Qu'est-ce que l'analyse prédictive ? Un guide pour les entreprises
L'analyse prédictive est une forme d'analyse avancée qui utilise des données actuelles et historiques pour prévoir l'activité, le comportement et les tendances. Elle consiste à appliquer des techniques d'analyse statistique, des requêtes de données et des algorithmes d'apprentissage automatique à des ensembles de données afin de créer des modèles prédictifs qui attribuent une valeur numérique - ou un score - à la probabilité qu'une action ou un événement particulier se produise.
L'analyse prédictive est une discipline clé dans le domaine de l'analyse des données, un terme générique qui désigne l'utilisation de méthodes quantitatives et de connaissances spécialisées pour tirer un sens des données et répondre à des questions fondamentales sur une entreprise, la météo, les soins de santé, la recherche scientifique et d'autres domaines d'enquête. Dans le contexte des entreprises, qui est l'objet principal du présent document, ce processus est souvent appelé "analyse d'entreprise".
Il existe trois grands types d'analyses d'entreprise. Le type le plus courant est l'analyse descriptive, qui rend compte de ce qui s'est passé dans une entreprise. L'analyse prédictive, qui fait l'objet du présent guide, aide les entreprises à prévoir ce qui va probablement se passer. Elle recherche des modèles dans les données et les projette dans l'avenir afin d'aider les entreprises à atténuer les risques et à tirer parti des opportunités. La troisième catégorie, l'analyse prescriptive, prescrit ou adopte automatiquement le meilleur plan d'action possible sur la base des informations générées par les deux autres types d'analyse. Deux autres modes d'analyse figurent parfois dans le continuum de l'analyse d'entreprise : l'analyse diagnostique, qui explore les causes d'un événement, et l'analyse en temps réel, qui analyse les données au fur et à mesure qu'elles sont générées, collectées ou mises à jour.
Ce guide de l'analyse prédictive explique plus en détail ce qu'est l'analyse prédictive, pourquoi elle est importante et quels sont ses avantages pour l'entreprise. Vous trouverez également des informations sur les outils et les techniques utilisés dans l'analyse prédictive, des exemples d'utilisation dans divers secteurs, un processus d'analyse prédictive en cinq étapes à suivre, etc. Tout au long du guide, des liens hypertextes renvoient à des articles connexes qui couvrent les sujets de manière plus approfondie.
Encore un peu de contexte avant d'entrer dans le vif du sujet. Les systèmes de veille stratégique -- qui sont apparus au début des années 1990 et ont été largement adoptés par les entreprises dans les années 2000 -- aident également les entreprises à prendre de meilleures décisions en collectant, en stockant, en analysant et en établissant des rapports sur les données passées. Les plateformes de BI ayant évolué pour s'adapter au big data et aux technologies émergentes telles que l'informatique en nuage, l'IdO et l'intelligence artificielle, certains considèrent désormais l'analyse d'entreprise comme un sous-ensemble de la veille stratégique ; d'autres utilisent les deux termes de manière interchangeable. Parallèlement, l'apprentissage automatique étant devenu fondamental pour l'analyse prédictive, de nombreux projets d'analyse prédictive sont simplement désignés comme des applications d'apprentissage automatique ou de science des données. Les différences subtiles et les chevauchements entre ces termes sont importants pour les experts, mais dans la pratique, ils ne le sont pas tant que cela. Comme l'a fait remarquer Dursun Delen, spécialiste de l'analyse d'entreprise, dans son manuel récemment mis à jour sur l'analyse prédictive, "quelle que soit la terminologie utilisée, l'objectif est le même : créer des informations exploitables à partir de données volumineuses et riches en fonctionnalités".
Pourquoi l'analyse prédictive est-elle importante ?
La nécessité de l'analyse prédictive est sans doute plus cruciale que jamais. "La notion traditionnelle d'apprentissage à partir des erreurs ne s'applique plus ; la réalité d'aujourd'hui est plus proche de 'un coup et vous êtes éliminé'", écrit Delen, professeur de sciences de gestion et de systèmes d'information à l'Oklahoma State University, dans son introduction à Predictive Analytics, Second Edition. "Les organisations qui utilisent l'analyse d'entreprise peuvent non seulement survivre, mais souvent prospérer dans ce type de situation.
