Analyses en libre-service définies : bonnes pratiques et stratégies

Les chefs d'entreprise ont besoin d'informations pour prendre des décisions critiques et anticiper et réagir aux changements du secteur et du marché. En théorie, les vastes réserves de données actuelles devraient faciliter l'obtention d'informations. Mais trop souvent, la réalité est que l'obtention de données pertinentes nécessite une demande à un personnel informatique qui jongle déjà avec de multiples responsabilités.

Les analyses en libre-service changent la donne pour les dirigeants en remplaçant les responsables des tickets informatiques, des extractions de données et des demandes de rapports par une technologie qui permet aux non-experts de collecter et de manipuler des données, d'appliquer des techniques avancées, telles que le machine learning (ML) et l'intelligence artificielle (IA), et de générer leurs propres visualisations et rapports. Cela donnera lieu à une organisation dans laquelle les utilisateurs professionnels peuvent suivre leurs intuitions et leur curiosité pour découvrir les réponses dont ils ont besoin, le tout en temps opportun, ce qui garantit que les résultats seront toujours pertinents et exploitables.

En quoi consiste l'analyse en libre-service ?

L'analyse en libre-service est une technologie qui permet aux personnes sans expérience en informatique ou en science des données de parcourir les données d'exploitation et de trouver des informations pertinentes et opportunes. Grâce aux analyses en libre accès, les utilisateurs métier, tels que les commerciaux, les spécialistes marketing et les équipes de fabrication, peuvent exploiter la puissance d'une plateforme d'analyse sans le soutien des data scientists ou des professionnels de l'informatique.

Pour activer l'analyse en libre-service, une entreprise implémente un outil d'analyse, qui réside souvent dans le cloud, puis le connecte à un référentiel de données. Dans les analyses traditionnelles, les équipes informatiques devaient souvent traiter les demandes des utilisateurs métier pour créer et télécharger des extractions de données. De même, les ventes et le marketing se tournent parfois vers des équipes de business intelligence ou de data science pour produire des résumés, des rapports ou des analyses. L'aspect « libre-service » des analyses de ce type fait référence au fait que les utilisateurs professionnels peuvent gérer les deux tâches sans assistance. Les données sont directement connectées au logiciel d'analyse, de sorte que les utilisateurs peuvent sélectionner eux-mêmes les bonnes données, et les outils de la plateforme leur permettent d'exécuter leurs propres analyses et visualisations.

Grâce aux analyses en libre-service, les utilisateurs professionnels peuvent effectuer de nombreuses tâches nécessitant auparavant une expertise spécifique, notamment le traitement des jeux de données, la génération d'informations, la conception de tableaux de bord et la création de visualisations. Certains outils d'analyse en libre-service disposent de fonctionnalités d'IA et de machine learning intégrées qui parcourent rapidement de très grands jeux de données pour trouver des informations et découvrir des modèles cachés. En particulier, l'intégration récente de l'IA et du machine learning a eu un impact transformateur sur les capacités de l'analyse. En introduisant l'automatisation, les utilisateurs non techniques sont habilités dans le processus de découverte. Le simple fait de connecter une application d'analyse à une source crée un profil automatique des données associées, en ignorant de nombreuses étapes pour aider les utilisateurs à trouver ce qu'ils recherchent. Dans de nombreux cas, cela permet aux utilisateurs une liberté de mouvement dans la découverte de données lorsqu'ils n'ont même pas une requête particulière à l'esprit.

Points à retenir

• Les analyses en libre-service permettent aux utilisateurs de générer des rapports, des visualisations et des analyses plus facilement et plus rapidement, ce qui les aide à réagir plus efficacement aux conditions changeantes.
• En permettant aux équipes d'accéder directement aux données et aux outils, les utilisateurs professionnels peuvent itérer leurs recherches et ajouter de nouvelles sources de données si nécessaire.
• Parce qu'aucun billet ou assistance n'est nécessaire, les collaborateurs ont plus de liberté pour poursuivre des scénarios de simulation et résoudre rapidement les nouveaux problèmes ou opportunités qui se présentent.
• L'analyse en libre-service réduit le workload du personnel informatique, ce qui lui donne le temps d'explorer des opportunités telles que l'intégration de nouvelles sources de données ou la recherche de nouveaux outils pour l'analyse et la gouvernance.

Pourquoi les analyses en libre-service sont-elles importantes ?

