Cela fait plusieurs années déjà que les business modèles tournés vers le tout numérique ont émergé. Aujourd’hui, les entreprises ont tout intérêt à bien penser voire repenser leur transformation digitale. Cela commence souvent par le passage d’un espace de travail traditionnel à un poste de travail digital où l’information pertinente est facilement accessible. Les collaborateurs ne sont pas à la recherche de données brutes, mais d’informations pertinentes dans leur contexte de travail. La valeur d’une information vient de sa pertinence et de son exhaustivité et du fait qu’elle soit compréhensible par son « consommateur ».

Une analyse des données exhaustive et des réponses instantanées aux utilisateurs

L’analyse des contenus au sein d’une entreprise doit s’étendre sur toutes les sources de données. Cependant, les informations qui en découlent doivent être pertinentes et délivrées instantanément : dans le monde professionnel, les utilisateurs ont besoin de réponses en quelques secondes. Pour cela, une entreprise doit pouvoir s’appuyer sur un système de collecte et d’analyse des données qui fournira à ses collaborateurs des informations de qualité, même pour des dizaines de milliers d’utilisateurs simultanés.

Aujourd’hui, peu d’entreprises possèdent une équipe d’experts dédiée à l’exploitation des données afin d’en extraire des informations de valeur. Pourtant, toute entreprise génère des données à forte valeur ajoutée/à fort potentiel, peu importe d’où elles proviennent, structurées ou non structurées. L’accès à ces informations doit être intuitif voire même “naturel” et, dans la mesure du possible, disponible dans le langage naturel de l’utilisateur.

Paradoxalement, nombreuses sont les entreprises à avoir tenté de mettre en place des entrepôts de données (ou data lakes) où des moteurs de recherche internes rentrent en action pour aider les employés à mettre à profit ces données. Cependant, le plus souvent, ces outils ne répondent aux attentes, ni des utilisateurs, ni de l’entreprise elle-même. Ce qui manque ? L’efficacité et la puissance d’analyse, surtout lorsqu’il s’agit d’aborder des volumes considérables de données hétérogènes. Autre écueil récurrent en entreprise : l’absence d’outils pour l’analyse combinée des données structurées et non structurées, dont le Natural Language Processing (NLP, que l’on pourrait traduire par Traitement automatique du langage naturel) et le « Machine Learning ».

Fournir de l’information de valeur au moment clé

Dans le cadre de l’entreprise, l’information devrait être délivrée de manière proactive. Dès que les processus d’une équipe de travail sont en place, l’entreprise devrait leur proposer, à chaque étape clé, des informations de valeur. Par exemple, dans un laboratoire de recherche avancée, les chercheurs devraient avoir la possibilité de “souscrire” à des alertes sur les sujets spécifiques qu’ils traitent afin d’obtenir des informations de valeur extraites, par exemple, de rapports internes ou publications externes.

Une nouvelle génération de moteur de recherche d’entreprise a évolué vers ce que le cabinet d’analyse Gartner appelle “Insight Engines” (1). Ces « Insight Engines »permettent de fournir de l’information de valeur, facilement et rapidement, tout en la présentant de façon claire, structurée et adaptée à l’environnement de travail de l’employé. Grâce aux algorithmes du Machine Learning, il est possible de détecter les liens entre les différentes données. Le Machine Learning permet aussi d’enrichir ces données avec l’analyse du comportement et des préférences des utilisateurs. L’objectif étant de leur délivrer constamment des informations pertinentes et contextuelles. Pour l’entreprise, c’est une façon de tirer parti de données souvent inexploitées, leur attribuant une réelle valeur business. Des entreprises dans de nombreux secteurs ont pu générer un très fort ROI en utilisant ces outils.

Exploiter les données, toutes les données.

La majorité des entreprises dépensent la quasi-totalité de leur budget IT pour traiter et exploiter les “données structurées”, c’est-à-dire les informations stockées dans les bases de données relationnelles, créées par les applications d’entreprise comme les ERP, CRM et BI, etc. Or plus de 80% des données générées par une entreprise aujourd’hui sont “non structurées” – c’est-à-dire de textes provenant de contrats, rapports de projets, publications scientifiques ou emails – sans oublier les images et les vidéos. Et exception faite des recherches par mots-clés ou du traitement par métadonnées, ces entreprises ne parviennent pas à exploiter ces données de façon efficace. Pourtant, non seulement ces données non structurées peuvent être exploitées, mais elles recèlent même une valeur business lorsqu’elles sont combinées à l’analyse des données structurées.

Il est de coutume d’affirmer que la transition numérique ne peut être “achetée” à l’aide d’un outil technologique car elle requiert, en parallèle, un changement d’état d’esprit et une évolution de la culture de l’entreprise. Pour autant, une entreprise doit prendre conscience que l’environnement technologique peut faciliter mais également freiner le changement et l’adoption de cette culture digitale.

Franchir le pas et intégrer l’ère digitale passe notamment par l’adoption d‘une plateforme de Cognitive Search ou d’un “Insight Engine”, dans l’optique d’augmenter le QI de l’entreprise et d’adopter de nouveaux modèles « Business » et des processus de travail plus agiles.

________
Laurent Fanichet est VP Marketing chez Sinequa