L’Augmented Analytics : Vraie révolution pour la BI ?

Il n’est plus à prouver qu’aujourd’hui les décisions dans les entreprises sont guidées par la donnée. Plus précisément, par l’analyse de cette donnée. Toutes les fonctions utilisent des tableaux de bords pour mieux comprendre, analyser et prendre les décisions en conséquence.

Comme cité dans cet article “The Nature of Intelligent Analytics”, “l’Analytics intelligent” est un paradigme émergent dans le domaine du big data, de l’Analytics et de l’Intelligence Artificielle (IA). On parle d’Augmented Analytics. Il permet de passer à la vitesse supérieure en terme de reporting d’une maille jour à une maille quasi temps réel (Immédiate

Real Time Insight).

 

 

Comment cette nouvelle manière de présenter et d’analyser la donnée va-t-elle révolutionner la façon dont jusqu’à présent la business intelligence (BI) fonctionnait ? Quel est le rôle de l’IA ?

C’est-ce que nous allons décrypter dans cet article.

Une brève histoire de la BI

Le terme BI n’est pas si nouveau que ça. La première personne à avoir employé ce mot est Richard Millar Devens. Il présente le terme dans son livre “Cyclopædia of Commercial and Business Anecdotes”. Il l’a utilisé pour décrire comment un banquier (Sir Henry Furnese) profitait de l’information qu’il récoltait pour prendre des décisions.

Les choses ont toutefois bien évolué depuis. Dès les années 80, l’objectif était d’utiliser les possibilités que les nouveaux outils offraient pour des Kpis et des rapports, de les organiser et surtout de pouvoir les visualiser simplement. À partir des années 90, plusieurs outils arrivent sur le marché pour simplifier les services de la BI. Par exemple : Oracle, SAS, Microsoft avec SQL server Reporting Services, Power PIvot etc.., Business Object. Enfin, grâce à la multiplication des outils clés en main, dès les années 2000, le self-service BI fait son apparition. Les tableaux de bords deviennent alors interactifs et plus visuels. Ils deviennent accessibles partout. Les métiers peuvent être autonomes dans la recherche et dans la construction d’informations qui les intéressent.

BI vs Analytics : Une réelle différence ?

Les deux termes sont utilisés de manière interchangeable. Ils décrivent tous les deux l’utilisation de la donnée pour prendre des décisions éclairées et factuelles. Le terme Business Intelligence a évolué pour représenter un panel d’outils technologiques visant à soutenir les décideurs au sein des entreprises.  L’analytique, quant à elle, est venue à représenter un large panel d’outils de traitement des données. Elle peut être soit descriptive (et se concentre donc exclusivement sur un historique pour expliquer comment des décisions passées affectent le futur) ou alors prédictive pour anticiper de futures tendances, faire des forecast etc.

En résumé, on reste à ce stade dans une utilisation de la BI et de l’Analytics qui est descriptive. On cherche surtout à comprendre les événements afin de pouvoir prendre des décisions futures. L’arrivée de la data science & de l’IA va permettre aux différents utilisateurs métiers de résoudre une première problématique que la multiplication des outils a engendré. En effet, elle permet une facilité d’accès aux tableaux de bords dans un endroit centralisé.

L’Augmented Analytics pour aller plus loin

L’avancée technologique dans le domaine de la BI permet aujourd’hui de parler d’Augmented Analytics. Ce terme a pour la première fois été utilisé dans un rapport de Gartner publié en 2017. Il est défini comme “une approche qui automatise les analyses grâce à l’apprentissage automatique et à la génération de langage naturel (NLG)”. Dans un autre article datant de 2019, Gartner positionne l’Augmented Analytics numéro 1 de son top 10 des tendances data et analytics. Le même article prédit que d’ici 2021, l’AA sera un facteur dominant dans les nouveaux achats de plateformes d’analyses et de BI.

D’accord, mais concrètement quelle est la différence avec la BI ?

Si je vous dis qu’après analyse de vos ventes en ligne, je me rends compte que le chiffre d’affaires a baissé de 10% en comparaison à la même période l’an dernier. Vous allez me répondre : ”pourquoi ?” j’ai analysé, sans vous expliquer en vous donnant tout simplement un indicateur.

Est-ce que la diminution est due à la covid ? Est-ce que les campagnes médias ont moins bien performé que l’an dernier ? Y’a-t-il d’autres raisons ?

Analyser c’est très bien, placer l’analyse dans un contexte business en identifiant les leviers sur lesquels il faut agir, c’est mieux.

Pour revenir sur notre exemple de baisse de CA. Si en croisant avec d’autres données, vous vous rendez compte que finalement les campagnes de ciblage sur les réseaux sociaux sont 10% moins efficaces que celles sur la même période l’an dernier, vous allez donc pouvoir mettre en place un plan d’action.

