Les solutions IA auront du succès en contribuant à réduire les désaccords et à résoudre des problématiques métier spécifiques.

Vidya Setlur

Directrice, Tableau Research, Tableau

Vidya Setlur est la directrice de Tableau Research et est à la tête d'une équipe de chercheurs en visualisation de données, en interactions multimodales, en statistiques, en ML appliqué et en traitement du langage naturel. Elle a obtenu son doctorat en infographie en 2005 à l'université Northwestern. Auparavant, elle a travaillé comme Research Scientist en chef au centre de recherche de Nokia. Ses recherches combinent différents champs, comme la récupération d'informations, la perception humaine et les sciences cognitives, pour aider les utilisateurs à interagir efficacement avec les systèmes dans leur environnement.

Un peu de contexte

Nous vivons actuellement un âge d'or en matière de données et de technologies qui ne montre aucun signe de ralentissement. Les technologies d'intelligence artificielle continuent de s'améliorer : les modèles de machine learning traitent des milliards de lignes de données, les avancées en matière de traitement du langage naturel permettent de comprendre l'intention de l'utilisateur, et les algorithmes deviennent de plus en plus rapides. Nous assistons à l'automatisation de tâches simples et répétitives, permettant aux utilisateurs de se concentrer sur ce qu'ils savent faire de mieux : appliquer un raisonnement critique et comprendre les données en contexte.

Cette accélération de l'innovation s'accompagne d'une augmentation des investissements en matière d'IA et de l'adoption de ces technologies. D'ailleurs, 99 % des grandes entreprises du Fortune 1000 envisagent d'investir dans l'IA et la data au cours des 5 prochaines années. Les responsables métier et IT considèrent que l'IA joue un rôle essentiel pour la survie de leurs activités. Pourtant, la réussite à long terme des solutions IA et leur pérennité dépendent de nombreux facteurs, comme l'augmentation du volume des données, les coûts liés à ces technologies, les difficultés de pourvoir des rôles de plus en plus spécialisés, ou encore l'adoption de ces solutions à grande échelle.

Les entreprises reconnaissent qu'elles doivent en faire plus pour innover et mieux servir leurs clients. Si l'IA crée des opportunités inédites, la plupart des investissements réalisés n'ont pas encore généré de valeur. En 2022, les technologies d'IA poursuivront leur dynamique positive, en venant aider les utilisateurs à adopter une réflexion critique et à prendre des décisions data-driven. L'analytique et l'IA sont en quelque sorte les nouveaux membres de votre équipe.

La culture des données et la data literacy, à savoir la capacité à explorer et comprendre les données et à communiquer les découvertes, aident également les organisations à définir leur stratégie et leur perspective en matière d'IA et de ML. Ces initiatives de conduite du changement et de développement des compétences leur permettent de rester compétitives et de répondre à des problématiques importantes en matière d'augmentation des activités humaines :

  • Quelles tâches seront entièrement automatisées grâce à l'IA ?
    • Exemples d'automatisations permettant aux utilisateurs de se focaliser sur des tâches plus complexes : tâches basiques de traduction et de retouche d'images. Au lieu de passer des heures à retoucher une photo pour changer l'arrière-plan, les utilisateurs peuvent recourir à une technologie basée sur l'IA pour gérer les retouches d'éclairage et de fusion. Ces tâches automatisées permettent de consacrer davantage de temps aux tâches créatives.
  • Quelles tâches seront semi-automatisées et nécessiteront de faire appel aux capacités d'interprétation des humains ?
    • Exemples d'utilisation de l'IA présentant des tendances et insights qui donnent aux utilisateurs les moyens de prendre des décisions data-driven en contexte :
      • Pour éprouver plus efficacement les modèles climatiques et pandémiques, les chercheurs recourent à des techniques de ML pour comprendre les tendances et les conséquences, afin de définir des politiques plus efficaces.
      • L'IA peut utiliser des algorithmes de traitement du langage naturel et de ML pour analyser des données vocales (appels de clients, par exemple), afin de mieux comprendre l'intention et ajouter des catégories et étiquettes pertinentes. Ces éléments permettant de comprendre l'identité et la sémantique aident à déterminer les mesures à prendre.

En adoptant des comportements, des états d'esprit et des compétences data homogènes, les entreprises peuvent plus facilement déployer leurs solutions IA à grande échelle, pour une mise en œuvre et une innovation plus pérennes. Dans un rapport récent, Gartner souligne que les lacunes en matière de compétences constituent le principal frein à l'adoption de l'IA et du ML. Ces lacunes sont dues au fait que le développement des compétences est un processus continu, qui doit se faire au rythme des développements technologiques. Aujourd'hui, la réussite et la scalabilité de vos projets IA peuvent se jouer sur votre capacité à mettre l'ensemble de vos effectifs au diapason et à garantir que leurs compétences sont à jour.

Et maintenant ?

En collaboration avec les responsables IT, les responsables métier ont la possibilité de mener des stratégies data et IA de manière contextualisée. Pour que l'IA soit pertinente, gérable et transparente, elle doit autonomiser les utilisateurs et rester ancrée dans la stratégie et les objectifs métier. Nous allons assister à un basculement des solutions IA, d'une approche d'étude de faisabilité vers un déploiement à grande échelle pour des scénarios métier spécifiques.

