L'analytique augmentée : définition, cas d'utilisation, avantages, fonctionnalités et plus encore

Qu'est-ce que l'analytique augmentée ?

L'analytique augmentée est une branche de l'analytique, qui s'appuie sur l'intelligence artificielle (IA) et le machine learning (ML), et qui développe la capacité des utilisateurs à interagir avec les données dans un domaine contextuel. L'analytique augmentée s'appuie sur des outils et des logiciels, qui placent les fonctionnalités analytiques, qu'il s'agisse de recommandations, d'insights ou de conseils sur requête, à la portée du plus grand nombre.

Comme l'explique le cabinet de conseil Gartner : « L'analytique augmentée est l'utilisation de technologies d'autonomisation, comme le machine learning et l'IA, pour faciliter la préparation de données, la génération d'insights et l'explication de ces insights, pour développer la capacité des utilisateurs à explorer et analyser les données sur des plates-formes de BI et d'analytique. »

Le rôle du machine learning dans l'analytique augmentée

Le machine learning, un domaine de l'informatique qui utilise les données pour extraire des algorithmes et des modèles d'apprentissage, est une technologie centrale dans de nombreuses fonctionnalités d'analytique augmentée. Le machine learning aide les utilisateurs à effectuer leurs analyses, généralement en réduisant ou éliminant les tâches fastidieuses, pour accéder aux insights et prendre des décisions plus rapidement. Ces tâches concernent notamment le nettoyage, la mise en forme, la vérification et le filtrage des données, en vue d'une analyse plus approfondie.

Les fonctionnalités de machine learning dans les plates-formes de BI proposent souvent les résultats d'algorithmes avancés sous forme de recommandations. De plus, certaines applications d'analytique augmentée s'appuient sur le ML pour apprendre la sémantique organisationnelle ou propre à un secteur, ainsi que les préférences utilisateur sur la durée, pour que les questions et les résultats deviennent davantage personnalisés dans le contexte métier pendant les analyses.

Analytique augmentée et automatisation

L'automatisation est une fonctionnalité courante des solutions d'analytique augmentée, mais il est important de comprendre la différence entre l'automatisation de tâches, ce que font de nombreuses technologies, et l'automatisation de la prise de décision, ce que l'analytique contribue à faire. L'automatisation de La prise de décisions basées sur les données supprime la nécessité d'intervention humaine, tandis que l'augmentation propose à la technologie concernée de guider les utilisateurs vers la découverte d'insights qu'ils n'auraient pas pu découvrir autrement.

Bien que l'expertise métier ait toujours été un facteur clé dans les analyses, l'analytique augmentée rend aujourd'hui cette compétence plus importante que jamais avec les fonctionnalités alimentées par l'IA et le machine learning. Un utilisateur doit souvent combler des lacunes dans le contexte requis, et utiliser les insights générés à partir de son analyse pour prendre la meilleure décision au regard de la problématique à gérer.

À qui s'adresse l'analytique augmentée ?

L'analytique augmentée profite énormément aux utilisateurs métier et aux cadres, car ces technologies les aident à générer rapidement de la valeur à partir de leurs données, sans besoin de compétences techniques ou d'expertise dans l'exploration des données. L'analytique augmentée aide les utilisateurs métier et les cadres à trouver plus facilement des données pertinentes, à poser de meilleures questions, et à découvrir rapidement des insights dans contexte de leurs activités.

Si la plupart des avantages de l'analytique augmentée concernent l'autonomisation des utilisateurs ne disposant pas d'une grande expertise analytique, cette approche aide également les analystes et les utilisateurs avancés à effectuer des analyses plus approfondies et à accélérer la préparation des données.

Quels sont les avantages de l'analytique augmentée ?

L'analytique augmentée rend le travail de l'analyste plus rapide, plus efficace et plus précis. Les technologies de machine learning et de langage naturel permettent également de rapprocher les experts métier de leurs données en supprimant les obstacles à l'analyse, notamment en rendant les techniques analytiques avancées plus accessibles pour les utilisateurs ne disposant pas de compétences analytiques développées.

