La définition la plus simple de l’analytique augmentée ? C’est une analytique qui est « améliorée » par des technologies d’intelligence artificielle (IA), notamment par le machine learning et le traitement du langage naturel (NLP).
Le machine learning automatise les processus analytiques complexes, comme la préparation des données et la génération d’informations. Le traitement par le langage naturel permet à tout utilisateur, même non formé, de poser des questions sur ses données et d’obtenir des réponses de manière simple sous forme de phrases.
Le terme « Augmented Analytics » a été inventé par Gartner en 2017 et est désormais largement considéré comme l’avenir de la business intelligence (BI) et de l’analyse de données – y compris l’analyse prédictive.
Pourquoi l’analytique augmentée est-elle importante ?
Exploiter les possibilités offertes par le Big Data
Les données représentent la plus grande opportunité de l’économie moderne. Grâce à elles, les entreprises peuvent savoir quoi produire et quand, à qui s’adresser, comment évoluer, et bien plus encore. Mais le volume de données est aujourd’hui trop important pour que les collaborateurs puissent les interpréter seuls – ou sans parti pris – et l’exigence de réponses immédiates est tout simplement impossible à satisfaire. Des technologies comme l’IA et l’apprentissage automatique sont nécessaires pour découvrir des informations significatives dans un océan de Big Data. C’est l’une des raisons pour lesquelles les analyses augmentées sont si importantes : elles combinent la datascience et l’intelligence artificielle pour aider les entreprises à analyser des ensembles de données massifs en temps réel.
Réduire la dépendance à l’égard des data scientists
Le processus d’analyse est une série d’étapes manuelles et chronophages, si compliquées qu’en général seuls les data scientists peuvent les réaliser. Ces analystes professionnels doivent :
- Collecter des données à partir de sources multiples
- Les préparer pour l’analyse
- Effectuer l’analyse
- Trouver des insights utiles
- Visualiser les résultats
- Partager les résultats d’une manière convaincante
- Créer un plan d’action
Le problème, c’est qu’il y a une grande pénurie de data scientists dans le monde – et les embaucher coûte cher. Si l’analytique augmentée ne remplace pas ces professionnels, elle peut réduire votre dépendance à leur égard en automatisant des processus tels que la collecte, la préparation, le nettoyage et l’analyse des données.
En plus de libérer le temps des data scientists pour des tâches plus importantes, comme l’interprétation des résultats, l’analytique augmentée peut améliorer la valeur que ces analystes apportent à votre organisation. Les analyses optimisées par l’IA et l’apprentissage automatique les aident à établir des liens qu’ils auraient autrement manqués – et à trouver des informations pertinentes en moins de temps. Ces technologies peuvent également aider des collaborateurs qui occupent d’autres fonctions analytiques – des analystes commerciaux aux analystes métier – en améliorant leurs connaissances et en les aidant à faire le travail qui était auparavant réservé aux data scientists experts.
D’ici 2025, la rareté des data scientists ne sera plus un frein à l’adoption de la science des données et du machine learning dans les organisations.
Gartner, 2018
Démocratiser l’analytique pour les utilisateurs non formés
Une autre raison pour laquelle l’analytique augmentée est si importante est qu’elle permet aux « explorateurs de données » non formés d’entrer en jeu. En automatisant les processus analytiques complexes et en permettant aux utilisateurs d’interroger les données simplement en posant des questions, les collaborateurs qui n’ont pas de compétences en datascience peuvent quand même tirer parti des analyses avancées. L’apprentissage automatique peut guider ces explorateurs de données en leur proposant des questions/réponses pré remplies – et en leur suggérant où creuser davantage.
Avec l’analytique augmentée, les réponses aux requêtes se présentent sous la forme de visuels prêts à l’emploi, comme des diagrammes, des graphiques et des cartes, de sorte que les utilisateurs n’ont pas à les créer eux-mêmes. Ces visualisations peuvent être analysées à l’aide de commandes simples, rassemblées dans des récits de données et facilement partagées avec d’autres équipes et la direction.
L’évolution de l’analytique
L’Analytique et la Business Intelligence ont beaucoup évolué ces dernières années, passant d’outils sophistiqués destinés aux professionnels des données et de l’analyse à des outils optimisés par le machine learning que tout le monde peut utiliser.
1. Analytique traditionnelle
- Impulsée par l’IT
- Autonomie de l’utilisateur limitée
- Des outils sophistiqués pour les professionnels des données et de l’analyse
- Se focalise sur le reporting à grande échelle
2. Analytique en libre-service
- Impulsée par les métiers
- Plus d’autonomie pour les utilisateurs
- Interface conviviale
- Se focalise sur la découverte par les utilisateurs
3. Analytique augmentée
- Impulsée par l’IA et le machine learning
- Une véritable autonomie des utilisateurs
- Outils d’IA et processus guidés
- Se focalise sur des informations rapides, profondes et précédemment cachées.
