Analyses augmentées et Business Intelligence (BI)
Qu'est-ce que l'analyse augmentée ?
La définition la plus simple de l’analytique augmentée est l’utilisation du Machine Learning (ML) et du traitement du langage naturel ou Natural Language Processing (NLP) pour mieux analyser les données. Les données sont extraites, filtrées et analysées avec l’IA pour trouver des modèles et des informations pertinentes. Cela génère des réponses rapides et automatisées qui peuvent être communiquées sans l’intervention d’un data scientist ou d’un analyste.
Cette méthode permet d'industrialiser le traitement des données par leur exploitation. La notion d'analytique augmentée a été conceptualisée par le cabinet d'études Gartner en 2017, dans son rapport "Emerging technologies : hype cycle".
En effet, les informations fournies par les données au sein d'une entreprise peuvent être assez vagues. Par exemple, si les données montrent que vos revenus sont en baisse, le fait de le savoir ne sera d'aucune utilité. Il est alors nécessaire d'identifier la source du problème ainsi que les autres dysfonctionnements qui peuvent être liés. Entre autres choses, les données non interprétées sont superflues.
Or, l'analytique augmentée permet une analyse plus approfondie de la signification réelle de ces données. Elle analyse toutes les ressources pour en extraire les informations pertinentes. Ces tâches traditionnellement effectuées par des analystes et des data scientists sont désormais automatisées grâce à l'utilisation de techniques d'apprentissage automatique, et notamment du NLP, pour optimiser l'analyse des données à chaque étape de leur cycle de vie, depuis leur préparation et leur formatage jusqu'aux indicateurs qui en résultent.
Ces méthodes constituent ainsi une nouvelle étape dans la démocratisation de l'intelligence économique. Comme les tableaux de bord interactifs en libre-service tels que Microsoft Power BI qui permet aux utilisateurs de poser leurs questions directement à l'application décisionnelle via la traduction par la machine des requêtes graphiques en requêtes SQL. Le logiciel va alors répondre à ces requêtes en générant des indicateurs personnalisés expliqués en langage naturel et sous forme de graphiques, en tenant compte des besoins et du contexte métier de l'employé.
Les résultats de l’analyse augmentée sont affichés de manière pertinente à l’aide de représentations visuelles. Ces représentations aident les utilisateurs à mieux interpréter les données, mais aussi à initier des stratégies pour améliorer les revenus de l’entreprise.
Le rôle du Machine Learning dans l'analyse augmentée
Comme nous l’avons vu plus haut, l’analytique augmentée s’appuie sur les techniques de Machine Learning (ML) et en particulier le NLP pour optimiser l’analyse des données. Le Machine Learning est donc la méthode principale, mais diverses techniques sont utilisées en fonction des besoins du cas, notamment :
Loamics AutoML, basé sur des données historiques et des modèles statistiques multiples, peut trouver automatiquement des informations sur les indicateurs clés de performance. L’utilisation du Machine Learning dans l’analyse augmentée simplifie le processus de création et de simulation des tendances. Le programme Loamics AutoML comprend plusieurs fonctions telles que le regroupement, la classification et la prédiction, entre autres.
La préparation de la Data Augmentée vous permet d’intégrer plus rapidement des listes de données fiables. Le programme d’Intelligence Artificielle de Loamics » Data Cleaning » trouve les données manquantes et erronées, les corrige et les complète avec les nouvelles bonnes données. Le contrôle de la qualité des données peut être mis en place rapidement ainsi que le profilage, le taggage et diverses annotations sur les données. Des outils tels que Microsoft Power BI permettent, quelle que soit la source des données, d’y accéder rapidement, avec une interface utilisateur simple.
Une autre caractéristique des plateformes d’analyse augmentée est l’utilisation du NPL qui est un domaine linguistique combinant l’informatique et l’intelligence artificielle. La requête en langage naturel NLQ utilise les mêmes techniques que le NLP, mais cette fois pour requérir des informations en langage naturel, ce qui permet d’utiliser les plateformes via un moteur de recherche, ainsi que des outils de génération en langage naturel pour renvoyer les résultats du moteur de recherche.
Certaines plateformes permettent la création de tableaux de bord et de visualisations simples pour les utilisateurs professionnels. Ces plateformes permettent la création automatisée de graphiques. Par exemple, certains outils, via des modules dédiés, vous permettent d’interroger comme vous le feriez dans Google via des techniques NLQ pour générer des visuels automatiquement.
Ce ne sont là que quelques exemples de la manière dont les différentes techniques de Machine Learning peuvent être intégrées dans les principales plateformes d’analyse augmentée. Mais il en existe bien d’autres, comme la génération automatique de rapports, la prédiction de tendances, etc.
