Comment l'intelligence décisionnelle peut sérieusement booster votre jeu de BI
Publié: 2022-01-29Pour la plupart d'entre nous, prendre des décisions commerciales basées sur les données est un processus en quatre étapes. Tout d'abord, vous collectez les données. Ensuite, vous le "minez", ce qui signifie simplement qu'une combinaison d'outils et de data scientists recherche des modèles et des corrélations entre différents types de données. Troisièmement, ces découvertes sont intégrées dans les tableaux de bord et les visualisations que les responsables peuvent voir. À partir de là, c'est au manager d'interpréter ce que lui dit le tableau de bord et de prendre sa décision.
Le problème est que les données que vous avez collectées et les modèles que vos outils et scientifiques des données ont découverts définissent désormais les décisions que vous pouvez prendre. Un exemple simplifié : Say PCMag collecte des tonnes de données sur les articles qui ont obtenu les meilleurs résultats en termes de nombre de clics reçus par un article ou un groupe d'articles en particulier. Ensuite, nos moteurs de base de données prennent vie, regroupent les meilleurs articles et créent de jolies visualisations afin que nous puissions comprendre ce qui a été trouvé. Ce que nous examinons nous permet de voir les articles les plus réussis jusqu'à présent. Nous pouvons ensuite travailler pour reproduire ce succès à l'avenir en écrivant davantage d'articles de ce type sur un pivot de données donné, comme le sujet, le type d'article ou même l'auteur. Donc, ce que nous faisons, c'est utiliser nos données pour reproduire nos succès passés. Certainement une pratique efficace.
Et si on renversait la vapeur ?
Au lieu de nous limiter aux données que nous avons collectées, que se passerait-il si nous commencions simplement par poser la question à laquelle nous voulons vraiment répondre : quels types d'articles nous conviendront le mieux à l'avenir ? Si nous commençons par là, nous avons besoin d'un processus pour découvrir non seulement les questions que nous devons poser pour obtenir la réponse, mais également les données que nous devrons collecter pour étayer ces requêtes. Mais ce que nous obtiendrions, c'est un ensemble de réponses beaucoup plus précieux avec lequel prendre nos décisions éditoriales.
C'est l'une des nouvelles méthodologies les plus intéressantes qui émergent dans la prochaine génération d'outils d'analyse commerciale, et c'est ce qu'on appelle «l'intelligence décisionnelle» (DI). Ci-dessous, nous décrivons DI plus en détail et discutons de ce que vous devez savoir pour le faire fonctionner pour votre organisation.
Qu'est-ce que l'intelligence décisionnelle ?
Cassie Kozyrkov, scientifique en chef de la décision chez Google, décrit DI comme un moyen d'augmenter la science des données avec les sciences sociales, la théorie de la décision et la science managériale. Cette combinaison est plus efficace pour aider les gens à utiliser réellement les données BI pour prendre de meilleures décisions. Elle décrit la différence entre la science des données et DI comme la différence entre ceux qui fabriquent des fours à micro-ondes et les cuisiniers qui les utilisent.
DI est né d'efforts d'ingénierie logicielle pour élaborer des décisions améliorées sur les meilleures pratiques et le faire à grande échelle. Et selon les experts, il est suffisamment mûr pour commencer à avoir un impact même sur les petites et moyennes entreprises (PME) dans la prochaine itération des outils populaires de BI cloud, comme Microsoft PowerBI ou Tableau.
"L'intelligence décisionnelle relie l'IA et la prise de décision humaine pour former des conclusions plus intelligentes, qui conduisent à des résultats plus favorables", déclare Jack Zmudzinski, associé principal chez Future Processing, une société de développement de logiciels personnalisés. "Ainsi, plutôt qu'une décision prise par un humain ou une décision prise par un ordinateur, c'est le meilleur des deux mondes."
