L'influence des données sur l'échec et le succès de l'automatisation

Dayle Hall :  

Bonjour et bienvenue dans notre podcast, Automating the Enterprise. Je suis votre hôte, Dayle Hall. Ce podcast est conçu pour donner aux organisations les idées et les meilleures pratiques sur la façon d'intégrer, d'automatiser et de transformer l'entreprise. 

Notre invité d'aujourd'hui est un praticien et un spécialiste de l'analyse des big data, de la culture des données et de la stratégie des données, les trois grands D des données. Son expertise porte sur l'influence des types de personnalité analytique sur la manière dont les données sont analysées dans les organisations. Il a créé un cadre, que nous aborderons certainement, qui donne aux entreprises une feuille de route pour exploiter les données en vue de leur réussite commerciale. Je vous souhaite la bienvenue dans notre podcast au fondateur et PDG de Logicle Analytics, le Dr Jonathan Fowler. Jonathan, bienvenue.

Jonathan Fowler :

Merci, Dayle.

Dayle Hall :

C'est vraiment passionnant de vous faire participer à ces podcasts. Nous avons travaillé avec différents types d'organisations. Nous avons rencontré des organisations à but non lucratif, des organisations, des grandes entreprises qui font des choses différentes autour de l'intégration et de l'automatisation. Et nous avons fait appel à des personnes qui m'ont fait sentir que je n'étais pas à la hauteur de mes connaissances en matière de données et de sciences. Vous serez l'une de ces personnes, j'en suis sûr.

Mais ce que j'aimerais commencer, c'est vous présenter, comment vous êtes arrivé là-dedans. Et lorsque nous commencerons à parcourir le podcast et que nous parlerons du cadre que vous avez créé, je pense que votre parcours et la façon dont vous avez abouti à cela vous aideront à entrer dans le vif du sujet. Qui est donc le Dr Jonathan Fowler ?

Jonathan Fowler : 

Je pense que vous avez raison d'expliquer cela parce que pendant longtemps, j'ai eu l'impression que ma formation avant de me lancer dans l'analyse était plutôt un fardeau, qu'elle n'était pas utile au minimum, voire qu'elle était préjudiciable au pire. J'ai donc commencé à Clemson en tant qu'étudiant en informatique et j'ai échoué trois fois en calcul. Il est donc impossible d'étudier l'informatique si l'on ne peut pas faire de calcul. La littérature anglaise était donc mon deuxième choix. Et j'ai réussi. J'ai terminé ce diplôme, puis j'ai obtenu une maîtrise en éducation. C'est là que j'ai fait beaucoup de travail quantitatif dans le domaine de la recherche éducative. Si l'on associe la recherche quantitative à la technologie, on s'oriente vers la science des données et l'analyse.

Ce n'est pas là que j'ai atterri au départ. En fait, j'ai travaillé dans l'enseignement public pendant quelques années. Puis j'ai commencé à me rendre compte que j'étais en fait meilleur si je ne m'épuisais pas à faire du travail d'analyse et si j'explorais vraiment l'espace qui était, à ce moment-là, en train d'évoluer assez rapidement. Et c'est encore très nouveau. Mais le plus difficile pour moi était de savoir comment quelqu'un qui n'a pas reçu d'éducation formelle dans ce domaine mais qui a beaucoup d'expérience peut s'implanter quelque part.

J'ai donc travaillé sur de nombreux projets et j'ai fini par constituer un portefeuille suffisamment étoffé pour être engagé comme responsable de projets d'analyse, étant donné que je devais gérer une société d'informatique. J'ai ensuite travaillé sur des projets pour Bank of America, puis pour d'autres entreprises à Charlotte, avant de revenir à Greenville. À peu près au même moment où j'ai terminé mon doctorat en big data, j'ai créé mon entreprise. C'est là que j'ai vraiment compris qu'on vous dit toujours de transformer vos forces en faiblesses - ce n'est pas bien, il faut transformer vos faiblesses en forces.

Dayle Hall :

C'est toujours un peu mieux.

Jonathan Fowler : 

Autre direction. Je me suis dit que je ne connaissais pas beaucoup de personnes dans le domaine de l'analyse des grandes données qui avaient une formation en arts libéraux et en sciences humaines. Voyons donc si nous pouvons en faire un bon créneau. Et je pense que jusqu'à présent, j'ai fait un assez bon travail d'exploration.

Dayle Hall :  

C'est formidable. Je sais que nous allons nous pencher sur la question. J'aime ce genre d'expérience. Lorsque je parle aux gens, et que vous intégrez des personnes dans l'équipe, vous voulez des personnes ayant des antécédents et des opinions diversifiés. Oui, bien sûr, il faut avoir des capacités dans un certain domaine. Vous avez dit vous-même que vous pouvez faire de l'informatique si vous savez calculer. Mais une pensée différente, des antécédents différents donnent généralement de meilleurs résultats ou des résultats plus innovants. C'est ce que nous constatons souvent chez nos clients et prospects avec lesquels je m'entretiens régulièrement. C'est le moment idéal pour s'intéresser aux données et à l'analyse, car ce marché a explosé au cours des dix dernières années.

Jonathan Fowler :

C'est le cas. C'est tout à fait vrai. Mon partenaire commercial, John Osland, participe lui aussi à un accélérateur de technologie dans le sud-est. Nous travaillons tous les deux avec Logicle et avec l'accélérateur. Nous constatons que nous touchons un bon point avec les entreprises de l'accélérateur qui souhaitent capitaliser sur le big data et pas seulement le monétiser pour se développer, mais aussi comprendre comment cela les aide, comment cela aide les partenaires potentiels, comment cela aide leurs clients. C'est vraiment le nouvel or, le nouveau pétrole. Et toute entreprise qui comprend que les données sont l'élément vital de son activité est en très bonne position pour se développer.

