Qu’est-ce que l’analytique des données ? Votre guide de l’analytique des données

L’analytique des données est l’analyse informatique de données, de statistiques ou d’autres formes d’information visant à extraire des connaissances, des schémas comportementaux ou d’autres informations exploitables.

L’analytique des données permet d’obtenir de nombreux éclairages. Voici quelques exemples, sans prétendre à l’exhaustivité :

• Repérer les périodes et les jours où les ventes bondissent ou s’effondrent.
• Découvrir une activité réseau inhabituelle, qui pourrait indiquer la présence de pirates informatiques.
• Identifier les applications qui utilisent une quantité excessive de ressources système.
•  Repérer les changements du trafic des clients/consommateurs dus à des facteurs externes.

L’analytique des données vise avant tout à améliorer la prise de décision. Ce processus complexe est principalement réalisé par des analystes et des scientifiques des données, mais il peut aussi, dans certains cas et avec les bons outils, être mené par des collaborateurs non techniques. Le processus commence souvent par des données brutes, qui font l’objet d’une exploration de données afin d’en extraire des informations utiles — l’objectif de l’analytique des données d’entreprise étant précisément d’obtenir un avantage concurrentiel.

Pour mieux comprendre l’analytique des données, consultez les thèmes suivants :

• L’importance de l’analytique des données
  
• Types d’analytique des données
  
• Avantages de l’analytique des données
  
• Défis de l’analytique des données
• Analytique des données et IA
  
• Fournisseurs de solutions d’analytique des données
  
• Certifications en analytique des données
  
• Analytique des données et science des données
  
• En résumé : l’avenir de l’analytique des données
  

L’importance de l’analytique des données

À mesure que la transformation numérique s’est généralisée, la pratique de l' analytique des données a connu une croissance fulgurante. Quel que soit votre secteur d’activité, l’analytique des données joue probablement un rôle clé dans l’élaboration de votre stratégie. De nombreuses entreprises disposent désormais d’analystes qui appliquent des techniques d' exploration de données aux données brutes afin d’en extraire les nombreuses informations exploitables.

En conséquence, le marché des logiciels d’analytique des données a progressé rapidement. Selon IDC, les dépenses mondiales consacrées aux solutions de big data et d’analytique décisionnelle augmenteront de 10,1 % en 2021 pour atteindre 215,7 milliards de dollars US. Les entreprises recrutent régulièrement des scientifiques et des analystes des données. Le nouveau mantra est le suivant : « une prise de décision fondée sur les données ».

Il convient également de noter que les investissements dans l’analytique des données n’ont pas diminué, même au plus fort de la pandémie mondiale de coronavirus. « Contrairement à de nombreux autres segments du marché des services informatiques, les services de big data et d’analytique ont continué de progresser en 2020, les organisations s’appuyant sur les informations issues des données et les solutions d’automatisation intelligente pour survivre à la pandémie de COVID-19 », a déclaré Jennifer Hamel, responsable de recherche chez IDC. « La prochaine phase de résilience numérique stimulera l’augmentation des investissements dans les services afin de répondre aux difficultés persistantes et nouvelles liées aux initiatives d’intelligence d’entreprise. »

Cette importance croissante de l’analytique des données englobe un large éventail d’activités courantes dans les entreprises modernes. Elle peut notamment inclure les domaines suivants :

• Exploration de données
• Analyse de texte
• Visualisation des données
• Informatique décisionnelle
• Catalogues de données
• Entrepôts de données
• Lacs de données
• Data fabric
• Modélisation des données
• Intelligence artificielle (IA)
• Apprentissage automatique (ML)
• Apprentissage profond

En outre, un large éventail de disciplines recourent à l’analytique des données et aux divers tendances du big data, de la finance à la comptabilité, en passant par la gestion des produits et la fabrication. De nombreuses actions et technologies connexes jouent également un rôle, notamment la visualisation des données et les bases de données relationnelles, qui utilisent souvent de grands jeux de données.

L’analytique des données est essentielle à la recherche et au développement, à l’ingénierie et à la planification stratégique. Elle est bien sûr au cœur même de la logistique et de la gestion de la chaîne d’approvisionnement. Chaque année, l’analytique joue un rôle plus important dans les technologies de l’information et la cybersécurité. En somme, il existe peu de secteurs qui ne soient pas guidés par l’analytique des données.

Aujourd’hui, de nombreuses organisations disposent d’un directeur des données, chargé de superviser tous les aspects de la gestion des données au sein de l’organisation, notamment l’analytique et la science des données.

Types d’analytique des données

Toutes les approches de l’analytique des données ne se valent pas. La plupart des experts distinguent quatre grands types d’analytique : descriptive, diagnostique, prédictive et prescriptive.