Les données sont l'élément vital de l'analyse commerciale et, de plus en plus, le carburant des entreprises. Les entreprises, grandes ou petites, fonctionnent grâce aux données générées et collectées à partir de leurs activités et de sources externes. Par exemple, les entreprises collectent des données sur chaque étape du parcours de l'acheteur, en suivant quand, quoi, combien et à quelle fréquence les clients achètent. Elles suivent également les défections de clients, les réclamations, les retards de paiement, les défauts de paiement et les fraudes.
Mais la quantité massive de données que les entreprises accumulent sur leurs clients, leurs opérations commerciales, leurs fournisseurs, les performances de leurs employés, etc. n'est utile que si elle est exploitée. "Les données sont devenues tellement omniprésentes dans les opérations commerciales que le simple fait d'avoir accès à des données plus nombreuses ou de meilleure qualité ne constitue pas en soi une différence essentielle", note l'expert en analyse Donald Farmer, directeur du cabinet de conseil TreeHive Strategy, dans son article approfondi sur la différence entre l'analyse descriptive, l'analyse prédictive et l'analyse prescriptive. "Ce qui change les résultats des entreprises aujourd'hui, c'est la façon dont nous comprenons et agissons sur nos données. Cette compréhension passe par l'analyse".
L'analyse prédictive donne aux entreprises une longueur d'avance en recherchant des modèles significatifs dans ces données cumulées, puis en construisant des modèles qui prévoient ce qui se passera probablement à l'avenir. Par exemple, sur la base du comportement passé d'un client et du comportement d'autres clients ayant des attributs similaires, quelle est la probabilité que le client réponde à un certain type d'offre marketing, qu'il n'effectue pas un paiement ou qu'il se débarrasse d'un produit ?
Les services de vente et de marketing avisés tirent depuis longtemps parti de la modélisation prédictive, mais l'analyse prédictive est désormais utilisée dans toutes les fonctions commerciales et tous les secteurs d'activité. Elle est utilisée tactiquement par les organisations pour améliorer les indicateurs de performance clés en réduisant les risques, en optimisant les opérations et en augmentant l'efficacité, et pour définir des stratégies qui, en fin de compte, confèrent un avantage concurrentiel.
Cependant, les techniques avancées telles que l'analyse prédictive peuvent être difficiles à mettre en œuvre, comme nous l'expliquons ci-dessous.
Comment fonctionne l'analyse prédictive ?
Les logiciels d'analyse prédictive utilisent des variables qui peuvent être mesurées et analysées pour prédire le comportement probable d'individus, de machines ou d'autres entités.
De multiples variables sont combinées dans un modèle prédictif capable d'évaluer les probabilités futures avec un niveau de fiabilité acceptable. Le logiciel s'appuie fortement sur des algorithmes et des méthodologies avancés, tels que les modèles de régression logistique, l'analyse des séries temporelles et les arbres de décision (voir la section ci-dessous sur les "techniques d'analyse prédictive").
L'élaboration de ces prévisions n'est pas nécessairement facile, rapide ou directe. Comme l'a expliqué Elif Tutuk, vice-présidente de l'innovation et de la conception chez Qlik, fournisseur de logiciels de BI et de gestion des données, à George Lawton, journaliste spécialisé dans les technologies, la collecte des données peut à elle seule prendre des mois, voire des années. En outre, si les données sont inexactes ou obsolètes, ou si les mauvais outils sont utilisés, les résultats prédictifs en pâtiront.
Le processus d'analyse prédictive varie en fonction de l'industrie, du domaine et de la maturité de l'organisation. Un exemple simple de déploiement de l'analyse prédictive consiste à acheter un produit - par exemple, un moteur de fraude ou un filtre anti-spam - qui est doté de capacités d'analyse prédictive et d'un mécanisme permettant de donner un retour d'information en temps utile aux personnes chargées du service. À l'autre extrémité du spectre, on trouve des organisations qui construisent des cadres solides pour développer, publier, déployer et faire évoluer des modèles prédictifs adaptés à leur activité.