L'intelligence décisionnelle bouleverse ce que les entreprises font généralement avec leurs données. Dans une approche Big Data, les outils d'analyse et les requêtes sont généralement choisis pour s'adapter aux données. Avec DI, c'est la décision recherchée qui a la priorité ; la requête est alors construite, et les données sélectionnées en fonction de leur pertinence par rapport à la question. Ainsi, les données jouent un rôle de soutien plutôt que le rôle principal lors de la prise de décisions basées sur les données.
Les experts définissent l'intelligence décisionnelle comme une méthodologie, mais ce n'est pas celle qui a un processus global unique. La façon dont vous vous y prendrez dépendra de votre entreprise, des données que vous collectez, ainsi que des capacités de votre ensemble d'outils d'analyse. Cependant, l'idée de base sera toujours la même : utiliser une approche visuelle qui commence par la décision requise, puis revient en arrière pour déterminer quelles données sont nécessaires et comment s'y prendre pour les obtenir.
Pourquoi avez-vous besoin d'une DI
Si vous pensez que tout cela ressemble à un problème de grande entreprise ou d'entreprise, détrompez-vous. Même les petites entreprises et les "solopreneurs" utiliseront bientôt ces technologies, et ils pourront les gérer avec très peu d'effort, à un coût raisonnable et avec un succès basé sur leurs propres connaissances et talents. Conclusion : même les chefs de petites entreprises utilisent aujourd'hui des bases de données cloud sophistiquées qui contiennent de nombreuses données et des analyses solides. Ce qui leur manque, ce sont de véritables conseils sur la manière d'utiliser ces informations pour prendre des décisions concrètes. C'est particulièrement vrai pour les petites entreprises, et c'est précisément ce à quoi DI s'adresse.
"Les algorithmes et les données sont bons pour nous dire 'Voici les observations ou les données et ce qui peut être conclu.' Ils ne sont pas bons pour nous dire quelle décision doit être prise », a déclaré Gopi Vikranth, directeur associé chez ZS Associates, une société mondiale de conseil et de services professionnels. Avant de rejoindre ZS en 2019, il a occupé les postes de vice-président du Big Data et de l'analyse marketing pour Melco Resorts and Entertainment, et de vice-président de l'analyse marketing chez Caesars Entertainment.
« L'intelligence décisionnelle, en revanche, répond [à la question] 'Si vous deviez prendre l'action X, quel en serait le résultat dans le monde réel ?' Ceci est essentiel pour les entreprises car il existe rarement une situation avec des informations parfaites », a déclaré Vikranth.
Il décrit une entreprise de taille moyenne comme un exemple typique. Disons que cette entreprise a un programme de fidélisation de la clientèle. Une IA est chargée d'améliorer les bénéfices de l'entreprise, de sorte qu'elle pourrait mathématiquement trouver des moyens de modifier ou de supprimer les avantages des clients ou d'augmenter les prix pour optimiser ce bénéfice. Mais si ces conclusions sont objectivement "correctes", une telle décision pourrait bien provoquer une réaction coûteuse avec les clients et les influenceurs, créant finalement une perte de fidélité à long terme et donc de revenus.
Jason Cotrell, PDG du studio de logiciels Myplanet, cite les cas d'utilisation potentiels suivants pour l'intelligence décisionnelle :
Personnalisation des composants frontaux du logiciel (interface utilisateur adaptative).
Recommandations de produits.
Prévention du désabonnement des clients.
Optimisation des prix pour les entreprises lourdes en transactions, telles que les compagnies aériennes ou les produits pharmaceutiques.
« Au lieu de dire 'De quelles données ai-je besoin pour prendre cette décision ?' dire 'Comment puis-je prendre cette décision? Quels éléments nécessitent une analyse de données et quels éléments puis-je automatiser ? » De cette façon, vous tirerez mieux parti de vos analyses et de votre automatisation », explique James Taylor, auteur du livre « Digital Decisioning : Using Decision Management to Deliver Business Impact From AI » et PDG de Decision Management Solutions.