Analytique descriptive décrit ce qui s’est produit dans le passé ou ce qui se passe actuellement. Ce type d’analytique répond à des questions telles que qui, quoi, où, quand et comment. Par exemple, un rapport commercial présentant vos ventes mensuelles au cours des quatre derniers trimestres relève de l’analytique descriptive. C’est le type d’analyse le plus facile à réaliser, mais sa valeur pour l’organisation est limitée. Il est toutefois indispensable, car l’analytique descriptive constitue le socle nécessaire aux types d’analytique plus avancés.

Analytique diagnostique vous indique pourquoi un événement s’est produit. Par exemple, si votre analytique descriptive vous apprend que les ventes ont baissé au dernier trimestre, l’analytique diagnostique vous aidera à comprendre ce qui n’a pas fonctionné. Ce type d’analytique consiste généralement à combiner plusieurs jeux de données afin d’obtenir une évaluation plus complète et plus précise de votre situation. La baisse des ventes peut être due à des problèmes de chaîne d’approvisionnement, au mauvais temps ou à la perte d’un client stratégique après l’embauche d’un nouveau commercial. L’analytique diagnostique peut vous aider à le déterminer.

Analytique prédictive vous aide à comprendre ce qui risque de se produire ensuite. Elle examine les tendances historiques afin de rechercher des schémas susceptibles d’apporter des éclairages sur l’avenir. Souvent, les outils d'analytique prédictive reposent sur des modèles de données avancés et des technologies d’apprentissage automatique capables d’isoler les facteurs importants ayant influencé les performances passées et de les appliquer à la situation actuelle. Il s’agit d’une forme d’analytique bien plus avancée et spéculative, mais à très fort potentiel. Elle devient un outil courant, notamment dans les grandes entreprises.

Analytique prescriptive cherche à vous indiquer ce que vous devriez faire compte tenu de ce qui risque de se produire à l’avenir. Par exemple, si votre analytique prédictive prévoit une baisse des ventes au prochain trimestre, l’analytique prescriptive peut vous aider à voir comment cette situation évoluerait si vous réduisiez vos prix, modifiiez votre stratégie marketing ou vous approvisionniez auprès d’un autre fournisseur. Le bénéfice potentiel est évidemment très élevé, mais il est aussi très difficile de réaliser correctement une analytique prescriptive. À l’heure actuelle, peu d’organisations disposent des ressources et des capacités nécessaires pour la déployer à grande échelle.

La plupart des organisations commencent leur parcours analytique par l’analytique descriptive. Au fil du temps, elles passent à l’analytique diagnostique, puis prédictive. Nombreuses sont celles qui aspirent à mettre finalement en place un programme d’analytique prescriptive performant afin d’éclairer davantage leurs décisions métier.

Comparaison des différents types d’analytique des données.

Voir aussi : Tendances de la gestion des données en temps réel

Avantages de l’analytique des données

La plupart des experts s’accordent à dire que l’analytique des données est extrêmement importante pour les organisations modernes, car elle les aide à devenir plus compétitives. Les organisations recourent à l’analytique des données — en faisant appel à des analystes de données — pour de nombreuses raisons. Voici quelques-unes des utilisations les plus courantes de l’analytique des données :

Mieux comprendre vos clients

La plupart des organisations ont accès à une grande variété de données sur leurs clients : données démographiques, historique des commandes, interactions avec le service client, réseaux sociaux, historique de navigation, réponses aux enquêtes, etc. Faire appel à des analystes pour analyser ces données peut aider les entreprises à dresser un portrait plus complet de chaque client, ainsi qu’une vision globale de leur clientèle. Cela peut également faire ressortir des possibilités de mieux répondre aux besoins des clients ou d’atteindre de nouveaux groupes d’acheteurs.

Rationaliser les opérations commerciales

Nombreux sont les processus de votre organisation qui sont mesurables : prise de commandes, exécution des commandes, gestion de la chaîne d’approvisionnement, service client, opérations informatiques, etc. Et tout ce que vous pouvez mesurer, vous pouvez l’améliorer. L’analytique des données peut vous aider à suivre les progrès accomplis au regard des indicateurs clés de performance (KPI) et à repérer les goulets d’étranglement susceptibles de ralentir actuellement votre organisation.

Identifier de nouvelles opportunités

L’un des domaines les plus intéressants de l’analytique des données est l’analytique des espaces vacants. Cette pratique aide les organisations à identifier les activités qu’elles n’exercent pas aujourd’hui, mais qu’elles pourraient exercer. Elle peut vous aider à trouver de nouveaux clients, de nouveaux produits et de nouveaux partenariats susceptibles d’augmenter le chiffre d’affaires et les marges.

