Tendances dans la conception de produits d'analyse de données et de BI à l'ère de GenAI

En tant que lecteur et fan fidèle de Gartner, j'ai toujours admiré les profondes idées et l'expertise que leurs analystes apportent à la table. Ces experts de haut niveau, avec des années d'expérience dans l'industrie, excellent dans une pensée indépendante à travers les domaines académique, technique, produit, industriel et commercial. Leurs analyses et rapports, enrichis par une pratique du monde réel et de fréquentes interactions avec les clients et les CXOs, sont connus pour leurs idées percutantes et leurs prévisions de tendances précises.

Par exemple, en juin 2022, Gartner a prévu avec précision les principales tendances pour les applications GenAI dans l'industrie.

Dans cet article, je cherche à explorer comment les tendances de conception pour l'analyse de données et les produits d'intelligence d'affaires (BI) sont redéfinies par l'émergence de GenAI. En m'appuyant sur la vaste recherche de Gartner et leur compréhension approfondie du paysage de l'analyse de données et de la BI, j'aspire à partager des idées exploitables et des conseils pratiques pour aider les professionnels à naviguer dans cette ère transformative.

En ce qui concerne cette direction, Gartner classe les principaux produits et technologies en deux grands domaines : Analyse et Intelligence d'Affaires (ABI) et DSML (Science des Données et Apprentissage Automatique). Plongeons profondément dans chacun.

Analyse et Intelligence d'Affaires

L'Analyse et l'Intelligence d'Affaires (ABI) est un terme englobant qui comprend des applications, des infrastructures, des outils et des meilleures pratiques, tous conçus pour permettre aux utilisateurs d'accéder à l'information et d'analyser celle-ci pour améliorer et optimiser la prise de décision et la performance.

Tendances ABI en 2025

• Les interfaces traditionnelles de glisser-déposer dans les plateformes ABI sont désormais complétées par des interfaces conversationnelles et textuelles alimentées par GenAI, permettant aux utilisateurs de demander des rapports ou des pipelines en langage naturel.

• Les principaux fournisseurs de cloud ERP et CRM influencent les choix des plateformes ABI, soulevant des inquiétudes concernant le blocage des fournisseurs, tout en favorisant l'adoption de stratégies "multi-cloud" pour flexibilité et ouverture. Microsoft domine le marché avec la croissance de Power BI, soutenue par son intégration abordable avec Microsoft 365 (E5) et son intégration avec Microsoft Teams, notamment à l'ère du travail à distance.

• Les fournisseurs d'analyse de niche se différencient en offrant des solutions adaptées à des segments de marché spécifiques, en mettant l'accent sur l'indépendance par rapport aux grands fournisseurs de cloud pour répondre aux préoccupations de blocage.

• Le marché adopte rapidement des capacités low-code/no-code, évoluant des tableaux de bord traditionnels pour offrir des informations contextuelles qui améliorent la prise de décision et génèrent de la valeur commerciale.

Principaux Acteurs du Marché ABI

Science des Données et Apprentissage Automatique

Les plateformes de Science des Données et d'Apprentissage Automatique (DSML) offrent un soutien de bout en bout pour l'ensemble du cycle de vie des modèles IA, y compris GenAI. Elles comblent le fossé entre le développement et la production, permettant aux organisations de renforcer les pratiques MLOps et de rationaliser le déploiement IA.

Tendances DSML en 2025

Les plateformes DSML deviennent de plus en plus essentielles en tant qu'actifs d'entreprise, avec une demande croissante pour GenAI entraînant une augmentation significative des dépenses. Toutefois, l'intégration des données, des modèles et des infrastructures dans des solutions évolutives demeure complexe.

• Les plateformes DSML ont évolué en solutions full-stack, couvrant l'infrastructure multi-cloud, les pipelines de données, l'entraînement de modèles, le déploiement, et le développement front-end. La différenciation repose sur leurs niveaux d'abstraction, permettant une itération rapide sans nécessité de plongées techniques approfondies.

