Alors que les budgets se resserrent désormais dans les entreprises américaines et que l’ère de l’argent facile n’est plus qu’un souvenir qui s’estompe rapidement, le moment est venu d’atteindre un objectif recherché depuis longtemps dans le monde de la business intelligence et de l’analytique : boucler la boucle.
Dès 2001, dans des entreprises spécialisées dans les entrepôts de données comme Daman Consulting, mon ancien employeur, nous vantions déjà les mérites de l’« opérationnalisation » de la business intelligence. L’idée consistait à exploiter dynamiquement les informations issues de la BI dans les systèmes opérationnels et, ainsi, à améliorer directement les performances.
Bien que l’analytique embarquée existe depuis des décennies, force est de constater que la plupart des solutions de BI de ce millénaire se sont concentrées sur le paradigme du tableau de bord : fournir aux dirigeants, par l’intermédiaire d’un entrepôt de données, des informations visuelles de haut niveau pour faciliter la prise de décisions éclairées.
Mais les humains sont lents, bien plus lents qu’un algorithme d’IA dans le cloud. Pendant le temps qu’il faut à un professionnel chevronné pour prendre une décision, l’IA peut poser des milliers de questions, obtenir tout autant de réponses, puis les réduire à un éventail d’optimisations ciblées et exécutées.
C’est le domaine de l’intelligence appliquée, une approche en boucle fermée de l’analytique traditionnelle des données. L’objectif est de réunir plusieurs fonctionnalités clés – ingestion, gestion, enrichissement et analyse des données, ainsi que prise de décision – au sein d’un même espace de coordination pour concevoir et déployer des algorithmes.
Cette approche présente de nombreux avantages : transparence, efficacité, responsabilité ; et surtout, dans le marché actuel ? Agilité. En période de fortes perturbations, les organisations doivent pouvoir changer rapidement de cap. Et lorsque ces décisions sont intégrées par l’automatisation ? C’est encore mieux.
Elle contribue également dans le domaine crucial de l’explicabilité, c’est-à-dire la capacité à expliquer comment un modèle d’intelligence artificielle est parvenu à sa conclusion. Dans quelle mesure une décision particulière d’accorder un prêt hypothécaire est-elle explicable ? Est-elle reproductible ? Quels biais sont inhérents aux modèles et aux données ? La décision peut-elle être défendue ?
Sur un sujet connexe : Le marché de l’IA : vue d’ensemble
À la banque
L’essor des start-up de la fintech et des néobanques, conjugué à l’évolution rapide des taux d’intérêt, a exercé une pression considérable sur les acteurs historiques des marchés financiers, qui doivent innover rapidement, mais en toute sécurité. Plutôt que d’adopter une stratégie défensive, nombre d’entreprises se tournent vers l’IA pour retrouver leur élan.
En tant que CPTO de FICO, Bill Waid a supervisé un large éventail d’innovations bancaires. UBS a réduit la fraude à la carte de 74 %, tandis que Mastercard a optimisé la détection des fraudes de plusieurs façons, notamment grâce à la messagerie automatisée pour résoudre le casse-tête des communications omnicanales.
L’exemple de Mastercard montre comment une grande institution financière est désormais capable d’identifier, de surveiller et de gérer dynamiquement les interactions avec ses clients sur une multitude de canaux – et suffisamment rapidement pour éviter les pertes financières. Un avantage appréciable au passage ? Des clients moins agacés.
Lors d’une récente interview radio, Waid a expliqué une autre situation dans laquelle la collaboration améliore le marketing. « Dans le secteur bancaire, du point de vue du risque, l’un des produits les plus rentables est la carte de crédit. Donc, si vous demandiez à quelqu’un du service risque quel produit il pousserait, ce serait la carte de crédit. »
Mais d’autres services pourraient ne pas être d’accord. « Si vous demandez au responsable marketing, il dispose de toutes les statistiques et de tous les chiffres sur l’adoption, et il pourrait vous répondre que non, ce n’est pas la carte de crédit, du moins pas pour ce groupe (de clients), car ces clients recherchent en réalité une ligne de crédit hypothécaire ou un prêt automobile. »
L’idée est que l’on peut faire fuir des clients en formulant la mauvaise suggestion. Sans collaboration autour de fonctionnalités communes depuis une plateforme centralisée, explique Waid, cette erreur aurait probablement été mise en production, nuisant à la fidélité des clients et aux revenus.
Avec une plateforme d’intelligence appliquée, explique-t-il, les principales parties prenantes de l’entreprise mettent toutes la main à la pâte. Cela contribue à garantir la continuité et l’engagement, tout en fournissant une base commune pour mesurer l’efficacité et la responsabilité.
Considérez-la comme un système d’exploitation humain pour l’intelligence d’entreprise, connecté aux données de l’entreprise, aux modèles prédictifs et aux workflows décisionnels, afin d’assurer la cohésion des principaux systèmes opérationnels. Dans le scénario idéal, c’est comme un cockpit pleinement opérationnel pour l’entreprise.
Cette transparence inspire confiance, un pilier de la qualité des décisions prises : « Cette confiance comporte deux dimensions », explique-t-il. « La première est la suivante : pouvez-vous comprendre ce que fait la machine ? Avez-vous la certitude de savoir pourquoi elle est parvenue à cette prédiction ?
« Le deuxième élément est que, pour que l’analytique soit utile, elle doit sortir du laboratoire. Et bien souvent, je constate que l’analytique intervient après l’opérationnalisation d’un processus, lorsqu’il existe davantage de données ou un flux de données particulièrement adapté à une analyse. »
Pour plus d’informations, voir également : Les meilleurs outils d’analytique des données
En bref : l’analytique devient une extension
C’est ici que l’intelligence appliquée fait ses preuves : l’analytique devient une extension. Et lorsque l’entreprise bénéficie de cette transparence, elle gagne en confiance et intègre ces informations à son propre workflow opérationnel. C’est à ce moment-là que la valeur attendue de la machine se concrétise.
« Les plateformes assurent l’unification : elles réunissent processus, personnes et technologies », explique Waid. Et à mesure que l’IA évolue, avec les grands modèles de langage et l’informatique quantique qui se rapprochent, force est de constater que les pratiques de l’intelligence appliquée apporteront une stabilité essentielle, ainsi que des informations pertinentes.
Voir également : Plus de 100 entreprises majeures de l’IA en 2023