Comment développer un processus d'analyse prédictive
Une description détaillée des étapes clés du déploiement de l'analyse prédictive et des compétences humaines qu'elles requièrent figure dans l'article de Lawton intitulé "5-step predictive analytics process cycle" (cycle de processus d'analyse prédictive en 5 étapes). Voici un résumé de chaque étape :
- Définir les besoins. Comprenez le problème commercial que vous essayez de résoudre. S'agit-il de gérer les stocks ? Réduire la fraude ? Prévoir les ventes ? Générer des questions sur le problème et les classer par ordre d'importance est un bon début. À ce stade, la collaboration avec un statisticien peut aider à définir des paramètres pour mesurer le succès. Un utilisateur professionnel ou un expert en la matière prend généralement en charge cette première étape.
- Explorer les données. Ici, vous devrez faire appel à un statisticien ou à un analyste de données, voire aux deux. Il s'agit d'identifier les données qui renseignent sur le problème que vous essayez de résoudre et sur l'objectif à atteindre. Examinez la pertinence, l'adéquation, la qualité et la propreté des données.
- Élaborer le modèle. Un scientifique des données peut aider à déterminer les modèles prédictifs les mieux adaptés à la résolution du problème. Il est important d'expérimenter différentes caractéristiques, algorithmes et processus afin de trouver un équilibre entre les performances, la précision et d'autres exigences, telles que l'explicabilité.
- Déployer le modèle. Une fois le modèle approuvé par le scientifique des données, un ingénieur des données détermine la meilleure façon d'extraire, de nettoyer et de transformer les données brutes requises pour déployer le modèle à grande échelle et, surtout, d'une manière qui fasse une différence significative - par exemple, en intégrant un nouvel algorithme de notation dans le flux de travail de l'équipe de vente.
- Valider les résultats. Les performances du modèle peuvent changer au fil du temps en raison de l'évolution des préférences des clients ou du climat des affaires, ou encore d'événements imprévus tels qu'une pandémie. Les seuils de mise à jour des modèles varient, ce qui nécessite l'expertise conjointe d'un utilisateur professionnel et d'un scientifique des données pour cette étape.
L'utilisation et l'efficacité de l'analyse prédictive se sont développées parallèlement à l'émergence des systèmes de big data. En accumulant des réserves de données de plus en plus importantes dans des clusters Hadoop, des lacs de données en nuage et d'autres plateformes de big data, les entreprises ont créé davantage d'opportunités d'exploration de données pour obtenir des informations prédictives. Le développement et la commercialisation accrus d'outils d'apprentissage automatique par les fournisseurs de technologies de l'information ont également contribué à l'expansion des capacités d'analyse prédictive.
De plus, tout comme les outils de BI ont évolué pour devenir plus conviviaux et donc plus répandus, la même tendance se produit dans le domaine de l'analyse avancée. Ce sujet est exploré ci-dessous dans les sections "Outils d'analyse prédictive" et "L'avenir de l'analyse prédictive".
Pourtant, le déploiement de l'analyse prédictive peut s'avérer ardu, long et compliqué - et les bénéfices de ce travail ne sont en aucun cas garantis.
Ces quatre points contribueront à la réussite de votre stratégie d'analyse prédictive, conseille Donald Farmer, de TreeHive, dans son article intitulé "Benefits of predictive analytics for businesses" (Avantages de l'analyse prédictive pour les entreprises) :
- Les bonnes prévisions reposent sur de bonnes données. Des données incomplètes ou inexactes ne donneront pas lieu à de bonnes projections.
- Les bons résultats futurs dépendent du choix des meilleures techniques de modélisation prédictive lors de la recherche de modèles dans les ensembles de données. Les scientifiques des données sont formés à cet effet, et les nouveaux systèmes d'apprentissage automatique peuvent exécuter des modèles pour trouver les meilleures approches.
