Nous passons beaucoup de temps à échanger avec des équipes data dans des entreprises mid-market, et presque chaque conversation tourne autour d’une même problématique récurrente. Un responsable analytics mentionnera, presque comme une anecdote, qu’il a perdu deux jours la semaine dernière à faire concorder trois sources de données avant même de pouvoir construire le dashboard que son VP lui avait demandé. Google Ads exportait les dates en chaînes de caractères brutes plutôt qu’en valeurs de type date, Salesforce utilisait le format MM/JJ/AAAA tandis que l’entrepôt de données attendait JJ/MM/AAAA (ce qui transformait régulièrement le 3 janvier en 1er mars). Pendant ce temps, les horodatages Shopify portaient des décalages de fuseau horaire qui variaient selon l’emplacement du magasin ayant généré la commande. Quelques doublons de clients s’étaient glissés parce que le même client s’appelait « Acme Corp » dans un système et « ACME Corporation » dans un autre. Deux jours de travail sans aucune valeur analytique, et le cycle recommence le lundi suivant.
La préparation des données assistée par IA change ce qui vient après cette conversation, mais pas tout à fait comme le laissent entendre la plupart des présentations commerciales.
La vraie valeur ne réside pas dans le fait que le nettoyage s’exécute plus vite (c’est le cas, mais c’est la partie triviale) elle réside dans le fait que votre équipe accède à des capacités qu’elle n’aurait jamais développées seule : une logique d’enrichiss
