Jay Allardyce, Directeur général, Données et Analytiques chez insightsoftware – Série d’entretiens

Jay Allardyce est Directeur général, Données et Analytiques chez insightsoftware. Il est un dirigeant de l’industrie technologique avec plus de 23 ans d’expérience dans des entreprises B2B telles que Google (GOOGL ), Uptake, GE et HP. Il est également co-fondateur de GenAI.Works, qui dirige la plus grande communauté d’intelligence artificielle sur LinkedIn.

insightsoftware est un fournisseur mondial de solutions logicielles financières et opérationnelles. L’entreprise propose des outils qui soutiennent la planification financière et l’analyse (FP&A), la comptabilité et les opérations. Ses produits sont conçus pour améliorer l’accessibilité des données et aider les organisations à prendre des décisions éclairées en temps opportun.

Vous avez souligné l’urgence pour les entreprises d’adopter l’IA en réponse aux attentes croissantes des clients. Quelles sont les principales étapes que les entreprises devraient prendre pour éviter de tomber dans le piège de la « peur de manquer l’IA » et adopter des solutions d’IA génériques ?

Les clients font savoir aux entreprises de manière claire et nette qu’ils veulent des capacités d’IA accrues dans les outils qu’ils utilisent. En réponse, les entreprises se précipitent pour répondre à ces demandes et suivre le rythme de leurs concurrents, ce qui crée un cycle hectique pour toutes les parties impliquées. Et oui, le résultat final est la peur de manquer l’IA, qui peut pousser une entreprise à précipiter son innovation dans le but de simplement dire : « nous avons l’IA ! »

Le plus grand conseil que j’ai pour les entreprises pour éviter de tomber dans ce piège est de prendre le temps de comprendre quels points de douleur les clients demandent à l’IA de résoudre. Y a-t-il un problème de processus qui est trop manuel ? Y a-t-il une tâche répétitive qui doit être automatisée ? Y a-t-il des calculs qui pourraient facilement être effectués par une machine ?

Une fois que les entreprises ont ce contexte nécessaire, elles peuvent commencer à adopter des solutions avec un objectif. Elles seront en mesure d’offrir aux clients des outils d’IA qui résolvent un problème, plutôt que ceux qui ajoutent à la confusion de leurs problèmes existants.

De nombreuses entreprises se précipitent pour mettre en œuvre l’IA sans comprendre pleinement ses cas d’utilisation. Comment les entreprises peuvent-elles identifier les solutions d’IA appropriées adaptées à leurs besoins spécifiques plutôt que de s’appuyer sur des mises en œuvre génériques ?

Du côté des clients, il est important de maintenir une communication constante pour mieux comprendre quels cas d’utilisation sont les plus pressants. Les conseils d’avocats des clients peuvent offrir une solution utile. Mais au-delà des clients, il est également important pour les équipes de regarder à l’intérieur et de comprendre comment l’ajout de nouveaux outils d’IA affectera la fonctionnalité interne. Pour chaque nouvel outil introduit pour un client, les équipes de données internes sont confrontées à une montagne de nouvelles variables et de nouvelles données créées.

Alors que nous voulons tous ajouter de nouvelles capacités et les montrer aux clients, aucune mise en œuvre d’IA ne sera couronnée de succès sans le soutien des équipes de données internes et des scientifiques derrière leur développement. Alignez-vous à l’intérieur pour comprendre la bande passante, puis regardez vers l’extérieur pour décider quels demandes de clients peuvent être pris en charge avec un soutien approprié derrière eux.

Vous avez aidé des entreprises du Fortune 1000 à adopter une approche axée sur les données. Qu’est-ce que cela signifie réellement pour une entreprise d’être « axée sur les données », et quels sont les pièges courants que les entreprises rencontrent lors de cette transformation ?

Pour qu’une entreprise soit « axée sur les données », les entreprises doivent apprendre à exploiter efficacement les données. Une équipe véritablement axée sur les données peut exécuter correctement la prise de décision basée sur les données, qui consiste à utiliser les informations pour informer et soutenir les choix commerciaux. Au lieu de s’appuyer uniquement sur l’intuition ou l’expérience personnelle, les décideurs rassemblent et analysent les données pertinentes pour guider leurs stratégies. Prendre des décisions basées sur les données peut aider les entreprises à dériver des insights plus éclairés et objectifs, ce qui, sur un marché en constante évolution, peut faire la différence entre une décision stratégique et une décision impulsive.