Prochainement : Outils d'intelligence décisionnelle
Si vous êtes une petite entreprise qui se lance dans le Big Data, votre plate-forme actuelle dispose peut-être déjà des outils dont vous avez besoin pour démarrer avec DI. Les experts disent que vous n'en avez peut-être même pas besoin.
"Vous pouvez utiliser une méthodologie DI avec juste un crayon et du papier, ou dernièrement, j'utilise l'application Lucidspark pour dessiner en collaboration des diagrammes action-résultat (CDD)", explique Lorien Pratt, l'inventeur de l'apprentissage par transfert pour les machines, un pionnier de l'intelligence décisionnelle. , et scientifique en chef et cofondateur de Quantellia, une société d'apprentissage automatique et d'intelligence décisionnelle. Elle pense que l'ID mûrit rapidement et que ce type de modélisation de données sera bientôt disponible pour les entreprises de toutes tailles.
Selon Pratt, les prochaines itérations de plates-formes communes d'intelligence d'affaires prendront en charge DI. « Au prochain niveau de sophistication, vous pourrez intégrer des modèles DI dans des outils existants, tels que [Microsoft] Excel ou PowerBI », dit-elle. Cependant, pour les outils moins sophistiqués, ce processus sera probablement limité, car ces utilisateurs ne pourront pas modifier leurs modèles à la volée.
Mais alors que les petites entreprises peuvent s'attendre à des plates-formes DI simplifiées dans le cloud, les entreprises auront besoin de beaucoup plus de puissance de feu.
"Le plus gros problème est une approche d'investissement", explique Pratt, ce qui signifie que les grandes entreprises doivent mettre les décisions au premier plan. Cela peut devenir compliqué dans les grandes organisations. Vous devrez non seulement déterminer quels types de décisions doivent être prises , mais aussi comment saisir ces exigences.
"Pour certaines décisions, la pile de BI existante suffira", déclare Taylor. "Mais pour d'autres, [les entreprises] trouveront probablement qu'elles doivent investir dans des technologies plus avancées, telles que l'analyse prédictive et les outils d'apprentissage automatique." En outre, il conseille que pour les décisions que les entreprises doivent prendre souvent ou rapidement, le déploiement d'un système de gestion des règles métier, comme ceux d'Agiloft ou d'IBM, peut automatiser le processus et mieux tirer parti de vos algorithmes d'apprentissage automatique.
Pour les petites entreprises, c'est probablement exagéré. D'autant plus que les services d'analyse cloud de nouvelle génération devraient fournir tout le muscle DI dont les PME ont besoin, tout en réduisant les problèmes de déploiement et d'apprentissage. Mais si vous voulez toujours faire du bricolage sur DI, voici ce dont Taylor dit qu'une entreprise typique aura besoin :
Recommandé par nos rédacteurs
Logiciel de modélisation décisionnelle pour la collecte des exigences et la modélisation des données.
Logiciel de gestion de règles métier pour développer vos règles de décision (à moins que vous ne preniez relativement peu de décisions avec des allocations pour de longs temps de résultat).
Une sorte de pile d'apprentissage automatique avec laquelle développer les algorithmes dont vous aurez besoin.
Une plateforme de données qui vous permettra à la fois de créer vos algorithmes et également de gérer la livraison des données transactionnelles, de préférence en temps réel.
Un outil de visualisation de données, surtout si vos décisions finales auront toujours un élément humain important.
Modèles contre Intuition
Les machines voient les problèmes et les modèles comme distinctement définis : noir contre blanc. Les gens, d'autre part, voient des nuances, des significations alternatives potentielles, des options et des ponts vers d'autres pensées. La clarté sur n'importe quelle question est souvent une fonction de l'intelligence intuitive plutôt que de la formation académique. Les humains peuvent utiliser les deux, et DI vise à faire évoluer ces capacités.
