Future-Proof Your Company’s AI Strategy: Comment établir une solide fondation de données pour une innovation durable

Le rythme accéléré de l’innovation a donné aux dirigeants d’entreprise des maux de tête ces dernières années, et il a été difficile de suivre le flot de nouvelles capacités qui arrivent sur le marché. Dès que les entreprises pensent être en tête de jeu, une nouvelle annonce menace de diviser l’attention et de dérailler les progrès. Cela a conduit la direction à réfléchir à long terme avec leurs stratégies numériques et à renforcer leur capacité à innover de manière durable.

Le concept d’innovation durable est différent de la durabilité elle-même (qui traite souvent de l’impact climatique), et il s’agit plutôt de la reconnaissance que les technologies émergentes nécessitent l’écosystème approprié pour prospérer. En d’autres termes, la transformation numérique ne consiste pas seulement à acquérir les technologies disponibles maintenant, mais également à établir une solide fondation de données pour être en mesure d’acquérir les technologies qui viendront ensuite. Cette fondation est la racine de l’innovation elle-même, et elle permet aux entreprises de construire un modèle d’analyse sur lequel est intégré l’IA pour fournir des informations qui conduisent au changement. Ce type d’environnement est souvent à l’origine du principe bien connu de « Fail Fast. Learn Fast. » car il donne de l’espace aux équipes pour expérimenter et tester de nouvelles idées.

Alors que l’hystérie autour de l’IA et de la GenAI passe de l’expérimentation à la mise en œuvre, les entreprises rendent leurs investissements futurs en créant une couche de données robuste, bien conçue, accessible, organisée et structurée pour résister à l’épreuve du temps.

Combler le fossé des données

Alors que les technologies plus sexy orientées vers le client attirent toutes les manchettes, c’est l’analyse des données derrière la scène qui est le véritable cheval de bataille de l’IA/GenAI. La plupart des dirigeants comprennent cela maintenant, mais les programmes d’IA et les efforts de collecte de données peuvent toujours fonctionner parallèlement, dans lesquels les données sont massées dans un emplacement avant d’être alimentées dans les programmes d’IA. Au lieu de regarder votre programme de données et les processus d’IA/GenAI comme deux initiatives distinctes, les deux efforts doivent être liés pour garantir que les données soient disposées correctement et prêtes à être consommées. Cela signifie que, même s’il y a de grandes quantités de données disponibles, les dirigeants doivent considérer combien d’entre elles sont prêtes à l’emploi pour conduire leurs projets d’IA. La réalité est que peu de choses. D’une certaine manière, les organisations dupliquent les efforts en gardant les données et l’IA séparées, et les rapprocher peut être un facteur clé pour améliorer l’efficacité, réduire les coûts et rationaliser les opérations.

Selon BCG, les entreprises qui ont investi du temps pour fusionner leurs programmes de données et d’IA dès le début ont connu une croissance hors normes par rapport à leurs pairs. Après tout, les entreprises ne peuvent pas avoir de développement d’IA sans d’abord résoudre les données, et les dirigeants s’éloignent du peloton en utilisant leurs capacités plus matures pour mieux idéer, prioriser et assurer l’adoption de utilisations plus différenciées et transformatrices des données et de l’IA. En conséquence, les entreprises qui ont lié les données au développement de l’IA ont quatre fois plus de cas d’utilisation mis à l’échelle et adoptés dans tout leur entreprise que les retardataires en matière de données et d’IA, et pour chaque cas d’utilisation qu’ils mettent en œuvre, l’impact financier moyen est cinq fois plus important.

Pour renforcer votre fondation de données, commencez par poser quelques questions clés

Rappelez-vous que la capacité de soulever et de déplacer des données (que ce soit sur site ou via une migration vers le cloud) n’est pas la même chose que de les rendre prêtes pour l’IA. Pour garantir que les données sont prêtes à être consommées (c’est-à-dire en mesure d’être analysées pour les informations de l’IA), les entreprises doivent d’abord considérer quelques questions importantes :

• Comment nos données s’alignent-elles sur des résultats commerciaux spécifiques ? Les modèles d’IA nécessitent des données soigneusement sélectionnées, pertinentes et contextualisées pour être efficaces. Au stade initial, les entreprises doivent changer leur mentalité de la façon dont les données sont acquises et stockées à la façon dont elles seront utilisées pour la prise de décision basée sur l’IA dans des fonctions spécifiques. Lorsque les entreprises conçoivent des cas d’utilisation spécifiques tout en stockant et en organisant leurs données, celles-ci peuvent être plus facilement accessibles lorsqu’il est temps de développer de nouveaux processus comme l’IA, la GenAI ou l’IA agente.
• Quels obstacles sont sur notre chemin ? Lorsque McKinsey a interrogé 100 dirigeants de la direction dans des industries à travers le monde, près de 50 % ont eu du mal à comprendre les risques générés par les transformations numériques et analytiques – de loin le principal point de douleur de la gestion des risques. Dans la précipitation de produire des résultats, les entreprises peuvent souvent sacrifier la stratégie pour la vitesse. Au lieu de cela, les dirigeants doivent étudier soigneusement tous les angles, réfléchir à l’avenir et essayer de mitiger tout risque potentiel.
• Comment pouvons-nous optimiser nos données pour une efficacité accrue ? Alors que le besoin de données s’intensifie, il est courant que les gestionnaires portent des œillères et ne se concentrent que sur leur propre service. Ce type de pensée cloisonnée conduit à la redondance des données et à des vitesses de récupération des données plus lentes, les entreprises doivent donc donner la priorité à la communication et à la collaboration interfonctionnelles dès le début.

