La mise en oeuvre de décisionnel avec des modèles prédictifs n'a rien de neuf dans les entreprises. Bien entendu, ces outils bénéficient régulièrement des évolutions technologiques disponibles et c'est notamment le cas, aujourd'hui, avec l'intelligence artificielle et l'apprentissage machine (machine mearning, ML). Selon une étude menée par IDC pour l'éditeur Dataiku, l'adoption du ML pour le prédictif est assez large mais, par contre, il reste de nombreux défis à relever.

La moitié des répondants a ainsi déjà utilisé un tel prédictif avec ML et un peu moins d'un quart en font une priorité d'ici 2021. Les directions utilisatrices de cette approche sont, en premier lieu, les directions commerciales (41%) suivies du marketing (37%) et de la production (33%). Cependant, 54 % des répondants jugent que l'organisation et les processus de traitement et d'analyse des données ne sont pas optimums et souhaitent leur amélioration. De plus, 59 % veulent une amélioration de la qualité de la donnée et 42 % la possibilité d'une analyse temps réel.

48 % seulement en effet disposent d'une fonction de gouvernance des données, 40 % un CDO en titre. Il en résulte que, pour 52 %, les différentes initiatives ne sont pas coordonnées (gérant potentiellement de coûteux doublons). Or les modèles prédictifs à base de ML nécessitent une forte collaboration entre spécialistes de la donnée et informaticiens (67%), doivent être suivis pour éviter une dérive des coûts (56 %), ont besoin de collaborateurs spécialisés pour faire le lien entre IT, métiers et data scientists (50%). Le premier motif d'insatisfaction est le délai nécessaire pour disposer d'une nouvelle application (41 %) ou une analyse personnalisée (35 %).