Augmented analytics : définition, exemples, use case...
L'augmented analytics, c'est quoi ?
Anglicisme se traduisant par analyse augmentée, l’augmented analytics consiste à industrialiser le traitement des données en vue de leur exploitation sous forme de tableaux de bord de pilotage. Egalement désignée sous l'expression intelligence augmentée, cette notion est conceptualisée par le Gartner en 2017. Le cabinet d'analyses américain la définit comme "une approche visant à automatiser l'analyse des insights (ou connaissances, ndlr) en recourant au machine learning et à la génération de langage naturel".
Bien que leur paramétrage requière une intervention humaine, les système d'augmented analytics automatisent un grand nombre de tâches de gestion de données complexes, contraignantes, voire redondantes. In fine, ils permettent de gagner du temps et de se recentrer sur les indicateurs clés de résultat générés en bout de course par les outils d'analytics et de business intelligence (BI).
Quelles sont les principales techniques d'augmented analytics ?
L'augmented analytics s'appuie sur des techniques de machine learning, et notamment de natural language processing (NLP), pour optimiser l'analyse des données à chaque étape du cycle de vie de la data, de sa préparation et son formatage jusqu'à la manière dont les indicateurs qui en découlent sont délivrés en passant par l'exécution de l'analyse en elle-même.
L'augmented analytics constitue une nouvelle étape dans la démocratisation de la business intelligence. Après les tableaux de bord interactifs en self service, type Google Analytics, il permet potentiellement aux collaborateurs de poser directement leurs questions à l'application de BI via une interface conversationnelle. Après avoir traduit la demande en requête SQL compréhensible par la machine, le logiciel va ensuite leur répondre en générant des indicateurs et analyses personnalisés expliqués en langage naturel. Le tout en tenant compte des besoins et du contexte métier du salarié.
Pourquoi l’augmented analytics est-il si important ?
L’analyse augmentée joue un rôle essentiel dans la réduction des coûts de fonctionnement des plateformes d'analytics. Comme évoqué plus haut, elle automatise la préparation des données. Sur ce plan, les algorithmes évitent les processus de traitement manuelles, notamment quand il s'agit de gros volumes (big data), suggèrent des stratégies de formatage, et recommandent l'association de différentes sources d'informations.
En aval, l'augmented analytics accélère la data visualisation d'indicateurs qualifiés. Grâce au machine learning, il génère des suggestions d'analyse contextuelles auxquelles les utilisateurs n'auraient jamais pensé. En identifiant à la fois des corrélations pertinentes et des valeurs aberrantes, l'analyse augmentée aide les collaborateurs à gagner en confiance en les accompagnant tout au long de leur raisonnement. Enfin, c'est un moyen d'obtenir des insights évoluant en temps réel en fonction des changements de contexte métier et de marché.
Quels sont les cas d’usage de l’augmented analytics ?
On retrouve l’analyse augmentée dans différents domaines tels que l’e-commerce, le marketing, la supply chain ou la gestion des outils de communication. Elle facilite la prise de décisions et se révèle pertinente dans plusieurs situations. Par exemple, le développement de chatbots d'aide à la décision ou encore le déploiement de tableaux de bord métier personnalisés au fil de l'eau.
Les services financiers sont, sans aucun doute, l'un des domaines les plus prometteurs pour l'augmented analytics. Les solutions d'analyse augmentée peuvent notamment permettre aux analystes financiers de gagner un temps précieux face à la complexité de leur environnement métier en évolution permanente, à la fois en termes de réglementations et de conditions de marché.
Quels sont les principaux outils d’augmented analytics ?
Afin de répondre aux cas d’usage précédemment évoqués, les solutions d’augmented analytics se sont multipliées ces dernières années. Parmi les produits et services les plus appréciés pour leurs qualités fonctionnelles, on peut évoquer Microsoft Power BI, MicroStrategy, Oracle, Qlick, SAP, ainsi que Tableau Software.
Qu’il s’agisse de logiciels ou de plateformes à part entière, le principe d’analyse augmentée s’accompagne le plus souvent de fonctionnalités de création et d’administration dédiées à la préparation de données et à la data visualisation.
La data préparation augmentée, c'est quoi ?
Sous-partie de l'augmented analytics, la préparation de données augmentée évite aux analystes métiers de recourir aux équipes informatiques pour accéder aux informations stockées dans les systèmes IT, extraire ces dernières puis les formater avant de les exploiter.
Augmented analytics vs augmented machine learning
Il n’y a pas véritablement d’opposition entre le principe d’augmented analytics et celui d’augmented machine learning. On parle même de complémentarité. Le machine learning augmenté consiste à recourir à l'apprentissage machine pour augmenter les capacités intellectuelles de l'Homme. Ce qui est aussi l'un des objectifs de l'analyse augmentée.