Analytique augmentée : ce que vous devez savoir pour 2019
Publié: 2019-02-23Au fur et à mesure que les entreprises commencent ou poursuivent leur processus de transformation numérique, la quantité de données qu'elles traitent augmente en volume et en complexité.
L'analyse traditionnelle - le processus de préparation et d'analyse des données, d'interprétation des résultats et de narration d'histoires avec ces données - est un processus manuel qui prend beaucoup de temps. Et cela pose des défis importants pour les entreprises qui essaient de faire face à l'explosion continue de données.
Afin de respecter les délais de préparation au marché de la transformation numérique, il est devenu impératif de réduire le temps consacré aux analyses manuelles.
Pour ce faire, nous pouvons renforcer les scientifiques des données humaines avec l'apprentissage automatique (ML) et l'intelligence artificielle (IA) pour accélérer chaque étape du parcours analytique - ce qu'on appelle l'analyse augmentée.
Au cours des 12 à 18 derniers mois, l'analyse augmentée en tant que domaine s'est développée et de plus en plus d'entreprises commencent à accepter ce processus.
Les entreprises en transformation numérique dans de nombreux secteurs tels que la pharmacie, la vente au détail, la fabrication et plus encore commencent à utiliser l'analyse augmentée.
Je pense qu'au cours de l'année à venir, ce domaine émergent sera plus largement utilisé et compris.
Bref historique de l'analytique augmentée
Au milieu des années 2000, le stockage en nuage et la puissance de calcul massivement disponibles sont devenus plus courants. Cela a fait exploser l'analyse des mégadonnées.
Il s'agissait d'un changement important, mais le processus était encore très manuel, ce qui signifie que les professionnels de l'analyse devaient encore écrire des volumes de code.
Avant la révolution du Big Data, les entreprises pouvaient avoir besoin d'analyser des milliers de flux pour obtenir des informations significatives, mais aujourd'hui, nous parlons de millions de flux.
La question est devenue : comment l'analyse des données peut-elle offrir la même valeur tout en réduisant considérablement le temps requis, sachant qu'une analyse plus rapide = un délai de mise sur le marché plus rapide = un retour sur investissement plus fort.
C'est à cela que sert l'analyse augmentée : accélérer le domaine de l'analyse des données pour en tirer plus de valeur
Comme le besoin de se disputer et de comprendre des volumes croissants de données existe, l'analyse augmentée représente un changement majeur dans ce domaine d'étude.
L'analytique augmentée perturbe déjà l'interprétation, la création et le partage de l'analytique. En retour, cela permet aux data scientists de passer moins de temps à explorer les données et plus de temps à agir sur les informations les plus pertinentes qu'avec les méthodes manuelles traditionnelles.
Cette approche est un mécanisme puissant qui permet aux entreprises d'être plus réactives et agiles - un aspect nécessaire de la transformation numérique .
Examinons d'abord les principaux avantages de l'analyse augmentée et comment cette pratique modifie les modèles commerciaux traditionnels. Analytique augmentée :
- accélère le processus de préparation et de découverte des données ;
- démocratise l'analyse des données pour les utilisateurs moins avertis en affaires ;
- permet l' adoption d'informations exploitables pour l'équipe de direction et dans l'ensemble de l'organisation.
L'importance de ces avantages pour les entreprises numériques est considérable
Il est bien entendu que pour que les organisations soient compétitives à l'ère numérique, les données sont essentielles pour obtenir des informations pertinentes et exploitables.
Pourtant, les complexités sous-jacentes inhérentes aux processus d'analyse manuelle créent de nombreux obstacles.
D'une part, les scientifiques des données qui sont compétents dans la pratique de la science des données et qui possèdent également une compréhension approfondie des modèles commerciaux et des opérations sont rares.
De plus, le temps d'un scientifique des données est précieux, mais une grande partie de ce temps est consacrée à la préparation manuelle des données via le nettoyage et l'étiquetage. Ce manque de temps et de capacité signifie que la plupart des analyses de données sont effectuées sur une petite partie des données, tandis qu'une grande partie des actifs de données ne sont pas exploités.
Explorons les avantages énumérés ci-dessus pour voir à quel point l'analyse augmentée est vraiment perturbatrice.
Trois principaux avantages de l'analyse augmentée
1. Accélère la préparation et la découverte des données
Lorsqu'elle est effectuée manuellement, la préparation des données est un effort lourd et complexe.
Lorsque les scientifiques des données ont des millions d'enregistrements à parcourir, une tâche vraisemblablement simple consistant à trouver tous les clients d'une région particulière, par exemple, peut littéralement prendre des mois.
Prenons l'exemple d'un grand détaillant de produits de papier spécialisé. Dans le cadre de leur parcours numérique, ils devaient mieux comprendre les clients, mais les données provenant des systèmes existants étaient de mauvaise qualité.

Non seulement il y avait d'énormes volumes de données à examiner, mais il y avait des incohérences dans divers domaines, et les réconcilier dans un format unifié était intimidant.
Il y avait 26 millions d'enregistrements à évaluer, dans 1200 formats de fichiers XML différents.
Nettoyer les données avec des processus manuels aurait pris de six à 12 mois. En utilisant des techniques de préparation des données d'analyse augmentée et des algorithmes de ML, le détaillant a pu nettoyer les données en trois semaines environ.
