18/08/2020

Analytic Tools: Prêt pour la prochaine évolution?

Le Machine Learning (apprentissage automatique) ouvre de nouvelles possibilités d’analyse de vos données. Grâce à la croissance rapide du marché des outils logiciels basés sur l’intelligence artificielle (IA), le savoir-faire technique nécessaire est à la portée de tous. Avec un minimum de connaissances de base dans la préparation des données et les différentes méthodes, l’utilisateur, appelé Citizen Data Scientist, peut tirer de ses données des informations jusqu’alors inconnues ou impossibles à obtenir. Il faut faire appel à cette opportunité!

De: Franziska Deutschmann  ImprimerPartager 

Dr. Franziska Deutschmann

est Data Science Consultant  chez QUNIS Sàrl et conférencière  à la CA Controller Akademie SA. Elle conseille et soutient des entreprises internationales en projets touchants l’Advance Analytics, le Machine Learning et la Data Science.

Analytic Tools

Analytic Tools

L’IA fait évoluer la Business Intelligence

Que ce soit dans le domaine du contrôle de gestion, de la comptabilité ou des finances, l’analyse des données constitue leur cœur d’activité. C’est la base et la finalité de toute décision d’entreprise bien fondée. À l’aide des connaissances spécialisées appropriées, les données sont collectées, traitées, évaluées et interprétées de manière experte; elles sont ensuite intégrées au processus associé aux décisions critiques de l’entreprise. En effet, les données fournissent des informations sur l’évolution historique d’une entreprise, à partir desquelles des indicateurs peuvent être tirés pour tenter d’anticiper l’avenir.

La Business Intelligence (BI) est ici la discipline reine L’IA, l’intelligence artificielle, n’y changera rien. Elle permettra plutôt d’étendre le processus de préparation et d’évaluation des données par une multitude de fonctionnalités. Dans un futur qui n’est pas si lointain.

Aujourd’hui déjà, nous constatons de nombreux développements et changements dans nos activités quotidiennes qui vont dans ce sens. Les tableaux de bord, qui peuvent être mis en place facilement et indépendamment par glisser-déposer, remplacent les tableaux Excel et leurs subterfuges: les calculs hebdomadaires sont automatisés, les prévisions roulantes sont introduites. Si, jusqu’à présent, la majeure partie du travail était constituée par la collecte et le traitement des données; grâce à la BI et à l’automatisation qui y est associée, l’utilisateur professionnel et le contrôleur ont désormais plus de temps à consacrer aux informations issues des données, à les visualiser et à les interpréter afin d’y repérer des anomalies et des corrélations intéressantes. L’intelligence artificielle élargit les possibilités d’évaluation des données et offre des possibilités passionnantes d’expansion. Le Machine Learning est la clef de ce succès.

Digression - Machine Learning, outil indispensable

Le Machine Learning est un outil issu du domaine de l’intelligence artificielle qui peut être utilisé pour l’analyse des données. L’expérience montre que c’est comme avec n’importe quel autre outil: même si l’on dispose tout à coup du dernier outil disponible sur le marché, il faut l’utiliser de façon judicieuse. Ce n’est pas parce que vous avez acheté la meilleure perceuse à percussion que vous devez traverser l’appartement et percer des trous dans tous les murs. Par contre, si vous voulez accrocher une photo, la valeur ajoutée de la nouvelle perceuse à percussion devient évidente: la photo sera installée plus rapidement, mieux, et plus droite qu’avec un marteau et des clous. Bref, il faut utiliser le Machine Learning comme une nouvelle perceuse à percussion, c’est-à-dire chaque fois qu’il peut vous être utile. Ne cherchez pas sans discernement des cas d’IA ou de Machine Learning, sachez simplement que ces techniques existent et ayez conscience de ce qu’elles peuvent faire. Et n’oubliez pas de considérer leur utilité lorsque vous aurez une tâche à accomplir.

