L’IA au service des métiers avec une plateforme analytique d’entreprise

La session plénière technique de « SAS Forum 2018 » a réuni Randy Guard (Executive Vice President & Chief Marketing Officer, SAS), Marcel Lemahieu (Responsable Plateforme Analytique, SAS Western Europe), Mathieu Fabre (Consultant Data Science, SAS France) et Maxime Guinot (Consultant Data Visualisation, SAS France). Voici une synthèse des échanges.

La plateforme SAS est au cœur de l’économie analytique, déclare en préambule Randy Guard, Executive Vice President & Chief Marketing Officer de SAS. Selon lui, l’analytique est aujourd’hui le moteur de la technologie, et non plus l’inverse. Les clients la perçoivent désormais comme un outil essentiel de leur stratégie, il ne s’agit plus d’une option. Mais se pose alors la question de savoir comment tirer parti de l’économie de l’analytique. Selon Randy Guard, il est nécessaire de mettre en place une plateforme analytique d’entreprise de bout en bout, qui se focalise sur la donnée, la découverte et le déploiement. Ces trois étapes incontournables constituent le cycle de vie de l’analytique.

 

Comment tirer parti de l’économie de l’analytique ?

 

Pour faire la démonstration de ce que la plateforme SAS peut apporter aux entreprises en termes d’innovation et d’automatisation, Randy Guard introduit alors le cas d’une entreprise fictive, baptisée BnBAdvisor, qui souhaite attirer de nouveaux clients et générer plus de revenus. Dans ce but, BnBAdvisor a récemment fait le choix de la plateforme SAS et son dirigeant, incarné pour l’occasion par Marcel Lemahieu (Responsable Plateforme Analytique de SAS Western Europe), fait le point sur les résultats lors d’un comité de pilotage avec son équipe analytique, composée de Mathieu Fabre (Consultant Data Science, SAS France) et Maxime Guinot (Consultant Data Visualisation, SAS France).

Le bilan est excellent : en 3 mois seulement, BnBAdvisor a pu obtenir des réponses analytiques transverses à tous ses métiers, qui auparavant opéraient en silo. Chiffres à l’appui, Mathieu Fabre et Maxime Guinot démontrent comment les problèmes de disponibilité et de sécurisation des données ont été résolus, tout comme l’automatisation du processus de machine learning et l’interopérabilité avec le SI. En conclusion de la démonstration, Marcel Lemahieu souligne que la plateforme SAS a permis à BnBAdvisor de traiter tout le cycle de vie de l’analytique : importation, préparation et exploration des données disponibles, création des modèles de machine learning, le tout en déployant les résultats rapidement pour une mise en production simplifiée et accélérée.

 

« Data Labs » : des laboratoires d’expérimentation autour de la donnée

 

Bien qu’il s’agisse d’une étude de cas fictive, Marcel Lemahieu souligne que la plupart des entreprises et des organisations publiques font face aux mêmes enjeux que BnBAdvisor et doivent trouver des solutions pour exploiter au mieux leurs données. Dans cette optique, un grand nombre d’entreprises ont mis en place des laboratoires en mode expérimental – nommés data labs – afin d’évaluer le potentiel des nouvelles technologies analytiques. Mais cette approche bute selon lui sur la complexité de ces innovations : pour traiter les multiples cas d’usage, les data labs ont dû multiplier le nombre de logiciels et d’équipes pour les gérer. Finalement, le résultat est peu probant : la collaboration entre les métiers n’en sort pas renforcée et le retour sur investissement n’est pas avéré.

Selon Marcel Lemahieu, un data lab pourrait être comparé à un « concept car » dans l’industrie automobile. En fabriquant un « concept car », un constructeur tente de répondre aux attentes de ses clients sans s’imposer de contraintes sur le choix de la motorisation, de l’habitacle, des matériaux, etc. Il construit ainsi un beau produit, mais qui n’est pas industrialisable. La valeur ajoutée n’est donc pas dans le « concept car » mais dans le prototype, qui peut être produit en série. Marcel Lemahieu fait alors le parallèle entre le data lab et la plateforme d’entreprise : grâce à cette dernière, SAS transforme les concepts des data labs en prototypes et les fait passer à un stade industriel.

 

Sécurité et diversité des cas d’usage

 

Marcel Lemahieu souligne ensuite les enjeux liés à la sécurité. Les data labs n’étant pas sécurisés, les entreprises refusent de les intégrer à leur environnement de production. Les banques, par exemple, conduisent un grand nombre d’expérimentations, mais restent souvent bloquées au stade du concept car elles ne peuvent en aucun cas mettre en production des systèmes qui ne sont pas sécurisés. Il précise que SAS a récemment conclu un accord avec BNP Paribas pour lui procurer une plateforme de machine learning : la banque a été convaincue par la capacité de SAS à sécuriser et industrialiser ce qu’elle a expérimenté dans son data lab.

Marcel Lemahieu évoque ensuite la problématique liée à la diversité des cas d’usage. Les techniques analytiques se chiffrent par dizaines et il faut être capable de les gérer et de les assembler à travers une plateforme d’entreprise. Il prend l’exemple de Carrefour, qui emploie des techniques de prévision chronologique pour gérer ses stocks, mais aussi des algorithmes de machine learning pour anticiper la demande des consommateurs. Des outils d’analyse textuelle et de recherche opérationnelle servent également à optimiser les prévisions de ventes par rapport à des contraintes logistiques. Pas moins de quatre techniques analytiques différentes sont donc utilisées et ne pourraient pas être pleinement exploitées sans la mise en place d’une plateforme d’entreprise de bout en bout.

Au-delà des enjeux de sécurité et d’industrialisation, la plateforme doit offrir une grande diversité fonctionnelle pour couvrir des cas d’usages extrêmement variés : gestion et traitement d’images, de texte, de prévisions chronologiques, de scorings, etc. Sans plateforme commune, une entreprise qui aurait 20 cas d’usage ou 20 applications fonctionnelles à gérer pourrait dans ce cas lancer 20 projets avec des technologies différentes ou acquérir 20 applications décisionnelles. La proposition de valeur de SAS est alors évidente, conclut Marcel Lemahieu, puisqu’une seule plateforme, et donc un seul investissement, permet de mutualiser et d’industrialiser ces 20 cas d’usage.

 

Revivez les sessions plénières en vidéo

 

Lire le compte-rendu de la plénière d’ouverture