future of augmented analytics
0 0
Read Time:10 Minute, 25 Second


15 décembre 2020

Tout comme la montée en puissance d’Uber qui perturbe l’activité traditionnelle des taxis en modifiant complètement le comportement des gens en matière de déplacement, des innovations perturbatrices se produisent également dans le domaine des données et de l’analyse prédictive aujourd’hui. L ‘«innovation disruptive» est définie comme des technologies qui émergent pour défier les entreprises en place établies, c’est-à-dire la façon traditionnelle de faire les choses. Ce n’est pas une amélioration marginale pour améliorer un peu les choses, mais un changement fondamental qui rend les vieilles choses obsolètes.

La première vague de perturbation des données et des analyses est arrivée environ 10 ans
il y a, lorsque la plate-forme d’analyse de données basée sur le codage est transformée en plates-formes visuelles. Et avec cela vient l’ère de la Business Intelligence moderne, où les données sont visualisées dans un environnement interactif et sans code et ont depuis lors réalisé de véritables valeurs commerciales.

Maintenant, nous sommes assis à l’horizon d’une autre perturbation du marché – « Analyse augmentée»Où l’analyse prédictive est combinée à la puissance de l’intelligence artificielle (IA). Lorsque la puissance de l’analyse prédictive est renforcée par le développement en plein essor de l’apprentissage automatique et de l’IA, elle sera capable de générer une réelle valeur commerciale à une échelle et à une vitesse qui précèdent notre imagination la plus folle. Il y a 10 ans, nous avons eu du mal à trouver une poignée d’applications métier basées sur l’apprentissage automatique / IA. Dans 10 ans, nous aurons du mal à en trouver d’autres.

avenir de l'analyse augmentée

Des innovations disruptives se produisent sur le marché des données et de l’analyse prédictive

L’innovation disruptive se produit sur le marché des données et de l’analyse prédictive, à commencer par l’émergence de la Business Intelligence – une nouvelle façon de visualiser les données.

En tant que personne qui mène des recherches en science des données et des analyses prédictives depuis un certain temps, j’ai vécu une époque où toutes les analyses étaient effectuées grâce au codage hardcore. Pour effectuer une analyse décisionnelle précise et comprendre les modèles dans les données, je dois écrire des codes pour découper les données de différentes manières, puis écrire des codes pour visualiser les résultats des segmentations. Pour mener des analyses prédictives et découvrir des informations cachées à partir des données, je dois écrire des codes pour formuler le modèle de régression et tester différentes variables pour découvrir lesquelles sont les plus importantes et quantifier l’impact. Avec toutes les variables potentielles qui pourraient avoir une signification, il faut généralement des semaines, voire des mois, combinées à de la chance, pour parvenir à une découverte statistiquement significative et sensée sur le plan commercial à partir des données.

Ces lacunes: le manque d’échelle, de vitesse et d’application sont en effet les facteurs qui ont empêché l’intelligence d’affaires traditionnelle et l’analyse prédictive de générer une réelle valeur commerciale. Le monde des affaires actuel découvre des données plus volumineuses et plus complexes et a besoin d’analyses stratégiques qui nécessitent plus de temps pour atteindre des informations exploitables. L’écart entre les besoins de l’entreprise et la réalité est la raison pour laquelle l’analyse de données a encore des applications limitées dans le monde des affaires malgré la durée de son existence.

Mais le bon côté est à l’horizon. Avec l’augmentation de la capacité de calcul et la puissance de l’IA, l’analyse verra d’énormes améliorations en termes d’échelle, de vitesse et d’application. Et avec ces changements innovants, il y a la perturbation du marché des données et de l’analyse. La première vague de perturbations s’est produite il y a environ 10 ans, lorsque les plates-formes d’analyse de données basées sur le codage commencent à évoluer vers des plates-formes de découverte de données visuelles. Avec cela, des outils comme Tableau, Qlik et Microsoft Power BI ont émergé pour perturber le marché et changer complètement la façon dont les analystes visualisent et présentent leurs données. En raison de cette perturbation, nous sommes officiellement entrés dans le monde de la Business Intelligence moderne largement implémentée.