- L'ambiguïté est inévitable dans les prédictions - exemple : les prévisions météorologiques. Apprenez à travailler avec des résultats imparfaits.
- Vos prédictions doivent être des informations exploitables. Vous devez être en mesure de faire quelque chose d'utile avec la prédiction et de tester son exactitude à l'avenir.
À quoi sert l'analyse prédictive ?
Les prévisions météorologiques sont l'une des utilisations les plus connues de la modélisation prédictive. L'analyse prédictive est également utilisée pour prévoir les élections, prédire la propagation des maladies et modéliser les effets du changement climatique.
Dans le monde des affaires, la modélisation prédictive aide les entreprises à optimiser leurs opérations, à améliorer la satisfaction de leurs clients, à gérer leurs budgets, à identifier de nouveaux marchés, à anticiper l'impact d'événements extérieurs, à développer de nouveaux produits et à définir des stratégies commerciales, de marketing et de tarification. Par exemple, une compagnie d'assurance est susceptible de prendre en compte des variables potentielles de sécurité au volant - telles que l'âge, le sexe, la localisation, le type de véhicule et les antécédents de conduite - lors de la tarification et de l'approbation des polices d'assurance automobile.
Les applications commerciales de l'analyse prédictive comprennent le ciblage des publicités en ligne, l'analyse du comportement des clients pour déterminer les habitudes d'achat, la détection des transactions financières potentiellement frauduleuses, l'identification des patients susceptibles de développer des conditions médicales particulières et la détection des défaillances imminentes des pièces d'un équipement industriel avant qu'elles ne se produisent. Wall Street utilise la modélisation prédictive pour sélectionner des actions et d'autres investissements.
Comme on l'a vu, le secteur du marketing a été un adopteur notable de l'analyse prédictive, de même que les grands moteurs de recherche et les fournisseurs de services en ligne. D'autres secteurs sont de grands utilisateurs de l'analyse prédictive, notamment les soins de santé et l'industrie manufacturière. Des exemples spécifiques d'utilisation de l'analyse prédictive par les entreprises sont détaillés plus loin dans ce guide.
Techniques d'analyse prédictive
L'analyse prédictive requiert un haut niveau d'expertise en matière de méthodes statistiques et la capacité de construire des modèles d'analyse prédictive. Comme indiqué dans la section sur le processus en cinq étapes de l'analyse prédictive, c'est généralement le domaine des data scientists, des statisticiens et d'autres analystes de données qualifiés. Ils sont assistés par des ingénieurs de données, qui aident à rassembler les données pertinentes et à les préparer pour l'analyse, et par des développeurs BI et des analystes commerciaux, qui aident à la visualisation des données, aux tableaux de bord et aux rapports.
Les data scientists utilisent des modèles prédictifs pour rechercher des corrélations entre différents éléments de données dans les données de parcours des sites web, les dossiers médicaux des patients et d'autres types d'ensembles de données. Une fois la collecte de données effectuée, un modèle statistique est formulé, entraîné et modifié si nécessaire pour produire des résultats précis. Le modèle est ensuite comparé aux données sélectionnées pour générer des prédictions. Dans certaines applications, des ensembles complets de données sont analysés, mais dans d'autres, les équipes d'analyse utilisent un échantillonnage de données pour rationaliser le processus. La modélisation prédictive est validée ou révisée en permanence, au fur et à mesure que des données supplémentaires sont disponibles.
Le processus d'analyse prédictive n'est pas toujours linéaire et les corrélations se présentent souvent là où les scientifiques des données ne regardent pas. C'est pourquoi certaines entreprises pourvoient les postes de data scientist en recrutant des personnes ayant une formation universitaire en physique et dans d'autres disciplines des sciences dures. Conformément à la méthode scientifique, ces travailleurs sont à l'aise pour aller là où les données les mènent. Même si les entreprises suivent la voie plus conventionnelle consistant à recruter des data scientists formés aux mathématiques, aux statistiques et à l'informatique, l'ouverture d'esprit en matière d'exploration des données est un attribut clé pour une analyse prédictive efficace.
