Ne manquez pas Inspire 2024, qui aura lieu du 13 au 16 mai 2024 au Venetian de Las Vegas. Inscrivez-vous !

 

Faire du mauvais café a beaucoup à nous apprendre sur les plateformes de data science low-code

Il n'a jamais été aussi facile de démocratiser la puissance de l'analytique, sans pour autant perdre les arômes qui font la richesse de la data science ni sous-estimer la valeur qu'elle crée.

Technologie   |   Vishal Soni   |   3 juin 2022

Honnêtement, j'adore le café. J'aime tout de mon expresso du matin : son goût, sa chaleur réconfortante, la légère sensation de concentration qu'il me donne quand je fais défiler mon fil Twitter le dimanche matin. Et je ne suis pas le seul.

 

Avec plus de 400 millions de tasses de café consommées chaque jour rien qu'aux États-Unis, nous consommons une quantité de café folle. Pour vous donner une idée plus claire, la Finlande consomme 12 kg de café par habitant, soit le poids d'un singe comme un atèle.

 

Je me suis donc naturellement posé une question importante.<br> « Comment faire un café plus savoureux ? »

 

Je n'ai pas de formation de serveur ni d'expérience dans un café ou ce type d'établissement. Je suis un « noob » absolu en la matière.

 

Mais ne vous méprenez pas : je sais utiliser une cafetière, verser une ou deux cuillères de délicieux café dans une tasse et y rajouter un peu d'eau bouillante. Mais je suis prêt à relever un nouveau défi, à commencer mon éveil spirituel, du moins dans le domaine du café.

 

J'ai donc fait dans l'original : j'ai demandé à Google. Après environ une heure de recherches sur les différents types de grains, les appareils et les méthodes de préparation du café, j'ai décidé de retrousser mes manches, de dépenser mon argent intelligemment et d'acheter de quoi faire du café maison. Le résultat ? Passable au mieux.

 

Pour tout vous dire, je n'ai pas eu la qualité voulue. J'étais très loin du niveau du barista tatoué et barbu à grosses lunettes. J'ai donc cherché plus loin pour comprendre pourquoi j'avais été si mauvais, et j'ai trouvé une liste d'erreurs courantes :

  1. Une eau pas assez froide
  2. Une mauvaise mesure des grains
  3. Une mouture de taille incorrecte
  4. L'utilisation de grains de café prémoulus
  5. Un mauvais mélange d'eau et de café

 

Ça m'a fait un choc. Somme toute, je voulais juste boire du café. Mon objectif final était d'apprécier un bon expresso. Je ne veux tout simplement pas passer des heures à apprendre à mesurer la bonne taille de mouture, la température optimale de l'eau ou le poids de mes grains de café avant de les moudre (je déteste moudre les grains).

 

Mais ce que je savais, c'est que le café instantané, c'était fini pour moi. Après avoir vécu tout ça, je n'allais pas revenir à l'ancienne méthode. Ce qu'il me fallait, c'était quelque chose qui répond à mes besoins. À mon style de vie. Comme Liam Neeson, à mes compétences très particulières.

 

Bien entendu, j'ai fini par faire comme tout le monde : j'ai acheté une machine à expresso. Maintenant, tout ce que j'ai à faire, c'est glisser une capsule flambant neuve dans la fente, vérifier que le réservoir d'eau est rempli et appuyer sur un bouton pour avoir mon café onctueux, riche et délicieux. Je parie que vous vous demandez quel est le rapport entre cette épopée de profond désespoir et de glorieux triomphe et le monde des plateformes low-code/no-code.

 

Le rapport, c'est que le plus important, c'est ce que vous essayez de réaliser, mais aussi le temps, l'argent et les efforts que vous êtes prêt à mettre pour y parvenir.

 

Pour la plupart d'entre nous, comme dans le cas de l'expresso, nos besoins sont simples. Nous avons généralement des données qui doivent être nettoyées et associées à d'autres données qui se trouvent ailleurs (dans un cloud, par exemple) et nous devons entraîner des modèles qui nous aideront à prendre de meilleures décisions.

 

La technologie d'aujourd'hui est suffisamment avancée pour nous guider dans la création de modèles. Elle choisit ce qui aide à faire les meilleures prédictions et explique pourquoi, ce qui vous permet de garder le contrôle.

 

Vous pouvez même utiliser des graphiques interactifs, des curseurs et jouer avec des scénarios de simulation pour voir ce qui pourrait arriver.

 

Ainsi, vous pouvez commencer à plonger dans le monde merveilleux de l'analytique avancée en utilisant des technologies comme les modèles de machine learning, tout en contrôlant ce qui se passe. Vous pouvez utiliser vos propres compétences, votre expertise et vos connaissances pour guider la création de modèles, en gardant l'humain au cœur des opérations et aux commandes.

 

Ne vous méprenez pas : les codeurs ont tout à fait leur place, tout comme les baristas formés ont la leur. Sans eux, nous ne pourrions tout simplement pas profiter de ces avantages et de ce confort, mais la dure réalité est qu'ils sont bien trop peu nombreux.

 

Dans la plupart des cas, il est logique de donner à quelqu'un qui veut du café une machine à expresso, plutôt que de véritables compétences de barista et toutes les options qui vont avec.

 

Il est donc logique pour la plupart des personnes qui utilisent des données d'utiliser des plateformes no-code/low-code, plutôt que d'ouvrir Jupyter Notebook.

 

C'est là que la plateforme Alteryx entre en jeu. Elle vous permet de faire à peu près tout ce dont vous avez besoin : vous connecter à des données provenant de feuilles de calcul, de bases de données ou de n'importe quelle autre source, de les préparer à votre guise et de les utiliser pour créer différents modèles analytiques.

 

Chez Alteryx, notre objectif est simple : donner à chaque collaborateur les moyens de faire la différence et miser sur le talent de chacun afin de mieux réussir ensemble.

 

La meilleure façon d'y parvenir, c'est de permettre à tous de se lancer facilement. Des fonctions comme le Mode Éducation sont spécifiquement conçues pour cela : vous n'avez pas besoin de coder, mais vous avez tout de même des explications de qui se passe « sous le capot » dans un langage clair et compréhensible pour l'homme.

 

Nous n'avons pas oublié les codeurs non plus. Avec R et Python intégrés, vous êtes libre de coder directement dans la plateforme et de commencer à combler l'écart entre ceux qui codent et les autres. En d'autres termes, nous donnons à chacun un langage commun, conçu pour vous aider à mieux travailler ensemble et à faire disparaître les silos fragiles.

 

Vous pouvez bien sûr prendre votre café et le boire : faire profiter de la puissance de l'analytique à tous sans pour autant diluer la véritable data science ni sous-estimer la valeur qu'elle apporte n'a jamais été aussi facile.

 

La plupart d'entre nous souhaitent simplement résoudre nos problèmes de données, avec le moins de résistance possible. Nous voulons quelque chose qui soit conçu pour les gens comme nous, quelque chose qui nous permette d'atteindre la complexité ou, au contraire, la simplicité nécessaire pour notre cas d'usage. Quelque chose d'aussi simple que d'appuyer sur « Exécuter ».

 

Découvrez comment Alteryx rend l'analytique accessible à tout le monde, ou mieux encore, contactez-nous directement pour voir comment nous pouvons vous aider.

 

 

Balises