Différents secteurs développent et utilisent l'IA de manière innovante. Une étude récente de KPMG a analysé le déploiement de l'IA dans cinq secteurs (retail, transports, santé, services financiers et technologies), et montre que 91 % des participants du secteur de la santé considèrent que l'IA facilite l'accès aux soins pour les patients. Et même si la plupart des entreprises gèrent elles-mêmes leur chaîne d'approvisionnement, celles qui adopteront l'IA au cours des mois et des années à venir se démarqueront nettement de la concurrence, pour la Harvard Business Review.

Grâce au cloud computing, l'IA est devenue plus abordable et plus accessible, conduisant à des innovations dans tous les secteurs. L'attention se portant davantage sur la réussite métier, nous assisterons à l'émergence de solutions combinant différentes techniques d'IA (IA composite), avec une IA adaptée à des workflows particuliers, afin de maximiser les résultats.

Les workflows gagneront en efficacité grâce à des compétences, des façons de penser et des valeurs partagées (autrement dit, la culture des données et la data literacy) afin de permettre à chacun d'effectuer facilement les tâches analytiques et de data science plus sophistiquées nécessaires pour tirer parti de l'IA.

Recommandations

1. L'IA est un sport d'équipe. Identifiez les tâches et les fonctions qui profiteraient le plus d'une augmentation des activités humaines, et permettraient ainsi aux utilisateurs de gagner du temps ou de renforcer leurs compétences et leur expertise. Étudiez les besoins des clients et les difficultés auxquelles ils font face, pour comprendre de quelle manière votre solution IA peut générer de la valeur. Posez-vous les questions suivantes pour déterminer s'il est utile de développer un projet pilote :

  • Combien de clients ont des besoins similaires ou font face aux mêmes difficultés ?
  • À quelle fréquence ces difficultés se produisent-elles ?
  • Une technologie IA peut-elle résoudre ces difficultés ?

2. Focalisez-vous sur les scénarios opérationnels et les facteurs de réussite pour passer du concept au déploiement à grande échelle de votre solution.

  • Déployez une IA intentionnelle et contextuelle en connectant vos solutions à des problématiques métier concrètes, avec des objectifs clairs à atteindre.
  • Identifiez de quelle manière l'IA permet de réduire les points de désaccord. Si vous cherchez à appliquer l'IA à tous les aspects de votre suite de produits, vous aurez des difficultés à déployer votre solution à grande échelle et manquerez de ressources.
  • Tout ce qui brille n'est pas de l'or. Si certaines solutions sont attractives sur le papier, elles dépassent rarement le stade de concept. Définissez également des attentes réalistes en matière de délais et d'échelle, en trouvant le bon équilibre entre budget, délais, compétences techniques à disposition et infrastructure.

3. Investissez dans la data literacy pour développer les compétences de vos collaborateurs.

  • Une mauvaise qualité des données donne lieu à des solutions IA imprécises et inefficaces. Avec des effectifs disposant de compétences adéquates, vous pourrez améliorer la qualité des données, et vous appuyer sur ces données à jour et fiables pour concevoir ou entraîner des algorithmes et modèles d'IA de ML et de traitement du langage naturel.
  • Même une formation de base, organisée en interne ou dispensée par un tiers, peut donner aux utilisateurs métier les compétences nécessaires pour trouver des réponses à leurs questions. Cela permet de réduire le nombre de requêtes analytiques simples ou peu stratégiques transmises aux équipes d'analytique avancée et de data science. Celles-ci peuvent alors se consacrer à des projets d'envergure, à plus forte valeur.

Les organisations responsables adopteront une approche proactive en créant des politiques d'usage éthique et des comités d'étude pour améliorer les expériences et les résultats.

Mark Nelson

Président et PDG, Tableau

En tant que président et PDG de Tableau, Mark Nelson définit la vision et la stratégie de l'entreprise, et supervise l'ensemble des activités et des opérations. Avant d'occuper ces fonctions, Mark était vice-président exécutif du développement de produits pour Tableau et contribuait à renforcer la plate-forme analytique de Tableau pour mieux répondre aux attentes des clients dans le monde.

Un peu de contexte

En raison de l'accélération de l'adoption de l'IA et de l'effet conjugué de nombreuses problématiques globales, les approches universelles ne sont plus adaptées. Les organisations ont l'opportunité de définir la façon dont elles développent et utilisent les données et l'IA de manière responsable, dans un contexte digital qui évolue rapidement. Chaque entreprise a pour responsabilité civique de concevoir des solutions IA équitables et précises, comme en atteste le renforcement de la réglementation en la matière.

Aujourd'hui, plus que jamais, l'innovation, la croissance et les relations avec les clients doivent s'appuyer sur une base de confiance et de transparence. Les crises récentes liées aux données donnent un aperçu des usages nuisibles de la technologie, avec notamment les discriminations en matière de reconnaissance faciale ou de traitement des demandes de prêt. Ces crises poussent le public à attendre des entreprises qu'elles adoptent une démarche sécurisée et responsable dans le développement et l'utilisation des données. Une étude menée par Cisco en 2021 révèle que 72 % des participants considèrent qu'il est de la responsabilité des organisations d'utiliser l'IA de manière strictement éthique.

