Le Data Analytics (DA) regroupe un ensemble de pratiques et d’outils permettant d’analyser des données brutes, le plus souvent en grands volumes (Big Data), dans le but d’en tirer des conclusions. Le principe fondamental du DA est ainsi de « faire parler les données », afin d’aider les entreprises à prendre de meilleures décisions. Techniquement, les outils de DA exploitent des algorithmes mathématiques et autres technologies issues de l’intelligence artificielle (IA) pour analyser les données et y trouver des relations qu’il serait impossible d’identifier par analyse directe. Afin d’être compréhensibles, les conclusions de ces analyses sont présentées via des outils de Data Visualisation (DataViz) comme des tableaux de bords et autres graphiques. Le Data Analytics est souvent divisé en deux grandes catégories : l’analyse « exploratoire » dont l’objectif est de découvrir de nouveaux éléments dans les données ; et l’analyse « confirmatoire », qui sert à valider ou non des hypothèses existantes. Selon différentes études, les sociétés industrielles n’exploiteraient aujourd’hui qu’entre 10 et 20 % des données dont elles disposent. Avec le Data Analytics, l’objectif est de rendre exploitable une majorité de ces informations.
Sources : Smart-Industries, Alliance industrie du futur, lebigdata.fr
1 – Sous-estimer l’importante de l’intervention humaine. Les outils de Data Analytics doivent être correctement paramétrés pour être efficaces. Acquérir ces outils ne suffit pas. Faire appel aux services de Data Analysts ou de Data Scientists est incontournable pour la réussite du projet.
2 – Ne pas impliquer l’ensemble des directions. Un projet de Data Anlytics ne peut être uniquement porté par les métiers ou la DSI. Il requiert l’implication d’un maximum de directions de l’entreprise. Elles vont devoir travailler ensemble, en commençant par réaliser un état des lieux des données dont elles disposent.
3 – Miser sur des solutions/compétences trop génériques. Les algorithmes de Data Analytics gagnent à être adaptés à chaque cas de figure. Les Data Analysts collaborent en général avec des ingénieurs spécifiques à chaque filière pour construire des projets « sur mesure ».
1 – De l’aide à la décision basée sur le réel. Le Data Analytics permet de prendre des décisions plus avisées car basées sur des informations réelles, collectées sur le terrain, et non sur des modèles théoriques.
2 – Prendre le chemin de l’Industrie du futur. Analyser les données de l’entreprise est bien souvent la première étape pour élaborer sa feuille de route vers l’Industrie du futur. La data servira notamment à prioriser les domaines industriels où la digitalisation peut apporter des bénéfices.
3 – Gagner en performance opérationnelle. Faire parler les données a bien entendu comme objectif final d’améliorer les performances globales de l’entreprise. Les algorithmes peuvent par exemple identifier les facteurs ayant le plus d’influences sur la performance et les classer par ordre d’importance.
4 – Développer de nouvelles activités. L’analyse de données peut « révéler » des opportunités de développement parfois insoupçonnées, comme de nouveaux modèles commerciaux, une évolution de l’expérience client ou simplement de nouveaux produits.
1 – Qu’est-ce que je cherche exactement ? L’analyse de données sera d’autant plus efficace que les objectifs du projet seront clairement définis. Par exemple, plus que de simplement chercher à « gagner en productivité », il convient de préciser sur quel périmètre, pour quels résultats et avec quels délais.
2 – De quelles données dispose déjà l’entreprise ? Bien souvent les acteurs industriels accumulent de grands volumes de données, qui restent cependant sous-exploitées. La première étape d’une démarche DA consiste donc à recenser la data disponible.
3 – Quelles sont les autres sources de données que je peux exploiter ? En complément des données déjà disponibles en interne, il peut être nécessaire d’intégrer aux algorithmes des données externes, par exemple de contexte (météo, actualité financière, données de partenaires…).
4 – Comment évaluer l’efficacité de la démarche ? Les bénéfices du Data Analytics ne sont perceptibles qu’après plusieurs mois d’exploitation. Pour être certain d’être sur la bonne voie, il est recommandé d’avoir identifié des indicateurs clé de performance (KPI), pour mesurer l’efficacité du projet à différentes étapes.