Dayle Hall : 

Oui, c'est vrai. Les deux entreprises dans lesquelles j'ai travaillé auparavant, l'une d'elles était Lithium Technologies. Évidemment, très axée sur les données concernant le parcours du client, l'IA des gens qui utilisent les données spécifiquement pour comprendre comment les ventes et le marketing peuvent obtenir plus de valeur. Mais je reçois ces questions de mon équipe, par exemple, ils cherchent de nouveaux outils ou autre chose. Ils me disent toujours, donnez-nous ces données.

Mais l'une des choses qui, à mon avis, est beaucoup plus importante, c'est de savoir s'il est important d'avoir les données quelque part, mais s'il s'agit de quelque chose que l'on va utiliser, ou comment on va les utiliser. Il ne sert à rien de les avoir si nous ne savons pas quoi en faire. Et il y a tout cela - et nous allons avoir cet outil, mais si nous n'apprenons pas à l'utiliser, nous n'aurons pas besoin de l'exploiter. Il y a tellement d'opportunités et il y a tellement de technologie en ce moment, qu'ils vantent tous les mérites du big data.

Je me demande si, de votre point de vue, lorsque vous parlez à des clients ou à des partenaires, les gens sont encore un peu perdus en ce qui concerne l'utilisation des données. Savent-ils - nous savons tous que nous en avons besoin, c'est un nouveau pétrole. Mais la paralysie de l'analyse, sommes-nous paralysés alors qu'il y a tant d'opportunités, et parfois nous ne savons pas quoi faire.

Jonathan Fowler :  

Je pense qu'il y a une surcharge de deux choses. La première est la quantité de données collectées par les entreprises. Il ne s'agit pas de dire qu'il faut en collecter moins, mais qu'il faut comprendre comment les utiliser. Mais l'autre est le bombardement d'outils d'analyse, de conseils en analyse, tout cet espace est très encombré, il y a tellement de vendeurs qui font de bons produits. Et puis aussi, je pense qu'il y a beaucoup de confusion sur quelque chose d'aussi simple que les titres de postes, ingénieur de données, analyste de données, scientifique de données. Si vous prenez 10 entreprises et que vous examinez leurs descriptions de poste pour un scientifique des données, vous obtiendrez probablement 10 interprétations différentes de ce rôle. Et encore une fois, il s'agit d'un nouveau domaine, relativement. C'est donc entendu.

Mais les deux premiers sont étroitement liés. Oui, les données sont là. Mais l'accès et la facilité d'utilisation sont deux choses différentes. Vous pouvez me donner accès à une salle d'opération, mais si je ne suis pas chirurgien, je n'ai rien à y faire.

Dayle Hall :

Oui, je suis d'accord.

Jonathan Fowler :

Je ne peux pas opérer ce patient. Si nous avons accès à ces données, les gens se disent souvent : "Voyons ce que je peux faire, jouons avec, voyons ce que je peux trouver". Nous disons cela en tant que développeurs et scientifiques des données, mais ce n'est pas ce que je veux dire. Je me contente d'aller fouiller et de dire : nous avons ces points de données, nous devrions faire ceci. Parfois, c'est bien, mais c'est presque comme construire une solution à la recherche d'un problème, ce qui, bien souvent, je pense - si vous prenez l'autre surcharge, c'est-à-dire les solutions, les outils et les autres choses. Disons que votre entreprise vient de recevoir 750 000 dollars par an pour un nouvel outil d'analyse, qu'elle voit tous les trucs sympas qu'elle peut faire avec et qu'elle le met en œuvre. Ensuite, personne ne l'utilise ou il est mal utilisé. La direction se dit alors : "Nous avons acheté cet outil pour vous. Pourquoi ne l'utilisez-vous pas ? Toutes les données sont là. Eh bien, vous n'avez pas vraiment tenu compte de la manière dont les gens doivent l'utiliser, du problème que vous deviez résoudre, et vous ne vous êtes pas contenté de leur donner un ordre pour qu'ils fassent telle ou telle chose, mais vous avez rencontré les gens là où ils se trouvent.

Dayle Hall :  

Oui, c'est certain. Je pense qu'une solution à la recherche d'un problème décrit en fait l'ensemble de l'espace MarTech, n'est-ce pas ? Ce que j'ai entendu dans ces podcasts avec beaucoup d'autres organisations qui utilisent cela, c'est qu'il faut toujours, toujours commencer par le problème commercial que l'on essaie de résoudre, puis déterminer s'il s'agit d'un manque de données ou d'un problème de données et d'analyse, ou si c'est simplement parce que nous n'avons pas les bonnes données. Mais il faut commencer par le problème de l'entreprise. Et je suis toujours étonné de voir le nombre de personnes qui entament une conversation lorsqu'elles sont à la recherche d'une nouvelle technologie. Le marketing en est un bon exemple, n'est-ce pas ? Nous avons besoin d'un outil ABM. Pourquoi avez-vous besoin d'un outil ABM ? Parce que tous les autres en ont un et que nous voulons être sûrs d'en avoir un. Non, votre problème est que vous n'atteignez pas les bonnes personnes dans les bons comptes. Et il existe de multiples stratégies pour y parvenir. Encore une fois, c'est quelque chose que j'entends tout le temps dans le domaine du marketing.

Pour ce domaine que vous couvrez et dans lequel vous avez de l'expertise, parlons un peu du problème de stratégie d'entreprise qui pourrait en fait être un problème de stratégie de données. Avez-vous des exemples de rapports ou d'accès à l'information, par exemple ? Si quelqu'un vient vous voir avec ce type de problème, que faites-vous pour l'aider à le résoudre ?

