8 erreurs de stratégie de données à éviter

Avec près de 800 sites, RaceTrac gère un volume important de données, englobant 260 millions de transactions par an, ainsi que les flux de données provenant des caméras des magasins et des appareils Internet des objets (IoT) intégrés dans les pompes à carburant.

« Ce scénario a conduit au développement de formules, de processus et de définitions disparates au sein de chaque unité commerciale et département pour la génération de rapports, générant ainsi diverses conclusions et recommandations à partir du même ensemble de données », explique Williams.

À briser les silos, l’entreprise a créé un environnement de données unifié qui intègre les données de divers systèmes pour le partage de données dans toute l’organisation. « La mise en œuvre d’un système de gestion de données centralisé et l’encouragement de la communication interministérielle joueront un rôle clé pour garantir la cohérence et l’accessibilité de données fiables dans l’ensemble de l’organisation », déclare Williams.

RaceTrac exploite la plateforme Data Intelligence d’Alation pour centraliser les données et fournir des analyses en libre-service aux utilisateurs selon leurs besoins.

Décentraliser les équipes de données

Semblable à la création de silos, la décentralisation des équipes chargées des données peut créer des problèmes pour les organisations et diminuer la valeur.

« Une structure d’équipe de données isolée peut être particulièrement problématique pour les organisations qui cherchent à développer et à faire évoluer une stratégie de données efficace qui génère des résultats commerciaux », explique Swann de Vanguard. « Il faut plutôt structurer les équipes de données pour qu’elles soient centralisées sur le plan organisationnel. [and] physiquement colocalisé avec l’entreprise – avec des objectifs alignés sur cette entreprise.

Cette approche permet d’établir un écosystème de données unifié qui permet une intégration, un partage et une collaboration transparents des données au sein de l’organisation, explique Swann.

« Une collaboration étroite entre les professionnels des données et l’entreprise fournit également des informations précieuses et continues, affine les processus, renforce l’efficacité et réduit les frictions entre les domaines opérationnels clés », explique Swann. « Ce type d’environnement peut également être très enrichissant pour les professionnels des données et de l’analyse. »

Ignorer la gouvernance des données

La gouvernance des données doit être au cœur de toute stratégie de données. Dans le cas contraire, les résultats peuvent inclure, entre autres problèmes, une mauvaise qualité des données, un manque de cohérence et un non-respect des réglementations.

« Maintenir la qualité et la cohérence des données pose des défis en l’absence d’une approche standardisée de gestion des données », explique Williams. « Avant d’intégrer Alation chez RaceTrac, nous étions confrontés à ces problèmes, ce qui entraînait un manque de confiance dans les données et des efforts redondants qui empêchaient la prise de décision basée sur les données. »

Les organisations doivent créer un cadre de gouvernance des données robuste, explique Williams. Cela implique de désigner des gestionnaires de données, d’établir une propriété transparente des données et de mettre en œuvre des directives concernant l’exactitude, l’accessibilité et la sécurité des données.

L’utilisation de plateformes de data intelligence spécifiquement pour le traçage des données, la gouvernance et la collaboration « peut garantir que tous les membres de l’organisation s’appuient sur une source de vérité fiable pour les analyses et les rapports », explique Williams.

Utiliser des données de mauvaise qualité

Les données n’ont vraiment de valeur pour une organisation que si elles sont exactes ; sinon, cela peut conduire à de mauvaises décisions et même nuire à l’expérience client.

Les données sales ou de mauvaise qualité constituent le plus gros problème de l’IA, déclare Johnson d’Impact Advisor. « L’IA générative en est en fait un excellent exemple », dit-il. « Leurs grands modèles de langage contiennent des données médiocres ou sales. La preuve réside dans la production de sources et de faits « fabriqués » qu’ils citent en réponse à des questions.

Les outils de nettoyage des données sont un moyen de résoudre le problème, explique Johnson. « Cependant, cela revient à une stratégie de données bien pensée avec un modèle de données commun » pour les entités, les attributs, les relations, les types de données, les contraintes, les hiérarchies, etc., dit-il.

Manque de visibilité sur les données en temps réel

Sans la capacité d’exploiter les données en temps réel, les entreprises peuvent rater des opportunités de s’adapter aux changements de la demande des clients et d’offrir une meilleure expérience client.

« Dans le paysage en évolution rapide du monde des affaires, il est crucial d’avoir la capacité d’accéder et de comprendre rapidement les données en temps réel, ce qui donne aux organisations un avantage concurrentiel », déclare Williams de RaceTrac.

Sans une perspective globale sur les données organisationnelles, il devient difficile de discerner l’objectif prévu des données, de déterminer leur exactitude, d’améliorer leur qualité et d’identifier les redondances, explique Williams. Cela peut conduire à l’utilisation de données peu fiables, de qualité inférieure ou obsolètes dans le processus décisionnel.

« Pour transformer des données fiables en un actif couvrant l’ensemble de l’entreprise, les utilisateurs de données doivent posséder une compréhension approfondie du cycle de vie complet des données au sein de l’organisation », a déclaré Williams. Depuis la transformation des données de RaceTrac, « nous avons rationalisé la conformité aux réglementations, simplifié l’analyse d’impact et pouvons informer rapidement les parties prenantes des changements dans les données en amont en temps réel », dit-il. « Cela permet aux utilisateurs de données de prendre des décisions éclairées par les données et en temps réel avec une confiance accrue. »

Négliger la diversité des horizons lors de l’acquisition de talents

Les entreprises ont besoin de professionnels possédant une expertise en matière de données, et pour pourvoir des postes qui les aideront à exécuter des stratégies de données, il pourrait être judicieux d’élargir le bassin de candidats.

« Les organisations qui limitent leur recherche de talents en matière de données et d’analyse à ceux possédant une vaste expérience en codage ou en programmation peuvent avoir du mal à élaborer une stratégie de données efficace », explique Swann de Vanguard.

« Des équipes diversifiées sont associées à une innovation accrue, à une prise de décision plus éclairée, à une plus grande portée de résolution de problèmes et à une meilleure compréhension des besoins et des préférences des clients », explique Swann. « Pour cette raison, une approche « universelle » des talents en matière de données et d’analyse peut entraver la collaboration, la diversité de pensée et l’augmentation des performances.

Vanguard embauche des personnes de tous horizons pour son bureau en chef des données et des analyses, dont certaines ont étudié les mathématiques, l’anglais et les affaires de haut niveau, explique Swann.