Que ce soit dans la finance, les RH, les opérations ou les ventes et le marketing, le succès dépend souvent de la génération d'informations claires sur ce qui se passe et ce qui change, puis de la formulation et de l'exécution rapides de plans de réponse. Qu'est-ce qui fait obstacle à l'action rapide ? Souvent, les équipes de secteurs d'activité doivent compter sur d'autres parties de l'entreprise pour exécuter des analyses afin de comprendre clairement la situation.

Les analyses en libre-service modifient ce scénario. Au lieu d'enregistrer une réclamation ou d'envoyer un e-mail, un utilisateur se rend sur la plateforme d'analyse en libre-service pour accéder directement aux jeux de données, sélectionner des paramètres, puis utiliser les outils fournis pour générer des informations basées sur les données et créer des visualisations et des rapports. Plutôt que d'utiliser une application telle qu'une feuille de calcul pour collecter des données, l'analyse résultante est chargée et effectuée dans l'outil lui-même. Cela réduit les risques d'erreurs manuelles ou de suppressions de données accidentelles. Autre amélioration : l'analyse en libre-service facilite les itérations. Trouver une pépite dans les données et suivre cette idée avec différents chemins d'analyse sans avoir à attendre la réponse d'une équipe informatique.

Les analyses ne doivent pas nécessairement exister séparément des applications d'une organisation. En réalité, des études ont montré que l'utilisation des analyses augmentait considérablement lorsque les utilisateurs pouvaient accéder aux outils intégrés directement dans une application. Mais pourquoi donc ? Comportement humain simple : lorsque le processus est plus facile et nécessite moins d'étapes, les utilisateurs sont beaucoup plus susceptibles de l'essayer. Dans le cas des analyses intégrées, lorsqu'un environnement prend en charge les analyses, les obstacles à l'export/import de données disparaissent pour encourager l'utilisation de ces analyses à ce moment précis, et lorsqu'elles le font, elles peuvent générer des informations supplémentaires plus rapidement et plus fréquemment. Un exemple courant vient d'Internet, où les données d'analyse et les rapports sont souvent intégrés dans un article ou une page pour accorder un accès instantané.

11 bonnes pratiques et stratégies d'analyse en libre-service

L'implémentation de l'analyse en libre-service implique bien plus que l'achat d'un outil cloud et d'appuyer sur le bouton « on ». Le déploiement réussi de cette approche dans l'ensemble d'une organisation nécessite un certain nombre de considérations stratégiques et technologiques, y compris la formation des collaborateurs et la création de normes de données. Voici les bonnes pratiques et stratégies clés pour intégrer avec succès les analyses en libre-service dans une organisation.

1. Évaluez vos besoins

Avant d'acquérir une plateforme d'analyse en libre-service, les dirigeants doivent identifier leurs processus axés sur les données les plus importants et réfléchir à la façon dont ils pourraient être améliorés grâce à des fonctionnalités d'analyse plus puissantes. Les équipes opérationnelles doivent créer une liste des sources de données internes et externes dont elles ont besoin pour soutenir cette vision, ainsi que des domaines qui pourraient bénéficier de sources de données supplémentaires ou de techniques plus puissantes telles que l'analyse et la modélisation alimentées par l'IA. Ces informations vous indiqueront quelles plateformes d'analyse offrent les fonctionnalités nécessaires.

2. Trouvez le bon fournisseur de plateforme

Une fois cette évaluation des besoins effectuée, les responsables informatiques peuvent dresser une courte liste de fournisseurs de plateformes d'analyse des données. Le service informatique devrait s'associer à des groupes professionnels qui utiliseront les outils pour l'examen et la sélection des produits. Organisez une démonstration pour présenter à vos collaborateurs l'interface utilisateur et montrez-leur les options de personnalisation. Intégrez le département financier : « Allez-vous dans le cloud ou on-premises ? La structure des coûts est-elle alignée sur vos besoins ? » Intégrez l'équipe de sécurité au processus juridique pour évaluer les fonctionnalités de gouvernance et de sécurité des données.

Recherchez des fonctionnalités clés telles que :

• Chargement de données par glisser-déplacer en libre accès, transformation de données et modélisation métier.
• Moteurs d'analyse optimisés par l'IA et le machine learning pour améliorer l'accessibilité chez les utilisateurs non familiers avec la technologie.
• Analyses graphiques intégrées pour visualiser les relations et les connexions entre les entités de données. Par exemple, votre DAF pourra-t-il voir tous les coûts fournisseur et l'effectif interne associés à un projet client donné ?
• Analyses spatiales pour répondre à des questions telles que : « Où le mauvais temps a-t-il eu un impact sur nos livraisons ?», ou encore « Quels clients pourraient répondre à une offre de vente additionnelle spécifique ?».