Tirer parti des tendances existantes

Même les visualisations de données les plus élémentaires permettent de voir facilement dans quelle direction évoluent les KPI et à quel rythme. En identifiant ces tendances — souvent en filtrant des données brutes — vous pouvez développer les activités qui fonctionnent bien et tenter de corriger celles qui évoluent dans la mauvaise direction.

Améliorer l’efficacité du marketing

Le marketing est l’une des disciplines d’entreprise les plus transformées par l’analytique des données. Comme une grande partie du marketing se déroule désormais en ligne, les équipes marketing disposent d’une multitude de données qui peuvent les aider à identifier les cibles les plus susceptibles de devenir clientes, les clients susceptibles d’acheter à nouveau, ceux qui risquent de partir chez un concurrent, et bien plus encore. Elles utilisent souvent la visualisation des données pour explorer les données et en tirer des informations utiles à l’entreprise.

Améliorer votre stratégie tarifaire

Et si le fait d’améliorer vos prix de seulement 1 % pouvait augmenter les marges globales de votre organisation de 10 % ? L’analytique peut vous aider à analyser les variables. L’analytique des données peut aider les équipes chargées des prix à déterminer où augmenter les prix — et où les réduire — afin de maximiser la rentabilité.

Prendre de meilleures décisions

Les êtres humains sont toujours tentés de prendre des décisions pour des raisons émotionnelles, souvent sur la base d’idées préconçues qui peuvent être vraies ou fausses. L’analytique des données permet de contrebalancer efficacement cet instinct, afin que les dirigeants puissent déterminer si leurs réactions intuitives sont susceptibles de conduire au succès. Au sens large, l’analytique des données peut aider les entreprises à améliorer leur prise de décision dans l’ensemble de l’organisation.

Défis de l’analytique des données

Comme toute solution technologique, l’analytique des données présente des difficultés pour quiconque choisit de l’adopter. Elles comprennent le manque de personnel qualifié et les difficultés liées à la visualisation des données.

Manque de professionnels qualifiés

L’analytique, le big data et l’IA sont des technologies émergentes qui n’ont réellement commencé à s’imposer que ces dernières années. Cela signifie que la formation et l’enseignement dans ces domaines accusent également un retard important. De nombreuses universités mettent en place des cursus de premier et de deuxième cycle, tandis que des établissements de formation technique comme CompTIA et Coursera s’efforcent eux aussi de former davantage de personnes. Mais il existe toujours une pénurie de talents, pour diverses raisons, notamment le coût de la formation. Cette pénurie ne semble pas devoir se résorber prochainement.

Obtenir l’adhésion des décideurs

Les unités opérationnelles d’une organisation peuvent toutes être dans la même situation, mais elles ne le perçoivent que trop souvent pas ainsi. Selon une étude de Forbes Insights et Cisco, 70 % des dirigeants affirment que la réussite d’une stratégie analytique repose sur une collaboration étroite entre l’informatique et les unités opérationnelles. Pourtant, seuls 15 % des cadres dirigeants dans le monde jugent « excellentes » les interactions analytiques entre ces deux groupes, tandis que 39 % qualifient la collaboration entre les équipes métier et informatiques de « passable ».

La conséquence de cette fracture est que les investissements dans l’analytique ne fourniront pas aux équipes les informations dont elles ont besoin, tandis que plus d’un tiers des personnes interrogées considèrent cette lacune comme un frein à l’exploitation de l’innovation technologique. Il est donc important que les équipes informatiques et les unités opérationnelles soient sur la même longueur d’onde et partagent une même vision.

Des données désordonnées

La manière dont les données sont reçues ou collectées aujourd’hui est très différente de celle d’autrefois. Avec la saisie manuelle dans les bases de données, tout était organisé en lignes et colonnes bien nettes. Aujourd’hui, il faut composer avec l’essor des données non structurées, l’afflux de données provenant de la périphérie et de nouvelles sources comme les réseaux sociaux.

Il en résulte souvent des données cloisonnées et difficilement accessibles. Les données collectées doivent être traitées, ce qui peut prendre beaucoup de temps. Rassembler des données provenant de sources disparates entraîne de nombreuses difficultés : il faut les extraire de dépôts de données brutes, puis les réunir dans un format unique. Les scientifiques des données doivent effectuer un important travail pour rendre les données simplement utilisables, autant de temps qu’ils ne consacrent pas à leur analyse.

