{"id":138812,"date":"2021-10-29T09:42:57","date_gmt":"2021-10-29T09:42:57","guid":{"rendered":"https:\/\/news.sap.com\/france\/?p=138812"},"modified":"2023-10-12T13:47:12","modified_gmt":"2023-10-12T13:47:12","slug":"qu-est-ce-que-l-analytique-augmentee","status":"publish","type":"post","link":"https:\/\/news.sap.com\/france\/2021\/10\/qu-est-ce-que-l-analytique-augmentee\/","title":{"rendered":"Qu’est-ce que l’analytique augment\u00e9e ?"},"content":{"rendered":"

La d\u00e9finition la plus simple de l\u2019analytique augment\u00e9e ? C\u2019est une\u00a0analytique<\/a>\u00a0qui est \u00ab\u00a0am\u00e9lior\u00e9e\u00a0\u00bb par des technologies d\u2019intelligence artificielle (IA), notamment par le machine learning et le traitement du langage naturel (NLP).<\/p>\n

Le machine learning automatise les processus analytiques complexes, comme la pr\u00e9paration des donn\u00e9es et la g\u00e9n\u00e9ration d\u2019informations. Le traitement par le langage naturel permet \u00e0 tout utilisateur, m\u00eame non form\u00e9, de poser des questions sur ses donn\u00e9es et d\u2019obtenir des r\u00e9ponses de mani\u00e8re simple sous forme de phrases.<\/p>\n

Le terme \u00ab\u00a0Augmented Analytics\u00a0\u00bb a \u00e9t\u00e9 invent\u00e9 par\u00a0Gartner\u00a0<\/a>en 2017 et est d\u00e9sormais largement consid\u00e9r\u00e9 comme l\u2019avenir de la business intelligence (BI) et de l\u2019analyse de donn\u00e9es \u2013 y compris l\u2019analyse pr\u00e9dictive.<\/p>\n

\n

Pourquoi l’analytique augment\u00e9e est-elle importante ?<\/strong><\/h2>\n

Exploiter les possibilit\u00e9s offertes par le Big Data<\/strong><\/h3>\n

Les donn\u00e9es repr\u00e9sentent la plus grande opportunit\u00e9 de l\u2019\u00e9conomie moderne. Gr\u00e2ce \u00e0 elles, les entreprises peuvent savoir quoi produire et quand, \u00e0 qui s\u2019adresser, comment \u00e9voluer, et bien plus encore. Mais le volume de donn\u00e9es est aujourd\u2019hui trop important pour que les collaborateurs puissent les interpr\u00e9ter seuls \u2013 ou sans parti pris \u2013 et l\u2019exigence de r\u00e9ponses imm\u00e9diates est tout simplement impossible \u00e0 satisfaire. Des technologies comme l\u2019IA et l\u2019apprentissage automatique sont n\u00e9cessaires pour d\u00e9couvrir des informations significatives dans un oc\u00e9an de Big Data<\/a>. C\u2019est l\u2019une des raisons pour lesquelles les analyses augment\u00e9es sont si importantes : elles combinent la datascience et l\u2019intelligence artificielle pour aider les entreprises \u00e0 analyser des ensembles de donn\u00e9es massifs en temps r\u00e9el.<\/p>\n

R\u00e9duire la d\u00e9pendance \u00e0 l’\u00e9gard des data scientists<\/strong><\/h3>\n

Le processus d\u2019analyse est une s\u00e9rie d\u2019\u00e9tapes manuelles et chronophages, si compliqu\u00e9es qu\u2019en g\u00e9n\u00e9ral seuls les data scientists peuvent les r\u00e9aliser. Ces analystes professionnels doivent :<\/p>\n

    \n
  1. Collecter<\/strong> des donn\u00e9es \u00e0 partir de sources multiples<\/li>\n
  2. Les pr\u00e9parer<\/strong> pour l’analyse<\/li>\n
  3. Effectuer l’analyse<\/strong><\/li>\n
  4. Trouver des insights<\/strong> utiles<\/li>\n
  5. Visualiser<\/strong> les r\u00e9sultats<\/li>\n
  6. Partager<\/strong> les r\u00e9sultats d’une mani\u00e8re convaincante<\/li>\n
  7. Cr\u00e9er un plan d’action<\/strong><\/li>\n<\/ol>\n

