L'intelligence d'affaires a besoin d'être stimulée par l'intelligence décisionnelle

Getty Images

L'intelligence d'affaires a désormais besoin d'intelligence décisionnelle.

La BI est l'utilisation des données pour éclairer les décisions. L'intelligence décisionnelle, quant à elle, est l'utilisation de l'analyse augmentée et de l'apprentissage automatique pour faire apparaître automatiquement des informations qui conduisent à des décisions et à des actions.

Pendant des décennies, la BI a été utilisée pour créer des rapports et des tableaux de bord qui ont permis aux organisations de prendre des décisions plus intelligentes qu'elles ne l'auraient fait en utilisant uniquement les instincts développés par l'expérience.

Les plates-formes de BI - de Cognos et BusinessObjects il y a quelques décennies aux modernes Microsoft Power BI, Qlik et Tableau - ont été des moyens essentiels pour aider les organisations à rivaliser avec leurs pairs en utilisant les données pour éclairer les décisions et même obtenir des avantages.

Ils aident les équipes de données à créer des modèles qui prédisent les résultats futurs et favorisent l'exploration et l'analyse en libre-service par les utilisateurs professionnels, ce qui leur permet de prendre des décisions au moment opportun qui stimulent la croissance de leur organisation.

Mais la BI a ses limites, selon Wayne Eckerson, fondateur et consultant principal du groupe Eckerson, qui s'est exprimé lors d'un récent webinaire organisé par le fournisseur d'analyse Sisu.

"La promesse de la BI était de transformer les données en informations et en action, et cela nous fait faire une partie du chemin", a-t-il déclaré. "Mais nous avons découvert au fil des années que cela ne nous mène pas jusqu'au bout. Cela ne va pas jusqu'au dernier kilomètre pour passer des données aux informations et à l'action. Il n'y a rien de mal avec la BI, mais elle a des limites intégrées."

Eckerson a noté que les limitations de BI incluent les éléments suivants :

Les contraintes de la BI, quant à elles, sont exposées par la croissance exponentielle de la quantité de données que les organisations collectent actuellement et la complexité croissante de ces données à mesure qu'elles proviennent d'un nombre croissant de sources.

Le résultat des limites de la BI est un goulot d'étranglement dans la prise de décision. Les données sont trop lourdes à gérer pour les humains et leur complexité dépasse la portée des utilisateurs en libre-service.

Tout comme la création de rapports et de tableaux de bord par les équipes de données était un processus lent avant l'essor de l'analyse en libre-service - les consommateurs de données attendant des semaines, voire des mois, que les équipes de données terminent un projet donné - les équipes de données sont à nouveau submergées par des questions sur les données, et les projets sont à nouveau bloqués.

Quelques semaines ou quelques mois pour produire un rapport ou un tableau de bord auraient peut-être été suffisants il y a dix ou deux ans. Maintenant que de plus en plus de pairs d'une organisation sont aussi axés sur les données qu'eux, ce n'est plus le cas. De plus, les conditions économiques en évolution rapide en raison d'événements mondiaux tels que la pandémie et la guerre en Ukraine obligent les organisations à agir et à réagir rapidement.

"Résoudre le goulot d'étranglement - autre que la qualité des données - est le plus gros problème auquel est confronté le secteur de l'analyse", a déclaré Eckerson. "Les utilisateurs professionnels ne peuvent tout simplement pas obtenir les informations dont ils ont besoin pour agir."

Et ni l'embauche de plus d'analystes de données et de data scientists ni le développement de meilleurs outils d'analyse en libre-service ne sont le moyen de desserrer le goulot d'étranglement, a-t-il poursuivi.

À mesure que le volume et la complexité des données augmentent, il n'y aura jamais assez de travailleurs de données pour suivre le rythme ni assez d'argent pour les payer. L'ajout d'utilisateurs et de technologies en libre-service nécessite une formation coûteuse en littératie des données et une gouvernance rigoureuse des données pour contrôler le chaos potentiel.

Au lieu de cela, les équipes de données ont besoin d'une technologie qui les rend plus efficaces. Cette technologie est l'intelligence décisionnelle.

"Les plates-formes d'intelligence décisionnelle, c'est comme embaucher une armée d'analystes de données sans dépenser d'argent supplémentaire, autre que pour une licence logicielle", a déclaré Eckerson.

Joel McKelvey, vice-président du marketing produit chez Sisu - un fournisseur qui, comme Pyramid Analytics et Tellius, se spécialise dans les outils d'intelligence décisionnelle - a également noté que la BI a besoin de capacités d'intelligence décisionnelle pour améliorer l'efficacité et répondre aux besoins modernes des organisations.