Jonathan Fowler :  

Oui, c'est vrai. L'une d'entre elles est tellement universelle que tout le monde peut la comprendre : imaginez une entreprise de vente directe au consommateur, un commerce de détail en ligne. Cette entreprise est, selon sa propre publicité, un détaillant axé sur les données. Un jour, l'un des responsables des ventes dit : "Dans mon ancienne entreprise, nous avions ce que l'on appelle des profils de clients. Et nous n'essayions pas de dresser le profil des gens, c'était plutôt aujourd'hui, j'ai parlé avec une Rebecca, ou - c'est cette personne qu'ils ont créée. Dans le jargon du marketing, je pense que tout le monde sait de quoi je parle, il s'agit d'archétypes de clients. Et puis vous vous rendez compte, attendez une minute, vous voulez dire que vous n'avez pas ces archétypes dans cette entreprise, et vous faites combien de millions de chiffre d'affaires ? Et une partie de votre modèle d'entreprise consiste à avoir des clients privés. Et vous n'avez pas ces choses-là.

Dayle Hall : 

Pourquoi pensez-vous survivre ?

Jonathan Fowler : 

C'est vrai. Voilà pour ce qui est de cet aspect. De l'autre côté de la barrière, vous avez tous ces gestionnaires qui se tordent les mains en disant que les chiffres ne sont pas corrects et que les modèles changent à cause de la pandémie et de ceci et de cela. Et je me dis que si nous pouvions relier A et B ici, je pense que nous pourrions faire quelques progrès dans ce grand fossé.

L'analyse de rentabilité est la suivante : oui, nous devons comprendre peut-être - typiquement, je pense que la plupart des entreprises sont guidées par trois ou quatre archétypes ou personas d'acheteurs. Il y a donc deux façons de procéder. D'une part, vous pouvez suivre la voie purement technologique du data scientist et parler de toutes les différentes façons dont vous pourriez modéliser et créer ces choses et vous déchaîner, oh, eh bien, j'ai besoin de ceci, de cela et de cela en termes de points de données. Nous avons peut-être certaines de ces données, d'autres non, ce qui est une façon de procéder.

L'autre solution consiste à discuter avec l'entreprise et à lui demander quelles sont les données dont elle dispose à l'heure actuelle. Dans quelle mesure ces personal shoppers seraient-ils à l'aise pour recueillir de nouvelles données auprès de leurs clients, s'ils expliquent pourquoi ? À l'endroit où vous étiez avant, comment traitaient-ils ces personas clients ? Ainsi, au lieu d'être vraiment motivé, d'entendre une seule phrase, peut-être une seule, de la part de l'entreprise, disant, j'ai besoin de cela, vous vous dites, oups, n'en dites pas plus, je vais retourner dans mon trou et lancer tous ces modèles fous et revenir pour quelque chose que vous n'allez jamais comprendre. Il faut mettre un bémol et dire : "D'accord, travaillons ensemble sur ce sujet".

Parce qu'il faut comprendre que je suis peut-être le plus grand spécialiste des données au monde, mais que je ne connais rien à la vente au détail. Vous devez donc reconnaître que vous ne représentez que la moitié de la solution. Votre PME ne sait pas ce que vous savez sur les données, mais vous ne savez pas non plus ce qu'elle sait sur son secteur. Ensemble, vous représentez donc une force bien plus puissante.

Dayle Hall : 

Yep. Oui. Est-ce que vous trouvez parfois que - encore une fois, vous avez dit dans notre introduction que les entreprises génèrent tellement de données, que c'est un défi en soi. Constatez-vous que parfois, la direction - les dirigeants de l'organisation, même lorsqu'ils voient cet accès, ont peur de faire quelque chose ? Ils ne font pas confiance aux données. Ils craignent de prendre la mauvaise décision. Voyez-vous des équipes de direction qui sont simplement, je ne dis pas effrayées, mais nerveuses parce qu'elles n'ont pas confiance dans les données ou qu'elles ont peur de faire une erreur ? Et comment surmontent-elles ce problème ?

Jonathan Fowler :

La plupart du temps, ils ne savent pas par où commencer parce qu'il y a une montagne d'informations. Et il y a beaucoup de pression, je pense, dans les entreprises pour en faire quelque chose. Et je pense qu'il est parfois plus facile d'hésiter et de ne rien faire que d'essayer et d'avoir l'impression de faire fausse route. Je pense donc que c'est l'une des choses qui retiennent les gens.

D'autre part, les données sont essentiellement des informations, et l'information est un pouvoir au sein d'une organisation. J'ai travaillé avec des entreprises où, lorsque nous essayons de découvrir les données, nous finissons par déclencher des guerres de territoire et des politiques, et les multiples dirigeants de l'entreprise ont l'impression de voir leurs parents se disputer dans le salon. Vous ne réalisez pas que les données de l'entreprise devraient être neutres. Mais les gens - les silos sont parfois là parce que les gens ont résisté au partage. Et c'est ainsi que les choses se sont toujours passées. Ainsi, lorsque vous commencez à soulever ces pierres, à les tirer vers l'arrière et à regarder en dessous, les gens s'impatientent. Il peut donc s'agir d'une partie de cela.