En automatisant ces étapes itératives, le temps total de préparation et de découverte des données peut être réduit de 50 à 80 %.
Imaginez à quel point votre équipe d'analyse de données pourrait être plus productive et efficace si tel était le cas !
2. Démocratise l'analyse de données
Une fois les données préparées, l'analyse augmentée détecte les signaux qui ont un impact sur les modèles commerciaux que les data scientists moins avertis en affaires peuvent ne pas être en mesure de trouver.
Avec l'analyse augmentée, les data scientists n'ont pas à déterminer l'algorithme approprié à utiliser ou à écrire du code pour obtenir des résultats.
Un ensemble d'outils d'analyse augmentée exécutera huit à 10 algorithmes sur les données et les intégrera dans un format commun pour détecter les modèles et les valeurs aberrantes.
Par exemple, une grande entreprise peut vouloir des informations sur la facturation de la part de ses fournisseurs pour déterminer s'il existe des valeurs aberrantes qui justifient une enquête plus approfondie.
Avec des opérations et des employés dans le monde entier, cela peut équivaloir à des factures provenant de milliers ou de centaines de milliers de fournisseurs chaque mois.
Sur la base des données sous-jacentes, l'analyse augmentée commencera à détecter des modèles et créera automatiquement une analyse des valeurs aberrantes pour détecter lorsqu'un fournisseur particulier, qui facture systématiquement 50 000 $ par mois à l'entreprise, envoie une facture de 500 000 $.
Bien que cela ne soit pas automatiquement signalé comme une activité frauduleuse, le montant plus important que d'habitude serait signalé comme quelque chose que le professionnel de l'analyse de données devrait enquêter plus avant, et supprime le fardeau d'écrire d'abord l'algorithme pour faire cette découverte.
En d'autres termes, l'analyse augmentée démocratise les informations, permettant aux utilisateurs professionnels d'extraire facilement des informations complexes et leur faisant gagner un temps considérable.
3. Permet l'adoption d'informations exploitables pour les dirigeants et dans l'ensemble de l'organisation
Une fois que les signaux et les modèles ont été déterminés, les résultats doivent être communiqués aux dirigeants.
Les méthodes traditionnelles de le faire, telles que la création d'un rapport ou d'un tableau de bord, imposent des charges supplémentaires aux cadres qui n'ont généralement pas le temps de se connecter à une plate-forme et de faire leur propre interprétation des données.
Avec l'analyse augmentée, l'outil lira le graphique ou le rapport et traduira les informations en déclarations en langage naturel telles que "Vos ventes diminuent dans la région X, une tendance qui s'est poursuivie au cours des derniers mois". Ou, "Vous perdez des parts de marché au profit du concurrent Y."
Les chefs d'équipe peuvent obtenir des réponses à des questions telles que « les ventes ont augmenté de 10 % à un niveau général, mais comment sont les marges à chaque niveau régional ? » Fournir ce niveau d'informations exploitables permet une prise de décision basée sur les données et augmente l'adoption dans l'ensemble de l'organisation.
Les systèmes d'analyse sophistiqués offrent des capacités de traitement de la voix et du langage naturel et sont intégrés aux interfaces de recherche d'entreprise et aux plateformes de BI.
Imaginez ceci : les scientifiques des données peuvent interagir avec des plateformes d'analyse augmentée en utilisant le langage naturel simplement en posant une question, telle que : « comment nos efforts de vente se comparent-ils à ceux de nos concurrents ? »
L'analyse augmentée résout les complexités en coulisses, ce qui simplifie le processus d'analyse des données pour les utilisateurs professionnels et les scientifiques des données citoyens.
Comment avancer avec l'analytique augmentée ?
Avec les avantages décrits ci-dessus et les technologies disponibles qui permettent cette perturbation majeure, la question n'est pas de savoir si vous devez adopter l'analyse augmentée. La question est de savoir quand commencer et comment.
Bien qu'il existe plusieurs types d'outils pour les différentes étapes décrites ci-dessus, il n'existe pas d'outil unique qui remplisse toutes les fonctions ou s'adapte à toutes les organisations.
La meilleure façon pour les entreprises de procéder est de travailler avec un partenaire de conseil qui possède une vaste expérience dans l'analyse et dans les nouveaux ensembles d'outils et méthodologies d'analyse augmentée pour créer une feuille de route personnalisée. Pour créer une voie à suivre réussie, la bonne combinaison de personnes, de processus et de technologies doit être réunie.
L'analyse augmentée est encore un domaine en évolution. Aujourd'hui, la plupart des entreprises n'adoptent pas l'analyse augmentée pour l'ensemble du processus de bout en bout, mais commencent par une petite partie, ce qui est une bonne voie à suivre.
Au cours des prochaines années, je m'attends à ce que cela change et que les organisations utiliseront l'analyse augmentée pour l'ensemble du cycle de vie de l'analyse des données.
En 2019, les avantages significatifs fournis par l'analyse augmentée sont les domaines clés à considérer : la vitesse, la démocratisation et l'adoption généralisée.
Grâce à ces capacités, les organisations sont bien équipées pour comprendre et anticiper les besoins des clients, ajuster et améliorer les processus métier et se positionner pour réussir, aujourd'hui et dans le futur.