L’impact de la science de données sur les analyses traditionnelles

Tout le monde sait maintenant que la science de données aura un impact considérable sur les façons de faire en entreprise. On sait également que de nombreux emplois dépendront éventuellement de cette discipline et plus spécifiquement de l’analytique d’affaires. Même si vous ne souhaitez pas devenir vous-mêmes un scientifique de données, il vous faudra désormais vous intéresser au sujet et comprendre en quoi cette science influencera votre entreprise et votre emploi. Il vous faudra au minimum comprendre les termes généraux car qui sait ? Peut-être aurez-vous à embaucher un scientifique de données et devrez savoir comment le recruter et sur quelle base l’évaluer ? Peut-être aurez-vous à autoriser un budget pour acquérir une solution informatique basée sur la science de données? Peut-être devrez-vous éventuellement réorganiser votre département en fonction de la science de données ?

Il devient donc primordial que les gens d’affaires, analystes, contrôleurs et gestionnaires s’approprient le vocabulaire de la science de données et comprennent les principes fondamentaux qui la supportent afin de pouvoir accomplir adéquatement leurs tâches à venir. Sur ce blogue, nous débutons donc une nouvelle série d’articles dédiés à la science de données. Dans ce premier article, nous traiterons de l’impact de la science de données sur les analyses traditionnelles.

Les 5 niveaux de l’analytique d’affaires

L’analytique d’affaires se décompose en 5 niveaux. Plus on avance dans les niveaux, plus la mise en place des solutions est complexe mais plus l’impact sur la valeur de l’entreprise est important. Plusieurs entreprises (trop ?) ne peuvent encore se vanter de bien maîtriser le premier niveau alors que d’autres entreprises démontrent une maturité numérique bien au-delà de la moyenne, comme Amazon par exemple, qui utilise la science de données pour gérer un grand pan de ses affaires, avec le succès qu’on lui connaît. Voici maintenant en quoi consiste les 5 niveaux de l’analytique d’affaires.

1. Analyse descriptive

Que s’est-il passé ?

Comme son nom l’indique, l’analyse descriptive décrit une situation. Elle décrit ce qui s’est passé par le biais de différents rapports et/ou tableaux de bord. À ce niveau, on analyse donc surtout le passé, ce qui nous donne néanmoins un petit aperçu de ce qui s’en vient. Par contre, on n’explique pas ce qui cause les problématiques ou ce qui explique les succès. Par exemple, on va observer une diminution des ventes dans le temps, qu’on attribuera peut-être à une diminution des quantités vendues mais le rapport n’indiquera pas pourquoi les quantités vendues sont moins élevées. La majorité des rapports et tableaux de bord corporatifs se retrouvent encore malheureusement dans cette catégorie.

Force est de constater que même à ce premier niveau de l’analytique d’affaires, de nombreuses entreprises travaillent encore à la mise en place d’une solution leur permettant d’avoir une vue d’ensemble de leurs données et cela à travers un outil permettant de faire de la visualisation de données dynamique. Je vois encore de nombreuses entreprises procéder méticuleusement à la création de rapports statiques en PDF. Donc évidemment, avant de passer aux autres niveaux, ces entreprises doivent rapidement s’assurer de mettre en place une solution d’intelligence d’affaires, comme Power BI, par exemple, qui leur permettra d’extraire, transformer, fusionner et modéliser l’ensemble des données à analyser via des visualisations dynamiques.

2. Analyse diagnostique

Pourquoi est-ce arrivé ?

De façon à comprendre pourquoi les quantités vendues ont diminué ou pourquoi n’importe quelle autre situation est survenue, il faut concevoir des tableaux de bord qui permettent de forer vers des rapports plus détaillés, qui eux-mêmes permettent de forer dans des visualisations pour descendre jusqu’au grain d’information le plus fin.