Les acteurs publics et du monde de l'entreprise prendront les devants en matière d'utilisation éthique et responsable des données et de l'IA.

Et maintenant ?

Les organisations adoptant une démarche responsable prendront les devants et trouveront des solutions innovantes pour vérifier et valider une utilisation plus éthique, grâce à des politiques d'usage, des audits menés par des tiers, ou encore la mise en place de comités d'étude. Ces innovations éthiques vont améliorer les expériences et booster les résultats en matière de gestion des risques et de création de valeur.

À mesure que les organisations s'orientent vers une utilisation plus éthique, nous verrons des solutions IA et ML plus transparentes venir renforcer l'expertise et le jugement des utilisateurs humains. Ces solutions s'intègreront directement aux objectifs métier et aux workflows, et proposeront une approche plus transparente pour limiter les risques, notamment les biais. Les organisations commenceront à revoir les algorithmes et ensembles de données biaisés pouvant entraîner des discriminations et créer des erreurs et des risques en aval, comme une dette éthique technique.

Pour garantir une innovation sans effets discriminatoires, les organisations du secteur public et du secteur privé collaboreront pour réformer les politiques éthiques. Les partenaires technologiques aideront les administrations qui sont amenées à utiliser des données pour prendre des décisions. Les entreprises de technologie prendront position pour veiller à ce que leur technologie soit utilisée de manière responsable, y compris par les administrations publiques. À titre d'exemple, Salesforce s'engage en faveur de l'égalité et prohibe l'utilisation de la reconnaissance faciale.

Dans chaque cas d'utilisation, qu'il s'agisse d'automatiser une tâche grâce à l'IA ou d'utiliser l'IA pour collaborer et prendre de meilleures décisions, nous devons comprendre ce que fait la machine pour éviter les erreurs, prendre des décisions éthiques et comprendre les données. Cet aspect restera essentiel pour toutes les organisations en 2022.

Mais pour comprendre les données, et les utiliser de manière responsable, il est nécessaire de disposer de compétences analytiques de base. Nous atteignons aujourd'hui un stade où les lacunes en data literacy entraînent des risques qui pourraient être évités. Si l'intégration de données et de technologies éthiques dans notre quotidien et notre processus décisionnel constitue un défi de taille, l'investissement en vaut la peine, car un avenir plus éthique et équitable pour tous en est l'aboutissement.

Recommandations

1. Intégrez des recommandations d'utilisation éthique des données et de l'IA dans vos politiques de gestion des données et des risques. Les propositions et stratégies existantes aux États-Unis, au Royaume-Uni et dans l'Union européenne permettent de garantir une protection des personnes contre l'utilisation illégitime de leurs données. Pour prendre les devants, définissez des codes de conduite éthique, adoptez une démarche proactive en matière de législation, garantissez la conformité et limitez les risques.

2. Créez des comités éthiques internes ou faites appel à des spécialistes tiers pour vous aider à organiser la réflexion et les audits. Les comités d'éthique de l'IA aideront les organisations à se conformer aux réglementations en évolution constante, et à créer et valider des solutions innovantes permettant de gérer les biais et de renforcer la précision des données.

3. Développez une technologie ou une IA transparentes, qui intègre des interventions humaines tout au long du processus. Harmonisez les données et la technologie avec les valeurs et l'éthique humaines pour renforcer la transparence et assurer des expériences optimales. Intégrez les réflexions éthiques dès les cycles de développement pour veiller à ce que votre technologie soit toujours à la pointe en la matière.

4. Développez une culture des données efficace qui inclut l'acquisition de compétences analytiques. L'amélioration de la data literacy facilite la gestion de la mauvaise qualité des données et des risques associés à l'utilisation de données incorrectes conduisant à des questions incorrectes, qui nuisent au déploiement de l'IA à grande échelle. Il est indispensable de développer une culture des données avec des collaborateurs disposant des bonnes compétences analytiques, afin de faciliter et de renforcer une utilisation éthique des données et de l'IA.

Les organisations doivent élargir la définition de la data literacy, investir dans leurs effectifs et accélérer le développement d'une culture des données.

Wendy Turner-Williams

Chief Data Officer, Tableau

Wendy Turner-Williams est en charge de la stratégie data d'entreprise, des plates-formes et services data, de la gouvernance des données et de la maturité de gestion, ainsi que des initiatives en matière de risques et de data literacy. Avec son équipe, elle est à la pointe des initiatives data-driven en matière d'innovation et de transformation, pour garantir l'excellence opérationnelle de Tableau. Wendy dispose de plus de 20 ans d'expérience en gestion dans différents secteurs, et a notamment géré le programme Information Management & Strategy Enterprise chez Salesforce.