Il peut aussi s'agir, et c'est ce que je déteste, d'une situation où nous devons simplement survivre. Nous devons simplement produire. Nous avons juste besoin de faire des heures facturables. Nous avons juste besoin d'être vierges. L'analogie que j'utilise pour cela est la suivante : il y a des années, lorsque Howard Schultz dirigeait Starbucks, il est entré un jour dans un café et a dit que tout allait mal, que les doses d'espresso n'étaient pas bonnes, que l'endroit fondait dans le fromage parce qu'ils coupaient mal les sandwichs. C'est ainsi qu'un mardi après-midi, l'entreprise a fermé ses portes dans tout le pays. Et ce n'était pas une fermeture de quelques heures. Ils ont fermé tout l'après-midi. Dieu sait combien d'affaires ils ont perdu ce jour-là. Mais ils ont pris le temps de prendre du recul, de réévaluer ce qu'ils faisaient et de rectifier le tir. Ils ont donc rouvert le lendemain, beaucoup plus forts. Ce qu'ils ont perdu en affaires cet après-midi-là, ils l'ont récupéré grâce à des multiplicateurs incroyables, probablement parce que s'ils avaient continué à faire ce qu'ils faisaient, avec leurs oeillères, juste pour faire tourner l'entreprise, qui sait ce qui se serait passé.

Dayle Hall :  

Oui, c'est vrai. Et regardons les choses en face. Combien de dirigeants d'organisations recommanderaient d'arrêter de travailler pendant un après-midi ?

Jonathan Fowler :

C'est vrai. Cela semble horrible.

Dayle Hall :

Je ne connais pas beaucoup de PDG qui feraient cette erreur.

Jonathan Fowler : 

Et même lorsque vous introduisez l'idée de la recherche, lorsque je faisais mon travail de doctorat et que je menais mes recherches, c'était au plus fort de la pandémie, et les entreprises étaient déjà très préoccupées par le temps et les heures de travail. Lorsque j'ai essayé de recruter des entreprises pour la recherche, je me suis contentée de leur demander : "Êtes-vous sourd ? Pourquoi ne voudriez-vous pas bénéficier de cette recherche gratuite ? Parce qu'en fait, je leur disais : écoutez, si vous m'accordez une demi-heure avec vos employés, voici ce que vous obtiendrez en retour. Voici toutes les données et les informations, et je vais faire comme si vous me payiez pour le faire. Mais j'en ai besoin pour mes recherches. J'en ai tellement, nous n'avons tout simplement pas le temps, ou nous n'avons pas le temps de faire de la recherche parce que c'est quelque chose qui ne nous intéresse pas vraiment, ou c'était toujours, nous sommes trop occupés. Si vous êtes trop occupé pour vous renseigner sur votre entreprise, c'est que vous êtes trop occupé, un point c'est tout.

Dayle Hall :  

Oui, c'est vrai. Et lorsque vous vous apercevez que vous auriez dû vous pencher sur la question, il est peut-être trop tard pour votre entreprise, quelque chose d'assez grave.

Jonathan Fowler :

Exactement.

Dayle Hall :

Vous avez parlé de la guerre de territoire, une fois que l'on commence à se pencher sur les données et que les gens au sein de l'organisation risquent d'y être sensibles. En tant que responsable marketing, j'ai appris il y a sept ou huit ans que plus je suis proche des chiffres, plus nous aidons l'entreprise. Je suis - en fait, je suis, en tant que CMO, parfois mal à l'aise. Parfois, cela met en lumière des choses que je ne veux même pas voir ou admettre. Mais cela aide l'entreprise et, en fin de compte, cela m'aide moi-même. Mais cela soulève un problème, celui de l'aspect culturel.

Et cela nous ramène à la question de la guerre des territoires, c'est-à-dire que si l'on met de côté les défis de gestion et le fait qu'ils se sentent ou veulent s'y attaquer, les raisons culturelles expliquent-elles pourquoi et comment une organisation peut potentiellement y faire face - et si quelqu'un écoute ceci et se dit, oui, c'est la même chose dans mon organisation. On ne peut pas changer la culture du jour au lendemain. Mais comment conseilleriez-vous quelqu'un en lui disant qu'il doit commencer à envisager les choses sous cet angle ? Que font les gens ?

Jonathan Fowler :  

C'est là qu'il faut d'abord comprendre que les données ne sont pas une chose noire ou blanche. Nous devons d'abord suspendre cette croyance. En réalité, les données sont une zone grise qui, selon le point de vue de chacun, peut raconter des histoires différentes. Et vous pouvez vous retrouver avec les données comme pouvoir, le pouvoir comme information - les données comme information comme pouvoir, et ensuite vous avez le privilège et l'accès et tout cela, ce qui est une conversation intéressante. Mais d'un point de vue commercial, le même ensemble de données vu par cinq personnes différentes peut tout à fait générer cinq actions, perspectives, conversations ou points de vue distincts. Et tout dépend du bagage que vous apportez à la conversation. Je vais vous donner un bon exemple qui n'a rien à voir avec le monde des affaires et qui a été très public.

Il y a quelques années, le tableau de bord COVID de l'État de Floride a été mis à jour par une spécialiste des données, qui a calculé le taux d'infection en divisant le nombre de tests positifs par le nombre de personnes testées, ce qui semble raisonnable, n'est-ce pas ? Le bureau du gouverneur a dit, non, nous voulons que vous divisiez par le nombre de tests. Donc, si j'ai 100 personnes et qu'elles ont toutes été testées cinq fois, mon dénominateur passe de 100 à 500. Mon taux d'infection semble donc bien meilleur.

Dayle Hall :

Ah, je vois.

Jonathan Fowler :

Oui, c'est vrai. Les deux sont vrais, n'est-ce pas ? Les deux sont des points de données véridiques. Ils n'inventent pas les chiffres. Ils disent juste... ils utilisent juste des chiffres différents. Et cela a fini par faire couler beaucoup d'encre. La façon dont tout cela s'est déroulé est vraiment malheureuse. Mais c'est un exemple extrême de la façon dont un récit peut être perturbé et modifié par un simple changement, un petit changement dans un chiffre.