Power BI est une excellente solution pour ce type d’analyse. Il faudra par contre que l’usager construise ses rapports en conséquence. Cela demande de nombreuses compétences: créer des requêtes sur les différents systèmes, transformer les données sources en données structurées, normaliser les données, créer des modèles de données, créer des expressions analytiques appropriées, construire des visualisations de données qui permettent le forage, notamment via des hiérarchies, et par-dessus, tout maîtriser les données d’une façon exceptionnelle, de façon à pouvoir construire les visualisations qui permettront des pistes de forage appropriées. L’objectif ici de l’analytique d’affaires, est donc de trouver des réponses à nos questions.

À ce sujet, vous voudrez peut-être écouter l’enregistrement de mon webinaire Power BI Dashboard Makeover où je montre un exemple de la façon dont les tableaux de bord et les rapports devraient être conçus afin de permettre une bonne expérience de forage.

Vous aimeriez être un Ninja Excel et devenir la référence ultime de votre bureau, ou tout le moins ne plus avoir l’impression de stagner ? Développez des solutions innovatrices en explorant des fonctions et fonctionnalités souvent méconnues mais fort utiles avec nos formations pour devenir Ninja d’Excel.

3. Analyse prédictive

Que va-t-il arriver ?

Le forage, en analytique d’affaires, permettra notamment de comprendre quels produits, quels représentants, quels magasins, par exemple, sont responsables de la chute des ventes. Mais parfois, il faut également croiser les données avec des sources externes, non traditionnelles, pour obtenir des réponses plus approfondies et surtout, effectuer des prévisions en fonction de ces informations ou événements.

Par exemple, une boutique pourrait effectuer une veille des commentaires émis en ligne sur ses produits afin de prévoir les ventes et/ou les rappels potentiels. Un détaillant de pneus pourrait suivre les prévisions météorologiques au niveau des chutes de neige pour savoir quand augmenter ses inventaires dans chacune des régions où il opère. Un épicier pourrait suivre les promotions en ligne d’un concurrent pour fixer ses propres prix de vente.

Pour cela, il faut non seulement posséder des techniques comme le Web Scraping mais il faut aussi développer son intuition pour savoir quelles données faire parler entre elles. Encore une fois, Power BI est une excellente solution pour effectuer du Web Scraping. À ce sujet, je vous invite à suivre mon webinaire Web Scraping avec Power BI et ma formation Recettes magiques pour transformer vos données où je vous montrerai à quel point Microsoft a su démocratiser le Web Scraping, technique jadis réservée aux plus geeks d’entre nous.

On usera également de simulations et d’algorithmes de marchine learning. Microsoft met également à la disposition des usagers sa solution Azure Machine Learning (AML) Il faut savoir que de nombreuses fonctionnalités de machine learning sont déjà intégrées dans Power BI. On n’a qu’à penser qu’à l’analyse d’écarts que j’explique dans mon article Power BI : Expliquer les écarts. Sachez que plusieurs algorithmes de AML seront bientôt intégrées directement dans Power BI pour permettre aux analystes, qui ne sont pas des experts en science de données, d’avoir accès à la puissance de cette solution. Parallèlement, Power BI offre aussi de nouvelles visualisations comme la visualisation qui permet d’identifier les variables qui influencent le plus vos résultats et promet d’en ajouter de plus en plus dans l’avenir. Il ne faut pas oublier les paramètres de scénarios, qui permettent de rouler divers scénarios et effectuer des analyses de sensibilité directement à partir de Power BI.

Cela dit, je crois qu’il ne faut pas non plus bouder les méthodes traditionnelles de simulation comme les simulations Monte Carlo. À ce sujet, je vous invite à assister à mon webinaire Simulation Monte Carlo dans Excel ou suivre notre formation Excel: Analyse de projets d’investissement pour voir comment créer des simulations Monte Carlo dans Excel. Je suis persuadée de pouvoir créer le même type de simulations dans Power BI mais je ne me suis pas encore penchée sur la question. C’est par contre dans mes projets et bien sûr, un article à ce sujet suivra ;).

4. Analyse prescriptive

Comment s’assurer que cela arrive ou n’arrive pas ?