Un piège courant pour atteindre cela est une gestion des données inefficace, qui conduit à un « surchargement de données », où les équipes sont accablées par de grandes quantités de données et incapables de faire quoi que ce soit avec. Alors que les entreprises tentent de se concentrer sur les données les plus importantes, avoir trop de données accessibles peut conduire à des retards et à des inefficacités si elles ne sont pas gérées correctement.

Étant donné votre expérience dans le domaine de l’IoT et des technologies industrielles, comment voyez-vous l’intersection de l’IA et de l’IoT évoluer dans des industries telles que l’énergie, le transport et la construction lourde ?

Lorsque l’IoT est apparu, il y avait une croyance selon laquelle il permettrait une connectivité accrue pour améliorer la prise de décision. En retour, cette connectivité a débloqué un tout nouveau monde de valeur économique, et en effet, cela a été et continue d’être le cas pour le secteur industriel.

Le problème était que beaucoup se sont concentrés sur la « plomberie intelligente », en utilisant l’IoT pour se connecter, extraire et communiquer avec des appareils distribués, et moins sur le résultat. Vous devez déterminer le problème exact à résoudre, maintenant que vous êtes connecté à, disons, 400 actifs de construction lourde ou 40 centrales électriques détenues. Le résultat, ou le problème à résoudre, revient finalement à comprendre quel KPI pourrait être amélioré qui a conduit à la productivité de la ligne supérieure, à la productivité du flux de travail ou à l’épargne de la ligne inférieure (si ce n’est une combinaison). Chaque entreprise est régie par un ensemble de KPI de niveau supérieur qui mesurent la performance opérationnelle et des actionnaires. Une fois que ceux-ci sont déterminés, le problème à résoudre (et donc les données qui seraient utiles) devient clair.

Avec cette fondation en place, l’IA – qu’elle soit prédictive ou générative – peut avoir un impact 10 à 50 fois plus important pour aider une entreprise à être plus productive dans ce qu’elle fait. L’approvisionnement optimisé, les cycles de réparation et de service basés sur un signal de demande clair qui sont associés aux variables d’entrée nécessaires. Pour illustrer, l’idée d’avoir la « bonne pièce, au bon moment, au bon endroit » peut signifier des millions pour une entreprise de construction – car ils ont moins de niveaux de stockage requis pour les inventaires et les techniciens de service optimisés en fonction d’un modèle d’IA qui sait ou prédit quand une machine peut échouer ou quand un événement de service peut se produire. En retour, ce modèle, combiné avec des données opérationnelles structurées et des données IoT (pour les actifs distribués), peut aider une entreprise à être plus dynamique et optimisée en marge sans sacrifier la satisfaction client.

Vous avez parlé de l’importance d’utiliser efficacement les données. Quelles sont les principales façons dont les entreprises utilisent mal les données, et comment peuvent-elles les transformer en un véritable avantage concurrentiel ?

Le terme « intelligence artificielle », lorsqu’il est pris au sens littéral, peut être un peu trompeur. Entrer toutes les données dans un moteur d’IA ne signifie pas qu’il produira des résultats utiles, pertinents ou précis. Alors que les équipes tentent de suivre le rythme de l’innovation de l’IA dans le monde d’aujourd’hui, nous oublions parfois l’importance d’une préparation et d’un contrôle des données complets, qui sont essentiels pour garantir que les données qui alimentent l’IA sont entièrement précises. Tout comme le corps humain repose sur un carburant de haute qualité pour se nourrir, l’IA dépend de données propres et cohérentes qui assurent la précision de ses prévisions. Surtout dans le monde de la finance, cela est de la plus grande importance pour que les équipes puissent produire des rapports précis.

Quelles sont les meilleures pratiques pour permettre aux équipes non techniques au sein d’une organisation d’utiliser les données et l’IA de manière efficace, sans les submerger avec des outils ou des processus complexes ?

Mon conseil est de se concentrer sur l’autonomisation des équipes non techniques pour générer leurs propres analyses. Pour être vraiment agile en tant qu’entreprise, les équipes techniques doivent se concentrer sur le fait de rendre le processus plus intuitif pour les employés de l’entreprise, plutôt que de se concentrer sur la liste de plus en plus longue des demandes de la finance et des opérations. Supprimer les processus manuels est vraiment la première étape importante dans ce processus, car cela permet aux dirigeants opérationnels de passer moins de temps à collecter des données et plus de temps à les analyser.

insightsoftware se concentre sur l’introduction de l’IA dans les opérations financières. Comment l’IA change-t-elle la façon dont les DAF et les équipes financières opèrent, et quels sont les principaux avantages que l’IA peut apporter à la prise de décision financière ?