Et dans le monde des affaires, disons que tout le monde a accès aux mêmes données et qu'aucun chiffre n'est modifié, pensons simplement à - disons simplement que les données sont toutes égales par ailleurs. Réfléchissons un instant aux perspectives. Si vous êtes dans la finance et que vous êtes le groupe auquel tout le monde s'adresse lorsqu'il a des questions parce que vous contrôlez le grand livre, vous contrôlez les transactions, vous êtes l'endroit où - les sortes de rois et reines des données ad hoc, alors vous pensez que tout va bien. Mais si vous êtes dans la vente sur le terrain et que vos appareils mobiles ne peuvent pas obtenir de mises à jour en temps réel de la base de données et que vous devez faire des choses sur papier, alors - et c'est un exemple réel, en fait - votre vision de la maturité et des capacités des données est bien pire que celle de la finance. Il s'agit de la même entreprise. Beaucoup de gens se demandent comment il peut y avoir autant de divergences s'il s'agit de la même entreprise. Eh bien, une entreprise n'est pas une chose monolithique, n'est-ce pas ? Une entreprise est composée de différentes personnes, de différents départements, de différentes perspectives.

Dayle Hall :  

Et je pense que cela revient à ce dont nous avons parlé. Et je pense que cela revient à ce dont nous avons parlé, à savoir qu'il faut toujours commencer par le problème de l'entreprise, le cas d'utilisation que vous essayez de résoudre, faire en sorte que les gens s'alignent sur - votre exemple de test en Floride est de s'assurer que tout le monde est d'accord sur le fait que c'est ce que nous utilisons lorsque...

Jonathan Fowler :

Oui.

Dayle Hall : 

Ces ensembles de données sont ce que nous allons montrer. Nous savons qu'il existe d'autres points de vérité, mais c'est ainsi que nous allons les montrer et être clairs sur ce point. Et l'une des choses que nous faisons chez SnapLogic, c'est de permettre l'accès aux données, d'extraire des données de différents systèmes, c'est ce que nous faisons. Nous entendons donc souvent cela.

Ce que nous entendons également et ce que je vois sur le marché, c'est que beaucoup de gens se disent qu'ils vont utiliser l'IA et la ML pour résoudre leurs problèmes. Je ne sais même pas s'ils comprennent vraiment ce que l'IA et la ML signifient, mais ils les voient. Et une fois que votre analyste parle de lavage d'IA, etc. C'est donc omniprésent.

Jonathan Fowler :

C'est le cas.

Dayle Hall : 

Mais lorsque vous entendez cela, lorsque vous entendez que nous pouvons résoudre des problèmes rapidement grâce à l'IA ou à l'apprentissage automatique, premièrement, quelle est votre réaction ? Et quels conseils donnez-vous aux gens pour qu'ils utilisent l'IA pour résoudre - disons qu'ils ont un problème commercial. Mais comment dites-vous, eh bien, attendez une seconde, voilà ce que cela signifie ? Que dites-vous aux gens ?

Jonathan Fowler :

Au risque de passer pour un luddite, je ressens des brûlures d'estomac chaque fois que j'entends quelqu'un dire qu'il suffit de mettre de l'IA dessus. Il fut un temps où il semblait que si une start-up présentait les lettres AI ou ML n'importe où dans son dossier d'investissement, les gens lui jetaient de l'argent à la figure. Oui, s'il vous plaît, prenez mon argent. Nous voulons que vous lanciez ceci. Dans cet espace bruyant d'outils commerciaux, de vendeurs et de produits, l'IA semble avoir toutes les réponses.

Et c'est amusant. Ce week-end, j'ai participé à une table ronde à MUSC, l'université médicale de Caroline du Sud, qui a collaboré avec Clemson dans le domaine de l'IA. J'ai participé à une table ronde sur l'éthique de l'IA. Et oui, c'est un espace fascinant. Et je dirai ici - je dirai ici quand je serai assis là - que l'IA, nous n'en sommes pas encore au stade de Terminator où l'IA est vraiment sensible. L'IA n'est qu'un ensemble d'algorithmes. Et si vous épluchez l'oignon, les algorithmes ont dû être écrits et testés par une personne ou un groupe de personnes. Ils ont ensuite été alimentés par des ensembles de données. Et si les données ne sont pas fiables, les algorithmes ne le seront pas non plus. Et l'intelligence artificielle ne sera pas non plus à la hauteur.

Par exemple, IBM Watson Oncology a été formé principalement - presque exclusivement - sur des dossiers provenant des États-Unis. La communauté internationale a donc déclaré qu'elle n'en voulait pas parce qu'il avait été formé uniquement à partir de patients américains. Qu'en est-il des groupes sous-représentés ? Qu'en est-il des Norvégiens ? Je pense que la Norvège a été l'un des pays à refuser. Et ce n'est pas comme s'ils avaient l'intention de le faire. C'est juste, je ne sais pas, qu'ils se sont dit : "Voilà ce que nous avons". Souvent, le parti pris n'est pas vraiment intentionnel, mais il n'en reste pas moins partial.

Je dirais, d'accord, si vous êtes si déterminé à faire entrer l'IA dans l'entreprise, alors considérez-la comme un employé. Et feriez-vous venir cet employé s'il ne bénéficiait pas d'un environnement propice à sa réussite et à son épanouissement ? A-t-il un endroit où travailler ? A-t-il des ressources ? Sait-il à qui s'adresser ? Toutes ces questions. Si la réponse à l'une de ces questions est négative, vous n'êtes pas prêt pour l'IA. Si vous n'avez pas de qualité de données, si vous n'avez pas de gouvernance de données, si vous n'avez pas de normes, si les données sont cloisonnées, en d'autres termes, si vous continuez à gérer votre entreprise sur des feuilles de calcul et que vous n'avez pas de système de reporting d'entreprise plateforme qui fonctionne réellement, alors vous êtes loin d'être prêt pour l'IA. Et ne vous attendez pas à ce que l'IA résolve ces problèmes.

