Les différents visages de l'analytique augmentée

Voici les cinq principaux cas d'utilisations actuels de l'analytique augmentée dont votre entreprise pourrait tirer parti. Ils vont de la préparation des données, aux requêtes en langage naturel en passant par l'automatisation et la réutilisation d'analyses.

par

Ericka Chickowski

Publié le: 22 août 2019

« L'analytique augmentée » améliore le traitement statistique des données, collectées en continu, grâce à des fonctionnalités avancées qui permettent aux analystes BI et aux utilisateurs métier d'accéder plus facilement aux enseignements issus de ces données (les insights). Parmi ces fonctionnalités, on trouve évidemment l'intelligence artificielle (dont le Machine Learning), mais aussi l'automatisation et ou l'informatique cognitive avec le traitement du langage naturel (NLP) qui facilite les requêtes.

« Au cours des dix dernières années, nous avons assisté à une telle explosion des données provenant de tant de sources différentes que, quelles que soit leurs tailles, les entreprises ont besoin d'aide pour organiser et comprendre ces données », avance Ben Gaines, directeur produit Adobe Analytics Cloud.

Et effectivement, ce besoin semble se traduire par une croissance énorme de la demande. Selon Market Research Future, le marché mondial de l'analytique augmentée devrait croître de 24 % par an jusqu'en 2023, date à laquelle il devrait atteindre les 13 milliards de dollars.

Quoi qu'il en soit, les améliorations concrètes apportées par l'analytique augmentée peuvent se classer en cinq grandes catégories.

I - Data Preparation

« L'analytique augmentée diminue le nombre de processus laborieux, que nécessite la préparation des données et qui doivent être refaits à chaque fois que les analystes reçoivent un nouveaux jeu de données », explique Krzysztof Surowiecki, directeur chez Hexe Data.

D'après lui, les analystes passent généralement 80 % de leur temps à « nettoyer » les données dans un ETL.

L'analytique augmentée peut diminuer ce pourcentage en automatisant ces processus. De cette manière, les experts peuvent consacrer plus de leur temps à l'analyse en tant que telle, pour générer de vrais enseignements et proposer des recommandations.

II - Amélioration de la « questionnabilité » des données

Un autre but de l'intelligence artificielle infusée dans l'analytique est d'améliorer la « questionnabilité » des données, selon Ben Gaines (en V.O. « queryability »). Ce néologisme signifie qu'il est plus facile pour tous les utilisateurs de poser des questions et d'interagir avec les données.

« Le NLP est vraiment utile ici », constate Ben Gaines. « Le fait de pouvoir taper une question ou de la poser oralement, dans les deux cas en langage naturel, et de disposer d'un outil qui "traduit" cela en requête qui elle-même génère un résultat pertinent, signifie que les personnes - qui ne savent pas nécessairement comment appliquer un filtre ou ajouter une dimension à un rapport - peuvent maintenant commencer à analyser leur activité en s'appuyant réellement sur les données ».

Un bon exemple est la compagnie d'assurance Allianz Italie. Cette société a construit une plate-forme - appelée Allianz Virtual Advisor - avec l'analytique augmentée de la startup iGenius. La plateforme permet aux agents d'interroger leurs smartphones sur des indicateurs - comme le suivi des revenus, la performance d'un produit particulier ou les profils de clients - en utilisant la voix ou des requêtes textuelles comme s'ils parlaient à leur téléphone.

III - Permettre l'avènement des « Citizen Data Scientists »

Cette meilleure « questionnabilité » permet à la fois aux professionnels de l'analytique de creuser davantage dans les données tout en élargissant la base utilisateurs de la BI. En d'autres termes, l'analytique augmentée est essentielle pour permettre la démocratisation et donc l'avènement du « Citizen Data Scientist ».

« Les entreprises vont pouvoir embaucher des profils moins techniques, qui comprennent les métiers et qui pourront tout de même faire des recommandations en s'appuyant sur les données », explique Krzysztof Surowiecki. « C'est un changement très intéressant que nous allons certainement observer dans un avenir proche ».

Lorsqu'elle est bien employée, l'IA devrait offrir aux employés lambda - non experts de la data - une manière beaucoup plus confortable de consulter les analyses qui ont été créées pour eux, ajoute Ben Gaines.

« Les tableaux de bord statiques ne suffisent souvent pas à répondre à des questions pointues et complexes », constate pour sa part Ben Gaines. « L'Intelligence Artificielle et le Machine Learning contribuent à trouver quelle est la bonne question à se poser dans un deuxième temps pour approfondir l'analyse. [...] D'un coup, les capacités analytiques deviennent bien plus que des graphiques à colonnes ou des camemberts - elles se transforment en une conversation entre les métiers et la donnée qui leur permet d'avoir des réponses ».

IV - Exploiter et pérenniser les patrimoines de connaissances

Dans de nombreuses entreprises industrielles, le vieillissement de la main-d'œuvre commence à devenir une préoccupation stratégique, analyse Heena Purohit, chef de produit principal IBM Watson IoT. Une grande partie de cette main-d'œuvre expérimentée prendra sa retraite dans les cinq à dix ans.

« Les entreprises sont à la recherche de moyens pour conserver leurs patrimoines de connaissances et d'expertises. L'intelligence augmentée peut les aider », avance-t-elle.

Dans le secteur de l'industrie, les clients IBM peuvent utiliser les capacités NLP d'un produit Watson baptisé Equipment Maintenance Assistant (Assistant de maintenance des équipements). Watson compulse des données structurées et non structurées contenues dans une multitude de documents qui vont des manuels, aux normes réglementaires et aux procédures de sécurité, en passant par les rapports et les journaux de travail. Sur la base de ces données historiques ingérées, l'assistant est en mesure de répondre aux questions posées par les techniciens de maintenance et d'exploitation.

Une société pétrolière et gazière australienne a par exemple demandé à cette fonction d'analytique augmentée d'ingérer 30 ans de connaissances en ingénierie de forage pour aider ses techniciens novices à prendre de bonnes décisions dans des projets complexes.

V - Automatisation de la production des enseignements

Autre application de l'analytique augmentée : l'automatisation des analyses. L'idée est d'avoir des outils d'apprentissage statistique (Machine Learning) réutilisables dans différents cas connexes. Le but est d'accélérer des processus qui prendraient des mois à refaire depuis une page blanche par une équipe de Data Scientists.

Par exemple, Adobe a développé un outil appelé Segment IQ qui lance la comparaison de deux groupes de clients sur des centaines de dimensions différentes, et cela en cliquant sur un seul bouton. Cet outil permet de confirmer - ou de réfuter - les intuitions des managers en seulement quelques instants (ce qui prendrait des mois sans réutilisation du ML). En d'autres termes, ils font du ML sans le savoir.

Ben Gaines raconte qu'une entreprise de services B2B avec laquelle Adobe travaille, envisageait de réduire son budget de publicité numérique en raison d'un mauvais taux de conversion.

« L'équipe marketing a alors créé un segment qui regroupe les visiteurs qui arrivent sur le site via une recherche sponsorisée. Elle l'a comparé aux autres segments de visiteurs avec Segment IQ », témoigne le responsable d'Adobe. « Ce qu'ils ont découvert c'est que si ces visiteurs "payants" n'étaient effectivement pas enclins à devenir de nouveaux clients, ceux qui étaient déjà clients étaient trois fois plus enclins à acheter un complément de service (upsell). L'équipe marketing a alors pu concentrer son budget sur les seuls mots-clés liés à l'upsell et a constaté une augmentation de 56 % des ventes ».