Agilité : accélérer la découverte d'insights

L'augmentation par l'intelligence artificielle peut accélérer la production d'insights en réduisant le champ de recherche, en montrant les bonnes données à la bonne personne au bon moment et en suggérant des pistes d'analyse judicieuses. Avec un suivi plus global des comportements des utilisateurs, les systèmes peuvent proposer des points de départ et des recommandations plus pertinents, puis les affiner et les personnaliser au fil du temps en fonction des réactions. Lorsque les utilisateurs trouvent des réponses à leurs questions plus rapidement, ils peuvent se focaliser sur leurs tâches stratégiques et passent moins de temps à écumer les données pour générer des insights.

Précision : donner une vue d'ensemble plus exhaustive

Une machine est toujours disponible, et peut exécuter efficacement les tâches et les calculs répétitifs. Les technologies d'IA et de ML qui sous-tendent l'analytique augmentée peuvent efficacement explorer les données en détail, pour que chaque décision puisse s'appuyer sur une analyse précise. Avec une vue d'ensemble aussi exhaustive, les utilisateurs peuvent obtenir des réponses de manière plus objective.

Efficacité : automatisation des tâches opérationnelles

Le machine learning et l'IA ont réalisé des progrès phénoménaux dans les applications où les algorithmes s'appuient sur des tâches répétitives et spécialisées. Pensez par exemple à des sites Web dont les pages présentent des suggestions du type « Cet article pourrait vous intéresser », ou encore à des programmes de détection de la fraude. L'analytique augmentée facilite l'automatisation de tâches, ce qui permet aux utilisateurs de gagner du temps, dans la préparation des données, la découverte des données, ou encore l'exécution d'analyses statistiques.

Confiance : la puissance des analyses en contexte

Les technologies augmentées sont le plus souvent faciles à utiliser, et rendent les données plus accessibles et les insights plus faciles à générer pour un public plus large. Ces technologies peuvent être adaptées pour modéliser et présenter les données en contexte, permettant aux utilisateurs d'obtenir une confirmation de leur instinct et d'avoir confiance dans la qualité des conclusions. Si les utilisateurs métier ne sont pas forcément experts en techniques analytiques, ils sont experts dans leur domaine ou leur secteur, et peuvent appliquer cette expertise dans l'évaluation des résultats obtenir par l'analytique augmentée. Certaines technologies avancées sont intégrées aux workflows métier et à d'autres outils et logiciels, pour permettre aux utilisateurs d'explorer rapidement une problématique spécifique sans interrompre leur analyse. Et cela ne nécessite souvent aucune étape de préparation supplémentaire.

Fonctionnalités de l'analytique augmentée

Identification automatique des données

Certaines plates-formes de BI modernes utilisent l'IA pour détecter certains attributs dans les données, par exemple si un champ contient des informations géographiques (comme un code postal) ou des informations personnelles (comme un numéro de téléphone ou une adresse e-mail).

De plus, le système permet de lire des tables de données dans des formats comme PDF ou texte, en supprimant automatiquement toute mise en forme spéciale et en convertissant le tout pour faciliter l'analyse.

Techniques statistiques

Les technologies d'analytique augmentée permettent aussi de sélectionner parmi les meilleurs algorithmes de prévisions, de clustering et d'autres fonctions statistiques, en fonction de celui qui propose le plus grand degré de certitude. Dans certains systèmes, les modèles s'exécutent automatiquement pour générer et présenter des insights que les utilisateurs n'ont peut-être pas décelés. Ces techniques permettent d'expliquer les raisons derrière un point de données, comme l'élément à la source d'une valeur atypique ou inattendue dans un ensemble de données. L'utilisateur final peut accéder à ces fonctionnalités en un clic, et n'a pas besoin de recourir au code ou d'écrire des calculs complexes.

Préparation intelligente des données

Des algorithmes puissants fonctionnent en arrière-plan pour aider les utilisateurs à préparer leurs données encore plus rapidement et à réduire le nombre de tâches manuelles. Les systèmes d'analytique augmentée peuvent indexer et regrouper les expressions similaires par prononciation ou caractères en commun, pour permettre aux utilisateurs de gagner du temps lorsqu'ils recherchent et mettre à jour manuellement des champs et des valeurs.