Dayle Hall :  

Oui, bien sûr. Et encore une fois, j'adore cette analogie : considérez l'IA comme un employé. Veillez à ce qu'elle bénéficie d'un environnement propice à sa réussite. C'est une très bonne analogie. Passons à autre chose. Vous avez abordé la question de l'éthique, de l'éthique de l'IA. J'ai fait un de ces podcasts avec quelqu'un qui faisait de la technologie pour les ressources humaines. J'ai été étonné de voir à quel point ils doivent réfléchir à l'éthique de l'IA, vous l'avez mentionné, à la diversité, aux différents groupes, aux différentes ethnies, etc. Et il y a des défis inhérents à cela. Mais une chose dont nous avons parlé lors de nos appels préparatoires concerne l'empathie à l'égard des données. En fait, je n'avais jamais entendu ce terme auparavant. Qu'est-ce que l'empathie à l'égard des données et comment cela fonctionne-t-il ?

Jonathan Fowler :  

L'empathie à l'égard des données découle de l'empathie tactique, qui s'inscrit dans le même domaine de travail. Prenons l'exemple d'un détaillant de vêtements. Je veux savoir quels sont les créateurs qui se vendent bien en Espagne. Je sais que lorsque je formule cette question, je sais ce que je veux en retirer. Mais d'accord, j'ai posé cette question, et mon équipe de données l'a trouvée, elle a produit le rapport, ou bien j'ai fait une analyse en libre-service pour l'obtenir. Et bien, d'accord, d'abord, l'Espagne, d'accord, numéro un, les produits expédiés en Espagne, ou les clients qui vivent là-bas et qui peuvent être expédiés ailleurs. C'est une question. La question suivante est : comment définissons-nous les ventes, définissons-nous le montant total des ventes ? Dans ce cas, il peut s'agir d'un produit qui a rapporté beaucoup d'argent, ou de quelques produits qui ont rapporté un peu d'argent, ou encore d'un certain nombre d'articles vendus. Et ensuite, est-ce que je... au cours des 30 derniers jours, des deux dernières années, qu'est-ce que je veux dire ?

Je sais donc ce que je veux quand je dis cela, mais je dois traduire tous les éléments non exprimés. Je dois traduire cela à la personne à qui je demande l'information ou à quelqu'un d'autre avec qui je la partage. Le premier principe de l'empathie à l'égard des données est que la définition d'une mesure ou d'un concept par quelqu'un peut ne pas correspondre à la vôtre. Quels sont les produits qui marchent bien en Espagne ? Je peux définir cela d'une certaine manière, vous pouvez définir cela d'une manière différente. Et bien souvent, je pense que nous négligeons cela parce que nous pouvons dire, eh bien, saisissons simplement ces points de données. Voici le rapport. Voici la vérité. Et vous pouvez penser que j'y suis arrivé d'une certaine manière. Je sais que j'y suis parvenu d'une autre manière, mais nous ne partageons jamais cette information. Nous avons donc déjà créé des malentendus implicites.

L'autre aspect est que lorsque vous présentez les données, qu'est-ce que cela signifie pour quelqu'un d'autre ? Et il y a ce deuxième principe, qui est que ce que vous voyez dans les données peut ne pas être évident ou important pour quelqu'un d'autre. Ainsi, si je regarde ces données et que je m'inquiète, disons, de la valeur monétaire de ces commandes en Espagne, par exemple, l'équipe de marketing est probablement plus intéressée que moi par la valeur monétaire de ces commandes. L'équipe marketing est probablement plus intéressée par les individus et les clients qui achètent ces produits, par leurs caractéristiques démographiques, par ce qui les fait vibrer, par les campagnes qui ont permis d'obtenir ces résultats, etc. Là encore, j'ai créé quelque chose qui répond à mes attentes. Mais qu'en est-il de ce que les autres peuvent en tirer ? Est-ce que j'en fais quelque chose d'unique pour moi ? Ou est-ce que je le fais et que j'y associe d'autres personnes pour que cela devienne une conversation beaucoup plus large au lieu d'un rapport complet et cloisonné ?

Dayle Hall :  

C'est vrai. Oui, je ne veux pas utiliser... c'est une analogie avec la vente de vêtements. La beauté est dans l'œil de celui qui regarde. Je pense que cela s'applique également aujourd'hui et que ce que vous recherchez est différent pour quelqu'un d'autre. Je pense que l'empathie à l'égard des données consiste à comprendre qu'il existe d'autres possibilités de tirer quelque chose des données. Il faut tenir compte des définitions, et non pas seulement chercher à savoir où se trouvent les autres parties de l'entreprise.

Encore une fois, pensez à quelqu'un qui écoute ceci. Je regarde les données de mon organisation. Comment - je ne veux pas dire résoudre le problème, mais comment s'assurer que les organisations comprennent les différents points de vue, qu'il y a moins de préjugés ? Et vous comprenez, pour revenir à notre point précédent, qui est que tout le monde peut interpréter les données, en particulier, comment les organisations résolvent-elles ce problème ?

