Si nous étions habitués à étudier le passé pour mieux prédire l’avenir, il nous faut dès à présent adopter une autre façon de prévoir les événements. Dans la plupart des domaines d’activité (ventes, maintenance du matériel, santé, éducation, recherche), traiter l’important volume de données représente un défi considérable. L’accès aux données en temps réel et la prédiction vont s’affirmer comme étant la norme pour les analystes de données. De quoi dérouter. En effet, cela va entièrement refonder la notion d’analyste de données telle qu’elle est connue aujourd’hui dans les entreprises.

Les équipes d’analystes chargées d’étudier les événements passés, d’en extraire des prévisions, et de « traduire » les volumes de données en informations accessibles aux autres équipes, vont voir leur structure profondément modifiée. L’automatisation des fonctions telles que le reporting et l’intelligence artificielle joueront le rôle de catalyseur dans ce changement. Libérés des tâches répétitives, les analystes pourront se consacrer à la construction de schémas ou modèles prédictifs basés sur l’observation des données en temps réel et sur le machine learning. Des modèles qui pourront ensuite être reproduits et appliqués à différents cas de figure. Les analystes adoptent ainsi de nouvelles fonctions au sein de l’entreprise : l’exploration et la modélisation des données, et l’accompagnement de leurs interlocuteurs vers la compréhension de celles-ci.

De nouveaux défis : deep learning et accessibilité des données

Aux nouvelles pratiques telles que le deep learning, qui approfondit la capacité des machines à reconnaître la source des données et à ajuster leur interprétation, succéderont de nouvelles exigences. Les entreprises devront intégrer l’analytique à tous leurs processus. Cela implique de ne plus penser l’analyse des données comme une compétence à part, à laquelle on dédierait un département détaché des autres fonctions de l’entreprise. L’analyste doit davantage être intégré aux autres équipes, où il permettra à ses collaborateurs de mieux comprendre et interpréter les données. Cette synergie se révèle particulièrement efficace dans le cadre de la maintenance prédictive des infrastructures, dont le fonctionnement est régi par les techniciens terrain. Ces mêmes interlocuteurs seront des sources précieuses d’information pour les analystes : ils leur permettront de mieux comprendre la provenance des données, et d’acquérir une meilleure connaissance des champs d’application de l’analytique.

Par ailleurs, les consommateurs sont de plus en plus conscients de la valeur de leurs données pour les entreprises. Le RGPD (Règlement Général sur la Protection des Données) va d’ailleurs dans leur sens, puisqu’il vise à redonner aux consommateurs le pouvoir sur l’exploitation de leurs données personnelles. L’entreprise devra s’y adapter et les y accompagner afin de gagner leur confiance. L’agilité est donc de mise !  

Elargir les champs de compétences pour optimiser l’approche prédictive

Les données ne proviennent plus seulement des machines ou des formulaires de contact. Blogs, réseaux sociaux et applications diverses constituent d’importantes sources de collecte de données, que les analystes devront apprendre à maîtriser. Cela implique qu’ils élargissent leurs connaissances : celles-ci doivent recouvrir un spectre global. Acquérir des compétences sur les différents champs dans lesquels l’analytique s’applique, permettra aux analystes d’agir de façon plus instinctive et d’optimiser la conception de leurs modèles. Ils pourront ensuite les rendre adaptables et autonomes plus aisément.

Pour que l’analyse soit davantage une source de productivité en interne, l’entreprise doit lui conférer une plus grande liberté d’action. Il peut s’avérer utile, par exemple, de donner aux analystes les moyens de réagir aux données transmises par les machines dans le cadre d’une maintenance prédictive, et de procéder à l’action adéquate. L’analyste pourra aussi agir, après analyse des données, pour éviter le renoncement d’un client ou contrecarrer une fraude de la part d’un consommateur, sans passer par les équipes marketing. Plus encore : les analystes seront amenés à créer des modèles d’action adaptables à chaque situation, et automatiser ces tâches le plus possible.

L’analyste des données est déjà un élément clé de la performance dans plusieurs secteurs, notamment avec l’avènement de l’approche prédictive. Elargir cette compétence métier à des connaissances globales, adopter un mode de fonctionnement plus agile pour suivre l’évolution de la donnée : telles sont les conditions à réunir pour optimiser cette approche et tirer avantage du big data.