Exploiter l'IA pour contextualiser l'analytique de données pour l'insight business

Les avancées en IA et analytique augmentée signifient que les équipes d'entreprise peuvent mettre leurs données en contexte plus efficacement.

Il y a un défi qui a frustré les dirigeants business et les pros de la data pretty much depuis avant que le big data ne soit un buzzword. C'est un manque de contexte dans l'analytique.

Voyez si ce cas d'usage vous semble familier. Un dirigeant business a initialement demandé une analyse de pourquoi les ventes régionales glissaient, et un analyste data a travaillé dur pendant quelques mois en construisant un modèle, tirant des données, et développant un rapport pour le côté business.

Le problème

Quand les résultats sont revenus, les résultats étaient décevantement mono-dimensionnels, ne confirmant jamais le vrai « pourquoi » derrière ce ralentissement des ventes. Le rapport a pu identifier un glissement pour une ligne de produit particulière, ou peut-être une équipe de vente spécifique. Mais pas les deux.

Ce qui manquait était le contexte. Il n'y avait pas de moyen de détecter les vraies causes sous-jacentes du glissement. Était-ce un problème de personnel, de compensation, ou de turnover ? Était-ce en fait un problème de chaîne d'approvisionnement ? Aurait-ce pu être un nouveau concurrent ? Ou, était-ce quelque chose comme une augmentation de prix ? Était-ce tout cela ? Ces questions seraient des follow-ups naturels à toute analyse de ventes.

Mais sans une vue profonde dans les causes potentielles variées, le dirigeant business et le pro de la data s'en allaient souvent en se blâmant mutuellement pour avoir gaspillé du temps et des ressources.

Évolution de l'analytique augmentée

Pour trouver le contexte mentionné ci-dessus, certaines entreprises aujourd'hui se tournent vers l'IA. Elles rapportent du succès grâce à la capacité de l'IA à détecter les relations et dépendances parmi myriades de départements, applications et processus. L'existence de ces relations apparaît dans de nouveaux types de données non listés dans les tableurs ou bases de données traditionnelles, et certainement pas dans les organigrammes d'entreprise.

L'expert analytique et IT Tom Davenport de Babson College a examiné ces nouveaux types de données dans un récent article de Harvard Business Review, co-écrit par Joey Fitts, Vice-président, Stratégie Produit Analytique pour Oracle.

« L'IA rend possible pour l'analytique d'incorporer et traiter automatiquement le contexte important d'un large éventail de sources — dont beaucoup auraient précédemment requis des analystes pour naviguer les silos et catalogues mal maintenus », ont-ils écrit.

Ils ont ajouté : « Les innovations reposent sur l'IA et l'automatisation, les connexions à travers les systèmes d'information existants, et les hypothèses basées sur les rôles sur quelles décisions seront prises sur les données et l'analytique. À la fin, ils peuvent préparer des insights et recommandations qui peuvent être délivrés directement aux décideurs sans requérir un analyste pour les préparer à l'avance. »

Trouver les bonnes données pour un projet d'analytique a trop souvent été un exercice manuel, selon Davenport et Fitts.

Ils ont écrit : « Cela requérait une connaissance extensive de quelles données étaient appropriées pour votre analyse et où elles pouvaient être trouvées, et beaucoup d'analystes manquaient de connaissance du contexte plus large. Cependant, l'analytique et même les applications IA peuvent de plus en plus fournir du contexte. Et ces capacités sont maintenant régulièrement incluses par les vendeurs clés dans leurs offres de systèmes transactionnels, comme la planification des ressources d'entreprise (ERP) et la gestion de la relation client (CRM). »

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

En 2017, Gartner a défini l'analytique augmentée comme « l'utilisation de technologies habilitantes telles que l'apprentissage machine et l'IA pour assister avec la préparation de données, la génération d'insight, et l'explication d'insight pour augmenter comment les gens explorent et analysent les données dans les plateformes d'analytique et BI. »

Le futurologue Bernard Marr ajoute : « L'analytique augmentée décrit le processus où les données sont automatiquement prises des sources de données brutes, nettoyées et analysées de manière non biaisée, et communiquées dans un rapport en utilisant le traitement du langage naturel que les humains peuvent comprendre. »

Entrent les Citizen Data Scientists

Davenport et Fitts ont cité un exemple de comment cette nouvelle approche de l'analytique a été implémentée par une grande compagnie d'assurance. Ils ont dit qu'un nouveau système de capital humain « incluait des KPI RH, benchmarks de meilleures pratiques, et la capacité de surveiller les tendances RH telles que la diversité et les niveaux d'attrition. Un nouvel outil de reporting d'entreprise avec ces capacités a été introduit à travers l'entreprise en seulement huit semaines. »

Cette évolution de l'IA et de l'analytique semble pavé la voie pour une nouvelle génération de citizen data scientists.

Si ce dernier terme vous semble familier, c'est parce que le concept de donner aux pros business non-tech des capacités d'analytique avancée existe depuis cinq ans.

En ce temps, la citizen data science a rencontré de la résistance de certains pros de l'analytique qui ne font pas confiance aux utilisateurs business avec leurs outils, même si les utilisateurs business ont suivi une formation en data science en milieu de carrière. Le concept original était aussi peu susceptible de scaler à travers une entreprise avec des milliers d'applications.

Mais cette nouvelle version de citizen data science semble tirer avantage des « nouveaux types de données » que Davenport discute. Le gros du travail de découverte et d'utilisation des relations parmi départements, processus et types de données promet d'être fait en grande partie par les modèles IA. Ces modèles seraient encore construits par des data scientists. Les « citoyens » pourraient alors faire ce qu'ils font de mieux, poser des questions business que l'IA pourrait être meilleure pour répondre.