Machine et humain – une combinaison qui marche

En fait, de quoi parle-t-on exactement avec le Machine Learning? L’apprentissage machine est le terme utilisé pour décrire des algorithmes, c’est-à-dire les méthodes avec lesquelles l’ordinateur reconnaît ou apprend des modèles ou des corrélations à partir d’une grande quantité de données fournies. Selon le type d’algorithme, il est alors possible de

  • détecter des anomalies provoquées, par exemple, par des saisies incorrectes
  • prévoir les quantités de commandes et de vente des produits
  • optimiser la planification du déploiement du personnel
  • prévoir les fluctuations du personnel
  • déterminer les effets des mesures, telles qu’un nouveau design publicitaire ou une nouvelle ouverture filiale
  • identifier les interrelations sur la manière dont les produits sont livrés simultanément
  • prévoir les probabilités de démissions ou de défauts de crédit
  • grouper les clients ou les produits automatiquement en fonction de leurs caractéristiques telles que le comportement à l’achat ou les points forts des ventes dans des groupes similaires
  • prévoir les appartenances à des groupes resp. le futur comportement de nouveaux clients
  • transcrire des données vidéo et audio
  • analyser de manière structurée des données vidéo, audio, mais aussi de courriels
  • analyser automatiquement le ressenti sous-jacent des clients dans les courriels qu’ils écrivent
  • identifier de manière précoce les futures pannes de machines

L’avantage de l’approche d’une analyse basée sur l’IA est que l’algorithme reconnaît des modèles trop complexes pour les humains ou qui ne peuvent être détectés qu’au prix de grands efforts. Si un modèle reconnu peut être facilement vérifié et interprété par l’utilisateur professionnel, c’est là où il devient trop complexe et trop étendu pour l’homme que le Machine Learning montre toute sa valeur ajoutée. En revanche, la machine ne dispose pas des connaissances spécialisées nécessaires pour interpréter les résultats et en tirer des recommandations d’action. C’est vraiment l’interaction entre l’expertise humaine et l’IA qui crée une réelle valeur ajoutée.

Ceci est un article gratuit. Vous souhaitez en découvrir plus? Commandez la Newsletter Finance et Comptabilité et profitez de précieuses informations pratiques 10 fois par an.

Digression - Aperçu des méthodes d’IA

Il existe une possibilité d’analyse basée sur le Machine Learning pour pratiquement chaque problématique. Les méthodes très populaires de Machine Learning sont le Clustering (analyse de grappes), la Classification (classification), la Regression (régression), mais aussi la Anomaly Detection (détection d’anomalies), la Survival Analysis (analyse de survie), les Times Series Forecasts (prévisions de séries chronologiques) et le Natural Language Processing (traitement du langage naturel). Chacun est le plus adapté sous forme spécifique et nécessite la disponibilité des données sous une forme spécifique. Les neuf principales méthodes sont regroupées dans les fiches techniques de QUNIS AI avec leurs domaines d’application, des questions typiques et des besoins en données. Vous pouvez les télécharger directement et gratuitement sous www.qunis.de/ai-factsheets (voir l’illustration 1).

Nouveaux rôles, outils et tendances

Le fait de savoir quelle méthode de Machine Learning est adapté à chaque problème, la manière dont les données sont préparées et les algorithmes de Machine Learning sont configurés était jusqu’à présent réservé à un petit groupe de spécialistes, ce que l’on appelle les «Data Scientists». Comme la quantité de données augmente constamment, ce n’est plus seulement la question du volume qui pose problème, mais leur complexité. Enfin, le besoin en Data Scientists augmente également - comme cela a été démontré ces dernières années. Tout le monde est à la recherche de spécialistes expérimentés en données, dotés d’un large éventail de compétences mathématiques, techniques et de processus. Toutefois, ils restent rares et le besoin ne peut pas être couvert seulement par le marché. Un nouveau modèle de rôle émerge de plus en plus, le Citizen Data Scientist (CDS), qui apparaît comme solution à ce goulot d’étranglement.

Le Citizen Data Scientist, solution au manque de spécialistes

Le rôle du CDS est celui d’un utilisateur spécialisé curieux qui peut répondre rapidement et facilement à de nombreuses questions avec de solides connaissances de base en matière de méthodes de Machine Learning et/ou de préparation des données avec un outil adapté. Bien sûr, la configuration optimale d’un algorithme de Machine Learning et le traitement de questions complexes exigeront toujours le recours à des Data Scientists, mais les premières réponses à la masse croissante de questions peuvent être trouvées rapidement par l’utilisateur professionnel dans son rôle et avec sa compétence de CDS.

