L'analytique
Présentation et atouts
L'analytique utilise les données et les mathématiques pour répondre à des questions d'entreprise, découvrir des relations entre les données, prédire des résultats inconnus et automatiser des décisions. Ce domaine varié de l'informatique est utilisé pour trouver des tendances significatives dans les données et découvrir de nouvelles connaissances sur la base des techniques de mathématiques appliquées, de statistiques, de modélisation prédictive et de machine learning.
L'Histoire de l'Analytique
Par le passé, le stockage des données et la vitesse de traitement limitaient l'analytique. Aujourd'hui, ces limites ne s'appliquent plus, ouvrant la voie à des algorithmes de machine learning et de deep learning plus complexes, capables de traiter de grandes quantités de données en plusieurs fois.
En conséquence, les capacités descriptives, prescriptives et prédictives de l'analytique ont été complétées par l'apprentissage et l'automatisation, inaugurant ainsi l'ère de l'intelligence artificielle.
Cela signifie que nous ne nous demandons plus ce qui s'est passé ou ce qui devrait se passer. Désormais, nous demandons à nos machines d'automatiser et d'apprendre par elles-mêmes à partir des données – et même de nous dire quelles questions poser.
Aujourd'hui, la plupart des organisations considèrent l'analytique comme un atout stratégique, et l'analytique est au cœur de nombreux rôles et compétences fonctionnels.
Le traitement automatique du langage naturel (NLP) est un domaine d'analytique en plein essor qui s'appuie sur le machine learning. Les ordinateurs utilisent le NLP pour interpréter la parole et le texte. Les chatbots utilisent le NLP pour répondre aux questions du service client ou offrir des conseils d'investissement dans les chat en ligne. Ils peuvent également proposer des suggestions scénarisées aux employés des centres d'appels en direct.
Le machine learning et l'intelligence artificielle nous ont également apporté des applications utiles telles que les voitures autonomes et les moteurs de recommandation, qui promettent de nous servir de taxi pendant que nous regardons la prochaine série TV recommandée en fonction de nos goûts.
Bien entendu, l'analytique ne se limite pas à notre temps libre. Avec des ordinateurs plus rapides et plus puissants, les possibilités d'utilisation de l'analytique et de l'intelligence artificielle sont légions. Qu'il s'agisse de déterminer le risque de crédit, de mettre au point de nouveaux médicaments, de trouver des moyens plus efficaces de fournir des produits et des services, de prévenir la fraude, de découvrir les cybermenaces ou de fidéliser les clients les plus précieux, l'analytique peut vous aider à comprendre ce qui fait le succès de votre organisation – et l'importance de ce succès pour le monde qui l'entoure.
L'analytique dans le monde d'aujourd'hui
Mettez vos projets analytiques en action grâce à ces ressources. Trouvez ce qu'il vous faut pour planifier vos projets, restaurer la confiance dans vos données et développer une stratégie analytique.
10 questions pour lancer vos projets analytiques
Combien ça coûte ? Quels problèmes essayez-vous de résoudre ? Où se trouve la résistance ? Ce ne sont là que trois des questions clés que vous devez vous poser pour encadrer votre projet analytique.
Pourquoi la confiance est importante en matière d'analytique
Pour tirer le meilleur parti de l'analytique et des technologies émergentes telles que l'IA, il faut d'abord faire confiance. Comment les leaders de l'analytique instaurent-ils la confiance dans les données et l'analyse ? Le MIT Sloan a interrogé 2 400 chefs d'entreprise pour le découvrir.
Élaborer votre stratégie analytique
Quel est le programme des responsables des données et de l'analytique ? Définir une stratégie analytique. Garantir la fiabilité des informations. Favoriser les décisions fondées sur les données. Et bien d'autres choses encore. Téléchargez cet e-book pour vous aider à élaborer votre stratégie analytique.
Analytique 101
Si vous êtes curieux de savoir comment votre petite ou moyenne entreprise pourrait bénéficier de l'analytique, mais que vous ne savez pas par où commencer, ce webinaire est parfait pour vous. Cette introduction explique comment démarrer avec l'analytique pour les entreprises de toute taille.
Démocratiser l'analytique
Les pressions du monde numérique nous touchent tous, et la surcharge de données ne se limite plus aux "personnes chargées des chiffres" au sein d'une organisation. Pouvez-vous nommer une organisation qui ne soit pas confrontée à un besoin de rapidité, d'agilité, de flexibilité et d'innovation ? Cela fait de l'analyse une priorité pour presque tout le monde, et pas seulement pour les statisticiens et les data scientists.