Un peu de contexte

Sur le marché actuel, les données sont essentielles pour faire la différence, et la data literacy vous aide à tirer parti de vos données et de vos investissements technologiques. La culture des données joue un rôle crucial en matière de data literacy. Cette année, les organisations les plus compétitives reconnaîtront la nécessité de développer une culture et un état d'esprit communs, visant à mettre en avant et concrétiser l'utilisation des données. Elles ne limiteront pas la data literacy à la simple acquisition de compétences, mais élargiront son champ pour inclure une compréhension fondamentale du fonctionnement des données, et de la manière de les appliquer aux réalités métier. En marge de leurs investissements en faveur du développement des compétences de leurs effectifs, elles s'associeront à des partenaires tiers pour assurer les formations nécessaires.

Avant d'aborder les changements à venir, explorons ce qui rend les données et les compétences analytiques aussi essentielles.

Les investissements en matière de technologie et d'IA augmentent, et il est indispensable de développer les compétences des effectifs pour tirer pleinement parti de ces investissements. Selon PwC, l'IA devrait contribuer à une croissance de l'économie mondiale de plus de 15 000 milliards de dollars d'ici 2030. L'automatisation transforme les emplois plus rapidement que prévu, d'après le rapport The Future of Jobs du Forum économique mondial. Elle entraînera une transformation de 85 millions d'emplois d'ici 2025, tout en créant 97 millions de rôles. La moitié des employés devront mettre leurs compétences à niveau dans leur rôle actuel au cours des 5 prochaines années.

La demande en matière de compétences analytiques explose, aussi bien en entreprise que dans la société elle-même. Comme l'indiquent les responsables RH, les compétences analytiques, pour l'analyse et la data science, sont en tête des compétences les plus recherchées en 2021. Nos interactions générant de plus en plus de données, il devient nécessaire pour les employés de disposer de compétences data et analytiques de base, sans pour autant devenir nécessairement des data scientists.

Pourtant, le chemin est encore long avant de pouvoir tirer parti des avantages d'un personnel formé à la data. Le marché doit composer avec des lacunes en matière de compétences analytiques, mais aussi en matière de programmes de formation en data literacy, en entreprise comme dans l'enseignement supérieur. Si 83 % des PDG disent vouloir que leur entreprise devienne davantage data-driven, seuls 43 % des « digital natives » considèrent qu'ils disposent des compétences adéquates.2 D'après Forrester, moins de la moitié des établissements d'enseignement supérieur ont lancé des initiatives de formation en data literacy.3 Bon nombre d'entreprises adoptent une approche à court terme en embauchant pour combler des besoins immédiats plutôt que d'investir dans le développement à long terme d'une culture des données et de la data literacy.

Les programmes de formation qui existent aujourd'hui se focalisent trop sur les outils et la technologie, sans établir de base solide pour permettre de comprendre comment les données sont produites, utilisées et gérées dans l'entreprise.

Et maintenant ?

Les organisations les plus compétitives soulignent l'importance des compétences analytiques, mais reconnaissent qu'elles ne doivent pas se limiter à ces compétences et aux outils pour garantir la réussite de leurs effectifs. Elles prendront les mesures nécessaires pour développer la data literacy en interne.

Dans l'enseignement supérieur, différentes disciplines intégreront la data literacy dans leurs programmes. Les avantages sont évidents. Les établissements d'enseignement supérieur ayant intégré les compétences analytiques à leurs programmes font état de taux d'insertion sur 6 mois supérieurs de 11,5 % à ceux des autres établissements.3 Dans une présentation de 2021 au département de l'Éducation des États-Unis, le National Council of Teachers of Mathematics décrit les compétences analytiques comme un impératif pour l'avenir, appelant à développer des approches pertinentes, inclusives et interdisciplinaires de la data literacy, de la maternelle à la terminale.

Les employeurs investiront davantage dans la data literacy. Ils seront de plus en plus nombreux à reconnaître qu'il est essentiel d'apprendre à leurs employés comment utiliser les outils et comprendre les avantages de la technologie pour les métiers. Comme le souligne le département d'État des États-Unis dans sa stratégie data, c'est à la fois une opportunité mais aussi un devoir pour le pays que de renforcer sa compétitivité sur la scène diplomatique.

Les organisations élargiront leur définition des compétences analytiques pour inclure les processus métier et technologiques, ainsi que les entrées et sorties, et mettre l'accent sur la culture des données. Elles iront au-delà des connaissances liées aux outils et aux plateformes, et se focaliseront sur la réflexion critique et l'application de l'expertise à la résolution des problématiques métier. La culture joue un rôle clé dans ce changement d'état d'esprit. La data literacy, à savoir la capacité à explorer et comprendre les données et à les utiliser pour communiquer, est un pilier de la culture des données. Le pari gagnant consiste à développer la data literacy parallèlement à la culture des données. Un rapport TDWI compare les organisations développant la data literacy aux autres moins avancées en la matière, et révèle que 92 % jouissent d'une culture basée sur la collaboration et les résultats (contre 46 %), et que 73 % intègrent les objectifs analytiques aux objectifs stratégiques (contre seulement 40 %). Les organisations avec une culture des données robuste bénéficient notamment d'une meilleure collaboration et d'une plus grande compétitivité.