Une forte dynamique façonne le marché des outils d’analyse

Outre les connaissances méthodologiques nécessaires, le bon outil logiciel est décisif pour un CDS. C’est ce qu’a constaté le marché. Pratiquement aucun autre segment du monde des affaires n’est actuellement soumis à autant de changements que le marché des outils analytiques. Chaque année, de nouveaux produits sont créés et font des bulles sur le marché: des produits de niche spécifiques au secteur, des produits de niche pour des tâches spécialisées comme l’analyse de textes, des produits pour des départements dédiés comme le marketing, etc. Viennent s’y ajouter de nombreuses plateformes d’analyse étendues qui tentent de couvrir de nombreux domaines d’application ou qui s’adressent à des utilisateurs de différents niveaux de compétence. Beaucoup d’outils mettent également l’accent sur la facilité de collaboration au sein de l’équipe, d’autres sur l’automatisation des rapports ou sur de bonnes options de visualisation. Chaque produit a ses propres points forts et inconvénients et aucun n’a encore développé toutes ses capacités. Il est probable que tous les produits ne pourront pas s’imposer sur le marché à long terme. En même temps, tous les produits continueront à évoluer, en toute certitude.

Tendance à l’Augmented Analytics

La tendance actuelle du marché porte vers l’Augmented Analytics. Grâce à l’IA et au Machine Learning, les étapes d’analyse telles que la sélection de l’algorithme correct de Machine Learning sont automatisées de sorte que l’utilisateur n’a pas besoin d’être un professionnel des sciences des données pour effectuer certaines analyses en matière de traitement de données. Le savoir-faire technique nécessaire est réduit au minimum. Par exemple, les clients, les produits ou les matières premières sont regroupés avec une analyse de Cluster sans que vous, en tant qu’utilisateur professionnel, ayez à comprendre ce qui se passe en arrière-plan. Il est également possible de prédire les ventes ou des données similaires pertinentes pour l’entreprise en un seul clic à l’aide d’analyses de séries chronologiques. Dans certains outils, l’intégration de l’IA peut faciliter la recherche de données pertinentes à l’aide d’une commande vocale ou de fonctions de recherche de type Google. Tout cela fait partie de l’Augmented Analytics et donne un aperçu de la façon dont le marché des outils d’analyse évolue actuellement.

Ceci est un article gratuit. Vous souhaitez en découvrir plus? Commandez la Newsletter Finance et Comptabilité et profitez de précieuses informations pratiques 10 fois par an.

Quel outil me convient le mieux?

Le choix du bon outil est crucial pour le succès de l’AI et du Machine Learning. Car, comme l’a montré notre expérience en tant que Data Scientist, «Rien ne complexifie plus la créativité dans l’analyse exploratoire qu’un logiciel avec lequel vous ne vous sentez pas à l’aise». Il est donc important de trouver le bon outil pour les besoins de l’utilisateur. Des aspects tels que l’expérience de l’utilisateur professionnel dans le traitement des données, ses connaissances statistiques et thématiques antérieures, sa disponibilité et le temps de travail nécessaire pour se familiariser avec les nouveaux logiciels, le niveau de travail en équipe, la taille de l’entreprise, les questions avec lesquelles les données sont abordées, la taille typique du projet ainsi que les exigences techniques et la stratégie de gestion des données jouent un rôle dans la sélection d’un outil. Par conséquent, un outil peut être approprié ou non. L’éventail des outils possibles va des simples outils de Reporting aux plateformes dédiées de Machine Learning et de science des données ou même aux IDs et aux ordinateurs portables en passant par des suites de BI et Analytics.