Visualisation

Si vous essayez d’extraire des informations d’une base de données, vos yeux se voileront rapidement devant les lignes et colonnes de chiffres et de texte. Pour acquérir de véritables connaissances, vous devez visualiser les données et les présenter sous des formes qui font ressortir les informations, comme les tendances, les anomalies et les exceptions.

Les outils de visualisation des données sont extrêmement utiles, mais ils ne sont pas faciles à utiliser. Le choix est toutefois vaste, de l’outil destiné aux débutants qu’est Microsoft Excel à une solution plus avancée comme Tableau. Tous présentent néanmoins une courbe d’apprentissage raide et nécessitent du temps et de la formation.

Analytique des données et IA

L’analytique des données et l’intelligence artificielle entretiennent une relation synergique. Dans une certaine mesure, elles ont besoin l’une de l’autre. L’IA nécessite une quantité massive de données pour l’entraînement et l’apprentissage automatique, mais toutes les données ne sont pas utiles ou pertinentes. Il faut disposer d’une méthode permettant de filtrer les données afin de trouver celles qui sont pertinentes et utiles, et d’éliminer celles dont vous n’avez pas besoin.

En déployant l’IA pour améliorer l’analyse des données, vous pouvez mieux exploiter les données restantes et tirer plus facilement parti de capacités analytiques avancées, comme l’analyse prédictive. La combinaison des deux peut améliorer votre entreprise de plusieurs façons :

• En anticipant les tendances émergentes du marché, vous pouvez prendre une longueur d’avance.
• En analysant le comportement des consommateurs, vous pouvez repérer les tendances au moment où elles se produisent plutôt qu’après coup.
• En identifiant les habitudes des clients, vous pouvez personnaliser et optimiser les campagnes de marketing numérique pour chaque client, plutôt que d’appliquer une approche universelle.
• Utiliser le big data, l’IA et l’analytique prédictive pour concevoir des systèmes intelligents d’aide à la décision.

Fournisseurs de solutions d’analytique des données

Bon nombre des plus grandes entreprises informatiques spécialisées dans les solutions d’entreprise proposent des services d’analytique des données. La liste suivante présente les principaux fournisseurs, mais elle est loin d’être exhaustive.

IBM : IBM propose des solutions d’analytique sur site et dans le cloud, conçues autour de sa gamme de logiciels d’analytique Cognos, à commencer par IBM Cloud Pak Analytics Cartridges pour le déploiement évolutif de Cognos Analytics.

Oracle : L’analytique intervient dans pratiquement tout ce que fait Oracle, car Oracle est avant tout une entreprise spécialisée dans les bases de données. Par ailleurs, l’entreprise se concentre sur l’analytique augmentée utilisant les requêtes en langage naturel. Oracle fournit une pile complète d’applications d’entreprise sur site, notamment pour l’analyse interactive, les rapports et les tableaux de bord. Pour les utilisateurs du cloud, Oracle propose la Cloud Data Science Platform.

Amazon Web Services : AWS propose plus de 50 services pour stocker, traiter et visualiser les données, notamment S3 pour le stockage d’objets, Glacier pour la sauvegarde et l’archivage à long terme, AWS Glue pour le catalogage des données, Amazon Athena pour l’analytique interactive, Elastic MapRedue (EMR) pour le traitement du big data et Redshift pour l’entreposage de données, entre autres services.

SAP : SAP est l’un des leaders de la veille stratégique avec ses data marts et entrepôts de données SAP HANA en mémoire. L’entreprise propose diverses applications métiers, et SAP Analytics Cloud offre des analyses intégrées à sa gamme d’applications métiers.

Teradata : Teradata a fait ses débuts dans les plateformes de données analytiques grâce à ses produits d’entreposage et d’analyse des données. Depuis, l’entreprise a élargi son offre pour fournir des réponses intelligentes en temps réel, sur site, dans le cloud ou dans un environnement hybride.

Informatica : Informatica est spécialisée dans les solutions de gestion des données pour le cloud, les environnements sur site ou les environnements hybrides. Les produits de l’entreprise sont entièrement conçus autour de l’analyse et de la mise à disposition des informations dont les clients ont besoin pour réussir dans leurs activités.

Certifications en analyse des données

De nombreuses possibilités existent pour suivre une formation officielle en analyse des données. Plusieurs universités de premier plan proposent des cours et des diplômes, notamment Cornell et Stanford. De nombreux grands fournisseurs spécialisés dans l’analyse proposent des certifications, moins approfondies qu’un diplôme universitaire complet, mais amplement suffisantes pour accomplir le travail et mettre le pied à l’étrier. Elles sont accessibles par l’intermédiaire de sites de formation en ligne comme Coursera. Les voici :

Google Data Analytics Professional Certificate : Programme de six mois qui offre une introduction complète à l’analyse des données aux débutants sans expérience préalable.