Elles reconnaissent également qu'elles ne peuvent pas agir seules. Sans les ressources, l'expertise interne et les capacités nécessaires pour mener leurs propres programmes de formation, ou pour s'adapter aux évolutions, elles envisageront la data literacy dans le cadre d'un effort communautaire. Elles adopteront des approches agiles et innovantes, et s'appuieront sur des programmes de formation externes.

Recommandations

1. Développez la data literacy et une culture des données en parallèle. Leurs réussites sont interdépendantes, et vous ne devez pas sous-estimer les avantages liés au développement conjoint de compétences analytiques et d'une autre façon de penser. Rappelez-vous que Rome ne s'est pas faite en un jour. Faites preuve de patience et acceptez le fait qu'il s'agit d'un engagement sur le long terme.

  • Développez un cadre de travail pour définir des objectifs communs et des initiatives pérennes.
  • Standardisez les approches, les niveaux de compétence, les processus et les métriques mesurant la réussite dans l'ensemble de l'organisation.
  • Motivez et encouragez vos collaborateurs. Présentez-leur tous les atouts de l'utilisation des données.
  • Modélisez et favorisez la prise de décision data-driven, et démontrez la valeur des données.
  • Facilitez la discussion, l'apprentissage et le développement.

 

2. Adaptez vos pratiques de recrutement et de formation. Le département d'État des États-Unis indique vouloir faire évoluer ses pratiques de recrutement pour ajouter les compétences analytiques aux prérequis. Ces compétences data doivent être une composante essentielle d'un large éventail de rôles clés. Si les lacunes en la matière ne sont pas comblées, les embauches ne permettront pas au Département de s'adapter à l'évolution des besoins liés aux données. Pour atteindre son objectif, il compte recruter et former des effectifs et développer un environnement facilitant l'utilisation et la valorisation des données, afin de prendre des décisions plus éclairées à tous les niveaux et à grande échelle. Voici comment vous pouvez mettre cela en pratique dans votre organisation :

  • Adaptez vos pratiques de recrutement et vos attentes en y ajoutant les compétences analytiques de base.
  • Établissez des partenariats avec des établissements d'enseignement supérieur disposant de programmes de data literacy et recrutez des diplômés issus de tels programmes.
  • Encouragez et facilitez le développement des compétences de vos effectifs actuels.
  • Développez des communautés autour des données pour favoriser la croissance, le développement et la collaboration.
  • Identifiez et recrutez des experts et des champions des données, qui vous aideront à développer des programmes de formation pertinents. Développez une culture favorisant la prise de décision data-driven pour fidéliser ces experts.

 

3. Prenez le virage de la data literacy en investissant dans la mise en place de programmes de formation pour toutes les disciplines académiques et tous les niveaux de compétence. Pour ceux d'entre vous qui sont dans l'enseignement supérieur, il n'est jamais trop tôt, ni trop tard, pour enseigner les compétences analytiques et la réflexion critique. Intégrez les compétences de base à tous les niveaux pédagogiques et préparez vos étudiants à l'utilisation des données dans leur vie professionnelle.

  • Intégrez le développement des compétences d'analyse et de réflexion critique dans tous vos cours. Insistez sur le fait que chacun sera amené à utiliser des données dans son futur métier.
  • Encouragez les étudiants à intégrer les données dans leur travail personnel.
  • Pensez au côté ludique ! Donnez vie à vos concepts abstraits en montrant des exemples concrets de l'utilisation des données.
  • Communiquez la valeur des compétences analytiques, autant sur le plan du développement professionnel que de l'utilisation des données pour changer le monde.
  • Profitez des ressources logicielles et pédagogiques gratuites pour les enseignants et les étudiants par le biais du programme Tableau pour l'enseignement supérieur.

 

4. Investissez dans des programmes pour développer la data literacy et les connaissances de vos équipes sur les outils et plateformes analytiques. Visez à long terme. Ne vous focalisez pas uniquement sur vos besoins immédiats avec des formations sur les outils et les technologies dont vous disposez actuellement. Formez vos collaborateurs à des notions dépassant le cadre des technologies, comme la manière dont les données peuvent générer de la valeur pour les métiers. Inutile de réinventer la roue : enseignez les bases en interne si vous le pouvez, et externalisez le reste.

Aidez vos collaborateurs à développer des compétences plus avancées en faisant équipe avec des organismes tiers afin de profiter de leurs offres existantes. Jetez un œil à des programmes comme le cours du MIT Applied Data Science, DataCamp for Business, Data Academy d'Avado, l'initiative Reskilling Revolution du Forum économique mondial, Data & Analytics Academy de Coursera, les formations gratuites de Test Automation University, ou encore les formations de Khan Academy.

1 Gartner®, Maximize the Value of Your Data Science Efforts by Empowering Citizen Data Scientists, Pidsley, David and Idoine, Carlie, 7 décembre 2021

2 Livre blanc IDC, étude demandée par Tableau, How Data Culture Fuels Business Value In Data-Driven Organizations, Doc. #US47605621, mai 2021.

3Forrester Consulting, livre blanc sur la vision et l'innovation, commandé par Tableau, The Great Data Literacy Gap: Demand For Data Skills Exceeds Supply, juin 2021

Les organisations reconnaissent de plus en plus la valeur stratégique des données, conduisant à des approches plus fédérées et flexibles de la gouvernance, afin de faciliter l'autonomie de chacun.

