Ce livre blanc a été rédigé "dans le but d’affiner différentes notions, de clarifier les technologies impliquées, et surtout, comme un manifeste militant en faveur de cette nouvelle génération d’analytics aux perspectives déterminantes."
"Mieux définir les Augmented Analytics
Que signifie “analytics” ?
Pour mieux comprendre l’émergence de cette expression, commençons par définir ce que que les anglo-saxons désignent par le terme “analytics” : le process global d’analyse de n’importe quel type de données. En français, ce terme a tendance à désigner la dernière étape de cette chaîne de valeur de la data : la restitution à un utilisateur final. Mais un tableau de bord, par exemple, ce n’est que la partie émergée de l’iceberg !
Avoir de beaux tableaux à disposition des collaborateurs sur n'importe quel type de données à la fois internes - collectées directement par l’entreprise (web, informatiques, CRM,...) - et externes - récupérées depuis des bases de données tierces (météo, géographie, transports,...) ne suffit pas toujours.
Quand le terme “augmented analytics” est-il apparu ?
Le terme “augmented analytics” a été utilisé pour la 1ere fois par Gartner dans l’edition 2017 des “Technologies émergentes : hype cycle”. Puis, en octobre 2018, le cabinet d'analystes consacre un rapport complet au sujet “ Augmented Analytics Is the Future of Data and Analytics”.
Enfin, le rapport 2019 Gartner Magic Quadrant for BI & Analytics confirme définitivement que les analytics augmentés seront devenus incontournables d’ici 2025.
Définition générale et académique
La définition la plus simple des analytics augmentés, c’est l’utilisation du machine learning (ML) et du natural language processing (NLP) pour une meilleure compréhension des analytics. L’IA va aider à générer des conclusions utiles à partir des données, tout en améliorant le partage des données et plus généralement la Business Intelligence.
Ce que “augmented analytics” signifie vraiment
Concrètement, que représentent les analytics augmentés dans la réalité quotidienne d’une entreprise ?
Il faut d’abord comprendre le problème que se proposent de résoudre ces analytics augmentés. Il faut comprendre pourquoi tirer des conclusions utiles à partir des données reste un challenge pour la plupart des entreprises.
Tout le monde s’accorde sur le fait que les données de l’entreprise sont un levier formidable pour la croissance et les revenus de l’entreprise. Le problème, c’est plutôt que les chiffres en eux-même ne servent absolument à rien.
Savoir que votre revenu a diminué de 4% en septembre ne vous aide pas à comprendre POURQUOI. Il va falloir essayer de comprendre cette baisse en analysant tous les facteurs liés : budget de campagne, web analytics, réseaux sociaux... Puis il va falloir replacer tous ces chiffres dans leur contexte et identifier des leviers d’action. Enfin, il va falloir les communiquer.
Il faut donc pouvoir tirer rapidement des conclusions à partir de la data (ou insight, terme anglo-saxon de référence), et surtout des leviers immédiatement actionnables.
Le deuxième problème, c’est que les data-scientists et les analystes sont particulièrement difficiles à recruter et plutôt chers à conserver. Et lorsque l’équipe data est formée, elle doit travailler main dans la main avec les experts business, pour être certaine que les conclusions qu’elle tire des données aient un sens ."