"L'intelligence décisionnelle est basée sur cette idée d'essayer d'incorporer des approches réalistes qui imitent les décisions humaines", explique Ervin Sejdic, professeur agrégé de génie électrique et informatique et de systèmes intelligents à l'Université de Pittsburgh Swanson School of Engineering. AI, vous venez de définir les règles de l'apprentissage automatique : si c'est rouge, c'est ceci, et si c'est bleu, c'est cela. »
Sejdic cite l'achat d'une voiture comme exemple. "Si vous achetez une voiture et que vous définissez certains critères comme des miles par gallon ou une certaine marque, un algorithme trouvera une voiture pour vous. Mais nous testons la voiture et voyons comment elle se sent et se conduit, et ce sont les entrées logicielles qui sont difficiles à coder en dur », explique-t-il. "Pour ces raisons, l'intelligence décisionnelle essaie d'encoder les décisions plus douces que nous prenons, et ces choses sont différentes de votre IA typique."
Sejdic note que si cela réussit, DI peut être appliqué à n'importe quoi. La façon de décider où l'utiliser est de trouver des domaines où vous voulez savoir quelle action serait la meilleure pour vous.
« La plupart des analyses et de l'informatique décisionnelle sont descriptives. Vous enregistrez ce qui se passe, puis vous tracez les chiffres dans un tableau. Il vous dit ce qui vient de se passer pour que vous puissiez essayer de comprendre. D'autres formes sont prédictives. Ils sont comme les prévisions météorologiques. Ils vous disent ce qui va se passer. a expliqué Chris Nicholson, PDG de Pathmind, une société d'IA qui cible les opérations industrielles et les chaînes d'approvisionnement.
« L'intelligence décisionnelle comporte un aspect quantitatif et qualitatif, et les entreprises doivent tenir compte des deux », explique Vikranth de ZS Associates. Du côté quantitatif, explique-t-il, il y a la collecte de données, la triangulation et l'ingénierie, l'IA et l'infrastructure de science des données, et les talents de programmation. La clé de ce côté est des données précises. Les entreprises de toutes tailles devront investir du temps et des efforts pour définir des indicateurs de performance et s'assurer qu'elles collectent les bonnes données et qu'elles sont stockées d'une manière utilisable par leur pile DI.
Sur le plan qualitatif, Vikranth affirme que les entreprises ont besoin du bon talent pour convertir les idées, les conclusions ou les résultats en décisions et en actions. Ceux-ci doivent être contextualisés pour leur entreprise. Les outils de simulation et de test et d'apprentissage peuvent grandement aider ce processus.
"Les deux côtés combinés forment l'intelligence décisionnelle", déclare Vikranth. "De cette façon, l'IA n'exclut pas les humains de l'équation." Vikranth pense que c'est important car les algorithmes mathématiques, surtout s'ils travaillent sur des données imparfaites, ne peuvent pas venir à n'importe quel type de décision optimale.
L'évolution des scientifiques des données
Les anciens administrateurs de bases de données ont donné naissance aux analystes de l'informatique décisionnelle et à la science des données traditionnelle. DI contribue à faire évoluer cette discipline vers un rôle nouveau et beaucoup plus efficace, à savoir celui de traducteurs en science des données. Selon des experts comme Vikranth, ces personnes utiliseront DI pour prendre des scénarios de simulation d'une entreprise et les travailler à travers une pile d'IA pour comprendre quelles actions l'entreprise doit prendre et le type de résultats que ces actions peuvent fournir.
L'intelligence décisionnelle permet à la technologie et aux personnes de faire chacune ce qu'elles font le mieux. Les technologies, telles que l'analytique et l'IA, trouvent rapidement les connexions et les modèles dans d'énormes pools de données, mais ce n'est que la moitié du chemin. DI peut utiliser ces informations et vous aider à appliquer les facteurs humains les plus intangibles, comme l'intelligence intuitive, la créativité, l'expérience et la capacité à naviguer avec succès dans les nuances. Cela fait de DI un nouveau modèle d'analyse hybride puissant, même pour les petites organisations, et particulièrement efficace à grande échelle.