Une fois que la modélisation prédictive produit des résultats exploitables, l'équipe d'analyse peut les partager avec les cadres de l'entreprise, généralement à l'aide de tableaux de bord et de rapports qui présentent les informations et mettent en évidence les futures opportunités commerciales basées sur les résultats. Les modèles fonctionnels peuvent également être intégrés dans des applications opérationnelles et des produits de données afin de fournir des capacités d'analyse en temps réel, comme un moteur de recommandation sur un site web de vente au détail en ligne qui oriente les clients vers des produits particuliers en fonction de leur activité de navigation et de leurs choix d'achat.
Au-delà de la modélisation prédictive, d'autres techniques sont utilisées par les scientifiques des données et les experts en analyse prédictive :
- l'exploration de données (data mining) pour trier de grands ensembles de données à la recherche de modèles et de relations qui peuvent aider à résoudre les problèmes de l'entreprise grâce à l'analyse des données ;
- l'analyse de texte pour exploiter les contenus textuels, tels que les documents Microsoft Word, les courriels et les messages sur les médias sociaux ;
- l'apprentissage automatique, y compris l'utilisation d'algorithmes de classification, de regroupement et de régression qui aident à identifier les modèles et les relations entre les données ; et
- un apprentissage profond plus avancé basé sur les réseaux neuronaux, qui émule le cerveau humain et peut automatiser davantage les efforts d'analyse prédictive.
Quels sont les exemples d'analyse prédictive dans les entreprises ?
Les exemples d'applications de l'analyse prédictive couvrent toutes les fonctions et tous les secteurs d'activité. En outre, comme la technologie devient plus précise, plus facile à utiliser et moins coûteuse, les utilisations et les avantages de l'analyse prédictive vont augmenter, a rapporté la journaliste technologique Maria Korolov dans sa mise à jour des principaux cas d'utilisation de l'analyse prédictive dans les entreprises.
Voici un échantillon de la manière dont les entreprises appliquent l'analyse prédictive.
Marketing. L'utilisation de l'analyse prédictive dans le domaine du marketing a transformé la manière dont les entreprises vendent à leurs clients. Mary K. Pratt, rédactrice spécialisée dans les technologies, indique dans son article sur la manière d'assurer le succès du marketing grâce à l'analyse prédictive que la variété des cas d'utilisation comprend la prochaine meilleure action, la qualification des prospects, la gestion proactive du désabonnement, la prévision de la demande et les "créations basées sur les données" - l'utilisation de l'analyse prédictive pour aider à décider du style de média et de la forme de message qui auront le plus d'écho auprès de certains clients.
Gestion de la chaîne d'approvisionnement. La pandémie de COVID-19 a mis en évidence un besoin accru de meilleurs modèles statistiques et de prévisions dans la gestion de la chaîne d'approvisionnement. La pandémie a forcé les entreprises à jeter "les données historiques par la fenêtre", a déclaré Alexander Wurm, analyste de recherche, à Korolov, et à mettre à jour leurs processus avec des données en temps réel et des informations provenant de tiers. Par exemple, les données en temps réel générées par l'IdO alertent les entreprises sur les marchandises avariées ou endommagées, ce qui accroît l'utilité de l'analyse prédictive dans des environnements en évolution rapide.
Détection de la fraude. La dernière enquête mondiale sur la criminalité menée par PricewaterhouseCoopers a révélé que les taux de fraude atteignent des niveaux record, coûtant aux entreprises du monde entier la somme astronomique de 42 milliards de dollars au cours des deux dernières années. De nombreuses entreprises disposent de petites équipes d'enquêteurs, ce qui rend la technologie prédictive essentielle pour lutter contre la fraude. L'analyse prédictive est utilisée pour analyser des centaines de milliers de demandes d'indemnisation et ne transmettre aux équipes d'enquêteurs que celles qui sont les plus susceptibles d'être frauduleuses. Elle est également utilisée par les détaillants pour authentifier les clients lorsqu'ils se connectent et les surveiller afin de détecter tout comportement suspect au fur et à mesure.