Par conséquent, les organisations cherchent des moyens de mettre l'analytique à la disposition d'un plus grand nombre d'utilisateurs en mettant des informations faciles à comprendre entre les mains d'un plus grand nombre d'employés, en intégrant des informations directement dans les applications de première ligne ou en automatisant les décisions pertinentes.
Les technologies qui proposent des processus de type "pointer-cliquer" pour l'élaboration dynamique et automatique de modèles mettent l'analytique à la disposition d'un plus grand nombre d'utilisateurs. Même des questions complexes peuvent trouver une réponse en sélectionnant une source de données et en énonçant votre objectif, tandis qu'un modèle champion est construit en arrière-plan et qu'une génération de langage naturel explique le modèle.
Les organisations qui dirigent avec l'analytique peuvent s'attendre à une différenciation significative, à des rendements supérieurs.
Le bon choix à tous les coups
Voyez comment Levi Strauss & Co. travaille avec SAS® pour bâtir une culture analytique et décisionnelle qui l'aide à se rapprocher des gens qui aiment ses vêtements.
Le célèbre détaillant utilise l'analytique pour optimiser ses plans et prévoir les opportunités par le biais de la planification des marchandises, de l'allocation et de la gestion des stocks.
Comment fonctionne l'analytique
Chaque entreprise est une entreprise analytique. Chaque processus est un processus analytique prêt à être amélioré. Et chaque employé peut être un utilisateur d'analytique d'une manière ou d'une autre. Peu importe ce que vous envisagez d'accomplir grâce à l'analytique, la première exigence de tout projet analytique est de disposer de données. Une fois que vous avez des données, vous devez les analyser. Ensuite, il faut déployer les résultats de l'analyse pour stimuler la prise de décision. Plus vite les organisations traversent le cycle de vie analytique, plus vite elles peuvent tirer une valeur tangible de leurs investissements analytiques.
Chez SAS, nous considérons ces trois catégories – données, découverte et déploiement – comme des étapes itératives du cycle de vie analytique. Quelle que soit la portée ou l'échelle de votre projet, il doit comprendre ces trois étapes. Examinons chaque étape de plus près.
Cliquez sur l'infographie pour en savoir plus
Données
Aujourd'hui, les données sont rapides, volumineuses et complexes. Les solutions analytiques doivent analyser tous les types de données, y compris les données structurées traditionnelles et les formats émergents, tels que les données de capteurs en continu, les images et les vidéos.
Pour accéder à ces données, les préparer, les nettoyer et les gérer, vous avez également besoin d'une stratégie de gestion des données.
Comment allez-vous collecter, nettoyer et stocker vos données ? On estime que la préparation des données prend jusqu'à 80 % du temps consacré à un projet analytique. Ce temps pourrait-il être mieux utilisé pour élaborer des modèles ?
Une plateforme analytique intelligente rationalise la préparation des données avec des moteurs d'accès natifs, des outils intégrés de qualité et de préparation des données qui utilisent l'IA pour automatiser les tâches chronophages.
Enfin, la gouvernance des données garantit la fiabilité de vos données, car vous en connaissez la source et le contenu et vous pouvez en contrôler la qualité. La gouvernance des données facilite aussi la protection des données quand cela s'avère nécessaire.
Découverte
La phase de découverte repose sur l'exploration, la visualisation et l'élaboration de modèles. Trouver le bon algorithme est souvent une suite d'essais et d'erreurs. Mais lorsqu'il est facile de documenter, d'enregistrer et de comparer ces essais, le processus fonctionne au mieux.
Le choix du bon algorithme dépend de plusieurs facteurs, notamment la taille des bases de données, les besoins de l'entreprise, le temps de formation, les paramètres, les points de données et bien plus encore. Même les data scientists les plus expérimentés ne peuvent pas vous dire quel algorithme sera le plus performant avant d'avoir expérimenté plusieurs approches.
En fait, il est courant, lors de la phase de découverte, de comparer différents modèles écrits dans un langage de programmation différent avec des caractéristiques de données différentes.
Par exemple, un récent projet analytique utilisant la détection d'objets pour identifier des tumeurs dans des scanners médicaux du foie a commencé par l'exploration de plusieurs réseaux neuronaux et a comparé et documenté les résultats des différents modèles pendant quelques semaines.