4 meilleures pratiques pour développer une solide fondation de données

Les entreprises qui investissent dans leur couche de données aujourd’hui se préparent pour le succès à long terme de l’IA dans le futur. Voici quatre meilleures pratiques pour future-proof votre stratégie de données :

1. Assurer la qualité et la gouvernance des données

• Établir la lignée des données, la gestion des métadonnées et les contrôles de qualité automatisés
• Utiliser des catalogues de données alimentés par l’IA pour une meilleure découverte et classification
• Simplifier la gestion des données pour garantir une gouvernance sans faille des données structurées et non structurées, des modèles de ML, des cahiers, des tableaux de bord et des fichiers

Un bon exemple d’entreprise qui utilise activement l’IA pour assurer la qualité et la gouvernance des données est SAP, qui intègre des capacités de ML dans son ensemble de gestion de données pour identifier et rectifier les incohérences de données, améliorant ainsi la qualité globale des données et respectant les pratiques de gouvernance des données robustes sur toutes ses plateformes.

2. Renforcer la sécurité, la confidentialité et la conformité des données

• Mettre en œuvre la sécurité Zero-Trust en chiffrant les données au repos et en transit
• Utiliser la détection de menaces alimentée par l’IA pour identifier les anomalies et prévenir les failles de sécurité
• Garantir la conformité avec les réglementations mondiales comme le RGPD et le CCPA, et automatiser les rapports/audits en utilisant l’IA

Une entreprise qui fait des choses innovantes dans la chaîne d’approvisionnement numérique et la gestion des risques des tiers est Black Kite. La plateforme d’intelligence de Black Kite fournit rapidement et à faible coût des informations sur les tiers et les chaînes d’approvisionnement, en donnant la priorité aux résultats dans un tableau de bord simplifié que les équipes de gestion des risques peuvent facilement consommer et combler les lacunes de sécurité critiques.

3. Explorer les partenariats stratégiques

• Évaluer vos propres capacités d’analyse avancée et étudier la façon dont les données existantes se comportent
• Rechercher des partenaires qui peuvent intégrer l’IA, l’ingénierie des données et l’analyse dans une plateforme facile à gérer

Certaines solutions de partenariat basées sur le cloud qui peuvent aider à structurer les données pour le succès de l’IA sont : (a) Databricks, qui s’intègre aux outils existants et aide les entreprises à construire, à mettre à l’échelle et à gérer les données/IA (y compris la GenAI et d’autres modèles de ML) ; et (b) Snowflake, qui exploite une plateforme qui permet l’analyse des données et l’accès simultané aux ensembles de données avec un minimum de latence.

4. Favoriser une culture axée sur les données

• Démocratiser l’accès aux données en mettant en œuvre des outils d’IA en libre-service qui utilisent l’interrogation en langage naturel (NLQ) pour rendre les informations sur les données accessibles
• Améliorer les compétences des employés en matière d’IA et de littératie des données, et former les équipes dans les processus de gouvernance des données et d’IA
• Encourager la collaboration entre les scientifiques des données, les ingénieurs et les équipes commerciales pour faciliter le partage des données et générer des informations plus holistiques

Un exemple de premier plan d’une entreprise qui favorise activement une culture axée sur les données qui repose fortement sur l’IA est Amazon, qui utilise les données des clients de manière intensive pour personnaliser les recommandations de produits, optimiser la logistique et prendre des décisions commerciales éclairées dans tout son processus, faisant des données un pilier central de leur stratégie.

Construire une fondation de données pour l’avenir

Selon une récente enquête KPMG, 67 % des dirigeants d’entreprise s’attendent à ce que l’IA transforme fondamentalement leurs entreprises dans les deux prochaines années, et 85 % estiment que la qualité des données sera le plus grand goulet d’étranglement pour les progrès. Cela signifie qu’il est temps de repenser les données elles-mêmes, en se concentrant non seulement sur le stockage, mais également sur l’utilisabilité et l’efficacité. En mettant leurs fondations de données en ordre maintenant, les entreprises peuvent future-proof leurs investissements dans l’IA et se positionner pour une innovation durable et continue.