3. Commencez par des gains rapides

L'adoption généralisée d'une nouvelle plateforme d'analyse en libre-service peut être l'une des étapes les plus difficiles. Nous sommes habitués à nos processus familiers, aussi imparfaits soient-ils. La meilleure façon d'amener les collaborateurs à utiliser pleinement votre nouvelle plateforme est de montrer comment elle aide chaque équipe à accomplir une tâche fréquente et chronophage plus facilement. Par exemple, l'analyse des taux de conversion des campagnes (marketing), de la croissance des ventes par territoire (équipe commerciale) et de la rotation des stocks (opérations).

4. Développez-vous vers des utilisations plus avancées

La clé d'une analyse en libre accès réussie est que les utilisateurs prennent progressivement des mesures pour effectuer des analyses plus complexes. Ces plateformes facilitent l'utilisation de plusieurs sources de données, de grands volumes de données et de fonctionnalités avancées telles que le machine learning. À l'aide de l'un des exemples ci-dessus, les responsables commerciaux peuvent ajouter une dimension à une analyse de croissance en important les données de campagne marketing pour voir comment divers territoires ont bénéficié de la prise en charge des campagnes, sans les sempiternels mêmes problèmes liés à l'intégration manuelle des données.

5. Encouragez l'expérimentation

Les plateformes d'analyse en libre-service sont dotées de fonctionnalités puissantes qui permettent aux utilisateurs professionnels d'accéder facilement à des analyses plus approfondies, telles que les requêtes via le traitement du langage naturel, les visualisations à une touche et la modélisation prédictive. Pour vous assurer que les équipes tirent parti de ces fonctionnalités, lancez la plateforme en libre-service avec une présentation générale des fonctionnalités, ainsi que des exemples de leur application dans des cas d'utilisation spécifiques. Nourrissez les utilisateurs avec des ressources de support dédiées. Assurez-vous que les collaborateurs comprennent que cette plateforme soit bien plus qu'un remplacement de feuille de calcul. Idéalement, ils peuvent utiliser la plateforme d'analyse pour l'ensemble du workflow d'analyse, des données à la décision. Si vos applications intègrent des analyses dans leur environnement, cela permet de surmonter les obstacles à l'adoption par les utilisateurs et d'augmenter l'adoption, ce qui permet d'expérimenter plus rapidement et plus facilement.

6. Identifiez les lacunes en matière de données

Au fur et à mesure que les équipes se familiariseront avec le travail dans une organisation axée sur l'analyse, elles identifieront de nouvelles sources de données qui amélioreraient les résultats, que ce soit en comblant les lacunes ou en remplaçant les sources incomplètes, obsolètes ou difficiles à utiliser. Encouragez les équipes à rechercher les lacunes et à identifier de nouveaux flux de données. Mettez en place un processus pour que les gens communiquent leurs besoins en amont. Cela permettra aux conservateurs de données de l'IT d'évaluer de nouvelles sources de données ou techniques de transformation pour combler ces lacunes.

7. Préparation des données

La « préparation des données » désigne le fait d'avoir des données exactes, complètes et dédupliquées formatées pour être utilisées dans les analyses en libre-service et d'autres outils. Le principal avantage de l'analyse en libre-service est qu'elle permet aux utilisateurs professionnels et à d'autres non-experts d'obtenir des informations à partir de jeux de données. Le revers de la médaille, cependant, est que ces utilisateurs n'auront pas l'expertise des gestionnaires de bases de données ou celle des data scientists, de sorte que les problèmes de préparation des données tels que les problèmes de format ou les données manquantes doivent être résolus avant que les données ne soient mises à la disposition des outils d'analyse en libre-service. Les sources de données doivent être validées à des fins d'exactitude et nettoyées pour répondre aux normes de formatage et de définition. L'état de préparation des données doit inclure un entraînement pour les utilisateurs principaux dans les unités opérationnelles qui décrit les problèmes potentiels et comment les signaler au personnel informatique.

8. Envisagez la croissance

Lors du déploiement d'analyses en libre-service, l'infrastructure sous-jacente doit être capable de gérer une large adoption entre les équipes, ainsi que le support et la gestion des jeux de données entrants. Ce qui est nécessaire pour évoluer varie d'une organisation à l'autre en fonction du nombre d'utilisateurs, des types d'analyse qu'ils effectuent, de la taille des jeux de données et du nombre de sources configurées. Parmi les considérations pratiques supplémentaires figurent les problèmes de gouvernance et la question de savoir si les sources de données contiennent des données structurées ou non. Les données structurées peuvent être accompagnées d'exigences telles que des besoins spécifiques en data warehouse qui peuvent rendre leur développement plus coûteux. Dans de nombreux cas, les entreprises choisissent de déployer progressivement des analyses en libre-service par service plutôt qu'à l'échelle de l'organisation pour équilibrer les facteurs techniques et de formation impliqués dans l'augmentation de l'accès.

