Lecture 7 minutes
1) La data démocratisation sinon rien
Historiquement, si la donnée était contenue dans un datawarehouse unique, elle était généralement analysée en "silos" pour faciliter la gouvernance des droits d'accès. Aujourd’hui, la démocratisation de la donnée est de mise et induit d'ouvrir l'accès à l'information au plus grand nombre de collaborateurs. Cette démocratisation constitue véritablement le fil rouge en matière de BI pour l’année 2019 et présente plusieurs avantages :
- Elle favorise la collaboration entre les services qui bénéficient désormais d’une vision commune.
- Elle permet de lier la stratégie d'analyse avec la stratégie de management de la donnée. Les données deviennent "analyse-ready", ce qui réduit les problématiques de gouvernance.
Conscientes de ces enjeux et bénéfices, de plus en plus d’entreprises ont déjà commencé à mettre en œuvre une stratégie dite “data driven” globale.
Ces stratégies d’entreprise seront de plus en plus courantes cette année, d’où l’absolue nécessité pour les solutions BI de s’adapter à la démocratisation de la donnée. Cela passe notamment par le fait de faciliter non seulement l’accès mais aussi le partage d’une information commune fiable.
En clair, il s’agit de permettre la construction de catalogues de données “libre-service” accessibles par tous. Ainsi, à partir de la même donnée, les différents utilisateurs pourront orienter leurs études selon leurs objectifs respectifs. Les dashboards ne sont plus du tout figés : ils sont interactifs et évolutifs, permettant ainsi aux collaborateurs de piocher dans le catalogue de données au gré de leurs besoins. C’est une démocratisation de la donnée qui passe par une démocratisation de la BI Self Service.
Les fonctionnalités de data préparation et de data quality, essentielles pour créer cette vision fiable et la partager, vont se développer davantage.
2) L’analyse embarquée (embedded analytics) : de solutions indépendantes à plateforme BI
Les utilisateurs de solutions BI expriment la volonté de mieux exploiter la quantité croissante de données générées afin d’optimiser la prise de décision. Aujourd'hui, pour accéder à ces analyses, les utilisateurs doivent se rendre sur leur outil de BI, lequel est généralement indépendant de leur outil de travail principal. Or pour les utilisateurs, le fait de devoir ouvrir un nouvel onglet pour se rendre sur ses dashboards BI constitue une perte de temps et de contexte. Ceux-ci ont besoin 1) de disposer de toutes les informations à un seul et même endroit et 2) d'avoir accès aux données en temps réel.
La demande croissante consiste à ce que les données, les visualisations et les KPIs soient accessible directement dans les environnements métiers, et ce qu'il s'agisse d'un portail, d'un CRM ou encore d'un back-office de site e-commerce.
En réponse à ce besoin, les solutions de BI se transforment petit à petit en « plateformes d'analytics ». L'objectif étant que les utilisateurs n'aient plus à jongler entre de multiples applications et que l'analytics fasse partie intégrale de leur quotidien (on rejoint alors les objectifs de data démocratisation), les nouveaux outils de BI ouvrent leur moteur via des APIs (permettant ainsi d'intégrer la donnée dans n'importe quel environnement Web).
3) Une AI (intelligence artificielle) plus proche de l'humain
Ces dernières années, l'intelligence artificielle est restée relativement timide en matière de Business Intelligence. Elle est néanmoins d’ores et déjà est utilisée 1) pour proposer des analyses pertinentes et 2) peu à peu pour aider à la prise de décision, grâce notamment aux analyses prédictives. Les entreprises sont convaincues des apports que pourraient induire le machine learning sur leurs analyses quotidiennes. Problème : à ce jour, les utilisateurs ne font pas suffisamment confiance à l'AI pour utiliser ces nouvelles fonctionnalités.
Ce manque de confiance en l'AI est très certainement lié à sa dimension encore très abstraite. En clair, les algorithmes qui mènent aux suggestions d’aide à la prise de décision émises par les solutions de BI demeurent trop opaques. Ne sachant pas comment les outils fonctionnent, les utilisateurs considèrent qu’ils ne peuvent pas écouter leur outil de BI comme ils écouteraient les analyses d’un collègue. Ils ne le font donc pas.
Les fonctionnalités d'AI doivent absolument apparaître comme plus humaines et expliquer ou justifier davantage les choix et les décisions qui sont proposés. Pour cela, toute suggestion pour l’aide à la prise de décision doit être accompagnée d’explications claires et contextualisées. Il s’agit pour les solutions de gagner en transparence 1) en rendant visibles les données qui ont induit telle ou telle conclusion (exemple : au cours de ces deux dernières années, lorsque telles ventes du produit X ont augmenté, les marges ont été impactées de telle manière) et 2) en donnant des exemples de scénarios alternatifs.
4) En route vers de vraies conversations avec la dataviz
Le data storytelling, présent dans toutes les solutions de data visualisation, a permis aux utilisateurs de faire parler leurs données pour ensuite les partager avec leurs collaborateurs. Le principe est de mettre en récit ses visualisations en vue de leur donner du sens. Cela demande à l'utilisateur de chercher les faits et des visuels correspondants qui soient suffisamment parlant. En plus de requérir du temps, cet exercice nécessite de posséder des notions de data visualisation afin d’obtenir des récits percutants.
Aujourd’hui, le langage naturel apparaît dans les solutions de data visualisation principalement pour décrire les composants graphiques. Reste ensuite à l'utilisateur de faire le tri pour en dégager les éléments clés et exploitable.
Le langage naturel doit prendre la forme d'une conversation avec la solution. Si je lui demande "quelles ont été les ventes de produits cosmétiques en France cette année ?", je m'attends à ce que la solution me fournisse 1) une carte avec le chiffre d'affaires par région, 2) un histogramme présentant l’évolution par rapport aux années précédentes et 3) pourquoi pas, un classement par rapport aux autres pays Européens. Mais je dois surtout pouvoir continuer ma conversation en demandant : "Et aux Etats Unis ?" sans avoir à recontextualiser toute ma démarche. Interagir avec sa solution doit devenir aussi simple que discuter avec un interlocuteur.
5) Le Multi cloud permet d’adapter chaque offre à chaque besoin
La migration des données vers le cloud a déjà commencé mais va nettement s'accélérer dans les années à venir. Désormais, il ne s'agit plus d’y stocker uniquement les données issues du cloud mais également celles qui sont essentielles à la gestion de l’entreprise.
En résumé, les utilisateurs, des services IT notamment, souhaitent 1) une capacité de stockage à la demande et à faible coût, 2) la mise à disposition d’un riche panel d'outils et 3) plus de flexibilité et de scalabilité (qu'il s'agisse de full cloud ou de cloud hybride).
Les solutions de BI modernes doivent proposer des offres qui s'adaptent à cette nouvelle demande en permettant des architectures flexibles qui sachent s'adapter aux choix de leurs client et ce où que se trouvent les données de ces derniers (sur le cloud, en « on-premise » ou les deux même!). Les solutions doivent être capable 1) d'aller chercher la donnée partout et 2) de jongler entre les types d'architectures sources.