Les données sauvegardées ont une utilité autre qu’assurer la simple résilience. A l’heure où les entreprises cherchent à tirer du sens et de la valeur de la data, elles doivent aussi apprendre à exploiter activement le contenu des sauvegardes.
Les données sont devenues le carburant de la nouvelle économie. Saisies partout et à tout moment, leur volume ne cesse de s’accroître. Le big data, par le biais du progrès de l’IA et de l’apprentissage automatique, a transformé radicalement le secteur des biens de consommation : marketing, ventes, chaîne d’approvisionnement, les prises de décision sont désormais instantanées. Se pose alors une question cruciale : comment donner du sens à toutes ces données ?
Les sauvegardes ne doivent pas passer leur vie à végéter dans un référentiel
Dans le domaine du marketing, les données ont permis de construire des modèles à 360° pour mieux cerner le comportement d’un consommateur et l’orienter dans ses actes d’achat. Elles ont aussi offert la possibilité de calculer un retour sur investissement. Les acteurs du retail ont désormais à leur disposition une large palette d’outils pour mettre en avant leurs offres. L’agrégat de données récoltées via le web, les messageries électroniques ou encore les réseaux sociaux offre des réponses à des questions qui étaient jusqu’ici sans réponses bien précises : quel est le produit qui se vend le mieux ? Quel levier incite à l’achat ? … Le marketing analytique donne du sens aux données. Et la prochaine étape doit consister à transformer ou à relier les données opérationnelles en données transitoires afin de pouvoir les exploiter dans le cadre d’une prise de décision instantanée.
Et c’est là où les outils de CRM tirent leur épingle du jeu. Il est désormais possible de faire un usage intelligent des données, grâce, par exemple, à un outil d’extraction qui peut récupérer les données de sauvegarde d’une plateforme et les transférer vers un emplacement de stockage centralisé où elles pourront ensuite être exploitées dans un cadre analytique. Les données issues de sauvegardes peuvent alimenter les processus d’analyse, de Machine Learning et d’IA, pour prendre des décisions commerciales.
Anticiper les pics de données pour optimiser les ventes
Aux premières lueurs du Big Data, la chaîne d’approvisionnement et les opérations de vente travaillaient en silos. Les retailers n’étaient alors pas équipés pour créer des liaisons. Or, la capacité de prévoir les données est un atout essentiel pour accroître les ventes : en quoi l’actualité a un impact direct sur celles-ci ? Quels sont les produits les plus affectés par le climat ? Les jours fériés ont-ils un lien avec mon activité ? …
Pour répondre à ce type de questions, les entreprises ont besoin d’un système qui soit capable d’analyser des téraoctets de données pour anticiper la demande, à court ou moyen terme. Ces examens peuvent analyser les opérations de merchandising afin de garantir que les bons produits sont disponibles au bon moment. Grâce au Big Data, les magasiniers peuvent prendre une photo du rayon, et une application mobile basée sur de l’IA et une API leur signifie quelles actions mener.
Et quand on sait que moins de 1% de la population mondiale se fait livrer ses articles le jour-même, le potentiel est énorme. Les e-commerçants comme les acteurs traditionnels du retail peuvent tirer parti de la donnée pour anticiper et satisfaire le besoin des clients. La plupart des organisations travaillent avec une solution cloud hybride. Certains exploitent même jusqu’à 10 outils différents pour opérer leurs process commerciaux : ERP, CRM, chaîne d’approvisionnement, entreposage de données – tous doivent s’assembler comme des briques de Lego pour fonctionner en harmonie. Or, il existe des outils aujourd’hui qui extraient les données d’une plateforme CRM, comme Salesforce par exemple, et qui les placent dans un entrepôt de données et les transmettent à un système IA qui a la charge d’effectuer une modélisation de ces données. Il s’agit là d’une capacité puissante qui ajoute un nouvel aspect Big Data sur des systèmes déjà en place sans avoir à modifier les parties qui fonctionnent déjà bien. De cette façon, il est possible de piloter une prévision intelligente des ventes sans partir de zéro.
Dans un contexte d’explosion de la demande post-pandémie et de crise mondiale de la chaîne d’approvisionnement, la précision des prévisions n’a jamais été aussi importante
Grâce au Big Data, nous pouvons appliquer une analyse proactive à la chaîne d’approvisionnement dans un paysage commercial imprévisible. Prenons l’exemple d’un fabricant mondial d’appareils qui dispose d’un espace limité d’entrepôt. Quels sont les produits qui se déplaceront et se vendront rapidement ? Pour répondre à cette question, il est nécessaire de mettre en place un flux de travail intelligent.
Des facteurs extérieurs affecteront la capacité du fabricant à produire des biens, comme le prix des matières premières. Si un flux de travail intelligent peut prédire d’acheter telles matières premières au cours des six prochains mois, alors il s’opère une longueur d’avance vis-à-vis des concurrents.
_____________________
Par Rémy Claret, co-fondateur et CMO d’Odaseva,
et Jitendra Zaa, Salesforce CTA, MVP et partenaire associé d’IBM.