9. Etablissez des normes de données organisationnelles

Au fur et à mesure que les utilisateurs professionnels acquièrent de l'expérience avec les analyses en libre-service, ils commenceront à voir des possibilités plus intéressantes, et cet état d'esprit devrait être encouragé. Sur le plan pratique, les équipes informatiques doivent développer des normes organisationnelles pour les données, notamment le formatage, l'ingestion de données, l'exhaustivité et l'organisation. Forcer les utilisateurs à résoudre les incohérences dans des éléments tels que le format de date/heure et les chiffres significatifs va freiner leur enthousiasme. Fixez plutôt des normes pour assurer l'uniformité et encouragez les équipes à apporter de nouvelles sources d'informations.

Les normes de données facilitent simplement l'utilisation et le partage des informations. Pour le personnel informatique, avoir des normes signifie minimiser le travail de normalisation des données tout en facilitant la détection des anomalies. Les normes au niveau organisationnel doivent se concentrer sur des stratégies de données de haut niveau : définitions de données, processus de transformation, sourcing de données. Au niveau opérationnel, les entreprises peuvent également configurer des formats de rapports standard pour aider les créateurs et les lecteurs à savoir à quoi s'attendre tout en leur donnant la liberté de créer des rapports personnalisés, si une plateforme en libre-service le permet. Par exemple, la configuration d'une sortie de rapport standard pour certains algorithmes de machine learning peut aider les équipes à intégrer plus rapidement cette analyse dans les rapports créés par l'utilisateur.

10. Faites de la sécurité, de la confidentialité et de la conformité des données une priorité

Donner à davantage de collaborateurs un accès accru à plus de données pour les analyses en libre-service peut nécessiter que l'entreprise prenne des mesures pour éviter les risques, qu'il s'agisse de la divulgation d'informations sur les clients ou de données opérationnelles sensibles. Les exigences de conformité et de confidentialité telles que le RGPD ou les règles de résidence des données spécifiques à un pays signifient que les entreprises doivent rester au fait des réglementations. S'attaquer à la sécurité implique également de vérifier que les données sensibles ne soient pas vues par les mauvaises parties ou divulguées sur des sites publics, ce qui nécessite la configuration de niveaux d'accès précis en fonction du rôle de l'utilisateur et de la sensibilité des données.

11. Connaissez les limites des analyses en libre accès

L'analyse en libre-service peut être une aubaine pour la productivité et la créativité, mais toutes les données ne sont pas appropriées pour un environnement en libre-service. Certains jeux de données peuvent être si volumineux que leur analyse exerce une pression sur l'ensemble de l'infrastructure. Certaines sources peuvent nécessiter trop de nettoyage initial sans bénéficier d'avantages suffisants, tandis que d'autres contiennent des données sensibles qui ne devraient pas être divulguées dans un environnement en libre-service. Les équipes de secteur d'activité devraient identifier les jeux de données actuellement indisponibles qui seraient les plus utiles à leurs groupes et collaborer avec le service informatique sur les coûts liés à leur ajout en termes de temps de personnel, d'utilisation de l'infrastructure et de sécurité.

Réinventez votre entreprise grâce aux analyses en libre accès

Pour mettre en œuvre les bonnes pratiques d'analyse en libre-service ci-dessus, les entreprises ont besoin d'une plateforme qui fonctionne pour tous ceux qui s'appuient sur les données, en particulier les principaux utilisateurs, les responsables d'unité opérationnelle, les équipes informatiques et les cadres. Dans l'idéal, une plateforme d'analyse en libre-service fournit une interface intuitive qui permet aux utilisateurs professionnels de s'intégrer, des fonctionnalités qui prennent en charge des projets complexes pour les data scientists et les utilisateurs avancés, une connectivité facile avec les data lakes ou les data warehouses, ainsi qu'une modélisation et des informations à l'aide de l'intelligence artificielle qui encouragent l'expérimentation.

Oracle Analytics offre cette gamme de fonctionnalités pour prendre en charge les analyses en libre-service. Oracle Analytics s'intègre aux référentiels de données tout en offrant une suite de fonctionnalités qui permettent aux personnes possédant un large éventail de compétences d'obtenir des résultats. Oracle Analytics offre des fonctionnalités prêtes à l'emploi, notamment des analyses en libre accès, des analyses de diffusion en continu en temps réel et des visualisations de données, pour extraire des informations exploitables à partir de tous les types de données, que ce soit dans le cloud, on-premises ou dans un environnement hybride.

