Olivier Lefassy, fondateur de PolySpot
Pour résoudre les problématiques liées à la valorisation des contenus de l’entreprise, dont le volume croît de manière exponentielle, l’une des solutions a consisté à mettre en place une approche de GED globale couvrant l’ensemble des départements de l’entreprise. Si cette approche avait du bon, notamment en termes de fédération de l’information et de normalisation, sa mise en œuvre s’est révélée extrêmement lourde et coûteuse, pour des performances finalement décevantes. De nombreux projets, de type « big bang », ont finalement été abandonnés.
Autre alternative : le déploiement d’un moteur de recherche dédié à chacune des applications de l’entreprise. Cette démarche peut se révéler utile, car le système est parfaitement adapté aux données qu’il cible et aux particularités des contenus et offre donc des performances intéressantes. Mais les silos applicatifs subsistent, alors que les entreprises modernes cherchent au contraire à faire dialoguer leurs applications et à faciliter le partage d’information. De plus, cette approche nécessite une phase intermédiaire d’indexation lourde à gérer et ne couvrant pas les notions de collecte et d’organisation de l’information. Et bien souvent la pertinence des résultats n’est pas forcément au rendez-vous.
Pourtant, la mise en place d’un moteur de recherche reste aujourd’hui le moyen le plus efficace pour délivrer rapidement aux utilisateurs les informations qu’ils recherchent, avec une pertinence toujours plus aigüe. Afin de parvenir à cette efficacité maximale, il est essentiel de développer une approche transverse de recherche d’entreprise, couvrant l’ensemble de ses contenus et applications, et répondant aux besoins spécifiques de tous ses métiers. Celle-ci autorisant le déploiement de tous types d’applications de recherche – application de recherche transverse, veille, applications métiers ou décisionnelles – qui valorisent le capital informationnel de l’entreprise en décloisonnant les données issues de multiples applications.
Mais, au-delà de cette transversalité, comment obtenir plus de pertinence ? Par exemple, en combinant les avantages d’une base de données (flexibilité en termes d’enrichissement et de mise à jour) avec ceux d’un index (performance de recherche inégalable). Cette association favorise l’enrichissement des informations, via notamment le croisement avec d’autres données de l’entreprise, voire des référentiels externes, afin d’ajouter de l’intelligence à ces nouvelles informations.
Voici quelques exemples d’applications : Je fais partie d’une entreprise de l’industrie,
Je cherche les documents écrits par des chefs de projets ayant une expertise spécifique. Si les articles mentionnent le nom de l’auteur, son domaine d’expertise reste inconnu. Via le croisement avec un annuaire, j’enrichis le document d’une nouvelle métadonnée indexée : sa fonction, puis j’extrais sémantiquement son expertise en fonction de ses publications, de ses différentes contributions en tant qu’expert. Il est ainsi plus pertinent de rechercher par fonction de l’auteur et/ou expertise que par patronyme.
Autre exemple, je suis analyste dans un établissement financier, je cherche les tendances d’un secteur d’activité, celui-ci n’apparait pas forcément en tant que tel dans les différents articles de ma base où sont en revanche citées les noms de sociétés. En croisant le référentiel des sociétés extraites sémantiquement avec un référentiel externe de type « Altares », j’enrichis mes documents à l’aide d’une nouvelle métadonnée (« secteur d’activité »), ce qui facilite une veille informationnelle sur un secteur précis.
Cette approche tire parti de tous les référentiels de l’entreprise, mais également de référentiels externes. C’est bien le croisement de données qui crée de l’intelligence et la pertinence. Et cette fertilisation apporte une véritable valeur ajoutée à l’entreprise – on ne cherche plus : on trouve intelligemment!
Autre alternative : le déploiement d’un moteur de recherche dédié à chacune des applications de l’entreprise. Cette démarche peut se révéler utile, car le système est parfaitement adapté aux données qu’il cible et aux particularités des contenus et offre donc des performances intéressantes. Mais les silos applicatifs subsistent, alors que les entreprises modernes cherchent au contraire à faire dialoguer leurs applications et à faciliter le partage d’information. De plus, cette approche nécessite une phase intermédiaire d’indexation lourde à gérer et ne couvrant pas les notions de collecte et d’organisation de l’information. Et bien souvent la pertinence des résultats n’est pas forcément au rendez-vous.
Pourtant, la mise en place d’un moteur de recherche reste aujourd’hui le moyen le plus efficace pour délivrer rapidement aux utilisateurs les informations qu’ils recherchent, avec une pertinence toujours plus aigüe. Afin de parvenir à cette efficacité maximale, il est essentiel de développer une approche transverse de recherche d’entreprise, couvrant l’ensemble de ses contenus et applications, et répondant aux besoins spécifiques de tous ses métiers. Celle-ci autorisant le déploiement de tous types d’applications de recherche – application de recherche transverse, veille, applications métiers ou décisionnelles – qui valorisent le capital informationnel de l’entreprise en décloisonnant les données issues de multiples applications.
Mais, au-delà de cette transversalité, comment obtenir plus de pertinence ? Par exemple, en combinant les avantages d’une base de données (flexibilité en termes d’enrichissement et de mise à jour) avec ceux d’un index (performance de recherche inégalable). Cette association favorise l’enrichissement des informations, via notamment le croisement avec d’autres données de l’entreprise, voire des référentiels externes, afin d’ajouter de l’intelligence à ces nouvelles informations.
Voici quelques exemples d’applications : Je fais partie d’une entreprise de l’industrie,
Je cherche les documents écrits par des chefs de projets ayant une expertise spécifique. Si les articles mentionnent le nom de l’auteur, son domaine d’expertise reste inconnu. Via le croisement avec un annuaire, j’enrichis le document d’une nouvelle métadonnée indexée : sa fonction, puis j’extrais sémantiquement son expertise en fonction de ses publications, de ses différentes contributions en tant qu’expert. Il est ainsi plus pertinent de rechercher par fonction de l’auteur et/ou expertise que par patronyme.
Autre exemple, je suis analyste dans un établissement financier, je cherche les tendances d’un secteur d’activité, celui-ci n’apparait pas forcément en tant que tel dans les différents articles de ma base où sont en revanche citées les noms de sociétés. En croisant le référentiel des sociétés extraites sémantiquement avec un référentiel externe de type « Altares », j’enrichis mes documents à l’aide d’une nouvelle métadonnée (« secteur d’activité »), ce qui facilite une veille informationnelle sur un secteur précis.
Cette approche tire parti de tous les référentiels de l’entreprise, mais également de référentiels externes. C’est bien le croisement de données qui crée de l’intelligence et la pertinence. Et cette fertilisation apporte une véritable valeur ajoutée à l’entreprise – on ne cherche plus : on trouve intelligemment!