Bien que souvent déjà matures avec la Business Intelligence (BI) intégrée à leurs processus métiers, plusieurs entreprises se sont dotées de technologies innovantes autour du Big Data telles que l’IA et le Machine Learning afin d’améliorer leurs processus d’affaires, leur performance et leur efficacité face à cette explosion exponentielle du volume de données et à la démultiplication des échanges.
En effet, selon IBM, 90% des données mondiales ont été créées durant ces deux dernières années. IDC prévoit même, d’ici 2025, une multiplication par 8 du volume total de données à analyser (soit environ 163 Zettaoctets). Un volume important qui défie toujours plus la capacité d’analyse de l’homme et le traitement des machines.
Dans cette course mondiale de l’économie de la data, comment exploiter efficacement l’ensemble des données dont nous disposons avec ces nouvelles technologies et pour quelles valeurs ajoutées ?
Intelligence Artificielle & Business Intelligence : une combinaison gagnante ?
Lorsque l’on nous parle d’Intelligence Artificielle, on pense souvent au fameux test de Turing de 1950 visant à créer une intelligence capable de reproduire la conversation humaine. Mais l’IA depuis a bien changé. Si son fondement reste le même, autrement dit, créer des machines capables de simuler l’intelligence à partir de théories et de techniques implémentées, ses cas d’usage se sont diversifiés (Chatbot, Machine Learning…), notamment dans la prise de décision.
De son côté, la Business Intelligence est un ensemble d’outils et de méthodes visant à transformer des données brutes en connaissances afin d’aider la prise de décision. La BI que nous connaissons aujourd’hui traite principalement d’importants volumes de données structurées.
Dans l’analyse augmentée, terme introduit par le Gartner en 2017 dans l’ouvrage « Augmented Analytics Is the Future of Data and Analytics » [1], la BI complétée par l’IA permet d’exploiter l’ensemble des données non structurées à disposition, favorisant ainsi l’analyse complexe (notamment prédictive) pour les entreprises.
Et l’IA n’en reste pas là. En effet, en automatisant le traitement des données grâce au Machine Learning, l’IA permet aussi aux humains de se dégager plus de temps pour des tâches à plus forte valeur ajoutée. On constate même que la majorité des organisations s’avèrent sensibles aux promesses de l’IA puisque 8 entreprises sur 10 en 2017 ont déjà commencé à investir dans l’IA dont le marché mondial est estimé à 37 milliards de dollars d’ici 2025. Qlikview (éditeur de solutions BI) rajoute même que : « L’Intelligence Artificielle n’est pas strictement « artificielle ». L’approche idéale amplifie l’intuition humaine à l’aide d’une intelligence informatique pour créer un puissant effet multiplicateur. C’est l’intelligence augmentée. » [2].
Oui, mais comment procéder ?
Pour toute analyse de données, l’essentiel repose dans la préparation et le traitement des données en amont. En BI, ces données sont collectées, nettoyées, transformées et stockées dans un entrepôt de données grâce à un ETL (Informatica, Datastage, Talend…) puis analysées et présentées grâce à des outils de restitutions (IBM Cognos, SAP Business Object, Microstrategy, Toucan Toco…) ou d’exploration de données (Qlikview, Tableau Software, Dig Dash…).
Dans cette combinaison de l’IA et de la BI, la préparation des données s’apparente fortement à celle de la BI plus classique. Cependant, l’apport complémentaire majeur de l’IA repose sur l’intégration des données non structurées grâce à l’analyse du langage naturel, et sur une automatisation de l’ensemble de ces tâches, souvent réalisées par l’Homme, à l’aide du Machine Learning.
En effet, l’IA pourrait en amont proposer de collecter des données externes (issues de l’Open Data par exemple), de les nettoyer et de les associer entre elles par hiérarchie, par type de données ou encore par regroupement et régression par le biais d’algorithmes statistiques dans l’identification de tendances et de modèles. Il en va de même pour le partage des données pour lequel la manipulation et la présentation des données pour les décideurs en sont simplifiées puisque restituées à travers des outils qui leur sont déjà familiers. L’IA pourrait directement leur proposer une analyse à privilégier ou à partager, et engendrer des prises de décisions plus rapides et effectuées avec plus de confiance.
Néanmoins, le point déterminant d’une bonne décision résulte certes de l’exploitation d’un échantillon de données représentatif, mais surtout de la qualité des données qui impactera nécessairement la qualité de l’analyse selon le principe du « Garbage In, Garbage Out ». La précision des prédictions est par conséquent intrinsèquement liée à la précision des données en amont. L’instauration d’une bonne gouvernance de la donnée est donc un élément central et le développement d’une culture de la donnée au sein de l’entreprise facilitera amplement son essor.
Enfin, cette combinaison des capacités cognitives de l’Homme, de la Business Intelligence et de l’Intelligence Artificielle semble être la formule idéale pour accroître considérablement le potentiel d’exploitation de nos données, et les perspectives grandissantes offertes aujourd’hui par le marché en sont témoins.
Sources :
[1] « Augmented Analytics Is the Future of Data and Analytics » par Rita L. Sallam, Cindi Howson, and Carlie J. Idoine
[2] https://www.qlik.com/fr-fr/bi/augmented-intelligence-and-analytics