Jonathan Fowler :

Un moyen rapide et pratique consiste à s'assurer que l'on dispose d'un dictionnaire de données et d'une définition de toutes les mesures. Je me souviens d'une entreprise pour laquelle j'ai travaillé, je connais cet acronyme et lorsque quelqu'un l'entend, il se dit immédiatement : " Oh, je sais ce que c'est ". C'était nouveau pour moi, GOV, gross order value (valeur brute des commandes). Ce mot ou cet acronyme, probablement pendant les deux premières semaines où j'ai travaillé dans cette entreprise pour les aider, je l'ai entendu un million de fois. Et personne ne m'a jamais dit ce que c'était. J'ai fini par demander et on m'a dit, oh, c'est la valeur brute de la commande. Mais comment la définir ? On m'a répondu que c'était ce que l'ordinateur indiquait.

Dayle Hall :  

D'accord. C'est bien, tant que ce sont des personnes qui ont vraiment besoin de ces valeurs qui s'en chargent.

Jonathan Fowler :

Et je me dis : "Whoa, whoa, whoa". Nous n'avons donc pas de formule réelle ou écrite - parce que l'ordinateur ne l'a pas inventée. Quelqu'un a écrit le code pour calculer cela. Nous devons donc trouver ce que cela signifie. C'est un exemple humoristique, mais c'est un exemple qui se produit souvent, lorsque l'on utilise des acronymes et des mesures qui sont définis quelque part. Mais s'ils ne sont pas facilement accessibles à l'utilisateur moyen, c'est comme s'ils n'existaient pas. Un dictionnaire de données accessible et régulièrement mis à jour est donc la première chose à faire.

Une analyse plus approfondie consisterait à comprendre comment chaque équipe de l'organisation valorise les données et les utilise réellement. Et là, nous avons quelque chose - prenons, par exemple, le marketing et les ressources humaines. Bien que nous appartenions à la même entreprise, les ressources humaines seront plus concernées par les points de données que le marketing ne l'est probablement pas, et vice versa. Le marketing serait probablement un groupe plus compétitif, les données étant utilisées pour obtenir un avantage concurrentiel et pour atténuer les risques. En revanche, les RH sont plus axées sur l'interne et l'utilisation des données y est plus intéressée par le contrôle des opérations internes et le maintien de la conformité. Il faut donc comprendre qu'il s'agit de deux perspectives très différentes au sein d'une même entreprise, et ne pas avoir peur de le dire. Je ne suis pas encore prêt à faire ce saut. Mais d'une certaine manière, je vois cela dans le même domaine que la diversité des talents.

Lorsque nous parlons de diversité dans les entreprises, il existe de nombreuses façons de définir la diversité dans les entreprises. Et cela est largement lié aux individus et à ce qu'ils apportent dans leur expérience de vie, n'est-ce pas ? Je pense que l'on peut avancer l'argument selon lequel les données sur les types de personnalité, essentiellement, sont un élément de la diversité parce que nous pensons à la diversité de pensée et de perspective. Pour moi, il s'agit toujours d'une notion très chargée politiquement. Je ne veux pas m'engager dans cette voie. Mais je pense qu'il est important de reconnaître qu'il s'agit d'un domaine diversifié.

Dayle Hall :  

Oui, oui. Mais il y a certainement beaucoup de choses à penser. Mais j'aime bien le concept de dictionnaire de données. Pour conclure, parlons un peu de ce cadre que vous créez. Pour que tous ceux qui nous écoutent comprennent vraiment ce qu'est un analyste - quel est ce cadre autour des types de personnalité analytique ? Comment l'utilisez-vous aujourd'hui ? Et d'où vient ce concept ? Comment les gens l'utilisent-ils ?

Jonathan Fowler :  

Cela a commencé lorsque je travaillais avec une entreprise et que sa première demande a été de prendre l'outil qui venait de lui être vendu et d'en faire des rapports, de meilleurs rapports. Et cela...

Dayle Hall :  

Les améliorer.

Jonathan Fowler :

Oui, améliorez-les. Oubliez les données, nous voulons juste de meilleurs rapports. J'ai donc commencé à travailler à l'envers. J'ai dit : d'accord, à quoi ressemblent vos données ? Puis j'ai fait un pas de plus et j'ai dit : "Parlez-moi des utilisateurs, de ce dont ils ont besoin, de ce qu'ils ont actuellement, etc. Je me suis rendu compte qu'il nous fallait faire un gros travail de recherche. J'ai donc réalisé une première version de ce qui est devenu mon cadre d'évaluation, dans laquelle j'ai demandé quelles étaient leurs principales priorités en matière de données, quels étaient les principaux défis qui les empêchaient d'avancer, et comment ils utilisaient les données au quotidien. À quoi servent les données ? Quels sont les problèmes actuels ? Question ouverte. J'ai également évalué la maturité de 1 à 5 sur différentes sous-échelles.

J'ai visité six sites en Amérique du Nord pour cette entreprise et j'ai interviewé en personne une quarantaine de participants. Nous avons obtenu un très bon échantillon représentatif de l'état actuel de l'organisation. Nous leur avons évité de s'abonner à un outil dont ils n'avaient pas besoin. Et nous avons gagné un capital politique considérable parce que nous n'étions pas un consultant de plus, nous étions quelqu'un qui écoutait et voulait savoir ce qu'il en était aujourd'hui. Et nous l'avons fait.

J'ai donc repris ce modèle. Dans le cadre de mes recherches doctorales, j'y ai ajouté ce que l'on appelle le cadre des valeurs concurrentes. Il existe depuis les années 80. Des recherches ont été menées pour lier ce cadre à la culture de l'information dans les entreprises. Mais je n'ai pas vraiment vu de lien avec le fonctionnement des différentes équipes. J'ai donc rassemblé ces éléments et j'ai créé les types de personnalité ou aptitudes analytiques. Il en existe quatre. Il y a la collaboration, la créativité, la compétition et le contrôle. Nous possédons tous ces quatre types de personnalité. Il s'agit simplement de savoir quel est le plus fort. Et chaque division possède les quatre types d'aptitudes. Il est possible d'établir une carte des scores de chaque division. Disons que vous avez cinq divisions différentes dans votre entreprise. En général, si vous les empilez les unes sur les autres, vous ne verrez pas beaucoup de différences. Mais chaque division a un quadrant dominant légèrement différent.

