Assistant analytique par IA : les prérequis avant de choisir un prestataire data

L’attrait est évident : permettre à un responsable marketing de poser une question en langage naturel, par exemple quel canal a généré le plus d’inscriptions qualifiées le mois dernier, et d’obtenir une réponse sans passer par une demande auprès de l’équipe data. Databricks met en avant ce gain d’usage pour ses propres équipes. Gardez toutefois en tête qu’il s’agit d’un éditeur décrivant son produit sur son propre site : un retour d’expérience utile, mais qui n’a pas valeur de mesure indépendante.

Le point important est ailleurs : ce type d’assistant ne crée pas la qualité des données, il l’expose. Si vos définitions divergent d’une équipe à l’autre, sur ce qu’est un contact qualifié, une commande ou un client actif, l’assistant produira des réponses fluides et contradictoires. C’est le pire scénario possible, une confiance élevée dans un chiffre faux. Le préalable n’est donc pas l’outil, mais un référentiel partagé des indicateurs.

Avant de consulter un prestataire, vérifiez trois prérequis. Premièrement, vos données marketing sont-elles centralisées dans un entrepôt unique, ou éparpillées entre régies publicitaires, CRM et tableurs ? Deuxièmement, existe-t-il une couche sémantique, c’est-à-dire un dictionnaire de métriques documenté, sur laquelle l’assistant puisse s’appuyer ? Troisièmement, les droits d’accès sont-ils gérés assez finement pour qu’un assistant conversationnel n’expose pas des données auxquelles l’utilisateur n’aurait pas accès autrement.

Ces prérequis sont précisément ce qu’un bon prestataire data doit vous aider à construire. Méfiez-vous des propositions qui commencent par le choix d’une plateforme et se terminent par une démonstration impressionnante sur un jeu de données préparé à l’avance. Demandez au contraire une démonstration sur vos propres données, avec vos questions habituelles, y compris celles qui n’ont pas de réponse simple.

Un critère souvent négligé mérite d’être posé dès l’entretien : comment le prestataire gère-t-il les réponses fausses ? Un assistant analytique peut produire une requête erronée avec un aplomb parfait. Les bonnes implémentations affichent la requête générée, permettent de la vérifier, tracent les questions posées et prévoient une boucle de correction quand une réponse est signalée comme incorrecte. Si ce sujet n’est pas abordé spontanément, considérez-le comme un signal.

Côté coûts, faites détailler le modèle complet : licences de plateforme, consommation de calcul, coûts liés aux modèles et, surtout, jours de prestation pour la modélisation et la maintenance. L’expérience courante est que la mise en place ne représente qu’une part de l’effort : l’entretien du modèle de données, au rythme des changements d’outils marketing, constitue la charge durable. Un devis qui l’ignore est un devis incomplet.

Prévoyez enfin l’adoption. Un assistant analytique ne sert que s’il est utilisé, et l’usage se construit à partir de questions tirées du quotidien des équipes plutôt que par une formation générique. Un déploiement raisonnable commence sur un périmètre restreint, un domaine de données bien maîtrisé et quelques utilisateurs volontaires, puis s’étend une fois la confiance établie sur les chiffres produits.

En résumé, jugez un prestataire sur sa capacité à parler d’abord de gouvernance, de définitions et de qualité, et seulement ensuite d’interface conversationnelle. C’est contre-intuitif dans une phase où l’outil fait rêver, mais c’est ce qui sépare les projets encore utilisés au bout d’un an de ceux que l’on abandonne discrètement.