Kate Wright

Vice-présidente senior du développement produit, Tableau

Kate Wright est une experte de l'analytique, avec plus de 17 ans d'expérience dans le développement, la gestion de produits et la direction d'équipes. Elle est en charge de l'ingénierie analytique, de la gestion des produits et de l'expérience utilisateur pour Tableau et CRM Analytics.

Un peu de contexte

Aujourd'hui, la valeur et le volume des données explosent. En 2022, les données sont bien plus que de simples variables d'ajustement pour vos activités : elles jouent un rôle central.6 À mesure que les organisations investissent dans des solutions IA innovantes et basculent dans le cloud, la demande concernant les fonctionnalités en libre-service et de partage des données continue d'augmenter, en plus du renforcement des réglementations en matière d'utilisation et de confidentialité des données. Les organisations axées sur le digital apprécient tout particulièrement le paradoxe suivant : il est essentiel de disposer d'une source unique d'informations, mais celle-ci ne peut en aucun cas être stockée de manière centralisée ou gérée uniquement par un groupe réduit de personnes.

Les organisations doivent adopter une nouvelle approche de la gouvernance et de la gestion des données, qui combine flexibilité, autonomisation et contrôle coordonné. Pour innover, gagner en compétitivité et garder une longueur d'avance sur les exigences en matière de gouvernance et de sécurité, les organisations adopteront des techniques de gouvernance fédérée. Cette approche, qui combine normes de gouvernance centralisées et autorité locale, permet aux organisations d'exploiter les différents domaines d'expertise en incluant une diversité d'utilisateurs issus de l'ensemble de l'entreprise.

Pour rester pertinentes à l'ère du digital, les entreprises doivent générer de la valeur à partir de leurs données. Mais comment faire ? La dernière étude Gartner sur les CDO révèle que 72 % des leaders de l'analytique qui sont très impliqués dans des initiatives digitales ne savent pas comment établir une base de données fiables, nécessaire pour accélérer ces initiatives et atteindre les objectifs métier définis.7

Sans processus reproductibles et applicables à grande échelle pour garantir la découverte, la sécurité et la compréhension des données, toute tentative en matière d'innovation et de flexibilité s'expose à des risques. À moins de repenser la gouvernance des données, le rêve de l'analytique en libre-service s'appuyant sur des données fiables en temps réel ne deviendra jamais réalité.

Et maintenant ?

Les stratégies de gouvernance efficaces sont toujours ancrées dans la confiance. En 2022, les organisations adopteront une approche plus inclusive de la gouvernance et de la gestion des données.

La notion d'inclusivité ici désigne la conception des systèmes et des processus de manière à convenir au plus grand nombre. Il s'agit de reconnaître que l'IT et les métiers sont partenaires en matière de gouvernance et de gestion des données. Lorsque les propriétaires traditionnels des données (l'IT) invitent les métiers à jouer un rôle prépondérant dans la conception de solutions, tous les intervenants peuvent s'accorder sur des objectifs communs et développer ensemble des solutions innovantes.

Plus concrètement, il s'agit de développer et d'élargir, de donner aux utilisateurs des outils favorisant leur autonomie, mais de gérer les risques à l'aide de garde-fous centralisés. L'IT peut par exemple définir une base de gouvernance pour les activités concernant l'ensemble de l'organisation (lignage, catalogues de données, normes, règles de validation, gestion des métadonnées et architecture), tout en donnant aux métiers un certain contrôle en fonction de leurs besoins spécifiques. Cette approche adaptative permet aux experts de résoudre leurs problématiques en contexte, tout en favorisant la fiabilité, la découverte et l'innovation.

La data literacy est indispensable pour déployer la gouvernance des données à l'échelle de l'entreprise. Tous les intervenants doivent être sur la même longueur d'onde et participer à une gouvernance partagée, tout en maîtrisant les bases en matière de données. En se focalisant sur la transparence et la facilité de découverte des données, les organisations pourront continuer à standardiser leur approche pour définir une source unique d'informations, afin que tous les intervenants puissent s'accorder sur les éléments mesurés, leur définition, leur emplacement et leur propriété. Cette approche permettra d'obtenir une vue d'ensemble de la circulation des données dans l'ensemble de l'entreprise, et de la manière de garantir leur fiabilité et leur sécurité.

Recommandations

1. Définissez clairement où vous en êtes et où vous souhaitez aller. Vous devez comprendre les données que vous utilisez pour bien comprendre votre situation actuelle. Posez des questions et discutez avec les autres intervenants dans l'entreprise pour comprendre les données dont vous disposez, comment elles sont utilisées, et leur degré de pertinence. Nous ne cessons de le répéter : la confiance est essentielle. Demandez aux autres intervenants de quoi ils ont besoin pour réussir. Tirez parti de solutions tierces, comme le programme de maturité de gestion des données (DMM), pour évaluer vos capacités et identifier les forces et faiblesses.