Ne laissez pas les questions de gouvernance et de normes ralentir votre adoption des analyses en libre accès. Si les utilisateurs professionnels ne peuvent pas explorer et analyser les données eux-mêmes, les équipes informatiques et de data science surchargées auront toujours d'importants retards de demandes ce qui pourra, de fait, décourager les collaborateurs qui abandonneront leur recherche de nouvelles informations commerciales.

Les outils qui facilitent l'exploration de données en format libre et ad hoc porteront leurs fruits grâce à de nouvelles informations opportunes, ainsi qu'à une meilleure connaissance des données et à une évolution, passant d'un simple signalement sur « ce » qui se passe dans l'entreprise à la compréhension du « pourquoi ».

FAQ sur les bonnes pratiques en matière d'analyse en libre-service

Qui est l'utilisateur idéal pour les analyses en libre accès ?

L'utilisateur idéal pour l'analyse en libre-service est quelqu'un qui comprend la valeur des données, mais n'a pas l'expertise technique nécessaire pour gérer et analyser finement d'énormes jeux de données. Dans la plupart des cas, il s'agit d'un utilisateur professionnel, par exemple dans le domaine du marketing, des ventes, des finances, de la supply chain ou de la fabrication. Ces types d'utilisateurs comprennent le potentiel fourni par les données. Ils ont simplement besoin d'un moyen plus facile d'analyser les informations pour générer des informations.

En quoi l'analyse en libre-service est-elle différente de l'analyse traditionnelle ?

Un processus d'analyse traditionnel exige qu'un utilisateur commercial soumette une demande pour un jeu de données avec un objectif particulier à l'esprit. Cette demande peut rester dans la file d'attente du service informatique suffisamment longtemps pour qu'une opportunité commerciale soit perdue. En passant aux analyses en libre-service, cet utilisateur peut lancer un outil, charger un jeu de données, définir des dimensions et des paramètres et manipuler les données pour voir quels types d'informations, de visualisations et de rapports en résultent.

Quelle est la différence entre les données structurées et non structurées ?

Les données structurées sont fournies avec des formats et une nomenclature définis, tels qu'un champ de date qui spécifie un format AAAA-MM-JJ. Les données non structurées n'ont pas de format défini.

Un exemple de données structurées est un formulaire d'assurance médicale avec des champs définis pour le numéro de compte client, la procédure et les codes de facturation. Des exemples de données non structurées sont une IRM, les notes d'un médecin sur une consultation et les options de traitement. Ils nécessitent l'ajout de balises et d'autres métadonnées pour décrire la ressource et fournir un contexte.

Comment l'IA et le machine learning aident-ils les analyses en libre accès ?

Les fonctionnalités d'intelligence artificielle et de machine learning (IA/ML) peuvent identifier les informations que les systèmes d'analyse traditionnels basés sur des règles peuvent faire défaut. Les algorithmes de machine learning sont plus efficaces pour repérer les modèles car ils sont exposés à davantage de données au fil du temps. Cela permet aux utilisateurs professionnels de gagner du temps tout en ouvrant la porte à des informations précédemment manquées. Alors que les outils d'analyse alimentés par l'IA sont en ligne, les utilisateurs pourront poser des questions à l'aide de la recherche en langage naturel et demander au système de sélectionner les bonnes sources de données pour générer des réponses.

Comment le traitement du langage naturel peut-il prendre en charge les analyses en libre accès ?

Le traitement du langage naturel, lorsqu'il est utilisé dans une plateforme d'analyse en libre-service, permet aux utilisateurs de poser des questions conversationnelles et de récupérer des réponses en fonction d'un jeu de données spécifique. La PNL est composée de compréhension du langage naturel (NLU) et de génération du langage naturel (NLG), qui augmentent la facilité d'utilisation et l'accessibilité des analyses. Avec NLU, l'application peut comprendre les questions posées en langage naturel plutôt que d'utiliser des requêtes techniques. Il pourrait s'agir d'un membre du personnel RH qui demande : « Quelles ont été les cinq principales raisons pour lesquelles les gens ont quitté l'entreprise l'année dernière ? » ou d'un professionnel du marketing qui demande : « Quelles campagnes publicitaires axées sur la recherche ont généré les taux de conversion les plus élevés au cours des six derniers mois ? » Avec le traitement du langage naturel, le résultat peut apparaître dans des rapports générés automatiquement permettant de générer des résumés d'informations et de résultats faciles à comprendre.