Le continuum analytique

Les entreprises qui prennent des décisions basées sur les données surpassent constamment leurs concurrents. Notre « génie » en tant qu'entreprise n'est aussi bon que les données que nous collectons et les techniques que nous utilisons pour les analyser. De nombreuses techniques analytiques sont disponibles, offrant des niveaux croissants d'avantage concurrentiel et de valeur commerciale. Le graphique ci-dessous, publié il y a de nombreuses années et refait maintes fois par de nombreuses personnes, montre ce que beaucoup appellent le continuum analytique (ou de l'analytique).

Le continuum analytique

Le graphique montre les types d'activités analytiques le long du continuum. Vous verrez les quatre du bas et les quatre du haut étiquetés différemment par différentes personnes : Business Intelligence et Business Analytics, Statistiques descriptives et Statistiques inférentielles, ou Data Analytics et Advanced Analytics. Cela n'a pas vraiment d'importance tant que nous savons de quoi nous parlons.

Quelques réflexions à considérer d'abord. Le graphique représente ces activités avec une valeur et un avantage plus grands à mesure qu'elles deviennent plus avancées. Il y a beaucoup de vérité à cela. Cela ne signifie pas qu'il n'y a pas de valeur dans les activités en bas à gauche. En fait, elles fournissent la base de nombreuses décisions basées sur les données. Nous avons besoin des inventions d'Archimède et d'Edison. Cela ne signifie pas non plus qu'une entreprise doit commencer en bas à gauche et travailler à travers chaque activité avant d'atteindre le haut à droite. Il y a une grande valeur dans les prévisions, qu'on ait « terminé » les analyses de requêtes ou non. Enfin, chacune de ces activités n'est pas unique. Tous les aspects des opérations de l'entreprise bénéficieront de chacune d'elles.

Plus de parties de l'entreprise utilisent ces activités pour leur prise de décision, et plus ces parties sont intégrées, mieux l'entreprise se portera. Cela est vrai tout au long du continuum. Par exemple, les apprentissages d'une analyse prescriptive effectuée dans les Ventes peuvent être mis en œuvre sous forme d'alertes dans le Marketing pour une opération plus fluide et meilleure tout autour.

Pour comprendre ce que fait chacune de ces activités, nous resterons dans la fonction Ventes de l'entreprise. Ces exemples tentent de donner une idée des avantages sans se perdre dans les détails.

Data Analytics

Rapports standard

Les rapports standard sont ce que les entreprises font depuis des décennies. Il peut y avoir plus ou différentes informations incluses maintenant, mais essentiellement, ce sont le même type de rapport que Joseph a donné au Pharaon dans l'Égypte ancienne. Combien de chaque type de grain avons-nous dans chaque silo en préparation de la sécheresse à venir ?

Dans le monde des Ventes, cela pourrait être un rapport d'activité de vente mensuelle. Combien d'appels, de contacts, de visites chaque vendeur a-t-il effectués ce mois-ci ? Combien d'opportunités sont à chaque étape de l'entonnoir de vente ? Ce rapport prend des données du mois dernier et les agrège en différentes catégories par filtres particuliers. Ces rapports étaient autrefois statiques mais sont dynamiques depuis que la Business Intelligence a pris son essor.

Rapports ad hoc

Les rapports standard sont bons pour les questions connues qui se posent régulièrement. Cependant, toutes les questions ne sont pas connues à l'avance. Pour celles qui surgissent de manière inattendue, un analyste de données ou un data scientist examinera les données pour créer un rapport ad hoc qui répond aux questions. Cela peut prendre des heures ou des semaines selon la disponibilité et l'intégration des données. Plus une organisation a cloisonné ses données, plus les rapports ad hoc sont difficiles et sujets aux erreurs.

Supposons que votre entreprise acquiert une autre entreprise dans votre région. Afin d'améliorer l'intégration, l'analyste de données est chargé d'imprimer une liste de clients et de noms de points de contact avec lesquels votre équipe commerciale a travaillé au cours des 10 dernières années. Ils veulent aussi les produits vendus et les revenus générés par chaque client. L'un des problèmes de données qui peut poser de gros problèmes avec cette demande est le changement de système et le non-maintien à jour des données. Si un nouveau système a été mis en place il y a deux ans, il peut être difficile, voire impossible, de rassembler les données de trois à dix ans auparavant, en fonction des décisions prises à l'époque.

Drilldown de requête

L'une des premières formes d'analyse de données était le cube de données. Vous pouvez le considérer comme une feuille de calcul multidimensionnelle : lignes, colonnes, feuilles de travail et fichiers, le tout dans une grande base de données. Avec des agrégations précalculées, des pourcentages, etc., l'exploration de ces données était rapide et facile, tant que vous vouliez suivre le chemin tracé. En ce qui concerne l'utilisation, le drilldown de requête ressemble un peu au rapport ad hoc dans un style de rapport standard. Les nouvelles plateformes de base de données ne nécessitent pas de cubes précalculés pour fournir des drilldowns rapides.