Ce processus de collaboration fonctionne mieux lorsque des data scientists ayant différentes compétences peuvent écrire du code dans le langage de leur choix, et que les non-programmeurs peuvent utiliser une interface visuelle de type "pointer-cliquer" pour explorer les résultats de différentes approches analytiques.
Déploiement
Si vous voulez que vos efforts analytiques portent leurs fruits, vous devez déployer les résultats de vos découvertes et les mettre à profit. Le machine learning et les autres modèles ne doivent pas servir de décoration – vous devez les utiliser pour obtenir une valeur commerciale. Pourtant, c'est la phase de déploiement qui pose le plus de problèmes à la plupart des organisations.
Que vous construisiez un seul modèle ou des milliers, passer de la sélection des modèles au déploiement des modèles nécessite une gestion des modèles. La gestion des modèles permet le contrôle des versions et vous aide à enregistrer, valider et gérer vos modèles de manière centralisée. Cela vous aide à développer des procédures et des règles pour le déploiement et le suivi des modèles. Cela permet également d'assurer la transparence des données et de l'utilisation des modèles.
Votre objectif devrait être de construire des modèles une seule fois et de les déployer partout – sur les tableaux de bord de la direction, directement dans les systèmes opérationnels ou intégrés dans d'autres applications par le biais d'API.
L'écosystème analytique
L'analytique est en plein essor. Des centaines d'entreprises de l'écosystème analytique fournissent des technologies et des services pour aider les organisations à stocker, accéder, analyser et présenter des données. Ces services vont de la gestion et de la visualisation des données à l'analytique avancée et aux solutions analytiques prédéfinies, en passant par de nombreuses options analytiques open source.
SAS occupe une position unique pour s'intégrer à tous les acteurs de l'écosystème. La plateforme SAS fonctionne sur le matériel de n'importe quel fournisseur, ingère tous les types de données, compare les modèles de différents langages et offre une gouvernance cohérente à travers les phases de données, de découverte et de déploiement de l'écosystème analytique.
Vous stockez des données sur AWS ou Hadoop ? Vous extrayez des données de Twitter ou de Google Analytics ? Vous analysez des données en Python et en SAS ? Vous exécutez des programmes sur des puces Intel ou NVIDIA ? Vous déployez des résultats sur des ordinateurs de bureau ou des appareils IoT ?
La plateforme SAS peut gérer tout cela, ainsi que toutes les autres solutions héritées que vous avez déjà adoptées. Le résultat ? Tout le monde, des data scientists aux informaticiens en passant par les décideurs, peut travailler en harmonie à partir du même système analytique. De plus, vous bénéficiez de la gestion et de la surveillance des modèles, de la transparence des modèles, du lignage des données et de l'intégration entre les projets et les progiciels analytiques.
En orchestrant tous les éléments de l'écosystème analytique, une plateforme analytique permet d'accélérer le cycle de vie de l'analyse, passant des données aux résultats tangibles. En fin de compte, cela améliore le retour sur investissement de tous vos investissements dans l'analytique – données, technologie et personnel – et vous place en position de réussite.
Solutions d'intelligence artificielle
L'analytique évolue vers l'intelligence artificielle lorsque l'apprentissage est incorporé dans les modèles et que les capacités d'apprentissage sont automatisées. Les solutions analytiques de SAS ont déjà une base solide en IA, avec des solutions pour l'analytique avancée, le machine learning, le deep learning, le traitement automatique du langage naturel et la computer vision. Apprenez à équiper les chefs d'entreprise et les data scientists pour l'avenir de l'IA, avec la technologie, les compétences et le soutien dont vous avez besoin pour transformer votre organisation pour un avenir avec l'IA.
Lecture recommandée
-
ARTICLE
4 strategies that will change your approach to fraud detectionAs fraudulent activity grows and fighting fraud becomes more costly, financial institutions are turning to anti-fraud technology to build better arsenals for fraud detection. Discover four ways to improve your organization's risk posture.
-
ARTICLE
Applying technology to ensure voter integrity in electionsVoter integrity is becoming a serious concern for many elections. Recent disclosures of foreign influence campaigns using social media highlight the potential impact on the integrity of the democratic process. In monitoring your systems, technology can identify both legitimate and fraudulent activity; the balancing act is to minimize the impact on legitimate activity while preventing acts of cyber-criminals and fraudsters.
-
ARTICLE
Artificial intelligence, machine learning, deep learning and moreArtificial intelligence, machine learning and deep learning are set to change the way we live and work. How do they relate and how are they changing our world?
Depuis 1976, des entreprises du monde entier font confiance à SAS.