    Le probl\u00e8me, c\u2019est qu\u2019il y a une grande p\u00e9nurie de data scientists dans le monde \u2013 et les embaucher co\u00fbte cher. Si l\u2019analytique augment\u00e9e ne remplace pas ces professionnels, elle peut r\u00e9duire votre d\u00e9pendance \u00e0 leur \u00e9gard en automatisant des processus tels que la collecte, la pr\u00e9paration, le nettoyage et l\u2019analyse des donn\u00e9es.<\/p>\n

    En plus de lib\u00e9rer le temps des data scientists pour des t\u00e2ches plus importantes, comme l\u2019interpr\u00e9tation des r\u00e9sultats, l\u2019analytique augment\u00e9e peut am\u00e9liorer la valeur que ces analystes apportent \u00e0 votre organisation. Les analyses optimis\u00e9es par l\u2019IA et l\u2019apprentissage automatique les aident \u00e0 \u00e9tablir des liens qu\u2019ils auraient autrement manqu\u00e9s \u2013 et \u00e0 trouver des informations pertinentes en moins de temps. Ces technologies peuvent \u00e9galement aider des collaborateurs qui occupent d\u2019autres fonctions analytiques \u2013 des analystes commerciaux aux analystes m\u00e9tier \u2013 en am\u00e9liorant leurs connaissances et en les aidant \u00e0 faire le travail qui \u00e9tait auparavant r\u00e9serv\u00e9 aux data scientists experts.<\/p>\n

    \n

    D\u2019ici 2025, la raret\u00e9 des data scientists ne sera plus un frein \u00e0 l\u2019adoption de la science des donn\u00e9es et du machine learning dans les organisations.<\/p>\n

    Gartner<\/a>, 2018<\/p>\n<\/div>\n

    D\u00e9mocratiser l’analytique pour les utilisateurs non form\u00e9s<\/strong><\/h3>\n

    Une autre raison pour laquelle l\u2019analytique augment\u00e9e est si importante est qu\u2019elle permet aux \u00ab explorateurs de donn\u00e9es \u00bb non form\u00e9s d\u2019entrer en jeu. En automatisant les processus analytiques complexes et en permettant aux utilisateurs d\u2019interroger les donn\u00e9es simplement en posant des questions, les collaborateurs qui n\u2019ont pas de comp\u00e9tences en datascience peuvent quand m\u00eame tirer parti des analyses avanc\u00e9es. L\u2019apprentissage automatique peut guider ces explorateurs de donn\u00e9es en leur proposant des questions\/r\u00e9ponses pr\u00e9 remplies \u2013 et en leur sugg\u00e9rant o\u00f9 creuser davantage.<\/p>\n

    Avec l\u2019analytique augment\u00e9e, les r\u00e9ponses aux requ\u00eates se pr\u00e9sentent sous la forme de visuels pr\u00eats \u00e0 l\u2019emploi, comme des diagrammes, des graphiques et des cartes, de sorte que les utilisateurs n\u2019ont pas \u00e0 les cr\u00e9er eux-m\u00eames. Ces visualisations peuvent \u00eatre analys\u00e9es \u00e0 l\u2019aide de commandes simples, rassembl\u00e9es dans des r\u00e9cits de donn\u00e9es et facilement partag\u00e9es avec d\u2019autres \u00e9quipes et la direction.<\/p>\n

    \n

    L’\u00e9volution de l’analytique<\/strong><\/h2>\n

    L\u2019Analytique et la Business Intelligence<\/a> ont beaucoup \u00e9volu\u00e9 ces derni\u00e8res ann\u00e9es, passant d\u2019outils sophistiqu\u00e9s destin\u00e9s aux professionnels des donn\u00e9es et de l\u2019analyse \u00e0 des outils optimis\u00e9s par le machine learning que tout le monde peut utiliser.<\/p>\n

    1.<\/span> Analytique traditionnelle<\/strong><\/h3>\n