L’ambition des organisations en 2023 est celle du passage à l’échelle des cas d’usage analytics et IA, rappelle Katia Siciliano de SAS. Et cela passe en particulier par l’orchestration tout au long du cycle analytique, au niveau DataOps et ModelOps notamment.

>> Cet entretien est issu du Guide à télécharger « Data & IA for Business : objectifs impact et valeur »

Quel est votre regard sur le niveau de maturité Data du marché ?

Il n’y a pas de débat dans les organisations, qu’elles soient privées ou publiques. Toutes reconnaissent l’importance de la donnée. Mais tous les buzzwords qu’on peut entendre, comme data driven ou AI company, ne doivent cependant pas faire oublier qu’un fort niveau d’hétérogénéité persiste en termes de maturité.

Les transformations sont en route. Ne négligeons pas non plus la culture, moteur dans le déploiement de l’analytics et de l’intelligence artificielle. Cette culture repose notamment sur des processus tirant profit de différents types de données – générées, collectées, valorisées… – pour prendre des décisions qu’on espère optimisées et industrialisées.

A lire aussi : Casser la dichotomie IT et métiers sur la Data

C’est l’ambition. Dans la réalité, les organisations se répartissent entre les quatre niveaux de maturité Data. Pour des raisons diverses, concurrentielles ou sectorielles notamment, le degré d’avancement est hétérogène. L’hétérogénéité existe en outre au sein même des entreprises, d’un département à un autre.

Nous accompagnons des clients sur les quatre niveaux de maturité, dont le plus avancé, que peu d’organisations ont pu atteindre. A ce stade, la data s’intègre au cœur de tous les processus métiers, de manière orchestrée et gouvernée. Le premier niveau est une étape. Il permet d’installer la confiance et de tirer l’adhésion pour prétendre à un cap de maturité supérieur, source de gains.

Qu’est-ce qui freine encore les entreprises dans leur adoption ?

Le vrai sujet n’est peut-être pas celui de la maturité, mais celui du passage à l’échelle. L’étape qui est visée, c’est de porter les cas d’usage d’analytics et d’intelligence artificielle au-delà de l’expérimentation ou d’un périmètre restreint dans l’organisation.

Il s’agit de les intégrer pleinement dans les processus métiers, afin par exemple de permettre aux collaborateurs de réaliser du décisionnel en temps réel. On parle ici d’opérationnalisation des cas d’usage. Et cela reste un challenge.

Il est pourtant stratégique de le relever. Le développement de l’intelligence artificielle accentue encore plus les écarts entre les organisations sur les plans de l’innovation et de la compétitivité. C’est à ces enjeux que répond notre solution SAS Viya en contribuant à accélérer la mise à l’échelle des traitements analytiques.

L’amélioration de la coopération entre IT, Data et métiers est-elle toujours un sujet dans les organisations ?

Cela reste plus que jamais d’actualité. Et il est essentiel que la collaboration entre les parties s’effectue tout au long du cycle analytique. L’idée étant de faciliter la collaboration, raccourcir ce cycle, réduire le time-to-value et accroitre la productivité. En termes de bonnes pratiques pour tendre vers cette coopération continue, il nous semble nécessaire de clarifier le rôle de chacun. Cette répartition et cette formalisation des missions et responsabilités s’accompagneront d’une orchestration du cycle analytique complet.

La gestion de ce cycle constitue notre cœur de métier chez SAS. Elle embarque notamment les volets DataOps et ModelOps, que la plateforme SAS Viya permet donc d’accélérer. Sur les modèles, rappelons que le travail ne s’arrête pas à leur livraison. Un modèle d’IA doit être validé, déployé, supervisé et gouverné.

Faut-il pour autant réserver Data et IA aux experts ou l’autonomisation des métiers constitue-t-elle une clé de succès ?

L’autonomisation est une tendance forte. Elle répond à un besoin des métiers, motivé notamment par des irritants autour de la lenteur du delivery ou de l’incompréhension avec l’IT. La frustration de part et d’autre est réelle.

Les entreprises ont à gagner à réduire le time-to-market et donc à donner une certaine autonomie à leurs utilisateurs métiers, tout en gardant un contrôle de l’IT. Mise en cohérence des données, maintenabilité des développements, respect des règles d’urbanisation du SI et de sécurité restent nécessaires. La finalité n’est pas de retomber dans du shadow IT.