Les soins de santé. Comme l'a indiqué Mme Pratt dans son recueil des 12 façons dont l'analyse prédictive apporte une valeur ajoutée aux soins de santé, son utilisation est à la fois difficile et appelée à se développer dans ce domaine. La prédiction de la probabilité que les patients développent certaines conditions médicales et la prévision de la progression des maladies chez les patients sont des utilisations importantes, qui impliquent des données provenant de dossiers médicaux électroniques, de référentiels fédéraux, de données biométriques, de données relatives aux demandes de remboursement, etc. L'administration de la santé bénéficie également de l'analyse prédictive, qui est utilisée pour identifier les patients présentant un risque élevé de réadmission à l'hôpital, optimiser l'affectation des ressources et gérer les chaînes d'approvisionnement, entre autres applications.
Maintenance et surveillance prédictives. Les données de l'IoT sont utilisées dans la modélisation prédictive pour prévoir les pannes d'équipement. Les fabricants fixent des capteurs sur les machines dans les ateliers et sur les produits mécatroniques, tels que les automobiles ; les données des capteurs sont ensuite utilisées pour prévoir quand les travaux de maintenance et de réparation doivent être effectués afin d'éviter les problèmes. L'analyse prédictive est également utilisée pour surveiller les oléoducs et les gazoducs, les plates-formes de forage, les parcs d'éoliennes et diverses autres installations industrielles IoT. Les prévisions météorologiques locales pour les agriculteurs, basées en partie sur les données collectées par les stations de données météorologiques équipées de capteurs et installées dans les champs, constituent une autre application de modélisation prédictive pilotée par l'IoT.
Outils d'analyse prédictive
Une large gamme d'outils est utilisée pour la modélisation et l'analyse prédictives. AWS, Google, IBM, Microsoft, SAP, SAS Institute et de nombreux autres fournisseurs de logiciels proposent des outils d'analyse prédictive et des technologies connexes prenant en charge les applications d'apprentissage automatique et d'apprentissage profond.
En outre, les logiciels libres jouent un rôle important sur le marché de l'analyse prédictive. Le langage analytique open source R est couramment utilisé dans les applications d'analyse prédictive, tout comme les langages de programmation Python et Scala. Plusieurs plateformes d'analyse prédictive et d'apprentissage automatique sont également disponibles, notamment une bibliothèque d'algorithmes intégrée au moteur de traitement Spark.
Les équipes d'analystes peuvent utiliser les éditions open source de base de R et d'autres langages d'analyse ou payer pour les versions commerciales proposées par des fournisseurs tels que Microsoft. Les outils commerciaux peuvent être coûteux, mais ils sont accompagnés d'une assistance technique de la part du fournisseur ; les utilisateurs des versions purement open source, en revanche, doivent se débrouiller seuls ou chercher de l'aide sur les sites d'assistance de la communauté open source.
Le marché de l'analyse prédictive gagne en taille et en importance
Selon Markets and Markets, le marché de l'analyse prédictive, qui devrait atteindre 10,5 milliards de dollars en 2022, devrait presque tripler pour atteindre 28 milliards de dollars d'ici à 2026.
Si les problèmes de personnel et de budget liés à la pandémie de COVID-19 ont freiné les plans d'investissement de certaines entreprises dans les technologies d'analyse, pour d'autres, l'analyse est devenue encore plus importante, aidant les entreprises à s'adapter à l'évolution rapide des comportements des clients et aux perturbations de la chaîne d'approvisionnement, d'après le rapport.
L'importance de l'analyse prédictive et d'autres types d'analyse dans l'entreprise est apparue clairement dans une enquête réalisée en 2021 par Hanover Research pour LogiAnalytics auprès de près de 2 000 travailleurs du savoir : 90 % des personnes interrogées ont déclaré que l'analyse est "très ou extrêmement précieuse" lors de la prise de décisions commerciales, et 87 % ont déclaré que leur organisation utilisait l'analyse "souvent ou très souvent" pour prendre des décisions commerciales.
