La qualité de la donnée au service de l’IA
Actualité : conseil en transformation
Les volumes de données connaissent une croissance exponentielle. Moteur de la transformation numérique et de l’innovation, notamment à travers l’intelligence artificielle (IA) qui s’en nourrit abondamment, la donnée n’a de valeur pour les entreprises qu’à condition d’être d’excellente qualité : fiable, précise et bien structurée. Décryptage sur cet enjeu majeur qui conditionne l’efficacité des entreprises avec Christophe Sauthon, directeur associé chez Nexia S&A.
Les données : quand la qualité prime sur la quantité
Au niveau mondial, les entreprises constatent un doublement de leur volume de données tous les deux ans en moyenne. Estimée à 64,2 zettaoctets en 2020, la quantité totale de données créée, capturée, copiée et consommée devrait atteindre plus de 180 zettaoctets d’ici 2025. Curieusement, malgré cette avalanche de data, seulement 2 % de la data générée en 2020 a été conservée jusqu’en 2021. Ce phénomène souligne l’importance cruciale de la qualité des données et des méthodes et des technologies pour gérer, trier et sécuriser cet océan d’informations.
Data quality : l’alpha et l’oméga pour les entreprises
« La qualité des données est souvent résumée par l’adage “garbage in, garbage out”. En d’autres termes, des données de mauvaise qualité à l’entrée – garbage in – produisent des résultats eux-mêmes de mauvaise qualité – garbage out – explique Christophe Sauthon, directeur associé chez Nexia S&A. Ainsi, un système ou processus informatique ne peut produire un résultat fiable et utile que si les données qui lui sont fournies sont complètes, précises et pertinentes. »
« Or, aujourd’hui, le problème est que, bien souvent, la qualité de la donnée est examinée à la sortie du processus alors qu’en fait, le défi est de la traiter à l’entrée », poursuit-il. L’enjeu majeur pour les entreprises, quel que soit leur secteur d’activité ou leur taille, est donc d’assurer la qualité des données dès leur collecte. Cela nécessite la mise en place de processus rigoureux et d’outils performants pour valider, nettoyer et enrichir les données au fur et à mesure de leur collecte et de leur traitement. Les différents collaborateurs doivent être sensibilisés à l’importance de la qualité de la donnée, d’autant plus qu’ils sont les principaux acteurs de la collecte, en particulier lorsque leur métier est proche du client : commerciaux, service clients, opérateurs, fonctions support, etc.
Cette approche préventive permet de minimiser les erreurs et les incohérences dès le début, évitant ainsi des corrections coûteuses et chronophages en aval. Pour les entreprises disposant déjà d’une architecture de collecte de données mais qui se révèle vieillissante et inadaptée aux réalités d’aujourd’hui, changer les processus pour les optimiser n’est pas une sinécure.
Les sources de disqualité à identifier
Pour Christophe Sauthon, « il existe trois sources principales de disqualité : trop de données, impliquant de nombreuses opérations pour les saisir et un manque de contrôle de la qualité de la donnée en amont, ce qui est généralement lié à un business process non adapté. » La tentation est grande pour les entreprises de vouloir capter un maximum de données, mais une trop grande quantité peut s’avérer contre-productive.
Toute saisie de données de la part d’un opérationnel est une source potentielle de disqualité. Tandis que plus le client ou l’utilisateur reste maître de la donnée qu’il délivre à l’entreprise, plus celle-ci a des chances d’être de bonne qualité, sous réserve que l’entreprise ait par ailleurs un bon niveau de contrôle sur le format et la cohérence des datas ainsi saisies. Améliorer la qualité implique donc notamment de réduire au maximum les saisies manuelles de la part des opérateurs, par exemple en recourant à des API de référencement d’adresses, et en favorisant des systèmes permettant au client de rentrer lui-même ses données. Toute la question restera alors de bien les actualiser dans la durée. « L’entreprise dotée d’outils adéquats offre, en outre, à ses opérateurs l’opportunité de se dégager du temps sur des tâches à plus forte valeur ajoutée. Elle gagne donc sur les deux tableaux : une meilleure source de données sur laquelle s’appuyer et un temps mieux alloué pour les salariés », relève Christophe Sauthon.
L’interdépendance entre la qualité des données et l’IA
L’IA est un moyen de rendre plus efficace l’amélioration de la qualité des données. Des outils reposant sur cette technologie peuvent automatiser les tâches de nettoyage et de normalisation des données, identifier et corriger les erreurs, et enrichir les bases de données. Par exemple, des modèles d’IA spécifiques peuvent comparer des bases de données pour détecter les doublons ou les informations incorrectes. Néanmoins, pour que l’IA soit réellement efficace, elle a besoin d’être nourrie avec des données de haute qualité. « Des données de qualité améliorent les performances des modèles d’IA, de même que l’IA peut venir renforcer la qualité des données », résume le directeur associé.
L’adoption de l’IA pour la qualité des données nécessite une sensibilisation et une formation adéquates des employés. Les entreprises doivent aussi être prêtes à investir dans les infrastructures et les outils nécessaires pour intégrer ces technologies.
« Grâce à notre expertise en transformation technologique et organisationnelle, nous accompagnons nos clients dans la mise en place de stratégies de données robustes et performantes pour améliorer la qualité de leurs données. Face à un problème, l’entreprise aura plusieurs solutions et nous sommes là pour leur permettre de définir l’approche la mieux adaptée à leur modèle », résume Christophe Sauthon. La qualité des données est incontournable pour les entreprises désireuses de maximiser l’utilisation de ces ressources clés et de maintenir leur compétitivité. Elles doivent impérativement exploiter le potentiel de l’IA pour améliorer significativement cette qualité.