et organiser, épurer ainsi qu’agréger les données provenant de sources disparates.
Questions fréquemment posées sur l’IA pour l’analyse des données
L’IA peut-elle être utilisée dans le domaine de l’analyse des données ?
L’IA dans le domaine de l’analyse des données offre de nombreux avantages : notamment une plus grande précision, des capacités prédictives et l’amélioration des processus décisionnels. En veillant à investir dans des données de qualité, en choisissant les bons outils, en développant les compétences adéquates qui permettront de relever tous les éventuels obstacles, les entreprises peuvent mettre à profit l’IA pour acquérir un avantage concurrentiel.