2. Adoptez une approche basée sur le partenariat. Rappelez-vous, tout passe par la confiance. Bien sûr, l'IT doit garder un contrôle ferme sur certains aspects, mais ne peut pas et ne doit pas non plus tout contrôler. Faites équipe avec les métiers. Commencez par établir une confiance dans les personnes et les processus, en développant les compétences des utilisateurs métier afin de leur permettre d'utiliser les données de manière responsable. Des processus transparents et des données sécurisées et à jour sont aussi des atouts précieux. Exploitez vos résultats rapides pour démontrer la valeur et l'intérêt d'un partenariat à l'ensemble de votre organisation.

3. Adoptez une approche fédérée. Votre stratégie data ne peut être basée sur un contrôle total entièrement centralisé. Vous devez trouver le bon équilibre entre ce qui relève de votre responsabilité et l'établissement de partenariats avec les métiers. Ne cherchez pas à réinventer la roue. Inspirez-vous de programmes reconnus, comme le programme DMM ou le cadre de travail Cloud Data Management de l'EDM Council pour réduire les points de désaccord et mieux comprendre la qualité recherchée.

6 Forrester Consulting, Break Through Data Governance Fatigue: A Framework For Effectiveness And Sustainability, Goetz, Michelle, février 2021

7 Gartner®, Predicts 2022: Data and Analytics Strategies Build Trust and Accelerate Decision Making, Jorgen Heizenberg, et.al, 2 décembre 2021

8 Gartner®, Modern Data and Analytics Requirements Demand a Convergence of Data Management Capabilities, Guido de Simoni, et.al, 20 janvier 2021

Les données permettent aujourd'hui aux personnes et aux entreprises de gagner en visibilité, de se faire comprendre et d'interagir avec les institutions destinées à les servir.

Neal Myrick

Global Head, Tableau Foundation, Tableau

Neal Myrick est vice-président en charge de l'impact social chez Tableau, et responsable de Tableau Foundation. Il mène les initiatives caritatives de la société, pour développer l'utilisation des données dans le but de créer un monde plus juste et équitable. Il siège par ailleurs au conseil de plusieurs organisations pour la santé et le développement durable dans le monde.

Un peu de contexte

Les données sont un formidable moteur de changement. Après des années de collaboration entre Tableau Foundation et ses différentes ONG partenaires, nous avons pu constater que la puissance des données ne profite pas équitablement à l'ensemble de la société. Les données ne sont généralement pas suffisamment représentatives, et manquent souvent de contexte et de nuance pour rendre précisément les différentes expériences. Cette situation peut entraîner une méfiance à l'égard des données, en particulier de la part des personnes et des groupes qui souffrent d'un manque de représentation. Cette méfiance peut conduire ces groupes à ne pas utiliser les données, et par conséquent à ne pas renforcer leur influence.

Il ne s'agit pas de nous vanter d'avoir toutes les réponses, mais au fil des discussions avec nos partenaires, nous observons une tendance, étayée par des expériences concrètes, qui peut potentiellement transformer la défense des intérêts des communautés.

Pour qu'une solution data soit efficace, pertinente et durable, elle doit être développée en collaboration avec les communautés qu'elle est supposée représenter et défendre. Les données transforment les dynamiques et donnent aux personnes et aux organisations la capacité de gérer les problématiques complexes et nuancées qui leur tiennent à cœur. Par conséquent, le principe d'équité grâce aux données permet de garantir des données plus inclusives, plus représentatives et plus efficaces en tant qu'outil de représentation, en développant un sentiment d'application plus fort pour tous les intervenants.

Idéalement, cette approche doit fournir des réponses mais aussi inviter à poser de nouvelles questions, pour déterminer si les données capturent adéquatement les expériences qu'elles sont supposées représenter, afin de faciliter un processus d'amélioration permanent. Peut-on améliorer la collecte et l'analyse des données pour avoir l'assurance qu'elles sont bien représentatives ? L'histoire que racontent les données permet-elle de toucher le public et de l'inviter à prendre une part active au changement ?

Les organisations qui traitent leurs données comme des ressources stratégiques et qui développent une culture des données et la data literacy parviennent à exploiter le potentiel des données pour entamer - ou recentrer - la discussion autour des politiques et des financements. L'accès aux données s'étend aux associations qui ne disposaient traditionnellement pas des ressources technologiques et data nécessaires pour demander des comptes aux institutions et administrations locales. Aujourd'hui, de plus en plus d'ONG, d'activistes et de travailleurs des services sociaux considèrent et utilisent les données comme des ressources stratégiques, pour développer des cultures des données et des compétences analytiques.

Et maintenant ?

Le fait de considérer les données comme des ressources stratégiques et de s'engager en faveur d'une culture des données donne naissance à des conversations plus pertinentes sur les politiques et la manière dont les institutions publiques soutiennent les communautés. La démocratisation des données, c'est-à-dire le fait de les rendre disponibles mais aussi accessibles en faisant sauter les barrières de la data science, permet de placer les données et l'analytique au cœur des initiatives de sensibilisation des organisations qui hésitaient auparavant à le faire. À mesure que les ONG et associations voient leurs initiatives générer des effets positifs sur le quotidien des personnes qu'elles défendent, nous assistons à une explosion du soutien d'autres intervenants, qui se demandent comment ils peuvent eux aussi utiliser leurs données pour faire la différence au sein de leurs propres communautés.