Par exemple, la plupart des entreprises sont à dominante collaborative. C'est l'espace où il est question de communication, de participation et de tout le reste. C'est généralement là que tout se joue. Mais ensuite, certaines divisions de l'entreprise sont plus compétitives, d'autres plus créatives, d'autres encore plus contrôlantes. La question qui se pose alors est la suivante : si je lance une nouvelle boîte à outils de reporting ou une nouvelle initiative de BI, ou quoi que ce soit d'autre, comment vais-je communiquer avec chacune de mes divisions pour m'assurer que nous avons le plus d'engagement possible ? Par exemple, le merchandising par rapport à l'informatique. Le merchandising sera probablement beaucoup plus créatif dans son approche. Ils vont utiliser les données pour créer de nouvelles opportunités, gérer les risques, soutenir l'innovation. L'informatique se préoccupera davantage de la participation et de la communication et de l'adhésion de tous, n'est-ce pas ?

L'ancienne façon de déployer ces initiatives était la suivante : nous avions une équipe de projet, nous l'approuvions, l'exécutif disait oui, nous le mettions en œuvre. Aujourd'hui, on attend de tout le monde qu'il suive une formation et qu'il l'utilise. Deux ans plus tard, nous avons oublié ce que c'est parce que cela a échoué. De cette façon, vous vous demandez, premièrement, quels sont mes besoins urgents ? Deuxièmement, qu'est-ce que mes utilisateurs apprécient le plus ? Troisièmement, où sommes-nous les plus forts, et comment pouvons-nous utiliser nos points forts pour nous améliorer dans les domaines où nous sommes les plus faibles ? Enfin, comment faire passer le message et impliquer chaque équipe de l'organisation afin de la rencontrer là où elle se trouve ? Voilà pour le cadre d'évaluation.

Dayle Hall :  

Et lorsque vous identifiez les différentes organisations et les quatre types différents, est-il préférable d'avoir plus de l'un que de l'autre ? Cherchez-vous une approche équilibrée entre la créativité et le contrôle dans les quatre types que vous avez mentionnés ? Est-ce que cela a de l'importance ?

Jonathan Fowler :

Au fur et à mesure que nous réalisons davantage de projets de ce type dans les entreprises et que nous obtenons plus de données à des fins de recherche, je suis curieux de voir la réponse exacte : est-ce important ? Certains secteurs verticaux obtiennent-ils de meilleurs résultats avec une combinaison différente ? Ou faut-il que l'ensemble de l'organisation soit plus monolithique ? C'est très nouveau. Et comme je l'ai dit, j'ai effectué mon travail au milieu de COVID, et je n'ai donc pas eu un échantillon aussi large que je le souhaitais. Je suis donc toujours dans cette phase où je me dis que si l'entreprise est intéressée, je le ferai gratuitement tant que j'obtiendrai les données, car je pense qu'il est très important de tester ces hypothèses et d'apporter une contribution importante à une nouvelle barrière.

Dayle Hall :  

Oui, c'est vrai. Nous avons parlé de commencer par un cas d'entreprise, de commencer par un cas d'utilisation, le problème que vous essayez de résoudre. Je pense que cela, si vous essayez de comprendre dans une organisation. Tirons-nous le maximum de valeur des données que nous capturons, des outils que nous utilisons ? SnapLogic en parle tout le temps. Nous avons un outil qui brise les silos de données, mais cela ne résout pas nécessairement tout. Ce dont vous parlez, c'est qu'il faut que les organisations aient ces types, ces types de personnalité pour que, d'accord, nous voulions les entendre, oui, nous voulons les partager, oui, nous sommes ouverts.

Jonathan Fowler :

C'est exact.

Dayle Hall :

Résoudre le processus à l'aide d'un outil ou de plateforme n'est donc qu'un aspect de la question. Et je pense que ce que nous avons abordé aujourd'hui en particulier, c'est la question de savoir comment élever ce niveau et s'assurer que l'on utilise les données de la bonne manière pour résoudre les cas d'entreprise. C'est très intéressant.

Jonathan Fowler :  

C'est tout à fait exact.

Dayle Hall :

Nous resterons certainement en contact. J'aimerais continuer à entendre parler de l'évolution de la situation.

Jonathan Fowler :  

Oui, c'est vrai. L'une des choses que je rencontre souvent, c'est : quel est le retour sur investissement ? Et je me dis que si nous parlons de retour sur investissement, nous avons déjà raté le coche. Nous voulons faire cela avant toute nouvelle dépense d'investissement parce que nous voulons être sûrs que ce que vous vous apprêtez à faire sera bien reçu et que vous n'aurez pas une erreur de 130 millions de dollars parce que vous n'avez pas fait vos devoirs avant. Et c'est ce qui s'est passé.

Dayle Hall :  

Oui, j'en suis sûr. Jonathan, ce fut un plaisir de vous recevoir dans ce podcast.

Jonathan Fowler :

Nous vous remercions.

Dayle Hall :

Beaucoup d'idées. Merci à tous d'avoir écouté Jonathan Fowler, fondateur et PDG de Logicle Analytics, et moi-même. Nous vous donnons rendez-vous pour le prochain épisode de notre podcast, Automating the Enterprise.