Séparer le bon grain de l'ivraie : identifier les innovations analytiques réellement exploitables

Cet article a été publié pour la première fois dans CIO.

Les solutions d'analyse métier continuent à occuper une place importante sur le marché des solutions logicielles professionnelles et jouent un rôle central dans la transformation digitale des entreprises. Pourtant, nombre d'avancées technologiques ne sont pas encore suffisamment développées pour être immédiatement exploitables.

Il est indispensable de savoir faire la différence entre les tendances arrivées à maturité et qui peuvent être appliquées à des scénarios professionnels réels, et celles dont les démonstrations sont très prometteuses, mais qui sont encore à perfectionner. Ces tendances se divisent en plusieurs catégories sur le marché, de la moins mature à la plus mature : l'intelligence artificielle, le traitement du langage naturel et les analyses intégrées.

Le buzz créé par l'intelligence artificielle (IA), qui englobe le machine learning et le deep learning, dépasse celui que connaît actuellement le Big Data. L'idée selon laquelle l'intelligence artificielle remplacerait et automatiserait les tâches analytiques manuelles n'a pas encore d'application concrète dans la plupart des scénarios réels. En réalité, aujourd'hui comme demain, l'automatisation totale des workflows analytiques ne doit pas être considérée comme un but en soi. D'ailleurs, le terme d'intelligence d'assistance serait plus approprié et rassurerait les analystes qui considèrent l'automatisation comme une menace. Cette notion selon laquelle les fonctionnalités analytiques sophistiquées et intégrées et les algorithmes de machine learning viennent renforcer les compétences des analystes et des utilisateurs séduit un nombre croissant d'acteurs sur le marché. Ces technologies intelligentes se sont révélées utiles dans l'aide à la préparation et à l'intégration des données, ou encore dans le cadre des processus analytiques comme la détection de tendances, de corrélations, de données atypiques ou d'anomalies.

Le traitement du langage naturel et la génération automatique de textes sont des notions généralement utilisées de manière interchangeable, même si elles ont des objectifs totalement différents. Bien qu'elles permettent toutes les deux des interactions naturelles avec les plates-formes analytiques, le traitement du langage naturel se charge de poser la question, alors que la génération automatique de textes s'occupe du rendu des résultats et des informations sous forme de langage naturel. Le traitement du langage naturel est plus facilement reconnaissable, dans la mesure où les interfaces de langage naturel comme Siri, Cortana, Alexa ou Google Home sont de plus en plus répandues. Les prestataires de solutions analytiques ajoutent des fonctionnalités de traitement du langage naturel à leurs produits et services pour surfer sur cette vague, et ainsi toucher un plus grand nombre d'utilisateurs, qui pourraient trouver ce genre d'interfaces plus attrayantes que les outils d'analyse traditionnels. Le traitement du langage naturel va inévitablement occuper une place centrale dans les plates-formes analytiques, mais n'est pas exploité par un panel d'utilisateurs ou d'applications suffisamment diversifié pour qu'on puisse le considérer comme une tendance majeure du marché actuel. À l'inverse, la génération automatique de textes est présente sur le marché depuis plusieurs années, mais ce n'est que récemment qu'elle a été intégrée dans les principaux outils analytiques pour améliorer la représentation visuelle des données. De nombreux comptes-rendus d'évènements sportifs, de statistiques de joueurs ou de performances de fonds mutuels sont créés automatiquement à l'aide de cette technologie. La génération automatique de textes est aussi de plus en plus utilisée comme moyen de publication pour rendre les résultats générés par des processus d'intelligence artificielle plus faciles à utiliser. Les prestataires de solutions analytiques ont récemment commencé à établir des partenariats avec des fournisseurs de solutions de génération automatique de textes pour ajouter une nouvelle dimension à la visualisation de données, notamment pour identifier automatiquement les informations clés et les exprimer sous forme de récit basé sur la langue naturelle à associer à la visualisation. Bien que la combinaison des analyses métier et de la génération automatique de textes soit relativement récente, cette tendance a le vent en poupe sur le marché et ouvre la porte à de nouvelles utilisations.

L'analytique ne prend tout son sens que lorsque les découvertes permettent de prendre des décisions éclairées et d'améliorer les résultats. Intégrer l'analytique dans les applications et les systèmes pour qu'elle se fonde dans les activités quotidiennes des décideurs favorise l'adoption et la prise immédiate de décision.

Les prestataires de solutions analytiques modernes permettent aux entreprises d'appliquer très facilement des stratégies d'intégration et donc de démocratiser l'accès aux données dans des services où cela était auparavant impossible avec des solutions traditionnelles. Les entreprises proposent désormais des fonctionnalités similaires à leurs utilisateurs, leurs partenaires ou leurs fournisseurs, pour mieux se démarquer de la concurrence et même, dans certains cas, créer de nouvelles sources de revenus en monétisant leurs données et leurs applications analytiques.

Ces innovations donnent aux directeurs techniques une chance unique de transformer leur entreprise en plaçant l'analyse de données au cœur du processus décisionnel. Chaque entreprise effectuera cette transition à son propre rythme. Certaines adopteront immédiatement les innovations, d'autres sauteront le pas uniquement lorsque la majorité des acteurs du marché auront eux-mêmes réussi leur transition.

Au final, la disposition des entreprises à utiliser les nouvelles technologies dépendra de la capacité et de la volonté des utilisateurs à les adopter et à changer leurs processus.