Par exemple, supposons que nous parrainons une conférence sur l'analytique de la santé. Nous pourrions vouloir savoir comment notre équipe se débrouille avec les entreprises de santé cette année. Nous pourrions également vouloir savoir quel vendeur se débrouille le mieux et lequel le moins bien. Envoyons-nous l'un ou les deux à la conférence ? Si nous conservons toutes nos données de vente dans la même base de données, alors nous pouvons répondre à des questions ad hoc comme celles-ci sans faire beaucoup de fouilles et de combinaisons.

Alertes

Les alertes sont comme des alarmes qui vous préviennent lorsqu'une action doit être entreprise. Avez-vous une alarme pour vous réveiller ? Une pour quand le solde bancaire devient trop bas ? Une pour aller chercher les enfants ? Certainement une pour une réunion à venir. Lorsque certaines conditions sont remplies, une alerte est déclenchée pour informer quelqu'un de prendre des mesures. Selon l'urgence, ces alertes peuvent être des e-mails, des SMS, des appels téléphoniques ou un autre canal de communication.

Le responsable de notre organisation de vente imaginaire pense qu'il est important que chaque membre de l'équipe de vente appelle de nouveaux prospects chaque semaine. Un certain nombre d'appels se transforme en un certain nombre de discussions, en un certain nombre de réunions, etc. Cependant, le responsable ne veut pas regarder un rapport chaque semaine pour voir que tout le monde atteint ses objectifs. Au lieu de cela, ils mettent en place une alerte. Si quelqu'un ne répond pas à ses objectifs d'appels pour la semaine, un e-mail est envoyé au responsable pour l'informer que <quelqu'un> n'a effectué que XX appels la semaine dernière.</quelqu'un>

Advanced Analytics

Maintenant, nous passons à l'Advanced Analytics. L'ordre dans lequel nous avons ces activités dans le graphique n'est pas figé. Outre la méthodologie utilisée, le véritable moteur de valeur pour l'organisation est la décision à laquelle cette méthode est appliquée. La nourriture que nous servons à la cafétéria est une question importante et l'optimisation des options caloriques sera bonne pour l'employé et, par conséquent, bonne pour l'entreprise. En même temps, si nous ne prévoyons pas les ventes pour le prochain trimestre, nous aurons des problèmes encore plus grands qui ne sont bons pour personne.

L'optimisation est généralement la valeur la plus élevée, mais les trois autres peuvent changer de place selon ce à quoi ils sont appliqués.

Analytique prescriptive

La modélisation prescriptive répond à la question de savoir pourquoi quelque chose se passe ou ce que nous pouvons faire pour que les choses se passent d'une certaine manière. Pour ces modèles, la relation entre les variables et les résultats est primordiale. Les variables seront ajoutées ou supprimées en fonction de leur capacité à expliquer pourquoi le résultat se comporte comme il le fait. Si une méthodologie est une boîte noire pour le data scientist, alors elle ne peut pas décrire cette relation. Des travaux sont en cours pour que davantage de méthodologies puissent être prescriptives, mais pas toutes.

Notre équipe de vente imaginaire a travaillé avec les développeurs de produits pour déterminer quelles fonctionnalités de produit sont importantes et lesquelles ne le sont pas, et si des fonctionnalités manquent. Pour ce faire, ils parlent aux clients. Ils leur montrent le produit et leur demandent d'évaluer globalement à quel point ils l'aiment, puis d'identifier l'importance de chacune des fonctionnalités. Ces données sont collectées et modélisées pour déterminer la relation entre l'évaluation globale et chaque fonctionnalité, soit séparément, soit éventuellement en groupes. L'analyse montrera quelles fonctionnalités diminuent l'évaluation globale et lesquelles l'augmentent. Cela aidera à développer la feuille de route du produit pour les futures versions.

Prévision

Yogi Berra a dit que « C'est difficile de faire des prédictions, surtout sur l'avenir. »

Presque toutes les statistiques inférentielles visent à faire des prédictions sur l'avenir. La raison pour laquelle c'est si difficile est que nous n'avons que le passé pour nous dire ce qui va se passer. Comme Mark Twain l'a dit, « L'histoire ne se répète jamais, mais elle rime souvent. » La seule façon pour que le passé aide à prédire l'avenir est que les choses restent les mêmes. Après les années de pandémie, nous savons que les choses changent souvent de manière inattendue. Cependant, même avec tout cela, nous pouvons encore prévoir certains processus.

La prédiction et la prévision disent toutes les deux ce qui va se passer avec un certain résultat à l'avenir, en fonction de ce qui s'est passé dans le passé. La principale différence entre elles est que la prédiction utilise des points de données supplémentaires pour prédire le résultat, tandis que la prévision utilise le comportement passé du résultat lui-même. Il existe des méthodologies qui utilisent à la fois des variables supplémentaires et le comportement passé du résultat lui-même. Si cela peut être fait, alors les prévisions / prédictions peuvent être meilleures.