Dans certains cas, le système peut également recommander des étapes de nettoyage, comme la suppression de valeurs null ou la division de champs en colonnes distinctes.

Recommandations

Les recommandations générées par IA sont l'une des fonctionnalités les plus emblématiques de nombreux systèmes d'analytique augmentée. Ces recommandations concernent aussi bien la préparation des données que leur découverte, leur analyse et leur partage. Un système peut par exemple recommander des sources de données auxquelles se connecter, ou recommander des types de graphiques efficaces, en fonction des lignes et colonnes de données présentes dans la vue.

Les utilisateurs reçoivent également des suggestions d'exploration du contenu analytique en fonction de leur rôle, de leur équipe ou de leur comportement de navigation dans le contenu, à la manière des suggestions « Cet article pourrait vous intéresser », ce qui permet une intégration plus rapide des nouveaux utilisateurs et les aide à trouver des ressources pertinentes.

Interactions en langage naturel

Les requêtes en langage naturel sont une fonctionnalité de l'analytique augmentée permettant à un utilisateur de saisir une question naturellement pour interroger ses données, au lieu de recourir à un langage ou un code spécifiques pour ses requêtes. Le système propose une expérience pas à pas, en traduisant le texte en requête et en utilisant des suggestions pour combler les lacunes, afin de comprendre au mieux l'intention et le contexte derrière les questions des utilisateurs. Vous pouvez ainsi générer des insights sans nécessairement devoir comprendre le modèle de données sous-jacent.

La génération automatique de textes crée des descriptions textuelles des insights à partir des données, avec notamment des explications de visualisation de données. Ces explications en langage naturel permettent de mieux comprendre les histoires que racontent les données, sans avoir l'expertise nécessaire pour explorer et interpréter des visualisations.

En savoir plus

Cas d'utilisation de l'analytique augmentée

Dans les nombreux cas d'utilisation de l'analytique augmentée, l'IA et le machine learning ont pour objectif d'accélérer et de simplifier une analyse pour approfondie, en donnant davantage de moyens aux utilisateurs, quel que soit leur niveau de compétence technique et analytique, et en les aidant à générer de la valeur à partir de leurs données en posant de meilleures questions et en prenant les décisions les plus éclairées.

Exemples par rôle

  • Les équipes de vente peuvent utiliser l'analytique augmentée pour analyser des tendances dans leurs quotas et leurs contrats.
  • Les cadres dirigeants peuvent utiliser l'analytique augmentée pour explorer facilement des données en direct pendant leurs réunions, au lieu de s'appuyer sur des rapports statiques.
  • Les services IT peuvent utiliser l'analytique augmentée pour découvrir les causes des pics d'utilisation du serveur et du système.
  • Les analystes et gestionnaires de données peuvent utiliser l'analytique augmentée pour nettoyer, mettre en forme et préparer les données plus rapidement en vue de leur analyse.

Exemples par secteur

  • Le secteur de la gestion de chaîne logistique peut utiliser l'analytique augmentée pour comprendre pourquoi certains sites ne livrent pas les produits avec la productivité attendue.
  • Le secteur des voyages et de l'hôtellerie peut utiliser l'analytique augmentée pour déterminer des offres optimales et personnalisées pour les ventes croisées ou incitatives.
  • Les agences de marketing et de communication peuvent utiliser l'analytique augmentée pour explorer l'efficacité des campagnes publicitaires et découvrir des variables pertinentes dans leurs données.

Autres exemples d'utilisation courants

  • Les grandes entreprises s'appuient souvent sur l'analytique augmentée pour adapter leur programme analytique à davantage d'utilisateurs, cas les nombreuses fonctionnalités permettent d'accélérer l'intégration des utilisateurs avec peu d'expérience analytique.
  • Certaines entreprises remplacent même leurs rapports statiques par des tableaux de bord sophistiqués et interactifs. Cela permet aux analystes qui les conçoivent de gagner du temps, mais démocratise aussi leur accès en aidant les utilisateurs avec un niveau de compétence plus limité à trouver efficacement des réponses à leurs questions.