Quels sont les avantages de l'analyse augmentée ?
« L’analyse augmentée va fondamentalement changer l’expérience utilisateur en matière d’analytique », explique Rita Sallam, de Gartner. Combinée à la curiosité humaine, l’intelligence artificielle fait de l’analytique augmentée un moyen très efficace d’obtenir rapidement les informations contenues dans les données. En proposant de transcrire les demandes des utilisateurs en requêtes SQL, les différents outils d’analytique augmentée permettront aux utilisateurs de formuler simplement leur demande et de recevoir immédiatement une réponse compréhensible et pertinente. Cela permet d’améliorer la productivité et de prendre les meilleures décisions pour une entreprise pour plusieurs raisons :
- Analyse plus rapide des données
- Des connaissances approfondies
- Des algorithmes plus fiables
- Des données mieux interprétées
- La démocratisation des données
Lorsqu’elles sont combinées, la science des données et l’intelligence artificielle permettent de préparer les données plus rapidement. Cela signifie également une visualisation plus rapide, des résultats de recherche plus rapides et donc une productivité accrue.
Grâce aux algorithmes utilisés dans l’analytique augmentée, il est plus facile de combiner différentes sources de données, et de les nettoyer.
Il suffit de glisser-déposer sur l’interface visuelle pour générer des graphiques, des cartes, des objets KPI et d’autres modes de visualisation des données en fonction de vos préférences.
Microsoft x Loamics
Créée en 2020 par des spécialistes des données, Loamics, a développé une infrastructure technologique PaaS qui assure un traitement entièrement automatisé des données, ce qui permet de les valoriser et de les rendre immédiatement disponibles.
Cette infrastructure PaaS est disponible sur la market place Microsoft Azure Marketplace grâce à un partenariat entre Loamics et Microsoft. Microsoft a cru en ce projet dès le début en donnant à Loamics l’accès au réseau de partenaires, et aujourd’hui la plateforme peut se connecter directement et automatiquement à tous les services Microsoft et est capable de traiter des données massives hétérogènes en continu ou en Temps Réel de manière entièrement automatisée et industrialisée.
Loamics, en tant que membre du réseau de partenaires Microsoft, a un accès direct aux entreprises, organisations et administrations du monde entier tout en bénéficiant d’un support local par les équipes Microsoft, et les clients de Loamics peuvent désormais profiter de la plateforme Cloud Azure, productive et de confiance, avec un déploiement et une gestion simplifiés. Cette plateforme permet aux acteurs de tous les secteurs d’activité de disposer d’un véritable contrôle et d’une prise de décision » data-driven » basée sur le recoupage intelligent, fiable et sécurisé des données.
Loamics a également participé avec son partenaire Microsoft à l’initiative Environmental Start-up Accelerator, un programme d’accélération de 6 mois destiné à 7 à 10 start-ups européennes œuvrant à la réduction et à la compensation des émissions de carbone.
Nos derniers cas Usecase de l'analyse augmentée
L’analyse augmentée se retrouve dans divers domaines tels que le commerce électronique, le marketing, la supply chain ou la gestion des outils de communication. Elle facilite la prise de décision et est pertinente dans de nombreuses situations. Les services financiers sont, sans aucun doute, l’un des domaines les plus prometteurs pour l’analyse augmentée.
En particulier, les solutions d’analytique augmentée peuvent faire gagner un temps précieux aux analystes financiers face à la complexité de leurs environnements professionnels en constante évolution, tant en termes de réglementation que de conditions de marché. Cependant, chez Loamics, nous concevons et mettons en œuvre des solutions qui sont indépendantes de l’usage et qui peuvent fonctionner avec tous les types de données, et nous vous présentons nos deux solutions logicielles développées pour deux utilisations :
DataCollect
L'objectif de Datacollect est de collecter et d'ingérer des données brutes en temps réel (quel que soit le volume, leur source ou leur format). Les données sont transformées en un résultat enrichi homogène, efficace et précieux pour la visualisation et l'analyse de premier niveau.
Loamics et le logiciel MydataModels
Loamics et MydataModels, deux start-ups françaises de la deep tech, se sont associées pour maximiser la valeur et l'accessibilité des données. Ensemble, elles ont créé une solution d'analyse augmentée permettant l'analyse rapide de grands volumes de données afin de prendre des décisions stratégiques.
Combining Loamics’ powerful infrastructure – which automates and industrialises data preparation – with the intelligence of MydataModels’ AI and predictive modelling platform offers a unique and unparalleled solution in the Big data market, rivalling expensive solutions from mainly American competitors.