Segmentation du marché des outils d’analyse

Commençons donc la recherche du bon outil en ayant conscience des exigences de l’utilisateur et en nous interrogeant sur ce qu’il attend de l’outil d’analyse:

  • Faut-il des visualisations rigides et simples pouvant être enregistrées en tant que fichier image ou de tableau?
  • Plusieurs utilisateurs doivent-ils être enregistrés dans le cadre d’une analyse exploratoire? Si oui, dans quelle mesure la coopération devrait-elle être soutenue?
  • Quels sont les niveaux de compétence des utilisateurs?
  • Quelle est la répartition de leurs tâches?
  • Quelles sont les exigences en matière de visualisation, de statistiques et de fonctionnalités de Machine Learning?
  • Dans quelle mesure l’outil doit-il être utilisé pour des améliorations de productivité?

Les réponses à ces questions permettent de savoir rapidement dans quel segment de marché se situe l’outil approprié pour vous (voir l’illustration 2). Un outil de visualisation traditionnel est-il suffisant  ou cherchez-vous plutôt un outil pour un utilisateur intensif ?

Ou bien les utilisateurs font-ils déjà un pas de plus vers la science des données ? Ou vos utilisateurs veulent-ils une flexibilité totale et ne craignent pas une programmation sophistiquée dans des environnements de développement ? Vous pouvez imaginer l’outil logiciel approprié comme une boîte équipée de tous les outils de Machine Learning qui sont utiles pour répondre à vos questions.

D’habitude, les compétences et les questions des utilisateurs varient au sein de l’entreprise. Ils identifient généralement non seulement un segment de marché pertinent, mais deux ou même trois. Selon notre expérience, le sujet est ensuite abordé de manière stratégique et la capacité de combiner différents outils est prise en compte. En règle générale, on trouve toujours une solution avec laquelle tout le monde aime travailler.

Cerveaux intelligents, en avant!

L’intelligence artificielle étend les possibilités de la Business Intelligence et de l’évaluation des données par les méthodes du Machine Learning. En combinaison avec un cerveau intelligent, elle ouvre des possibilités nouvelles d’interprétation des données et d’acquisition des connaissances. La machine est prête en termes d’outils logiciels. Il est maintenant nécessaire de trouver et de faire appel à des cerveaux intelligents qui utilisent cette machine. Fondamentalement, toute personne ayant de bonnes connaissances préalables dans le traitement des données ou une compréhension de base des statistiques et des mathématiques convient à cet effet. Les utilisateurs professionnels de la BI et les auditeurs qui sont prêts à apprendre et curieux d’explorer la science des données et les algorithmes prédictifs pour leurs processus d’affaires se sentiront particulièrement à leur place. Il leur appartient maintenant d’apprendre à utiliser les outils de science des données en libre-service et de les intégrer aux endroits appropriés. Mieux vaut hier que demain, car la roue de l’évolution des données continue de tourner à grande vitesse!

Recommandations produits

  • WEKA Modèles de contrats en ligne

    WEKA Modèles de contrats en ligne

    Gagnez en assurance avec des modèles adaptés à vos besoins.

    à partir de CHF 248.00

  • Comptabilité et finance d‘entreprise

    Comptabilité et finance d‘entreprise

    Tendances et nouveautés dans le domaine de la comptabilité et de la finance.

    Plus d’infos

  • Newsletter TVA & FISCA

    Newsletter TVA & FISCA

    Connaissances pratiques, actuelles et approfondies sur la TVA et la fiscalité

    Plus d’infos

Recommandations de séminaire

  • Séminaire pratique, 1 jour, Hôtel Alpha Palmiers, Lausanne

    Digital CFO

    Digitaliser l’activité de fiduciaire et de la comptabilité en entreprise

    Prochaine date: 19. novembre 2020

    plus d'infos

  • Séminaire pratique, 1 jour, Hôtel Alpha Palmiers, Lausanne

    Analyse du bilan, du compte de résultat et tableau de financement

    Examinez vos états financiers en profondeur afin de prendre les bonnes décisions!

    Prochaine date: 10. novembre 2020

    plus d'infos

  • Journée, 1 jour, Hôtel Alpha Palmiers, Lausanne

    Journée WEKA Finance et fiscalité 2020

    Nouveautés, évolutions et problèmes pratiques du monde de la finance et de la fiscalité

    Prochaine date: 03. décembre 2020

    plus d'infos

Nous utilisons des cookies pour améliorer continuellement notre site web. En utilisant ce site web, vous acceptez l’utilisation de cookies. Plus d’infos