Données en temps réel, apprentissage automatique et résultats : les preuves s’accumulent

Par Bryan Kirschner, vice-président, Stratégie chez DataStax

Qu’il s’agisse d’expériences agréables pour les consommateurs ou d’attaques contre les coûts de carburant et les émissions de carbone dans la chaîne d’approvisionnement mondiale, les données en temps réel et l’apprentissage automatique (ML) fonctionnent ensemble pour alimenter des applications qui changent les industries.

Nouveau rechercher co-écrit par Marco Iansiti, co-fondateur de la Digital Initiative à la Harvard Business School, met en lumière la façon dont une plate-forme de données dotée de solides capacités en temps réel contribue à offrir des expériences compétitives axées sur le ML dans les grandes entreprises.

C’est encore un autre élément de preuve clé montrant qu’il y a un retour tangible sur une architecture de données basée sur le cloud et modernisée – ou, comme le dit cette nouvelle recherche, « cohérente ».

Cohérence de l’architecture des données

Dans le nouveau rapport, intitulé « Transformation numérique, architecture de données et systèmes hérités », les chercheurs ont défini une gamme de mesures de ce qu’ils ont résumé comme « la cohérence de l’architecture des données ». Ensuite, à l’aide d’une analyse empirique rigoureuse des données collectées auprès d’entreprises du Fortune 1000, ils ont constaté que chaque réponse « oui » à une question sur la cohérence de l’architecture des données entraînait environ 0,7 à 0,9 cas d’utilisation de l’apprentissage automatique supplémentaires dans l’ensemble de l’entreprise. Le passage du quartile inférieur au quartile supérieur de la cohérence de l’architecture des données conduit à des capacités d’apprentissage automatique plus intensives dans l’ensemble de l’entreprise, et à environ 14 % d’applications et de cas d’utilisation supplémentaires développés et transformés en produits.

Ils ont identifié deux éléments architecturaux pour le traitement et la livraison des données : la « plate-forme de données », qui couvre l’approvisionnement, l’ingestion et le stockage des ensembles de données, et le « système d’apprentissage automatique (ML) », qui forme et produit modèles prédictifs utilisant des données d’entrée.

Ils concluent que ce qu’ils décrivent comme des plates-formes de données cohérentes « fournissent des capacités en temps réel de manière robuste : ils peuvent incorporer des mises à jour dynamiques des flux de données et renvoyer des résultats instantanés aux requêtes des utilisateurs finaux ».

Ces types de capacités permettent à des entreprises comme Uniphore pour créer une plate-forme qui applique l’IA aux ventes et aux interactions avec les clients pour analyser les sentiments en temps réel et stimuler les ventes et la satisfaction des clients.

Mettre les données entre les mains des personnes qui en ont besoin

Les résultats de l’étude ne nous surprennent pas. Dans le dernier rapport d’enquête sur l’état de la course aux données, plus des trois quarts des plus de 500 leaders et praticiens de la technologie (78 %) nous ont dit que les données en temps réel étaient indispensables. Et presque autant (74 %) ont ML en production.

Les plates-formes de données cohérentes peuvent également « combiner des données provenant de diverses sources, fusionner de nouvelles données avec des données existantes et les transmettre sur la plate-forme de données et entre les utilisateurs », selon Iansiti et son co-auteur Ruiqing Cao de la Stockholm School of Economics.

Ceci est essentiel, car en fin de compte, les cas d’utilisation concurrentiels sont créés, déployés et itérés par personnes: développeurs, scientifiques des données et propriétaires d’entreprise – collaborant potentiellement de nouvelles façons dans des entreprises établies.

Les auteurs de l’étude appellent cela « co-invention », et c’est une exigence clé. A leur avis une architecture de données cohérente « aide les entreprises traditionnelles à traduire leurs investissements techniques en co-inventions centrées sur l’utilisateur ». Comme ils le disent, « ces co-inventions incluent des applications d’apprentissage automatique et des analyses prédictives intégrées à l’ensemble de l’organisation dans divers processus métier, qui augmentent la valeur du travail effectué par les utilisateurs de données et les décideurs ».

Nous sommes d’accord et pouvons apporter une perspective supplémentaire sur les avantages de ce type d’approche. Dans L’état de la course aux données 2022 rapport, les deux tiers (66 %) des personnes interrogées dans les organisations qui se sont engagées stratégiquement à tirer parti des données en temps réel ont déclaré que la productivité des développeurs s’était améliorée. Et, en particulier parmi les développeurs, 86 % des répondants de ces organisations ont déclaré : « La technologie est plus excitante que jamais ». Cela représente une augmentation de 24 points par rapport aux organisations où les données en temps réel n’étaient pas une priorité.

L’accent mis sur une architecture de données moderne n’a jamais été aussi clair

Personne aime prolifération des données, silos de données et processus manuels ou fragiles – tous les aspects d’une architecture de données qui entravent la productivité et l’innovation des développeurs. Mais l’urgence et les avantages de la modernisation et de l’optimisation de l’architecture des données sont de plus en plus mis en avant.

Malgré toute l’incertitude macroéconomique actuelle, cela est clair : la voie de la croissance future dépend de la capacité de votre architecture de données à être compétitive et prête à fournir des applications et des expériences en temps réel, axées sur le ML.

En savoir plus sur DataStax ici.

À propos de Bryan Kirschner:

Bryan est vice-président, Stratégie chez DataStax. Pendant plus de 20 ans, il a aidé de grandes organisations à élaborer et à exécuter une stratégie lorsqu’elles cherchaient de nouvelles voies à suivre et un avenir matériellement différent de leur passé. Il se spécialise dans la suppression de la peur, de l’incertitude et du doute de la prise de décision stratégique grâce à des données empiriques et à la détection du marché.