Bien sûr, il y a une courbe d’apprentissage pour ces nouveaux outils mais après une utilisation basique, le retour est énorme. La visualisation permise par ces outils dépasse l’imagination la plus folle des plates-formes basées sur le codage. Être sans code, rapide et interactif – cette innovation de rupture a amené la visualisation des données et la BI à un autre niveau. Avec ce pouvoir, les entreprises commencent à réaliser les avantages de la BI et vous seriez pressé de trouver une grande entreprise qui ne dispose pas d’un groupe de veille stratégique, analysant les données et développant des tableaux de bord pour aider l’entreprise. Dans l’enquête de Gartner en 2017 sur le «Magic Quadrant for Business Intelligence and Analytics Platforms», plus de 65,4% des entreprises de taille moyenne ont déclaré «excellent / bon» lorsqu’elles ont répondu à quel point divers avantages commerciaux ont été obtenus grâce à la mise en œuvre de l’analyse et à l’adoption de la BI.

L’innovation disruptive ne s’arrête pas à la Business Intelligence

La prochaine vague de perturbations va se situer au niveau suivant: l’analyse prédictive. Bien que la percée de la BI se soit avérée très utile pour aider les entreprises à comprendre la question «Que se passe-t-il?» avec leurs données, le voyage ne s’arrête pas là. Puisqu’il y a tellement plus à faire avec les données, en particulier grâce à l’analyse prédictive. Grâce à l’analyse prédictive, nous serions en mesure de répondre à des questions beaucoup plus profondes au-delà de «que s’est-il passé?» en questions comme « Pourquoi est-ce arrivé? » ou « Que pourrait-il arriver? » et « Comment puis-je l’améliorer? » – En d’autres termes, l’analyse prédictive regarde vers l’avenir et fournit des informations exploitables pour générer directement les valeurs de l’entreprise.

Le manque de vitesse et d’échelle est encore une fois les obstacles qui empêchent l’analyse prédictive d’être pratique et de générer une valeur réelle. Il faut généralement des semaines, voire des mois, pour exécuter des millions de modèles de régression avec différentes combinaisons pour identifier les influenceurs clés et développer des scénarios hypothétiques pour prédire l’impact. C’est encore là que l’IA peut intervenir et aider. Par rapport à la percée de la BI, nous sommes maintenant à un point où nous nous attendons à une autre perturbation du marché avec «l’analytique augmentée» où l’analyse prédictive est combinée à la puissance de l’IA. Gartner utilise le terme «d’analyse augmentée» pour expliquer que l’idée n’est pas d’éliminer l’humain de la boucle d’analyse, mais de fournir des informations plus approfondies à la personne qui conçoit la méthodologie d’analyse, afin d’aider à une meilleure prise de décision.

Alors, à quoi ressemble cette prochaine vague et en quoi est-elle différente? L’analyse augmentée signifie une augmentation de tous les éléments clés du flux de travail des données et de l’analyse prédictive: préparation des données, modélisation des données pour trouver des informations et partage des informations pour les rendre exploitables.

  • Préparation des données. L’ancien processus de préparation manuelle des données, qui investit massivement dans l’effort humain pour formater les données, détecter les erreurs et les irrégularités de données, sera éliminé. Dans le cadre de l’analyse augmentée, les algorithmes détecteront automatiquement les problèmes de qualité des données, catalogueront et recommanderont l’enrichissement, et créeront des lignées de données et des métadonnées.
  • La modélisation des données. L’ancienne façon de modéliser les données et d’extraire des informations consiste à explorer manuellement les données à l’aide de la visualisation interactive, ou à travers l’ingénierie manuelle et la construction de modèles pour trouver des modèles dans les données. L’analyse augmentée introduit le concept de «requête en langage naturel», où les algorithmes trouvent tous les modèles pertinents dans les données et vous les apportent. Les modèles appropriés sont sélectionnés automatiquement et validés pour trouver la meilleure façon de représenter les données, et le code est généré automatiquement.
  • Partage et opérationnalisation des résultats. Dans le monde de la BI et de l’analyse prédictive traditionnelle, les tableaux de bord et la narration interprétée sont la voie à suivre. L’interprétation des résultats dépend fortement des utilisateurs, et elle oblige en outre les utilisateurs à créer des scénarios et des prévisions pour faire des recommandations exploitables. Avec l’analyse augmentée, les informations sont narrées en langage naturel ou en visualisations pour concentrer l’utilisateur sur ce qui est important et exploitable. Il crée également automatiquement des scénarios pour faire des prédictions, puis fournit des recommandations concrètes avec des résultats mesurables.

