La semaine dernière, nous avons coorganisé un webinaire avec Tom Davenport, auteur renommé et expert en analyse, sur le thème " Competing on Analytics and External Data", qui reprend le titre de son livre classique. Dans ce livre, Tom accompagne le lecteur dans la mise en place de capacités d'analyse approfondies afin d'obtenir une différenciation concurrentielle durable. Le webinaire a approfondi ce sujet, en expliquant comment les leaders du marché se distinguent des retardataires dans leur utilisation de l'analyse et comment ils parviennent à exploiter avec succès les données au sein de leur entreprise.
Pour devenir des concurrents analytiques, les chefs d'entreprise doivent aligner les données et les besoins analytiques sur la stratégie et les objectifs globaux de l'entreprise, en exploitant tous les types de données, y compris les données externes. Étant donné qu'elles ne sont pas connectées et non structurées, c'est l'un des premiers points sur lesquels les entreprises échouent. Toutefois, grâce aux nouveaux développements en matière de NLP et d'IA, il est désormais possible d'unifier tous les éléments d'un tissu de données dans une plateforme de données configurable, ce qui met à portée de main l'utilisation efficace des données externes pour piloter les décisions de l'entreprise.
La concurrence par l'analyse : Questions sans réponse
La session s'est prolongée au-delà du temps imparti et nous avons promis de rassembler les questions restées sans réponse et de fournir des réponses aux questions importantes qui ont été posées et qui sont présentées ci-dessous.
QUESTION : Quelles sont les entreprises de biens de consommation emballés ou à rotation rapide qui sont à la pointe du progrès en termes d'utilisation de l'analyse des données comme arme concurrentielle et qui rassemblent les informations sur les consommateurs, l'innovation et l'analyse en un seul groupe ?
TOM : Je pense que Procter & Gamble est l'une des meilleures entreprises de produits de grande consommation à utiliser les données comme arme concurrentielle. Elle dispose de données cohérentes dans l'ensemble de l'organisation, de bons outils d'analyse et d'un groupe d'analystes intelligents qui travaillent en étroite collaboration avec les chefs d'entreprise. Deux organisations soutiennent l'analyse et la connaissance des consommateurs - IT et Consumer and Market Knowledge - mais elles travaillent en étroite collaboration.
QUESTION : Dans le monde de l'analyse sportive, que diriez-vous de l'importance relative des données externes qui ne sont pas déjà facilement disponibles ? Quels seraient des exemples de ces types de données externes ?
TOM : Cela dépend de ce que vous entendez par "externe". La plupart des équipes de sport professionnel utilisent aujourd'hui des données provenant de caméras vidéo ou de capteurs placés dans les uniformes qui fournissent des données sur les mouvements des joueurs. Ces données sont généralement gérées par la ligue, et non par l'équipe. Les Red Sox de Boston étaient célèbres pour avoir consulté les données des joueurs de la NCAA afin d'essayer de prédire quels attributs des joueurs universitaires étaient susceptibles de prédire une carrière dans la Major League Baseball.
QUESTION : Quel est le moyen le moins invasif de faire adhérer une organisation à la valeur de l'analyse dans son ensemble (outre le retour sur investissement, etc.) ?
TOM : La méthode la moins invasive consiste à trouver un sujet qui tient à cœur à un cadre supérieur - un objectif particulier sur lequel il met l'accent - et d'y associer l'analyse. Une autre méthode consiste à s'associer à un cadre qui croit déjà en l'analyse pour tenter de persuader le reste de l'équipe de direction de l'importance de l'analyse.
GIL : La méthode la moins invasive consiste à se concentrer sur un cas d'utilisation ou un problème particulier que vous essayez de résoudre, afin que la proposition de valeur devienne pratique et démontrable. Il peut s'agir d'accélérer le temps de compréhension, de réduire la quantité d'intégration de données à gérer en interne, d'exploiter les taxonomies existantes au lieu de construire et de recréer ses propres taxonomies. Une mise en œuvre réussie conduit à une plus grande reconnaissance, au sein de l'organisation, de la valeur et de la puissance des données. C'est l'un des avantages d'une plateforme de données configurable : vous bénéficiez de tous les avantages de l'analyse personnalisée sans l'investissement et l'engagement de ressources considérables qui seraient autrement nécessaires.
QUESTION : Quels sont les modèles d'analyse en continu les plus avancés que vous prévoyez pour les cinq prochaines années ?
TOM : Je ne sais pas exactement ce que vous entendez par "modèles les plus avancés", mais les entreprises effectuent de plus en plus d'analyses sur des données en continu provenant de capteurs IoT. L'un des principaux problèmes est de savoir où effectuer l'analyse - dans le nuage ou à la périphérie. Dans le nuage, elles encourent des coûts de télécommunications ; à la périphérie, la puissance de traitement est souvent insuffisante.
QUESTION : Quelles sont les applications pratiques du Big Data dans le domaine de la finance/comptabilité ?
TOM : Jusqu'à présent, les applications de l'IA dans le domaine de la finance ont été relativement modestes. Toutefois, l'avenir des applications financières intelligentes devrait être beaucoup plus spectaculaire. La plupart des transactions seront automatisées, remplaçant l'externalisation comme moyen d'atteindre la productivité. Les fonctions financières seront assurées par un nombre considérablement réduit de personnes, qui comprendront toutes l'IA et la manière d'y ajouter de la valeur.
Les budgets, les prévisions, les analyses financières et les approches visant à améliorer les performances financières seront basés sur des modèles d'apprentissage automatique formés à partir de données internes et externes. Cela sera particulièrement important dans l'économie COVID-19 ; certains fournisseurs, par exemple, ont déjà développé des approches d'utilisation de l'IA pour minimiser les sorties de trésorerie des comptes fournisseurs. Certaines entreprises basent leurs prévisions de la demande, qui évoluent rapidement, sur des données externes telles que des enquêtes, des données de téléphonie mobile sur les déplacements des consommateurs hors de leur domicile, et même des données de capteurs provenant de thermomètres de consommateurs.
QUESTION : Quels sont les principaux cas d'utilisation de la plateforme Skai ?
GIL : La Skai est principalement utilisée par les chefs d'entreprise, les équipes chargées de la connaissance des consommateurs et des marchés, ainsi que par les organisations chargées des données et de l'analyse, pour prendre des décisions concernant les produits et la croissance au sein de leur entreprise. En reliant la voix du consommateur, les revendications et les mises à jour des produits, les annonces commerciales et d'autres signaux d'innovation, des réponses clés sont apportées de manière significative et exploitable : où investir, où désinvestir, comment construire un portefeuille de produits gagnant, comment communiquer et positionner efficacement un produit ou une marque, quels ingrédients mettre dans un produit et bien plus encore.
-------------
*Cetarticle de blog a été publié à l'origine sur Signals-Analytics.com. Kenshoo a acquis Signals-Analytics en décembre 2020. Lire le communiqué de presse.
Plus de détails