Nous voyons les organisations tirer parti de leur culture des données et investir dans le développement de leurs compétences analytiques en interne et dans l'ensemble de la communauté. Ces initiatives donnent naissance à de bonnes pratiques, notamment :

  • La démocratisation des données et ressources pertinentes en les rendant publiques
  • La désagrégation des données pour les rendre plus représentatives
  • L'utilisation d'un langage centré sur l'humain en marge des données
  • La transformation de la manière dont les données sont traditionnellement présentées
  • L'utilisation de modèles centrés sur les expériences humaines

Channing Nesbitt, responsable de programme d'impact social, fait part de l'importance de désagréger les données en observant la diversité des champs, des unités et des mesures, au lieu d'utiliser exclusivement des données pondérées ou résumées : « En désagrégeant les données, vous donnez de la visibilité à des personnes dont les expériences sont souvent ignorées et invisibilisées dans les données pondérées et agrégées, et une telle invisibilisation peut perpétuer, voire renforcer, la situation vécue par ces personnes. » Cela permet souvent de rendre des situations plus claires qu'en les résumant aux questions de genre, d'appartenance ethnique et de revenus. Vous créez ainsi une vue plus détaillée des expériences uniques des personnes, par exemple pour comprendre la situation d'une femme issue d'une minorité ethnique, diplômée, et faisant une demande de prêt immobilier. Les données désagrégées permettent de voir plus clairement les personnes derrière les données, et ainsi de mieux répondre à leurs besoins et d'affiner les solutions proposées par les institutions et les organisations locales.

Ces changements améliorent la précision et l'inclusivité des données, et dressent un portrait plus contextualisé des personnes derrière chaque point de données, afin de mieux représenter tous les membres d'une communauté.

Des données plus précises et plus représentatives peuvent permettre de valider les expériences vécues et d'aider les personnes et les groupes à gagner en influence pour atteindre leurs objectifs.

Une base d'équité grâce à des données de meilleure qualité permet de transformer les conversations et de générer des effets bénéfiques, notamment pour les requêtes de financement et les changements de politique. Un tel cadre aide les instances dirigeantes et les institutions à mesurer et suivre les progrès réalisés à différentes échelles, aussi bien pour les objectifs de développement durable des Nations Unies que pour le bureau d'un procureur local qui partage des données sur les poursuites en cours. De plus, il permet à tous les intervenants de la communauté d'interagir avec leurs instances dirigeantes et les institutions sur un pied d'égalité.

Recommandations

Nous avons constaté que les ONG parmi nos partenaires les plus efficaces intègrent plusieurs méthodes destinées à améliorer l'équité grâce aux données. Même si cette liste doit encore être améliorée, voici quelques-unes des pratiques d'équité grâce aux données que nous avons pu observer chez nos partenaires.

1. Échangez avec les communautés qui sont au plus près des problématiques que vous cherchez à résoudre. Demandez-leur quelles questions poser pour collecter les bonnes données, et dans quel contexte ces données devraient être analysées. En collaborant avec les communautés, vous pourrez :

  • Développer la précision et la fiabilité des données, et la confiance qu'elles suscitent, afin de maximiser les chances qu'elles soient utilisées
  • Vous assurer qu'elles sont utiles pour les communautés et pertinentes au regard des problématiques qu'elles sont supposées traiter
  • Produire des données qui facilitent des actions concrètes et efficaces, et qui permettent de démontrer l'efficacité des initiatives, leurs lacunes, et de définir des priorités collectives

 

2. Veillez à ce que les données soient pertinentes et représentatives des communautés qu'elles servent. Nous devons mieux percevoir les personnes derrière les données pour mieux comprendre leurs besoins et y répondre.

  • Désagrégez les données autant que possible, tout en garantissant la confidentialité.
  • Cherchez les points de données pertinents, qui décrivent des expériences personnelles plus nuancées. Les données relatives à l'appartenance ethnique, au genre ou au niveau de revenus à elles seules ne donnent pas le même contexte et les mêmes insights que les aspects identitaires les plus essentiels.

 

3. Partagez les données avec les communautés, et maximisez les avantages générés en tirant parti du feedback.

  • Les communautés ont besoin d'accéder aux données pour en tirer pleinement parti. Le fait de partager les données contribue au cercle vertueux. En effet, plus vous utilisez de données, plus les communautés seront motivées pour s'appuyer dessus, et plus vous aurez de chances de continuer à collecter et analyser des données.
  • Adoptez une démarche responsable dans la manière de partager les données et d'adapter vos initiatives à grande échelle. Garantissez la confidentialité pour développer et renforcer la confiance.

 

4. Donnez aux personnes et aux communautés les outils et les connaissances nécessaires pour utiliser efficacement les données.

  • À mesure que les données gagnent en volume et en complexité, les initiatives de data literacy et de développement des compétences analytiques deviendront de plus en plus importantes pour permettre à chacun de donner du sens aux données auxquelles il a accès.
  • Les solutions technologiques doivent devenir plus accessibles pour les organisations au cœur des communautés.
  • Les organisations doivent également avoir accès à des financements permettant de couvrir les coûts liés à ces technologies.