"BI a été un succès incroyable", a-t-il déclaré. "Mais les données ont augmenté - et la complexité de ces données a augmenté - au-delà de notre capacité à les servir à n'importe qui dans l'entreprise. Je ne pense pas que la BI soit mauvaise, mais la mise en œuvre d'un outil de reporting et de tableau de bord a été dépassée. Ce dont nous avons besoin maintenant, c'est d'un outil qui automatise une grande partie de ce que fait la BI."

L'intelligence décisionnelle utilise essentiellement l'IA et l'apprentissage automatique pour surveiller les données.

Chaque organisation dispose d'un ensemble de mesures commerciales qui sont les plus importantes pour son succès. Leurs équipes de données peuvent programmer une plate-forme d'intelligence décisionnelle pour effectuer une surveillance 24 heures sur 24 sur ces métriques et les données qui les alimentent.

Chaque fois qu'il y a un changement dans ces métriques, l'outil d'intelligence décisionnelle alerte automatiquement les principales parties prenantes.

Mais ils ne se contentent pas de surveiller ce qui se passe. Parce qu'ils peuvent passer au crible des millions de combinaisons de points de données en quelques secondes, ils peuvent révéler pourquoi les métriques changent et suggérer les causes les plus probables, ce qui permet aux analystes de gagner du temps autrement consacré à l'analyse des causes profondes.

Le résultat est que les data workers deviennent 10 à 100 fois plus productifs qu'avec un outil BI seul, selon Eckerson.

"L'intelligence décisionnelle consiste à doter les analystes de données et les scientifiques des données d'un moteur puissant qui parcourra des millions d'enregistrements en moins d'une seconde et fera apparaître les problèmes pertinents que vous devez traiter", a-t-il déclaré. "Vous ne pourriez jamais analyser vos données de cette façon même avec une armée d'analystes, mais ces outils le font. Ils font remonter à la surface des choses qui valent la peine d'être examinées par les analystes que vous avez."

Cela dit, les outils d'intelligence décisionnelle ne doivent pas remplacer les plateformes de BI, selon McKelvey.

Au lieu de cela, l'intelligence décisionnelle devrait compléter la BI en faisant apparaître des informations qui prendraient autrement des mois à découvrir et en proposant des actions ultérieures suggérées. Malgré ses capacités d'automatisation, l'intelligence décisionnelle ne doit être utilisée que pour automatiser certaines actions de base et répétables résultant d'informations générées automatiquement.

"L'intelligence décisionnelle consiste à prendre une décision", a déclaré McKelvey. "Il n'est pas correct pour nous de supposer que les décisions seront automatisées grâce à ce processus. Il s'agit vraiment d'amener les gens au point où les décisions sont claires et basées sur les données. Il faut des données à l'échelle de la machine et les vanner jusqu'à un point où les humains peuvent agir de manière significative. "

Les humains possèdent des connaissances intuitives essentielles, a poursuivi McKelvey.

Ils comprennent certaines distinctions que les machines peuvent ne pas comprendre. Par conséquent, alors que l'intelligence décisionnelle peut automatiser certains processus et décisions simples - "si X se produit, alors faites toujours Y" - des décisions plus nuancées nécessitent une interprétation humaine, selon McKelvey.

"Nous utilisons l'intelligence décisionnelle pour augmenter l'humain, pas pour le remplacer", a-t-il déclaré.

Les humains sont également meilleurs que les machines pour distinguer si quelque chose semble un peu anormal.

Alors que les machines peuvent passer au crible les données et afficher des informations de manière exponentielle plus rapide que les humains, elles ne sont pas nécessairement meilleures pour reconnaître quand une information peut être basée sur de mauvaises données et, par conséquent, incorrecte. Une action entreprise sur la base de mauvaises données peut s'avérer désastreuse.

"L'intelligence décisionnelle ne résout pas les problèmes de manipulation et de préparation des données", a déclaré Eckerson. "Vous avez toujours besoin de bonnes données. C'est des ordures à l'intérieur, des ordures à la sortie - vous voulez vous assurer que vous fournissez des données de haute qualité, car plus vous avez de données de meilleure qualité, plus vous obtiendrez des résultats de meilleure qualité."

À terme, l'intelligence décisionnelle permettra aux organisations d'automatiser davantage d'actions. Mais les outils en sont encore à leurs balbutiements, selon Eckerson.

En fin de compte, l'objectif de l'intelligence décisionnelle est de détecter ce qui s'est passé, d'analyser pourquoi cela s'est produit, de prévoir ce qui en résultera, de prescrire des réponses potentielles et d'agir en fonction de cette prescription.

"Nous n'en sommes pas encore là", a déclaré Eckerson. "Mais je pense que dans trois à cinq ans, c'est là que se trouvera la grande majorité de la technologie. Ils vont évoluer très rapidement au cours des prochaines années. Les fonctionnalités vraiment intéressantes arrivent, telles que la possibilité de faire des prévisions, de prescrire et même d'agir, si nécessaire."