IA a eu un impact profond sur la prise de décision financière et les équipes financières. En fait, 87% des équipes l’utilisent déjà à un rythme modéré à élevé, ce qui est une mesure fantastique de son succès et de son impact. Plus précisément, l’IA peut aider les équipes financières à produire des prévisions vitales plus rapidement et donc plus fréquemment – améliorant considérablement les rythmes de prévision actuels, qui estiment que 58 % des cycles de budgétisation durent plus de cinq jours.

En ajoutant l’IA à ce processus de prise de décision, les équipes peuvent l’utiliser pour automatiser des tâches fastidieuses, telles que la génération de rapports, la validation des données et les mises à jour des systèmes sources, libérant ainsi un temps précieux pour l’analyse stratégique. C’est particulièrement important sur un marché volatile où les équipes financières ont besoin d’une agilité et d’une flexibilité pour conduire la résilience. Prenez, par exemple, le cas d’une équipe financière en pleine cycle de budgétisation et de planification. Les solutions alimentées par l’IA peuvent livrer des prévisions plus précises, aidant les professionnels de la finance à prendre de meilleures décisions grâce à une planification et une analyse plus approfondies.

Comment voyez-vous les besoins en matière de données évoluer au cours des cinq prochaines années, en particulier en relation avec l’intégration de l’IA et le passage aux ressources cloud ?

Je pense que les cinq prochaines années démontreront un besoin d’agilité des données améliorée. Avec la rapidité avec laquelle le marché change, les données doivent être suffisamment agiles pour permettre aux entreprises de rester compétitives. Nous l’avons vu dans la transition de l’on-prem à l’off-prem au cloud, où les entreprises avaient des données, mais aucune d’entre elles n’était utile ou suffisamment agile pour les aider dans le changement. Une flexibilité améliorée signifie une prise de décision basée sur les données améliorée, une collaboration, une gestion des risques et une multitude d’autres capacités. Mais à la fin de la journée, cela équipe les équipes avec les outils dont elles ont besoin pour relever les défis efficacement et s’adapter comme nécessaire aux tendances ou aux demandes du marché changeantes.

Comment vous assurez-vous que les technologies d’IA sont utilisées de manière responsable, et quels sont les considérations éthiques que les entreprises devraient donner la priorité lors du déploiement de solutions d’IA ?

En tirant un parallèle avec l’essor et l’adoption du cloud, les organisations avaient peur de donner leurs données à une entité inconnue pour les exécuter, les maintenir, les gérer et les protéger. Il a fallu plusieurs années pour que cette confiance soit établie. Maintenant, avec l’adoption de l’IA, un schéma similaire émerge.

Les organisations doivent à nouveau faire confiance à un système pour protéger leurs informations et, dans ce cas, produire des informations viables qui sont factuelles, référencables et également dignes de confiance. Avec le cloud, il s’agissait de « qui possédait ou gérait » vos données. Avec l’IA, cela se concentre sur la confiance et l’utilisation de ces données, ainsi que sur la dérivation des informations créées à la suite. Avec cela dit, je suggérerais aux organisations de se concentrer sur les trois choses suivantes lors du déploiement de technologies d’IA :

1. Penchez-vous – N’ayez pas peur d’utiliser cette technologie, mais adoptez et apprenez.
2. Assise – Les données d’entreprise que vous possédez et gérez sont la vérité lorsqu’il s’agit de l’exactitude des informations, à condition que ces informations soient véridiques, factuelles et référencables. Assurez-vous que lorsque vous construisez à partir de vos données, vous comprenez l’origine de la formation du modèle d’IA et les informations qu’il utilise. Comme toutes les applications ou les données, le contexte compte. Les applications non alimentées par l’IA produisent des résultats faux ou inexacts. Juste parce que l’IA produit un résultat inexacte, cela ne signifie pas que nous devrions blâmer le modèle, mais plutôt comprendre ce qui alimente le modèle.
3. Valeur – Comprenez le cas d’utilisation pour lequel l’IA peut considérablement améliorer l’impact.

Merci pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter insightsoftware.