Les entreprises doivent développer des profils capables de comprendre la chaîne de production des données, leur environnement métier et d’en définir l’exploitation. Ces compétences d’analyste de données sont essentielles pour optimiser l’impact des data scientists.
La pertinence des projets d’IA dépend autant de la compréhension des enjeux métier que de la qualité des données. Les entreprises doivent donc former des profils capables de comprendre la chaîne de production des données, leur environnement métier et d’en définir l’exploitation. Ces compétences d’analyste de données sont cruciales pour amplifier l’impact des data scientists.
Alors que les entreprises déploient de plus en plus de projets d’IA et de ML, les résultats obtenus peuvent parfois être décevants, voire déconnectés des véritables enjeux métier. Et pour cause : une IA construite sur des données biaisées et sorties de leur contexte peut aboutir à des conclusions absurdes. Par exemple, un modèle d’apprentissage automatique développé par un laboratoire pharmaceutique pour déterminer le meilleur canal de communication avec les médecins a conclu que l’envoi massif d’e-mails non personnalisés était la meilleure approche. C’est absurde quand on connaît le secteur et l’importance de la relation entre le médecin et le professionnel pharmaceutique.
Comment l’IA peut-elle exploiter tout son potentiel et aider les entreprises à relever leurs défis de développement, tels que mieux comprendre leur marché, augmenter leurs ventes, améliorer leur productivité, réduire leurs coûts ou personnaliser leurs offres et leur relation client ? La réponse est simple : toute IA pertinente doit provenir d’une source de données de qualité, bien gérée et comprise.
Comprendre la chaîne de production des données
Les entreprises n’ont pas attendu l’essor de l’IA pour structurer leurs initiatives autour des données. L’inventaire des données, la compréhension des processus de production, la responsabilité, les niveaux de qualité et la distribution sont autant de sujets d’actualité pour de nombreuses entreprises. Cependant, l’IA apporte un éclairage différent sur ce sujet, car la capacité d’une entreprise à créer des modèles d’IA performants et à les maintenir dans le temps est étroitement liée aux données.
Ce besoin va bien au-delà des simples processus. Les données sont dynamiques, en constante évolution, et nécessitent une compréhension de leur contexte métier pour être exploitées efficacement. Une partie de la réponse à ces défis réside dans le développement de rôles d’analystes de données, positionnés à l’intersection des processus métier, de la compréhension des données et de la production d’analyses.
Ces nouveaux rôles, souvent issus des équipes métier elles-mêmes, jouent un rôle crucial dans la réussite de toute initiative d’IA. Ils garantissent une compréhension complète de la chaîne de production sous-jacente, contribuent à la préparation et à l’analyse initiales des données avec le data scientist, et valident les résultats des modèles d’IA.
Par exemple, lorsqu’il traite des bases de données clients dans une banque, l’analyste de données doit comprendre leur mode de production (achats en magasin, achats en ligne, frais d’abonnement, heures d’occurrence, etc.) pour ensuite les analyser et discuter de leur utilisation optimale avec un data scientist susceptible d’identifier les mécanismes de fraude.
Cette compréhension de la production permet de replacer les données dans leur contexte, évitant ainsi des conclusions erronées. Il est bien connu que les données extraites de leur environnement peuvent avoir des significations différentes.
Les data scientists se concentrent sur la production de modèles, les data analysts se concentrent sur la connaissance des données.
En tant que statisticien et mathématicien, le data scientist produit des algorithmes (souvent complexes) pour répondre à une problématique métier. Son rôle est de construire des modèles, alimenté par les interactions avec les équipes métier et les data analysts. L’émergence de ces rôles est donc essentielle à la réussite des initiatives d’IA, permettant aux data scientists de travailler dans un cadre de données robuste et bien géré et de se concentrer sur des contributions à forte valeur ajoutée.
Pour certains, ces rôles d’analystes de données deviendront des postes à temps plein. Ils seront les gardiens de la compréhension et de la maintenance des données clés d’une organisation. Pour d’autres, cette mission s’intégrera progressivement à leur rôle, contribuant à créer une culture de la donnée forte au sein de l’organisation.
En tout état de cause, une chose est sûre : l’IA ne peut jouer un rôle stratégique dans une organisation sans ces rôles et sans une collaboration étroite entre eux et les data scientists. Chaque organisation gagnera à promouvoir ces rôles d’analystes de données au sein de ses différentes équipes, en alliant expertise métier et culture de la donnée pour mener des initiatives d’IA performantes.
Sans cette prise en compte des données, une entreprise ne peut devenir une entreprise axée sur l’IA. Elle ne peut le devenir que si tous les producteurs et utilisateurs de données au sein de l’organisation ont le réflexe d’explicabilité et de contextualisation.