Quel est l'avenir de l'analyse prédictive ?
Traditionnellement le domaine des data scientists et autres experts quantitatifs, l'analyse prédictive est un art et une science pratiqués par quelques personnes hautement qualifiées pour le bénéfice du plus grand nombre, lorsque cela fonctionne.
Mais le domaine de l'analyse avancée est en train de changer. Comme l'indique l'article de Lawton sur les outils et techniques d'analyse prédictive cité plus haut, les fournisseurs trouvent des moyens de réduire le temps et l'expertise nécessaires à l'élaboration de modèles prédictifs. "Ce qui nécessitait des semaines d'écriture de code peut désormais être réalisé en quelques clics de souris et grâce à une automatisation poussée", indique M. Lawton.
Les techniques avancées d'apprentissage automatique réduisent la nécessité de comprendre en profondeur comment les différentes variables s'influencent mutuellement, en choisissant automatiquement la meilleure combinaison d'algorithmes pour une tâche donnée. Il existe également un marché croissant d'outils d'analyse spécifiques à l'industrie, avec des modèles préétablis qui intègrent les meilleures pratiques et simplifient considérablement le processus d'analyse prédictive. L'analyse prédictive est en train de se démocratiser, pour utiliser le jargon du secteur - c'est du moins ce que l'on promet.
Boris Evelson, analyste principal chez Forrester Research et expert en analyse depuis des décennies, a fait de ces outils d'analyse avancés l'un de ses principaux domaines de recherche. Les algorithmes de ML intégrés et les interfaces utilisateur conversationnelles, avec des fonctions de traitement et de génération de langage naturel, sont susceptibles de changer la donne, a-t-il déclaré. "Ainsi, non seulement je n'ai plus besoin d'un data scientist pour faire ce calcul, mais je n'ai pas besoin d'un data scientist pour le faire. Je n'ai pas besoin d'un data scientist pour me l'expliquer".
Mais il est encore tôt, et ces outils potentiellement merveilleux se heurtent à un obstacle persistant. Il y a vingt ans, a déclaré M. Evelson, les nouveaux développements en matière de logiciels de BI étaient présentés comme "la meilleure chose depuis le pain tranché", offrant des interfaces "pointer-cliquer" et "glisser-déposer" qui mettaient cette technologie avancée à la portée du plus grand nombre d'utilisateurs. Cela ne s'est pas produit.
"Le chiffre que nous aimons utiliser aujourd'hui est d'environ 20 % - c'est-à-dire que pas plus de 20 % de tous les décideurs d'entreprise qui pourraient et devraient utiliser ces outils les utilisent aujourd'hui", a-t-il déclaré. "Les autres s'appuient encore sur des analystes de données professionnels.
La technologie est en partie responsable, mais ce sont surtout les personnes, la culture, les processus et les défis liés aux données qui font obstacle à une adoption plus large. Avec ces nouvelles plateformes d'analyse augmentée, a déclaré M. Evelson, "ces 20 % vont-ils devenir 30 %, 40 %, 50 % ? Je ne sais pas.
Il a ajouté qu'il n'était pas si tôt que cela, mais que les avantages apportés par ces plateformes d'intelligence automatisée comportaient également des risques. Les algorithmes et les modèles d'apprentissage automatique ne valent que ce que valent les données sur lesquelles ils ont été formés. "Si ces données changent très rapidement, et qu'elles changent selon un modèle qui ne ressemble plus aux données sur lesquelles elles ont été formées, les scientifiques professionnels des données le comprennent et l'intègrent dans le processus", a déclaré M. Evelson. Mais ModelOps "n'a pas encore fait son chemin dans ces nouvelles plateformes de BI augmentée". La mise à jour de ces modèles peut être un travail à plein temps pour beaucoup de personnes, a-t-il noté, suggérant que pour l'instant, au moins, l'analyse prédictive et d'autres formes d'analyse avancée restent une affaire de professionnels.