Vous allez remarquer qu’il va falloir donc s’équiper à la fois d’outils, mais aussi de ressources capables d’extraire et d’analyser. Les équipes techniques, sont techniques et en aucun cas ne peuvent remplacer l’expertise métier. Cela signifie qu’il doit y avoir un travail de collaboration étroit entre les deux. De plus, les équipes techniques, ici les analyst ou data scientist peuvent passer entre 60 et 80% de leur temps à préparer la donnée. Par conséquent, ils passent moins de temps sur l’analyse et l’extraction d’informations nécessaires pour la prise de décisions.

C’est ici que l’AA peut faire la différence. Elle permet à une entreprise de réduire la dépendance vis-à-vis des équipes data. Cela, en automatisant la génération d’informations grâce à des algorithmes d’apprentissage automatique et d’IA. Ces derniers peuvent parcourir rapidement les différentes sources de données, les nettoyer, les analyser et les convertir en plans d’actions concrets pour les équipes métiers.

Quelles sont les principales techniques de l’augmented Analytics ?

Nous l’avons vu, l’AA s’appuie sur des techniques de ML et notamment de NLP pour optimiser l’analyse des données. Voici une revue rapide des diverses techniques utilisées au service de l’AA et des outils qui permettent de le faire :

• Apprentissage automatique & analyse conversationnelle :

L’apprentissage automatique permet, à partir de données historiques, d’affiner un reporting déjà en place manuellement. Son utilisation au service de l’AA permet de simplifier le processus de création et la simulation de tendances. Une autre caractéristique des plateformes est l’utilisation des techniques de NLP  Natural Language Processing. C’est un domaine linguistique alliant l’informatique et l’intelligence artificielle qui vise à créer des outils de traitement du langage naturel. Le NLQ (Natural Language Querying, reprend les mêmes techniques que le NLP mais cette fois pour pouvoir requêter des informations en utilisant le langage naturel). Cela permet d’utiliser les plateformes via un moteur de recherche qui va renvoyer les résultats grâce à des techniques de NLG (génération de langage naturel).

Ainsi, n’importe qui sans bagage technique en SQL, R ou python peut devenir un data scientist citizen. Les outils Analytics permettent de générer des insights automatiquement que l’utilisateur métier n’aurait pas forcément envisagé. On peut aller jusqu’à paramétrer les informations en fonction du rôle de l’utilisateur.

• Auto-visualisation :

Certaines plateformes d’AA permettent la création de dashboards et de visualisations simples pour les utilisateurs métier. Ces plateformes permettent de créer des graphiques de manière automatisée. Par exemple, certains outils, via des modules dédiés, vous permettent de requêter comme vous le feriez dans google via des techniques de NLQ. Cela permet de générer des visualisations de manière automatique.

• Data préparation :

L’augmented data préparation permet d’intégrer plus rapidement des listes de données. Le contrôle qualité de la donnée peut être paramétré rapidement ainsi que le profiling, le tagging et les différentes annotations sur la donnée. Des outils comme Tableau, Power BI ou Qlik permettent, peu importe la source de données, d’être accessible rapidement, avec une interface utilisateur simple.

Nous n’avons cité ici que quelques exemples de ce que les plateformes peuvent faire. Il en existe bien plus encore comme la génération automatique de rapports, la prédiction de tendances etc.

Vous pouvez trouver ci-dessous le Magic Quadrant de Gartner qui permet une vue d’ensemble des acteurs du marché.  Ces outils que vous pouvez déjà avoir installé au sein de votre organisation, proposent des fonctionnalités que vous connaissez. En revanche, ils demandent un travail de développement supplémentaire et qui ne sont pas disponibles de manière automatique.

Parmi les fonctionnalités/modules que proposent Power BI par exemple, on peut citer Quick insights & Q&A visuals qui permettent à l’utilisateur de construire des rapports en utilisant des techniques de NLP/NLQ.

Qlik, permet grâce au module Insight advisor, de générer automatiquement grâce à des techniques de NLQ des rapports & visuels. De plus, grâce aux capacités d’analyse en temps réel, la recherche de visuel et de reporting permet à tous les utilisateurs, peu importe leur niveau technique, de manipuler/créer des tableaux de bord.

On en cite que deux exemples plus haut, mais la plupart des autres solutions citées dans le quadrant, permettent après développement d’intégrer des fonctionnalités d’Augmented Analytics.

Pourquoi investir dans l’Augmented Analytics ?

• Processez et établissez des reportings plus rapides

Augmenter tout simplement le temps nécessaire pour l’analyse de données. Le but ici n’est pas de remplacer les équipes qui font ce travail. Au contraire, le but est de faciliter la tâche qui peut être longue et fastidieuse. Avec une volumétrie de données de plus en plus importante dans les organisations, il est essentiel de s’équiper pour pouvoir l’exploiter plus rapidement. Cela permet aux équipes de se concentrer sur des problématiques à plus haute valeur ajoutée. Les plateformes d’Augmented Analytics permettent de cibler finement des sources de données. Par exemple, directement de Google Analytics en quasi-temps réel sans un coût supplémentaire. Enfin, si on reste dans un exemple orienté marketing, l’Augmented Analytics permet l’hyper personnalisation des métriques en fonction de problématiques métiers spécifiques. Comme : quel est mon retour d’investissement sur une campagne publicitaire lancée sur une période X ? Il est possible de paramétrer facilement des calculs ciblés.