En analyse prescriptive, on tentera de déterminer la meilleure marche à suivre pour éviter les problématiques passées dans le futur. Autrement dit, une fois que nous aurons identifié les variables à risque, nous tenterons de les contrôler et une fois que nous aurons identifié les variables à effets favorables, nous tâcherons de les exploiter au maximum. En analyse prescriptive, on passe donc en phase de planification et d’optimisation pour maximiser les retombées et contrôler les risques en exploitant les différents leviers opérationnels de l’entreprise.

Par exemple, une entreprise ayant connu des problèmes de coûts liés aux déplacements de ses camions de livraison, pourrait désormais forcer les conducteurs à utiliser Google Maps pour les aider à choisir la meilleure route selon l’heure, le traffic et la distance parcourue et ainsi, diminuer les distances parcourues. De même, le complément Supply Chain d’Excel permettrait de déterminer à quel endroit construire d’éventuels entrepôts afin de minimiser les trajets parcourus. Et une combinaison des deux solutions pourrait être encore plus bénéfique car peut-être que le plus court trajet, c’est aussi le trajet qui cumule les plus mauvaises statistiques en termes de traffic. Bref, à ce niveau de l’analytique d’affaires, il faut utiliser à notre avantage les connaissances apprises dans les niveaux précédents.

5. Analyse cognitive

Comment augmenter les capacités de la machine ?

En analyse cognitive, on cherche à exploiter ou à raffiner le raisonnement de la machine (le rapprocher le plus possible de celui de l’humain), grâce à l‘intelligence artificielle, le marchine learning et le deep learning. On peut penser, par exemple, aux voitures qui se conduisent sans conducteur.

À ce niveau d’analytique d’affaires, vous me voyez venir, Microsoft ne nous oublie pas. Power BI exploite ce qu’on appelle le langage naturel pour permettre aux usagers de taper leurs questions dans leurs propres mots et être compris par la machine, qui répond par le biais de visualisations. Il est également possible d’ouvrir des rapports à l’aide de commandes écrites ou vocales auprès de Cortana. Parallèlement, Cognitive Services permet la reconnaissance visuelle et l’interprétation de texte. À ce sujet, je vous invite d’ailleurs à lire mon article sur l’analyse de sentiments avec Power BI où les commentaires d’usagers sont analysés et interprétés par la machine, de façon à générer des scores de sentiments, 0 étant un sentiment purement négatif et 1 un sentiment purement positif.

Une époque excitante pour les analystes et l’analytique d’affaires

Chose certaine, nous vivons à une époque où il est très excitant d’être un analyste de données, que ce soit en finance, en marketing, en ventes ou dans tout autre département ou domaine. Les solutions se démocratisent de plus en plus, nous rendant pratiquement 100% autonomes dans l’analyse de nos données, pour autant qu’on prenne la peine de se former adéquatement. Si vous commencez par exemple à vous intéresser au Web Scraping, vous aurez l’impression d’être un vrai petit génie après avoir récupéré les informations d’un site web, les avoir structurées et les avoir croisées avec vos données puis intégrées dans un rapport dynamique. Vous aurez l’impression d’être le petit geek à la télévision, capable d’infiltrer les systèmes de la CIA :). Et à voir le rythme auquel Microsoft, entre autres, fait évoluer ses solutions no code (solutions qui n’exigent pas de programmation), gageons que d’ici quelques années, ce sentiment ne fera que se renforcer !

Formation complémentaire

Développez vos compétences en analyse de données et exploitez les fonctions d’Excel qui permettent de manipuler, gérer et transformer des données qui proviennent de diverses sources et différents formats, sans faire intervenir Power Query ou le VBA, en suivant la formation de niveau avancé Excel – Traitement, manipulation et analyse de données.

Voici quelques commentaires d’apprenants ayant suivi cette formation :

La mission du CFO masqué est de développer les compétences techniques des analystes et des contrôleurs de gestion en informatique décisionnelle avec Excel et Power BI et favoriser l’atteinte de leur plein potentiel, en stimulant leur autonomie, leur curiosité, leur raisonnement logique, leur esprit critique et leur créativité.