Les premiers utilisateurs de l’analyse augmentée voient leur retour sur investissement

Les fournisseurs pionniers intègrent avec enthousiasme des analyses augmentées (AI + Predictive Analytics) dans leurs capacités; et les premiers utilisateurs voient un réel retour sur leurs investissements dans leurs entreprises.

Au cours des 2 à 5 prochaines années, l’analyse augmentée apporterait une nouvelle transformation sur le marché des données et de l’analyse. Certains vendeurs sont déjà à la pointe de cette vague. Quelques exemples incluent Salesforce Einstein Discovery (une acquisition de 1,1 million de dollars de la startup Beyondcore), ThoughtSpot, Microsoft Power BI (fonctionnalité Quick Insight), IBM Watson Analytics, SAP Cloud Analytics, et bien plus encore, intégrant l’IA et l’apprentissage automatique pour automatiser la science des données la modélisation. Ce ne sont pas seulement les géants de la technologie du marché de l’analyse de données qui innovent leur outil, il existe également de nombreuses start-ups dans cette arène jeune et en plein essor, telles que SparkBeyond, DataRobot, H2O et Tellius. Cela indique que l’analyse augmentée a du dynamisme et un avenir prometteur. Ces plates-formes d’analyse de pointe sont déjà utilisées par les entreprises du classement Fortune 500 des secteurs de la finance, de la fabrication, des sciences de la vie, de l’énergie, du commerce électronique, de l’Internet et de la santé.

Ces premiers utilisateurs voient de réels retours en utilisant «l’analytique augmentée» dans leur entreprise. Une grande banque américaine s’est associée à l’une des plates-formes d’analyse de l’IA pour se transformer en une organisation plus centrée sur le client. Avec une large clientèle, les banquiers et les conseillers financiers savaient qu’ils pourraient mieux travailler ensemble s’ils avaient une image plus complète des interactions avec les clients. Avec l’outil prédictif, il a pu réduire les silos de données et mieux comprendre ses clients. Dans le domaine de la gestion de fortune, par exemple, l’analyse des flux clients peut être complexe. Les mouvements de trésorerie à l’intérieur et à l’extérieur de l’entreprise peuvent être tout à fait normaux entre les comptes d’un client, ou peuvent indiquer qu’un client élargit sa relation avec un autre fournisseur de patrimoine. Le partenariat avec l’analyse augmentée a aidé US Bank à réduire l’encombrement et à comprendre plus complètement les flux de clients, afin qu’ils puissent agir de manière appropriée.

L’outil fournit également à l’équipe de la Banque américaine plus d’informations et de perspectives sur tous ses clients et présente des opportunités d’approfondir les relations en utilisant des approches personnalisées. En tant que 5e banque commerciale, la société souhaitait mieux comprendre le chevauchement entre ses clients de la banque de détail et leurs clients de la gestion de patrimoine. Ils ont commencé par analyser quels clients de la banque de détail sont les plus susceptibles de devenir de nouveaux clients de la gestion de patrimoine. Ils ont constaté que les jeunes clients fortunés âgés de 20 à 35 ans sont plus susceptibles de passer à la gestion de patrimoine. C’était une idée surprenante, car on croyait auparavant que les clients plus matures étaient plus susceptibles de poursuivre la gestion de patrimoine. L’équipe de la banque américaine peut désormais utiliser ces informations au lieu de l’intuition que l’on croyait depuis longtemps pour développer une stratégie marketing plus ciblée afin de convertir les clients de la banque de détail en gestion de patrimoine.

Il y a dix ans, nous avons eu du mal à trouver une poignée d’applications métier basées sur l’apprentissage automatique / IA. Dans dix ans, nous aurons du mal à trouver ceux qui ne le font pas. Les innovations perturbatrices peuvent être intimidantes au début, mais elles ne s’arrêteront pas parce que vous choisissez d’ignorer son approche. La meilleure stratégie est de s’y préparer et de s’y préparer – en commençant par les petits pas. Dans le prochain article, nous expliquerons comment évaluer la maturité de votre entreprise pour l’analyse augmentée, comment y préparer votre entreprise et comment élaborer une stratégie pour votre pratique d’analyse pour tirer parti de cette technologie du futur.

Cet article a été initialement publié en mars 2018, par l’auteur collaborateur Lou Hao, PhD.

Average Rating

5 Star
0%
4 Star
0%
3 Star
0%
2 Star
0%
1 Star
0%

Laisser un commentaire