Défis de l'utilisation de l'analytique augmentée

Idées reçues sur l'IA et le ML

En raison de la complexité de l'IA et du machine learning, l'accent est encore mis sur les technologies elles-mêmes, plutôt que sur les avantages qu'elles peuvent offrir aux utilisateurs classiques. Si l'on ajoute à cela les idées reçues sur les machines remplaçant les humains, cela peut ralentir l'adoption de solutions qui offrent des avantages pratiques aux utilisateurs des données. Pour accepter l'analytique l'IA et l'analytique augmentée, les utilisateurs doivent les comprendre et avoir confiance en la valeur ajoutée qu'elles génèrent.

Limitations de l'analytique augmentée

À l'inverse, certains utilisateurs ont des attentes démesurées quant à ce que ces technologies ont à offrir et permettent de faire. Cela peut pousser à réaliser des investissements coûteux sans comprendre comment ces technologies peuvent réellement aider les utilisateurs, ou sans stratégie de mise en œuvre et de prise en charge.

Il est également essentiel de comprendre dans quels domaines les humains et les machines excellent. Il est difficile pour une machine de comprendre l'intention d'un utilisateur humain dans un contexte limité. La machine dispose des données, mais ne comprend pas la vue d'ensemble de la même manière qu'un expert du domaine. Par le biais d'une analyse fine du comportement d'utilisation et des retours des utilisateurs, les machines devront apprendre à intégrer les préférences des utilisateurs au fil du temps.

Datalphabétisation et compétences analytiques

Les outils et les technologies jouent bien évidemment un rôle important dans l'apprentissage analytique, mais les employés doivent également apprendre à porter un regard critique sur les données. En vous appuyant sur des données incorrectes ou sur des recommandations erronées formulées par un système d'IA, vous risquez de prendre de mauvaises décisions et de gaspiller des ressources. C'est là qu'interviennent la datalphabétisation, l'esprit critique et le développement des utilisateurs.

L'analytique augmentée est efficace uniquement si les entreprises donnent la priorité aux compétences analytiques dans tous leurs services, afin d'encourager leurs employés à parler et comprendre le langage des données. Toutefois, les explications générées par le machine learning ne sont utiles que si l'utilisateur comprend les concepts data et leurs liens avec ses propres données métier. Un humain avec davantage de contexte est par exemple plus à même de confirmer ou infirmer une relation de cause à effet lorsqu'une machine découvre une corrélation.

Gouvernance, gestion et curation des données

Les données constituent la base d'un système d'IA. Par conséquent, la qualité et la fiabilité de recommandations prescriptives ou de tâches automatisées s'appuyant sur l'IA sont directement liées à la qualité et à la fiabilité des données utilisées pour entraîner le système. Les organisations qui n'ont pas investi dans des pratiques de gouvernance des données ou gestion des données saines ou qui peinent à développer l'adoption de leur déploiement de BI et la confiance des utilisateurs auront du mal à accepter l'IA.

Utilisation éthique de l'IA

À mesure que les algorithmes et les modèles deviennent de plus en plus sophistiqués, il est essentiel de faire en sorte qu'ils restent compréhensibles. En d'autres termes, les organisations doivent se méfier des solutions d'IA de type « boîte noire ». Le concept d'IA transparente s'inscrit dans cette optique, et vise à faciliter la compréhension des opérations et de la logique mises en œuvre pour obtenir une réponse. Cela permet de garantir que les organisations n'utilisent pas des modèles biaisés, mais aussi renforce l'assurance que les réponses sont suffisamment fiables pour appuyer les décisions.

Meilleures pratiques de l'analytique augmentée

Commencez par des bases solides de l'analytique moderne

La BI moderne ouvre de nouveaux horizons : elle aide les utilisateurs, quelles que soient leurs compétences, à trouver les réponses à leurs propres questions, sans compromettre le besoin de sécurité et de gouvernance. Pour les plates-formes BI modernes, les fonctionnalités d'IA et de ML sont un prolongement de cette approche. Elles constituent un pas de plus vers la transformation digitale, pour pousser les organisations à s'éloigner des méthodes traditionnelles de BI et de reporting et à se rapprocher d'un environnement en libre-service permettant à chacun d'interroger ses données.

