McKinsey, un cabinet d'étude américain, vient de sortir une nouvelle étude intitulée « The Age of Analytics: Competing In A Data-Driven World ». L'étude soutient que l'intégration est indispensable pour obtenir des données et des analyses plus riches. Voici quelques points clés sur le machine learning abordés par McKinsey.
Retail et géolocalisation en progrès
Les services basés sur le retail et la géolocalisation montrent le plus grand progrès effectué dans la récolte des données et l'analytique. Les services basés sur la géolocalisation recueillent jusqu'à 60 % de la totalité des données. McKinsey prédit qu'il existe de plus en plus de possibilités pour les entreprises à utiliser des données géospatiales pour suivre les actifs, les équipes et les clients dans différents endroits pour trouver de nouveaux modèles d'affaires et améliorer l'efficacité. Le retail américain recueille 40 % des données et la fabrication 30 %. Le graphique ci-dessous compare la première étude de McKinsey réalisée en 2011 avec les résultats obtenus aujourd'hui. De plus, le document fournit une définition des obstacles à l'adoption.
Des cas d'usages ciblés
Le potentiel majeur du machine learning dans toutes les industries comprend l'amélioration des prévisions et de l'analyse prédictive. McKinsey a analysé les 120 cas d'usage les plus significatifs du machine learning et demandé l'avis d'un certain nombre de répondants. Le résultat est une carte du potentiel maximal du machine learning dans les industries et ses meilleurs cas d'usages. Le tableau ci-dessous détaille les cas d'usages dans chaque secteur, classés selon l'impact et la richesse des données.
Indicateurs de la richesse des données
Le potentiel du machine learning, offrant une optimisation en temps réel dans chaque industrie, a commencé à évoluer et s'accélérera rapidement au cours des trois prochaines années. Le cabinet d'étude a analysé la richesse des données sur 300 cas d'usages du machine learning en combinant le volume et la variété des données. Cette étude prend donc en compte des industries comme l'automobile, la fabrication, la finance, l'agriculture et bien d'autres.
Voiture autonome et publicité
L'utilisation des voitures autonomes et la personnalisation de la publicité sont les deux cas les plus importants de l'utilisation du machine learning aujourd'hui. D'autres cas d'usages à fort potentiel comprennent l'optimisation des prix, les données en temps réel dans l'industrie de la logistique, la prévision des résultats de santé personnalisés et l'optimisation de la stratégie dans le retail. Le cabinet a identifié 120 cas d'usages dans 12 industries et interrogé 600 experts sur l'impact potentiel du machine learning sur l'industrie. Les résultats montrent un panel d'applications à très fort potentiel.
Défis et barrières
Pour atteindre les objectifs de données et d'analyse, le cabinet a identifié trois défis importants. Tout d'abord, on retrouve la conception d'une structure organisationnelle appropriée pour soutenir les activités de données et d'analyse (45%), la participation de cadres supérieurs (42%) et la conception d'une architecture de données et d'une infrastructure technologique efficace (36%). McKinsey a constaté que les barrières peuvent se diviser en trois catégories : la stratégie, le leadership et le talent. Environ la moitié des cadres supérieurs de différentes régions et industries ont signalé une plus grande difficulté à recruter des talents en analytique que dans d'autres domaines. 40 % d'entre eux pensent que la rétention est un problème.
Une amélioration financière
Les activités de la chaîne d'approvisionnement des détaillants américains ayant adopté les données et l'analyse ont connu une augmentation de 19% de leur marge opérationnelle au cours des cinq dernières années. Utiliser les données et l'analytique pour améliorer le merchandising, les prix, l'assortiment et optimiser les emplacements se traduit par l'amélioration de la marge opérationnelle de 16%. Le tableau suivant décrit la contribution des données et de l'analytique dans les activités des détaillants américains par secteurs.
Une contribution à la fabrication
Le design-to-value, la gestion de la chaîne d'approvisionnement et le soutien après-vente sont trois domaines pour lesquels l'analytique apporte une contribution financière à la fabrication. McKinsey estime que l'analyse augmente les marges brutes du fabricant de près de 40 % lorsqu'elle est utilisée dans les flux de production et des projets design-to-value. Jusqu'à 15 % des coûts après-vente ont été réduits grâce à l'utilisation de l'analytique comprenant l'analyse des données par des capteurs et pour le service après-vente.
- Partager l'article :
