Alors que les données se multiplient et que les consommateurs prennent conscience de leur empreinte numérique, les entreprises vont très vite faire face à un nouveau un défi : exploiter d'importants volumes de données en temps réel afin d'optimiser leur réactivité.
C'est le data-analyst, dont la place dans l'enteprise est en pleine mutation, qui peut relever ce challenge, à condition que son rôle se rapproche de l'opérationnel. Agir sur le churn une fois qu'il est prédit, agir sur les machines quand elles montrent des signes de faiblesse, éviter les fraudes en analysant les comportements clients : hors de son antre, le data-analyst sera en première ligne pour permettre à son équipe de tirer avantage du Big Data.
Données en temps réel et automatisation : le nouveau quotidien des analystes
Prédire les évènements futurs aura été la principale préoccupation des entreprises ces dernières années, bien plus que l'étude du passé. C'est là la force du temps réel. Mais c'est un réel défi, car les données affluent par milliers à la seconde : c'est à la réactivité que se mesure la performance, à sa rapidité d'ajustement en fonction des évènements que l'on évalue à présent une bonne stratégie. Pour répondre à ces nouvelles exigences, il ne suffira pas de se doter de profils qualifiés en analyse des données. Il faudra également faire évoluer l'action des équipes d'analystes, leur attribuer un rôle en première ligne, les faire entrer au cœur de l'action de l'entreprise.
Jusqu'ici dédiées à l'étude des évènements passés en vue de prédire ce qui peut se produire, et de transformer en information exploitation les millions de données collectées, les équipes d'analystes verront leur structure entièrement modifiée. L'automatisation des reportings et le machine learning auront raison des tâches répétitives. Les analystes de données disposeront ainsi de plus de temps pour ce qui constitue le cœur de leur métier : la construction de modèles prédictifs basés sur l'observation en temps réel des données et le machine learning. Des modèles qui pourront ensuite être reproduits et appliqués à différents cas de figure. Les analystes adoptent ainsi de nouvelles fonctions au sein de l'entreprise : l'exploration et la modélisation des données, et l'accompagnement de leurs interlocuteurs vers la compréhension de celles-ci.
Les nouveaux challenges : rendre les données accessibles et deep learning
L'apparition du deep learning a de quoi bouleverser la manière dont les data-analysts travaillent. Capables de reconnaître seules des schémas dans la parole ou l'image, les machines soumises au deep learning constituent des alliés pour le data-analyst : leur capacité de calcul rapide permet d'accélérer l'aide à la décision, et se révèle particulièrement utile dans des domaines tels que le ciblage marketing ou la météorologie. A ces nouveaux outils succéderont de nouvelles exigences et une restructuration des modes de travail des analystes. Habitués à travailler en équipes plus ou moins distinctes du reste de l'entreprise, les analystes seront amenés à se répartir entre les différentes équipes de l'entreprise, du marketing à l'équipe technique. L'agilité sera donc le maître mot. Plus intégré auprès des autres collaborateurs, le data-analyst tiendra lieu de passerelle pour mieux comprendre et interpréter les données. Une implication supplémentaire qui sera particulièrement bénéfique dans certains champs d'application qui appellent l'action de techniciens de terrain, tels que la maintenance prédictive ou la médecine spécialisée.
Par ailleurs, les consommateurs sont de plus en plus conscients de la valeur de leurs données pour les entreprises. Le RGPD (Règlement Général sur la Protection des Données) va d'ailleurs dans leur sens, puisqu'il vise à redonner aux consommateurs le pouvoir sur l'exploitation de leurs données personnelles. Autant d'exigences qui appellent les équipes de data-analysts à se mêler davantage aux équipes opérationnelles. « Agile » sera donc le nouveau synonyme de « data-analyst » !
Agrandir le spectre des compétences pour une action optimisée
Dans le domaine de l'entreprise comme ailleurs, formulaires de contact et machines ne sont plus les seuls fournisseurs de données de navigation. Les data-analysts doivent à présent se familiariser avec les blogs, les réseaux sociaux et les diverses applications, nouvelles mines de données à exploiter et à interpréter. Un élargissement du spectre des compétences est donc nécessaire, car l'analytique peut s'appliquer dans de nombreux secteurs. Plus avertis quant aux supports d'où proviennent les données et à leur fonctionnement, les data-analysts pourront gagner en réactivité et optimiser la conception de leurs modèles prédictifs, qu'ils pourront reproduire d'autant plus facilement. Ceux-ci seront plus rapidement autonomes et adaptables à d'autres configurations.
Pour que l'analyse soit davantage une source de productivité en interne, l'entreprise doit lui conférer une plus grande liberté d'action. Il peut s'avérer utile, par exemple, de donner aux analystes les moyens de réagir aux données transmises par les machines dans le cadre d'une maintenance prédictive, et de procéder à l'action adéquate. L'analyste pourra aussi agir, après analyse des données, pour éviter le renoncement d'un client ou contrecarrer une fraude de la part d'un consommateur, sans passer par les équipes marketing. Plus encore : les analystes seront amenés à créer des modèles d'action adaptables à chaque situation, et automatiser ces tâches le plus possible.
Avec l'avènement de l'approche prédictive, le data-analyst est la clé de voûte de l'efficacité des organisations, dans plusieurs secteurs (économie, santé, météorologie, etc.). Elargie à un champ plus global, ce métier si prisé sera plus à même d'adopter un fonctionnement plus agile.