Comment l'IA met l'analyse de données en contexte

Les progrès de l'IA et de l'analyse augmentée permettent aux équipes d'entreprise de mettre leurs données en contexte plus efficacement.

Il y a un défi qui a frustré les chefs d'entreprise et les professionnels des données à peu près avant que le big data ne soit un mot à la mode. C'est un manque de contexte dans l'analyse.

Voyez si ce cas d'utilisation vous semble familier. Un chef d'entreprise a initialement demandé une analyse des raisons pour lesquelles les ventes régionales chutaient, et un analyste de données a travaillé dur pendant quelques mois pour créer un modèle, extraire des données et développer un rapport pour le côté commercial.

Le problème

Lorsque les résultats sont revenus, les résultats étaient décevants à une seule dimension, ne confirmant jamais le véritable "pourquoi" derrière ce ralentissement des ventes. Le rapport peut avoir identifié un glissement pour une gamme de produits particulière, ou peut-être une équipe de vente spécifique. Mais pas les deux.

Ce qui manquait, c'était le contexte. Il n'y avait aucun moyen de détecter les véritables causes sous-jacentes du dérapage. Était-ce un problème de personnel, de rémunération ou de roulement ? Était-ce réellement un problème de chaîne d'approvisionnement? Serait-ce un nouveau concurrent ? Ou était-ce quelque chose comme une augmentation de prix ? Était-ce tout cela ? Ces questions seraient des suites naturelles à toute analyse des ventes.

Mais sans une vision approfondie des diverses causes potentielles, le chef d'entreprise et le professionnel des données s'éloignaient souvent en se reprochant mutuellement de perdre du temps et des ressources.

Évolution de l'analyse augmentée

Pour retrouver le contexte évoqué plus haut, certaines entreprises se tournent aujourd'hui vers l'IA. Ils signalent le succès grâce à la capacité de l'IA à détecter les relations et les dépendances entre une myriade de services, d'applications et de processus. L'existence de ces relations apparaît dans de nouveaux types de données non répertoriés dans les feuilles de calcul ou les bases de données traditionnelles, et certainement pas dans les organigrammes d'entreprise.

Le gourou de l'analytique et de l'informatiqueTom Davenport du Babson College a examiné ces nouveaux types de données dans un récent article de la HarvardBusiness Review, co-écrit par Joey Fitts, vice-président, Analytics Product Strategy for Oracle.

"L'IA permet aux analyses d'intégrer et de traiter automatiquement un contexte important à partir d'un large éventail de sources, dont beaucoup auraient auparavant obligé les analystes à naviguer dans des silos et des catalogues mal entretenus", ont-ils écrit.

Ils ont ajouté :« Les innovations reposent sur l'IA et l'automatisation, les connexions entre les systèmes d'information existants et les hypothèses basées sur les rôles concernant les décisions qui seront prises sur les données et les analyses. En fin de compte, ils peuvent préparer des informations et des recommandations qui peuvent être transmises directement aux décideurs sans qu'il soit nécessaire qu'un analyste les prépare à l'avance."

Selon Davenport et Fitts, trouver les bonnes données pour un projet d'analyse a trop souvent été un exercice manuel.

Ils ont écrit:«Cela nécessitait une connaissance approfondie des données appropriées pour votre analyse et de l'endroit où elles pouvaient être trouvées, et de nombreux analystes manquaient de connaissances sur le contexte plus large. Cependant, les analyses et même les applications d'IA peuvent de plus en plus fournir un contexte. Et ces fonctionnalités sont désormais régulièrement incluses par les principaux fournisseurs dans leurs offres de systèmes transactionnels, tels que la planification des ressources d'entreprise (ERP) et la gestion de la relation client (CRM).

Cette capacité à ajouter du contexte repose en partie sur l'automatisation via l'IA utilisant la « découverte intelligente des données » et l'analyse augmentée.

En 2017, Gartner a défini l'analyse augmentée comme "l'utilisation de technologies habilitantes telles que l'apprentissage automatique et l'IA pour aider à la préparation des données, à la génération d'informations et à l'explication des informations afin d'augmenter la façon dont les gens explorent et analysent les données dans les plates-formes d'analyse et de BI".

Le futuriste Bernard Marr ajoute :"L'analyse augmentée décrit le processus par lequel les données sont automatiquement extraites de sources de données brutes, nettoyées et analysées de manière impartiale, et communiquées dans un rapport utilisant un traitement du langage naturel que les humains peuvent comprendre."

Entrez les Scientifiques Citoyens des Données

Davenport et Fitts ont cité un exemple de la façon dont cette nouvelle approche de l'analyse a été mise en œuvre par une grande compagnie d'assurance. Ils ont déclaré qu'un nouveau système de capital humain "incluait des KPI de ressources humaines, des références de meilleures pratiques et la capacité de surveiller les tendances des RH telles que la diversité et les niveaux d'attrition. Un nouvel outil de reporting d'entreprise doté de ces fonctionnalités a été introduit dans l'ensemble de l'entreprise en seulement huit semaines."

Cette évolution de l'IA et de l'analyse semble ouvrir la voie à une nouvelle génération de scientifiques citoyens des données.

Si ce dernier terme vous semble familier, c'est parce que le concept consistant à offrir aux professionnels non techniques des capacités d'analyse avancées existe depuis cinq ans.

Au cours de cette période, la science des données citoyenne a rencontré la résistance de certains professionnels de l'analyse qui ne font pas confiance aux utilisateurs professionnels avec leurs outils, même si les utilisateurs professionnels ont suivi une formation en milieu de carrière en science des données. Il était également peu probable que le concept d'origine s'étende à une entreprise comptant des milliers d'applications.

Mais cette nouvelle version de la datascience citoyenne semble profiter des « nouveaux types de données » dont parle Davenport. La lourde charge de découvrir et d'utiliser les relations entre les départements, les processus et les types de données promet d'être réalisée en grande partie par des modèles d'IA. Ces modèles seraient toujours construits par des data scientists. Les « citoyens » pourraient alors faire ce qu'ils font le mieux, poser des questions commerciales auxquelles je pourrais mieux répondre.