Intelligence d’affaires, Intelligence Artificielle, Analytique Avancée, Science de la donnée : Quelle différence ?

Il est de plus en plus difficile de discerner et de comprendre la réelle implication des terminologies en exploitation de la donnée. Difficile pour le grand publique de pouvoir faire la différence entre la science de la donnée, l’intelligence d’affaires, l’intelligence artificielle ou encore l’analytique avancée. Beaucoup de ces termes se chevauchent ou s’emboîtent. Difficile de s’y retrouver. Il subsiste ainsi une absence flagrante de standardisation de terminologies et des pratiques dans l’industrie de l’exploitation de la donnée. La conséquence de ce désordre est le manque de clairvoyance des gestionnaires et des gens d’affaires en entreprise qui peinent à identifier les solutions qui vont leur permettre de répondre à leur besoin.

Ce qu’il faut se rappeler c’est que peu importe les terminologies utilisées, ce qui compte avant tout, c’est de garder une approche qui offre une vue complète et cohérente pour donner du sens à votre démarche afin de combler votre besoin.

L’approche la plus cohérente dans le marché pour filtrer les terminologies est de séparer le monde de l’exploitation de la donnée en deux dimensions : la dimension technique et la dimension d’affaires.

Dans la dimension technique, le terme permettant de généraliser toute la pratique est : la science des données. Le terme « science des données » qualifie toutes les techniques qui permettent de trier et d’analyser la donnée pour pouvoir en tirer une information ou une recommandation pertinente.

Les techniques qui peuvent être utilisées au niveau du tri de la donnée sont: traitement et archivage de données de masse ( e.g. écosystème Hadoop), outils de transformation de la donnée (e.g. outils ETL) etc.

Les techniques qui peuvent être utilisées au niveau de l’analyse de la donnée: l’intelligence artificielle appliquée (incluant le machine learning), la statistique avancée, la création de rapport, l’exploration de la donnée, le traitement du langage naturel (aka text mining), la recherche opérationnelle, création d’indicateur de performance (e.g. KPI), fouille de donnée (aka data mining) etc.

La dimension d’affaires, quant à elle, régit non pas les techniques utilisés mais leurs implications dans le monde de l’entreprise. Le terme permettant de généraliser la pratique et de traduire l’exploitation de la donnée dans la sphère des affaires est l’analytique d’affaires (aka « Business Analytics » ou « Data Analytics »). L’analytique d’affaires défini tout outil, système ou logiciel qui permet de supporter la prise de décision basée sur l’exploitation de la donnée. L’analytique d’affaires contient 5 niveaux primaires : descriptif, diagnostic, prédictif, prescriptif, cognitif.

Le niveau descriptif répond à la question « que s’est-il passé ? » à travers des rapports et des alertes. Une entreprise en vente de détail souhaite savoir comment évolue ses ventes va mettre en place des rapports permettant de voir l’évolution des ventes dans le temps. Et d’ajouter des alertes pour mettre au courant les responsables des ventes si un changement significatif a lieu.

Le niveau diagnostic répond à la question « pourquoi cela s’est passé ? » à travers des requêtes, de la fouille de données et de la statistique de base. L’entreprise de vente de détail ayant maintenant accès à l’évolution de ses ventes souhaite mieux comprendre les changements de ses ventes pour mieux pouvoir prendre action. Ils mettent en place des nouveaux d’indicateurs de performance tel que : la valeur d’achat moyenne, temps de conversion moyen d’un client, la valeur moyenne de fidélité d’un client etc. Ces indicateurs sont calculés grâce à des statistiques de base et de la fouille de données. Ils permettent entre autres de mieux comprendre l’évolution global des ventes et pouvoir prendre action pour améliorer les ventes.

Le niveau prédictif répond à la question « que va-t-il arriver ? » à travers des prédictions, prévision (aka « forcast ») et des simulations. Notre entreprise de vente de détail souhaite aller un peu plus loin et pouvoir mieux appréhender la demande des clients durant les différentes périodes de l’année et éviter les pénuries ou les surplus de produits. Un tel besoin nécessite l’utilisation de modèles prédictifs permettant de prédire l’évolution de la demande dans le temps en fonction de données internes (volume de clients des années passées, perspective de croissance, taux de rétention etc) et des données externes (météo, réseaux sociaux, profiles sociaux démographiques etc).

Le niveau prescriptif répond à la question « comment s’assurer que cela arrive ? », à travers de l’optimisation mathématique et de la planification. L’entreprise de vente de détail détient également un centre de distribution avec des véhicules permettant de livrer la marchandise aux clients. Ces véhicules sont nombreux et les coûts d’acheminement des marchandises sont élevés, sans oublier que les clients accusent beaucoup de retard à la livraison. Grâce au niveau prescriptif, l’entreprise va pouvoir optimiser la tourner des véhicules de livraison et pouvoir ainsi réduire les coûts d’opération et améliorer la satisfaction client.

Le niveau cognitif répond à la question « comment augmenter les facultés du système ? », à travers le raisonnement, le traitement du langage naturel, la reconnaissance visuelle etc. Pour finir notre entreprise de vente de détail souhaite améliorer l’expérience client en augmentant la capacité de communication digitale avec les clients. Grâce au niveau cognitif, l’entreprise peut mettre en place des systèmes intelligents (aka « bots ») sur sa plateforme qui communiquent 24/7 avec les clients. Ces systèmes ont la capacité d’interpréter le langage des clients et de pouvoir leur proposer des solutions pour permettre une expérience optimale sur la plateforme.

Ces cinq niveaux peuvent être regroupés dans 2 classes distincts : l’analytique traditionnelle (aka Intelligence d’affaires) pour regrouper le descriptif et le diagnostic. Et l’analytique avancée (aka Intelligence artificielle appliquée) pour regrouper le prédictif, le prescriptif et le cognitif.

La dimension d’affaires et la dimension technique ne s’opposent pas, bien au contraire elles se complètent car chaque niveau analytique repose sur une ou plusieurs expertises dans la dimension technique.

Grâce à cette structure de définition du monde de l’exploitation de la donnée, il est plus facile de mettre en place des projets en exploitation de la donnée, d’embaucher les bonnes ressources qui combleront le besoin identifié, de communiquer et vulgariser plus simplement les concepts clés en exploitation de la donnée.

Cependant, cette structure de définition n’est pas rigide et elle est ré-ajustable par tout un chacun selon ses besoins, sans oublier bien sûr de garder une approche qui offre une vue complète et cohérente pour donner du sens à votre démarche afin de combler votre besoin.

Dans cette démarche de standardisation, il existe plusieurs initiatives Québécoises permettant d’abord de regrouper les terminologies utiliser dans le monde de la donnée et de l’intelligence artificielle Datafranca