Avantages de l’analytique augmentée
L’analytique augmentée offre de nombreux avantages similaires à ceux de la business intelligence, comme l’amélioration du reporting et de la prise de décision, mais elle offre également un niveau de rapidité et de précision impossible à atteindre sans intelligence artificielle et apprentissage automatique. Voici quelques avantages spécifiques à l’analytique augmentée :
- Préparation plus rapide des données : Les analystes passent environ 80 % de leur temps à préparer les données pour l’analyse. Ils exportent de grands ensembles de données et les combinent, les nettoient et les structurent avant que l’analyse ne puisse commencer. L’apprentissage automatique de l’analytique augmentée automatise ce processus, libérant les analystes pour des activités plus utiles et réduisant les erreurs par la même occasion.
- Analyse automatisée : Les modèles d’apprentissage automatique peuvent automatiser des analyses complexes qui, autrement, prendraient des semaines aux data scientists. Les réponses et les visualisations de données sont immédiatement générées et disponibles pour les utilisateurs, qui peuvent ainsi passer moins de temps à creuser dans les données et plus de temps à interpréter les informations, à raconter des histoires de données aux dirigeants et à provoquer le changement.
Découvrez comment l’analytique augmentée fournit automatiquement des réponses aux requêtes, afin que les utilisateurs passent moins de temps à explorer les données et plus de temps à agir.
- Des insights profonds : Les machines peuvent examiner les données d’une manière qui serait impossible pour les humains. Elles peuvent examiner des ensembles de données beaucoup plus vastes sous plus d’angles et trouver des corrélations, des relations -via des modèles statistiques- invisibles à l’œil humain. Les machines peuvent comprendre les données rapidement et à grande échelle, renforcer l’intelligence humaine par des informations impartiales et indiquer aux utilisateurs où porter leur attention.
- L’analyse conversationnelle : Le traitement du langage naturel – la même technologie d’IA conversationnelle qui équipe des assistants numériques comme Siri et Alexa – permet aux utilisateurs professionnels n’ayant aucune connaissance des langages de requête ou du code de poser des questions de manière conversationnelle. Et la génération de langage naturel (NLG) leur donne des réponses sous forme de phrases complètes, écrites ou orales, qui résument ou expliquent les résultats.
- Contexte instantané : Les informations sans contexte n’ont aucun sens. En tenant compte de l’intention et des comportements des utilisateurs, les algorithmes d’apprentissage automatique peuvent fournir des informations contextuelles prêtes à être utilisées. En outre, en démocratisant l’analytique, les cadres et les employés expérimentés peuvent enrichir les informations grâce à leurs connaissances et à leur compréhension approfondie des business models et des opérations.
Hyoun Park, PDG et analyste principal chez Amalgam Insights, explique comment l’analytique augmentée fournit un contexte, afin que vous sachiez réellement ce que vos données contiennent.
Cas d’utilisation de l’analytique augmentée
L’analytique augmentée a le pouvoir de révolutionner les processus d’entreprise, mais à quoi cela ressemble-t-il dans le monde réel ? Voici quelques exemples de cas d’utilisation de l’analytique augmentée dans les domaines de la finance, des ventes et du marketing, de la production, des ressources humaines et du recouvrement.
L’analytique augmentée pour la finance
Un Analyste peut utiliser l’analytique augmentée pour prévoir et contrôler facilement les frais de voyage et de représentation (T&E) dans différents départements.
L’analytique augmentée pour le recouvrement
Les responsables du recouvrement peuvent utiliser l’apprentissage automatique dans l’analytique augmentée pour anticiper les retards de paiement, déterminer la bonne stratégie de recouvrement et maîtriser les flux de trésorerie.
L’analytique augmentée pour les ventes et le marketing
Les équipes de vente et de marketing disposent d’une meilleure connaissance des clients – et d’une identification rapide des opportunités de ventes croisées et incitatives – grâce à l’analytique augmentée.
L’analytique augmentée pour l’industrie manufacturière
Un analyste d’un fabricant d’acier peut utiliser l’analytique augmentée pour prévoir, surveiller et contrôler les dépenses dans différentes usines.
L’analytique augmentée pour les RH
Les responsables RH peuvent prédire le turn-over des collaborateurs, en comprendre les raisons et prendre des mesures correctives pour conserver les meilleurs éléments – tout cela grâce à l’analyse de l’IA.
Découvrez SAP Analytics Cloud
Exploitez la Business Intelligence, l’analytique augmentée et la planification pilotées par l’IA dans une solution unique et facile à utiliser.