• Identifiez les grandes tendances et les changements sur des indicateurs et des critères clés à une plus grande échelle

Admettons que vous ayez besoin d’un indicateur spécifique sur 20 critères (âge, sexe, CSP..). Il va donc vous falloir 20 analyses, que vous ayez besoin de ces métriques par pays, et aussi sur une dizaine de produits. Vous allez vite vous retrouver avec des tableaux de bord complexes, des sources de données diverses et des équipes techniques sursollicitées. Avec une plateforme d’Augmented Analytics, vous allez pouvoir rapidement analyser toutes vos données, sous plusieurs critères et avec un nombre d’indicateurs qui vous convient. Immédiatement !

• Suivez les résultats des actions que vous mettez en place plus facilement

Vous voilà armé de votre plan d’action. Vous l’avez mis en place et maintenant vous voulez savoir si ce dernier est efficace ! Sans avoir à solliciter une énième fois l’équipe technique, grâce aux plateformes d’Augmented Analytics. Sans avoir nécessairement un bagage technique, cela permet de démocratiser l’accès à la donnée. On peut ainsi accélérer le suivi des actions pour en tirer des conclusions !

Malgré tous les bénéfices, il faut tout de même rester vigilant sur certains obstacles que peut engendrer l’AA :

• Des coûts plus importants

Traiter un volume de données plus important, engendre des coûts massifs. Les fournisseurs de services proposent des API qui facturent à chaque exécution de calcul séparément. Cela implique un risque de dépassement de budget pré-estimé pour la plupart des fournisseurs.

• Une stratégie de gouvernance de la donnée plus robuste

Une stratégie solide de gouvernance de la donnée doit être mise en place lors de la mise en œuvre des outils d’AA. Des données non fiables peuvent générer des informations non fiables. Elles rendront à leur tour des résultats non fiables. Il faut également faire attention au biais algorithmique. Par ailleurs, assurer une gouvernance des algorithmes développés.

Il est donc essentiel de garder en tête que comme tout nouvel outil, l’AA doit s’inscrire dans la cohérence d’une stratégie globale. Elle devra répondre à des objectifs partagés et des besoins clairs et valorisables, avant son implémentation.

L’IA un levier pour aller plus loin dans le reporting

Nous l’avons vu, les enjeux dans les deux types d’automatisation (NLP et NLU) restent les mêmes. Accélérer le travail des équipes techniques et analytics et leur permettre de faire des prévisions de manière plus efficace tout en rendant les métiers autonomes. L’automatisation des analyses implique de passer du prédictif basé sur de simples analyses statistiques passées, à une analyse prescriptive basée sur des recommandations.  L’IA est donc destinée à transformer la manière dont les analystes travaillent dans les organisations. Nous passons d’une ère de production de Dashboard descriptifs, à des rapports produits avec l’aide de l’intelligence artificielle et donc prescriptifs, voire prédictifs.

On peut donc stimuler l’impact d’une décision future en se basant sur un jeu de données passées. Cela permet de rendre le reporting plus pertinent et directement actionnable en plan d’action. Les équipes métiers peuvent ensuite prendre des décisions clés en mains.

Quelques exemples d’entreprises qui utilisent l’AA :

• Un acteur du secteur bancaire regroupe les paiements, les données de crédits des clients et d’autres informations dans un outil destiné à divers départements. Prenons l’exemple du département de vente. Il peut utiliser les informations pour aider les clients à voir les différentes options pour prendre de meilleures décisions avant l’achat d’un service précis. Ces mêmes informations peuvent être couplées en temps réel via le même outil.  Elles permettent d’analyser le risque que pourrait prendre un client en optant pour tel ou tel service. On utilise donc des données descriptives, pour prédire en temps réel une potentielle conséquence pour un client de la banque. Cela permet d’augmenter la satisfaction du client. En effet, il a des réponses plus rapides et le travail du conseiller de se concentrer uniquement sur l’accompagnement de son client.

 

• Un autre acteur dans le secteur de l’énergie utilise déjà l’IA sur des problématiques de maintenance prédictive. Cela permet de générer des rapports en temps réel sans attendre l’extraction de données via les capteurs qui alimentent directement le reporting.

 

En conclusion, l’AA est une capacité émergente de la BI.  Elle permet d’automatiser la préparation, l’analyse et la visualisation de la donnée. Elle permet de pousser encore plus loin le self-service BI.  Notamment, en utilisant des données non structurées qui n’étaient pas exploitées auparavant dans le reporting classique (IoT, email etc). Et cela ne devrait pas être terminé !

Maya AZOURI, Consultante Data