Mesurez la réussite avant d'investir massivement dans l'analytique basée sur l'IA

Comme pour toutes les idées audacieuses, il est recommandé de les tester dans un environnement limité et de ne pas chercher à réaliser l'impossible avec un système parfait. Testez votre solution dans un environnement limité, comme un service ou un cas d'utilisation spécifiques. Ensuite, une fois que vous pouvez mesurer la valeur de votre investissement, vous pouvez le déployer à plus grande échelle dans l'organisation.

Démystifiez la technologie et formez les utilisateurs pour développer la confiance et la datalphabétisation

Pour être efficace, une formation aux données doit faire appel à des compétences pratiques et créatives. L'intégration de l'analytique basée sur l'IA à vos processus métier implique que vos utilisateurs accordent leur confiance à ces technologies et qu'ils fassent preuve de bon sens. Les data scientists peuvent hésiter à faire confiance à une machine alors que leur expérience n'est plus à prouver. Les utilisateurs novices devront apprendre à interagir avec les recommandations de l'analytique augmentée pour les valider, ou à faire appel à leurs propres connaissances pour les rectifier.

Facilitez la réussite grâce à la collaboration et à la communauté

Comme elles sont intégrées aux workflows existants, une bonne communication entre les champions des données et les experts métier sera nécessaire pour encourager l'adoption des outils et favoriser la réussite des utilisateurs. Les analystes qui développent des tableaux de bord pour des tiers doivent comprendre comment ceux-ci utilisent les fonctionnalités d'IA et de machine learning et encourager le dialogue autour des explications et des données. Il leur suffit de fournir aux experts métier les bonnes données et le bon contexte pour leur permettre d'explorer les points de données qui les intéressent, par exemple à l'aide d'un tableau de bord combinant interactivité, exploration et adaptation.

Le rôle de l'analytique augmentée dans la BI

Les données sont un moteur essentiel pour créer de meilleures expériences client, optimiser les processus opérationnels et créer de nouveaux flux de revenus. Les entreprises qui réussissent à analyser efficacement leurs données sont en mesure de gagner en compétitivité et de maximiser leur impact. Ainsi, bon nombre d'entre elles se tournent vers les technologies d'analytique basée sur l'IA et vers l'analytique augmentée, y compris le machine learning, les interactions en langage naturelet les algorithmes complexes, pour aller de l'avant et développer les compétences analytiques de leurs employés, booster leur transformation digitale et renforcer leur résilience face au changement.

L'analytique augmentée garantit de mieux traduire la curiosité des utilisateurs humains en réponses pertinentes. Ces fonctionnalités élargissent l'utilisation de l'analytique et permettent de toucher un public moins à l'aise avec l'utilisation des données. Ainsi, chaque utilisateur de l'organisation pourra s'appuyer sur les données pour trouver des réponses à ses questions en toute confiance.

Chez Tableau, nous utilisons l'IA pour aider les utilisateurs à trouver des réponses à leurs questions et prendre des décisions pertinentes sur la base des données. De la préparation intelligente des données aux analyses en un clic, en passant par les requêtes en langage naturel, nos fonctionnalités d'analytique augmentée permettent à tous les utilisateurs de trouver des réponses à leurs questions, et d'avoir l'assurance que les résultats sont fiables. Nos fonctionnalités donnent au plus grand nombre les moyens de trouver des réponses, et aident les organisations à mieux exploiter des volumes de données toujours plus importants.

Apprenez-en plus sur l'analytique augmentée avec Tableau.

Ressources supplémentaires

Tableau : l'analytique basée sur l'IA

Obtenez des insights basés sur l'IA, grâce aux solutions d'analytique augmentée, de Business Science Tableau et de data science intégrées dans notre plate-forme analytique exceptionnelle en libre-service.

Einstein Discovery dans Tableau

Découvrez un environnement intuitif et sans codage qui permet à tous les utilisateurs de prendre des décisions rapidement et en toute confiance, grâce à une IA éthique et transparente dans Tableau.

Livre blanc technique sur Einstein Discovery (Salesforce)

Découvrez les capacités et les fonctionnalités uniques d'Einstein Discovery de Salesforce qui font la différence dans l'espace dédié au machine learning.