Par exemple, supposons que nous voulons prévoir les ventes pour le prochain trimestre. En effectuant une analyse de séries temporelles, nous pouvons utiliser les données de ventes passées pour prédire ce que seront nos ventes à l'avenir, en supposant que le comportement reste essentiellement le même. Nous pouvons également intégrer la saisonnalité dans le modèle. Si nous avons généralement un pic en été, par exemple, alors il est probable que nous en aurons un cette année également. Si nous pouvons également inclure des variables supplémentaires, alors nous pouvons obtenir une meilleure prévision. Par exemple, nous pouvons intégrer certains événements ponctuels, tels qu'une conférence industrielle ou un coupon promotionnel. Le prix de nos concurrents peut être inclus si nous avons un moyen raisonnable de le prévoir. Selon ce que nous vendons, la météo peut être précieuse. Rappelez-vous, plus nous avons de données à portée de main, meilleures sont nos décisions.

Infrastructure analytique

Sous toute cette prise de décision basée sur les données se trouve l'infrastructure requise pour la rendre possible. Une grande partie de cela est l'infrastructure informatique standard conçue dans le but spécifique d'analyser les données. En plus de cela, nous incluons les plateformes logicielles pour le traitement des données, l'analytique et la visualisation.

L'infrastructure analytique n'a pas besoin d'être un environnement Hadoop sophistiqué dans le cloud. Il est possible de prendre des décisions puissantes avec un ordinateur personnel. Lorsque les entreprises dépassent la prise de décision ad hoc pour utiliser les données afin d'optimiser l'entreprise, l'infrastructure s'étendra également.

Prédictif / ML

Les modèles prédictifs, en particulier mais pas exclusivement à travers l'apprentissage automatique, peuvent être construits dans le seul but de prédire l'avenir. Toutes les variables sont incluses si elles peuvent aider à la prédiction. Il n'y a pas de préoccupation quant à savoir comment, ou si, la variable est liée au résultat. Pensez aux recommandations Netflix, aux annonces Google ou Facebook. Obtenir la bonne prédiction pour le prochain film à regarder peut être plus important dans cette situation que de comprendre pourquoi.

Supposons que nous voulons prédire les ventes pour les sept prochains jours et que nous disposons de 25 entrées à utiliser, telles que le jour du mois, le mois, le jour de la semaine, la promotion, les jours fériés d'état, les vacances scolaires, les ventes des sept jours précédents et les promotions des sept jours précédents. À ce stade, peu importe ce qui cause notre prédiction, donc nous utilisons un réseau de neurones pour construire le modèle. Nous divisons les données en ensembles de données d'entraînement, de test et de validation afin de ne pas surajuster le modèle (ce qui peut arriver dans la prédiction pure) et pour qu'il prédise bien dans les futurs ensembles de données.

Optimisation

Le point culminant de l'Advanced Analytics est l'optimisation. L'optimisation essaie de trouver les meilleurs paramètres d'un système en fonction de certains critères de succès. Supposons que nous ayons cinq courses à faire en ville cet après-midi et que nous voulions le faire dans le temps le plus court possible. Nous optimisons notre après-midi en minimisant le temps nécessaire compte tenu des contraintes des emplacements et des distances des courses.

La même idée fonctionne pour optimiser un système dans une organisation. Nous avons des ressources limitées (une personne, notre vitesse de conduite) avec certaines contraintes (emplacement des courses, distances). Nous voulons optimiser un certain résultat (le temps qu'il faut) selon certains critères de succès (aussi rapide que possible). Dans une entreprise, ce système peut être à de nombreux niveaux et de nombreux systèmes à chaque niveau. Cela peut être aussi petit qu'un vendeur optimisant son temps, un département des ventes optimisant son budget marketing ou une entreprise optimisant l'inventaire des produits en fonction de la chaîne d'approvisionnement et des prévisions de vente.

Il existe de nombreuses méthodologies d'optimisation qui peuvent être utilisées en fonction du type de système. Les techniques de programmation comprennent les algorithmes linéaires, quadratiques, non linéaires, dynamiques, d'escalade, de recuit simulé et génétiques.

Intelligence Artificielle ?

Vous pourriez vous demander pourquoi l'Intelligence Artificielle n'est pas incluse dans le continuum. Il y a deux raisons. Premièrement, l'Intelligence Artificielle n'existe pas vraiment encore. Ce qui existe est un concept qui applique l'automatisation à toutes les techniques précédentes pour créer une Intelligence Artificielle Étroite ou une IA Faible.

Conclusion

La prise de décision basée sur les données améliore le succès d'une entreprise. Les décisions sont meilleures lorsque nous avons une meilleure compréhension du passé et l'utilisons pour prendre des décisions pour l'avenir. Au fil des ans, presque toutes les entreprises ont déjà utilisé la moitié du continuum de l'analyse de données dans au moins une partie de leur organisation. De plus en plus d'entreprises ont ajouté certaines capacités de l'Advanced Analytics ici et là. Les entreprises les plus prospères sont celles qui ont ajouté de nombreuses capacités de l'Advanced Analytics dans les processus de prise de décision à travers l'organisation.

Peu importe où vous vous situez dans votre organisation, ajouter d'autres activités analytiques vous aidera à être plus performant. Cela peut être plus avancé, mais cela n'a pas à l'être. À chaque fois que vous ajoutez des activités analytiques, vous prenez de meilleures décisions.