L'analytique et l’informatique décisionnelle générative est à portée de main, mais nécessite la mise en place d’éléments clés, explique Carlos Canales, responsable senior de l'excellence IT chez Sopra Steria Norvège
La technologie accélère les flux de données et améliore les techniques de nettoyage des données à des fins analytiques. Mais pour aller plus loin, les architectes d'entreprise doivent repenser l’organisation des architectures de données en les décentralisant. Cela permettrait d'exploiter de nouveaux leviers de performance et d'améliorer la prise de décision.
Les avancées exponentielles dans la visualisation générative des données ont permis aux principaux fournisseurs d’analytique et informatique décisionnelle (en anglais, analytics and business intelligence ou ABI) de développer des fonctionnalités qui génèrent automatiquement des indicateurs clés de performance et des tableaux de bord interactifs visuellement croisés – c'est-à-dire des machines créant des insights sans intervention humaine. Cela pourrait bientôt réduire le besoin de concepteurs de tableaux de bord d'intelligence d'affaires.
Savoir quoi visualiser nécessite des connaissances spécifiques et de l'expérience, mais l'IA sera bientôt plus performante que les humains dans ces tâches-là. Cependant, lorsqu'elle est appliquée à l'ABI, la visualisation générative des données rencontre les mêmes obstacles que l'ABI traditionnelle : une mauvaise qualité des données et un déficit de contextualisation.
Pour permettre à l'IA d’assurer une gestion optimale de l'interface de l'ABI, une compétence commerciale clé doit être mise en place : les produits de données.
Les produits de données (ou data products) proviennent de l'un des quatre principes fondamentaux de l'architecture de données en maillage, où l’on considère les données en tant que produit.
La définition la plus concise que j'ai rencontrée explique qu'un produit de données est un « ensemble de données géré et réutilisable conçu dans le but de créer de la valeur ».
Pourquoi cette compétence commerciale est-elle clé pour l'ABI générative ?
Il existe des méthodologies qui abordent en partie le problème de la qualité des données telles que « la gestion totale de la qualité des données » ou « le corps de connaissances en gestion des données ». Mais elles ne peuvent pas assurer la qualité des données et des métadonnées avec le même niveau de rigueur et de collaboration avec les équipes métiers qu’une architecture fondée sur les produits de données.
Comme par le passé, la plupart des entreprises ont intégré les mécanismes de gestion et de contrôle de la qualité des données directement dans leur architecture des systèmes d’information. Cela a conduit à une supervision centralisée des données, creusant ainsi l’écart entre les métiers et l’IT.
Traiter les données comme des produits, en revanche, remet en cause le modèle de surveillance centralisée de la qualité des données et l'approche statique de leur organisation.
Ainsi, lorsque l'IA découvre et utilise des produits de données correctement catalogués (dans une architecture de données décentralisée), les insights générés sont contextualisés pour les utilisateurs finaux avec des points de vue spécifiques au domaine.
Par conséquent, grâce à une approche orientée domaine, les produits de données peuvent surmonter les deux obstacles rencontrés dans l’ABI : la mauvaise qualité des données et la contextualisation incorrecte en matière de contrôle et d'architecture.
Des données bien contrôlées et contextualisées : une voie plus claire pour les insights génératifs
Les produits de données servent des fins analytiques et, comme l'a défini l'inventeur du maillage de données Zhamak Dehghani, possèdent huit caractéristiques :
- Découvrables
- Abordables
- Compréhensibles
- Fiables
- Nativement accessibles
- Interopérables
- Précieux en soi
- Sécurisés
Lorsqu'une capacité de produit de données est instaurée au sein d'une organisation, les couches physiques et logiques des ensembles de données analytiques sont gouvernées et structurées selon les propriétés évoquées ci-dessus. Ainsi, les grands modèles de langage peuvent non seulement identifier les nuances de la qualité des données au sein de ces produits, mais aussi contextualiser automatiquement les insights, en s'appuyant sur les métadonnées des ensembles de données utilisées dans les visualisations (par exemple, les KPI et les tableaux de bord). Les utilisateurs pourront donc effectuer des requêtes en langage naturel et interagiront avec des données plus précises, vérifiées et validées en amont par des experts du domaine.
L’adoption rapide des produits de données dans l'industrie de l'ABI
Contrairement aux ensembles de données traditionnels utilisés à des fins analytiques, qui manquent habituellement de contrôle transversal, les produits de données sont soutenus par une architecture logique intégrée à la fois dans le secteur commercial et dans les artefacts IT de l'entreprise. Cette transversalité assure une bonne utilisabilité et une interopérabilité cohérente.
Ces architectures peuvent désormais s’appliquer dans vos systèmes informatiques existants. Les principaux fournisseurs d'ABI déploient rapidement dans leurs plateformes une fonctionnalité appelée catalogue de données, offrant un accès « à la carte » aux produits de données à l'échelle de l'entreprise.
À mesure que les fonctionnalités de catalogage des données dans les plateformes ABI se perfectionnent, les entreprises peuvent de plus en plus tirer parti des avantages de la technologie générative grâce à des produits de données fiables et bien gouvernés.
Les progrès technologiques considérables nous rapprochent de plus en plus de l’obtention d’insights génératifs fiables. Il revient désormais aux architectes d'entreprise de concevoir des architectures de données décentralisées, afin de libérer pleinement les bénéfices technologiques.