Data Analytics

Qu’est-ce que la Data Analytics?

La data analytics, ou l’analytique de la donnée, consiste à explorer,
transformer et analyser les données afin d’identifier les tendances et les
schémas qui révèlent des informations exploitables pertinentes et améliorent
l’efficacité, ce qui contribue à optimiser la prise de décision. Une stratégie
moderne de data analytics permet aux systèmes et aux entreprises d’agir en
fonction d’analyses automatisées en temps réel, ce qui garantit des résultats
immédiats et percutants.

Le processus de Data Analytics

Ce processus repose sur plusieurs phases et étapes. Les enseignements tirés
lors d’une phase peuvent nécessiter de prendre du recul et de reprendre une
phase antérieure, ce qui rend l’opération plus cyclique que linéaire. Plus
important encore, les processus de data analytics qui fonctionnent dépendent
de la reproductibilité et de l’automatisation entre chaque étape.

Voici le détail de ces étapes et de ces phases:

Entrée de données: permet de déterminer les exigences et de collecter les données. Un minimum de travail d’investigation est nécessaire : discuter avec les personnes concernées, savoir qui « garde » les données et obtenir l’accès à ces données.

Préparation des données: le but ultime de la stratégie et de la tactique de préparation des données est la production d’informations exploitables grâce à l’analyse de données. Cela inclut le nettoyage et la consolidation des données brutes en données bien structurées, prêtes pour l’analyse. Par ailleurs, les résultats sont testés à chaque étape du processus de préparation afin de s’assurer que l’analyse donne les résultats souhaités.

Exploration des données: l’exploration des données, ou l’analyse exploratoire des données, consiste à inspecter et examiner un vaste ensemble de données à travers l’échantillonnage, l’analyse statistique, l’identification des schémas (ou patterns), le profilage visuel, et plus encore. Les méthodes ne sont pas nécessairement scientifiques ou concluantes ; elles servent plutôt à comprendre, ce qui mène à une transformation plus judicieuse des données.

Enrichissement des données: cette opération consiste à enrichir et augmenter les données avec des entrées et des ensembles de données supplémentaires pour fournir plus d’éléments à l’analyse. Cette étape du processus de data analytics est cruciale pour révéler de nouvelles informations exploitables, ou insights, en observant les données sous un autre angle.

Data science: utilisation de méthodes plus sophistiquées pour donner du sens aux données d’une façon plus précise et plus poussée, et pour faire émerger des informations précieuses qui seraient impossibles à trouver lors d’un traitement des données plus rudimentaire. Les méthodes en question incluent notamment des algorithmes, l’entraînement de modèles, le machine learning (ML) et l’intelligence artificielle (IA).

Business intelligence: c’est ce que produisent collectivement les données, les logiciels, l’infrastructure, les processus métier et l’intuition humaine. Elle permet d’obtenir des informations exploitables, ou insights, sous forme de rapports, de tableaux de bord et de visualisations pour faciliter la prise de décision.

Reporting: les résultats du processus de data analytics doivent être partagés efficacement afin de préserver les informations obtenues. Le reporting consiste à organiser ces informations et les résultats d’une façon claire et facile à comprendre.

Optimisation: à mesure que les variables évoluent dans le temps, les modèles doivent être optimisés et améliorés pour rester efficaces et conformes à leur objectif initial ou pour évoluer en fonction de nouvelles entrées ou de nouvelles caractéristiques.

Types de Data Analytics

Il existe plusieurs types de data analytics :

• Descriptive: pour répondre à la question « Que s’est-il
  passé ? » (Quelles ventes avons-nous réalisées la semaine dernière ?)
• Diagnostique: pour répondre à la question « Pourquoi cela
  s’est-il produit ? » (Pourquoi nos ventes ont-elles augmenté par rapport à
  la semaine précédente ?)
• Prédictive: pour répondre à la question « Que va-t-il se
  passer ? » (Quelles ventes nos magasins réaliseront-ils pendant la période
  des fêtes ?)
• Prescriptive: pour répondre à la question « Que dois-je
  faire ? » (Sur la base de nos prévisions, nous recommandons d’expédier une
  quantité plus importante pour un certain produit afin d’éviter une rupture
  de stock.)

Avec l’analytique descriptive et diagnostique, les analystes et les
responsables peuvent lisser l’ensemble. Ces processus sont des éléments
fondamentaux qui ouvrent la voie à des insights plus sophistiqués obtenus par
des analyses prédictives et prescriptives.

Mise en place d’un socle de Data Analytics mature

Aujourd’hui, les données sont omniprésentes dans tout système ou toute
entreprise. Beaucoup ont recours à l’analytique pour améliorer leurs processus
ou pour obtenir des résultats qui changent la donne. Personne ne doute de
l’importance de la data analytics. Les entreprises modernes cherchent à mettre
en place une stratégie analytique mature, qui garantit des insights en temps
réel et une prise de décision tournée vers l’avenir.

