Le cas curieux de la construction d’une stratégie “Data Analytics”

Monica Rogati a écrit à propos de l’ article “The AI Hierarchy of Needs” sur Medium il y a 45 mois et a partagé cette pyramide perspicace demandant “Comment dire aux entreprises qu’elles ne sont pas prêtes pour l’IA sans paraître (ou être) élitiste – un gardien autoproclamé ?

A vrai dire, beaucoup d’entreprises ne réalisent toujours pas que ce sont les « données » qui sont au cœur de systèmes tels que les sciences des données et l’intelligence artificielle . De nombreuses organisations continuent d’échouer lorsqu’elles tentent une initiative d’analyse majeure. La raison en est que l’accent a tendance à être mis sur les 3 couches supérieures de la pyramide ci-dessus et non sur le reste, ce qui jette les bases de la construction d’une solide stratégie “d’analyse de données”.

Alors que de nombreuses organisations prêtent attention à la création de modèles de données, elles ont tendance à ignorer des éléments tels que la qualité et l’intégrité des données. “Les données vont redéfinir notre façon de penser les modèles”, déclare Fei-Fei Li, scientifique en chef chez Google Cloud et professeur à Stanford.

Les organisations doivent s’assurer qu’elles disposent de bons processus de gestion des données. “Le meilleur algorithme ne fonctionnerait pas bien si les données qu’il a apprises ne reflétaient pas le monde réel. » Un meilleur ensemble de données est la première exigence avant de se lancer à plein régime dans la visualisation de données, les sciences des données, l’apprentissage automatique ou l’intelligence artificielle.

Alors que la plupart des entreprises souhaitent disposer d’informations basées sur les données, beaucoup ne réalisent pas cette ambition. Le résultat est que la gestion des données est souvent fragmentée et pilotée par plusieurs parties prenantes. Cela laisse les organisations confrontées à un degré élevé de données inexactes et disparates et il existe plusieurs défis pour les maintenir.

Alors, que doivent prendre en compte les organisations lors de l’élaboration d’une feuille de route ou d’une stratégie d’analyse de données ?

Volume de données

Nous savons tous que le « Data Analytics » nécessite de « bonnes données », mais avant cela, nous avons besoin de volume. Beaucoup d’organisations ne semblent pas prendre au sérieux le problème du volume. Ils pensent ou supposent en quelque sorte qu’il est disponible. Comme le dit Jana, architecte technologique en chef de Zuci, “Construire une banque de données est un problème d’entreprise aujourd’hui et je pense que très peu d’organisations le prennent au sérieux, même si la transformation numérique est prise avec un sérieux absolu.”

Les organisations ont besoin des bonnes personnes qui disposent de temps au début des projets pour créer des systèmes robustes et efficaces de collecte, de conservation et de stockage des données. C’est l’objectif commercial le plus important de l’équipe des données, pas seulement la construction d’un entrepôt de données et tout y déposer.

Qualité des données

Le problème lié au volume de données est la qualité des données. La mauvaise qualité des données conduit à l’incapacité de développer des informations/modèles précis. Cela réduit également la productivité de l’équipe de données. Les travailleurs des données passent la plupart de leur temps à essayer de rassembler les données existantes pour les nettoyer et créer une meilleure qualité. Les data scientists rapportent qu’ils consacrent plus de 82 % de leur travail à nettoyer et à préparer les données pour les applications d’IA/ML.

Les Les organisations doivent se concentrer sur la création de bons pipelines de données et de données fiables. infrastructure de flux pour créer des données de qualité permettant d’obtenir une meilleure précision dans l’obtention d’informations.