Certificat professionnel d’analyste de données IBM : Pour les personnes sans expérience préalable, cette formation suffit pour obtenir un poste d’analyste de données débutant. Elle comprend huit cours en ligne qui demandent environ 11 mois pour être suivis.

Microsoft Certified: Power BI Data Analyst Associate : Conçue spécifiquement pour former les utilisateurs à l’analyse avec Power BI de Microsoft, destiné à la visualisation des données. Des connaissances des processus et des référentiels de données sont requises.

AWS Certified Data Analytics : Conçue pour former les utilisateurs d’AWS à concevoir et à maintenir des solutions analytiques. Cette certification s’adresse à des utilisateurs expérimentés qui connaissent déjà l’utilisation des lacs de données sur AWS. Amazon recommande aux candidats de disposer de deux ans d’expérience pratique avec AWS.

Certification CompTIA Data Analytics Plus : Pour les débutants ayant 1 à 2 ans d’expérience et souhaitant apprendre l’exploration, la manipulation, la visualisation et la création de rapports à partir des données. Un examen est requis pour valider la formation. CompTIA recommande aux candidats à cet examen d’avoir 18 à 24 mois d’expérience préalable à un poste d’analyste ou de chargé de reporting.

Analyse des données ou data science

Bien qu’elles soient similaires et étroitement liées — et souvent confondues —la data science et l’analyse des données ne désignent pas la même chose.

En résumé, l’analyse des données est une discipline métier, tandis que la data science est une discipline technologique. L’objectif de l’analyse des données est de répondre à une question métier précise, tandis que celui de la data science est de préparer, transformer et organiser les données afin de les rendre utiles. L’analyse des données exige une connaissance approfondie d’un domaine métier particulier, comme la finance ou le marketing, tandis que la data science requiert une connaissance approfondie de disciplines mathématiques et technologiques, comme la modélisation statistique et la programmation.

Harvard Business Review explique, « L’analyse des données désigne le processus et la pratique consistant à analyser les données pour répondre à des questions, dégager des informations et repérer des tendances… La data science s’articule autour de la création, du nettoyage et de l’organisation des jeux de données. »

En pratique, les data scientists et les analystes de données travaillent souvent en étroite collaboration et peuvent même faire partie de la même équipe au sein d’une organisation.

Voir aussi : Qu’est-ce que la visualisation des données ?

En résumé : l’avenir de l’analyse des données

Au cours des prochaines années, l’utilisation de l’analyse des données continuera presque certainement de progresser de manière spectaculaire. Cependant, toutes les organisations ne réussiront pas dans leurs initiatives d’analyse.

En bref, l’analyse est désormais essentielle. Gartner avertit, « D’ici 2025, 80 % des organisations qui cherchent à développer leur activité numérique échoueront, car elles n’adopteront pas une approche moderne de la gouvernance des données et de l’analyse. »

Outre la gouvernance des données, les autres grandes tendances à surveiller sont les suivantes :

Informatique en nuage : Aujourd’hui, la plupart des analyses de données sont réalisées dans le cloud, et cette tendance devrait s’accentuer. Comme les organisations stockent une grande partie de leurs données auprès de fournisseurs cloud, il est logique de les analyser là où elles sont stockées afin de réduire les coûts et de tirer parti de l’évolutivité et de la fiabilité des services cloud.

Intelligence artificielle et apprentissage automatique : De nombreuses formes très complexes d’analyse des données, notamment les analyses prédictives et prescriptives, reposent sur l’intelligence artificielle et sur les capacités d’ apprentissage automatique correspondantes. À mesure que ces technologies progresseront, les analyses gagneront encore en puissance.

Données synthétiques : Les réglementations relatives à la confidentialité limitent souvent la quantité d’analyses que les organisations peuvent effectuer directement sur les données de leurs clients. L’une des solutions consiste à utiliser des données synthétiques, qui sont anonymes et généralement générées par des modèles et des algorithmes de données.

Multiples solutions et hubs analytiques : La plupart des grandes entreprises constatent qu’aucune solution analytique unique ne répond à tous leurs besoins à l’échelle de l’organisation. Selon les experts, les entreprises qui réussiront le mieux seront probablement celles qui trouveront des moyens innovants de combiner leurs différentes solutions analytiques et leurs référentiels de données.

Les organisations qui restent à la pointe de ces tendances — et des autres tendances révélées par leurs initiatives d’analyse des données — sont susceptibles d’être les plus performantes sur le long terme.

Voir aussi : Guide des pipelines de données