Une solution analytique moderne a besoin de l’automatisation

Dans la pratique de la data analytics, il existe une myriade de solutions
ponctuelles, chacune correspondant à une des étapes ou phases mentionnées plus
haut dans la description du processus. Toutefois, l’un des principaux
problèmes avec ces solutions, c’est que cette approche ne permet pas
d’automatiser facilement le processus analytique et de data science de bout en
bout. Grâce à
l’automatisation de l’analytique, l’analyse se fait véritablement en temps réel, car elle repose sur un socle
d’automatisation tout au long du parcours, dans une seule et même solution
analytique.

Depuis qu’elles peuvent bénéficier de l’automatisation pour la data analytics,
les équipes et les entreprises peuvent automatiser n’importe quelle partie de
leur processus analytique : l’entrée initiale des données, le nettoyage des
données, l’enrichissement, la data science, le machine learning ou encore
l’envoi des données dans des applications, des bases de données cloud, des
plateformes BI, etc. Tout est réuni dans la même solution analytique.

Une entreprise moderne a besoin d’un Centre d’excellence analytique

Par ailleurs, la compétitivité d’une société dans l’économie numérique
émergente nécessite des décisions plus rapides et tournées vers l’avenir.
C’est pourquoi les systèmes et les entreprises modernes qui envisagent la
transformation numérique doivent s’appuyer sur une stratégie data analytics
moderne,
un « accélérateur clé » de leurs initiatives.

Mise en place d’un Centre d’excellence analytique

Un Centre d’excellence, avec son rôle de centralisation de l’analytique, est
conçu pour promouvoir et mettre en œuvre efficacement une culture d’entreprise
qui donne la priorité à la data analytics à tous les niveaux de
l’organigramme. L’objectif est d’améliorer l’efficacité opérationnelle et les
processus, pour une prise de décision optimisée ayant des effets visibles à
tous les niveaux et pour des bénéfices immédiats sur les résultats de
l’entreprise. Un Centre d’excellence efficace procure de nombreux avantages :
formations, avis de spécialistes, conseils et assistance en interne, promotion
des meilleures pratiques, mise en œuvre d’un cadre méthodologique pour la
modélisation analytique, maximisation du ROI des investissements analytiques.

Un bon Centre d’excellence permet également de relier les données, les
analyses, les processus et les utilisateurs. La convergence de ces quatre
piliers garantit la démocratisation des données dans l’ensemble de
l’entreprise, permet aux analystes de devenir des citizen data scientists,
automatise le processus analytique tout au long du parcours et facilite
l’amélioration des compétences des collaborateurs.

Les données justifient l’investissement dans un Centre d’excellence efficace :
une
étude récente
souligne l’effet catalyseur d’un ensemble unique et commun d’outils et de
méthodes dans toute l’entreprise pour accéder aux données et les analyser.
Elle indique également que sur les 26 % d’utilisateurs qui suivent la bonne
méthode, 80 % ont dépassé leurs objectifs commerciaux. Par ailleurs, dans les
entreprises où l’ensemble du personnel a suivi une formation pour apprendre à
tirer parti des données, 88 % ont dépassé leurs objectifs, contre seulement 61
% dans celles où peu d’employés y ont été formés.

Cas d’usage de la Data Analytics moderne

Les cas d’usage de la data analytics dans un monde axé sur le numérique sont
presque sans fin. Ils vont de la prévision du comportement des clients en
fonction des interactions sur plusieurs canaux à l’anticipation des
changements dans une chaîne d’approvisionnement en cas de catastrophes
naturelles. Voici quelques exemples parmi les plus fréquents dans tous les
secteurs d’activité.

Chaîne d’approvisionnement

• Gain d’efficacité grâce au reporting:
  Alteryx + Daimler Trucks North America
• Optimisation du stock de sécurité:
  vidéo client : Amway  
• Logistique omnicanal:
  Logistique omnicanal de Seko

Biens de consommation emballés/Vente au détail

• Insights sur les activités promotionnelles:
  7-Eleven
• Prédiction du ressenti des clients:
  Mayborn
• Tests A/B pour le placement de produits:
  Barnes & Noble

Santé

• Recherche médicale sur le COVID-19 pour sauver des vies:
  Castor + The information Lab, Pays-Bas
• Atténuation des risques:
  Kaiser Permanente
• Adhésion et traitement des demandes en libre-service:
  Blue Cross Blue Shield North Carolina (BCBS NC)

Secteur public

• Scénarios critiques de demande et de ressources:
  Integratis
• Prédiction de l’étendue des dommages structurels:
  FEMA
• Traçage des contacts:
  Infobrief du secteur public

Services financiers

• Conformité en matière de crimes financiers mondiaux:
  MUFG Bank
• Stratégie analytique centralisée:
  UBS
• Conseils fiscaux personnalisés:
  Brookson

Finance

• Réduction de la fraude, du gaspillage et des abus:
  Aprio
• Automatisation des processus comptables, fiscaux et financiers:
  Capitalize
• Amélioration de la précision des structures complexes avec entités:
  webinaire à la demande