• GenAI accélère la démocratisation de la science des données, habilitant des rôles alignés avec les affaires grâce à des fonctionnalités AutoML matures telles que les assistants de codage, les requêtes en langage naturel et l'automatisation des flux de travail.

• Bien que les grands fournisseurs de cloud dominent l'adoption de DSML en raison de leur infrastructure robuste, des opportunités demeurent pour les acteurs indépendants d'innover, notamment en favorisant la collaboration d'équipe.

• Au milieu de la vague GenAI, les cas d'utilisation fondamentaux de la science des données qui entraînent une prise de décision axée sur les insights exploitables ne doivent pas être négligés. Les plateformes DSML sont particulièrement bien adaptées pour unifier l'analyse avancée et le développement IA.

Principaux Acteurs du Marché DSML

L'Intégration de l'ABI et du DSML

D'ici 2026, 50 % des organisations évalueront les plateformes ABI et DSML comme des solutions unifiées en raison de la convergence du marché. L'intégration de l'ABI et du DSML devient une tendance significative, favorisant une approche holistique de l'analyse et de l'apprentissage automatique.

Fonctionnalités des Produits et Cas d'Utilisation

Lors de la conception d'un produit, il est crucial de considérer deux aspects clés :

• Fonctionnalités du Produit

  Ce sont les caractéristiques et fonctionnalités essentielles qu'un produit doit posséder pour fonctionner efficacement dans son domaine.

• Cas d'Utilisation

  Les principaux personas utilisateurs et leurs scénarios d'application, chacun ayant des priorités uniques et mettant l'accent sur des fonctionnalités de produit spécifiques.

Cartographier les cas d'utilisation aux fonctionnalités de produit correspondantes est crucial pour orienter la conception du produit, en veillant à ce que la plateforme réponde aux besoins des utilisateurs tout en s'alignant sur les objectifs fondamentaux.

Fonctionnalités des Produits ABI

Les fonctionnalités des produits ABI peuvent être classées en 12 catégories :

• Catalogue d'Analyse : Permet d'afficher du contenu analytique, facilitant la découverte et l'utilisation des ressources par les utilisateurs. Supporte les fonctionnalités de recherche et fournit des recommandations.

• Insights Automatisés : Tire parti de l'IA pour générer automatiquement des insights, tels que l'identification des attributs les plus importants dans un ensemble de données.

• Collaboration : Facilite le travail d'équipe en intégrant la collaboration dans les flux de travail analytiques, permettant à un large éventail d'utilisateurs de travailler ensemble sur des projets.

• Composabilité : Offre des outils low-code et no-code (par exemple, APIs/SDKs) pour construire des interfaces utilisateur modulaires et flexibles et intégrer les analyses dans les flux de travail. Intègre souvent GenAI pour des fonctionnalités améliorées.

• Préparation des Données : Supporte les opérations de glisser-déposer, les combinaisons de sources de données pilotées par l'utilisateur, et la création de modèles analytiques tels que des métriques personnalisées, des collections, des regroupements et des hiérarchies.

• Intégration de la Science des Données : Améliore le prototypage et le développement, permettant aux scientifiques des données de créer des modèles ML composables et de les intégrer à des écosystèmes plus larges.

• Récit de Données : Combine des visualisations interactives avec des techniques narratives pour délivrer des insights de manière attrayante et facile à comprendre pour les décideurs.

• Visualisation des Données : Fournit des tableaux de bord interactifs et une exploration des données à travers diverses visualisations, comme les cartes thermiques, les cartes à bulles, les cartes géographiques, les diagrammes dispersés, et plus encore.

• Gouvernance : Suit l'utilisation des données et gère comment l'information est partagée et promue pour garantir la qualité, la conformité et le contrôle.

• Couche de Métriques : Offre une couche de virtualisation pour définir des métriques comme des actifs réutilisables, les gérer à partir de data warehouses, et soutenir les analyses, la science des données et les applications commerciales. Comprend des fonctionnalités de gestion des objectifs.

• NLQ : Permet aux utilisateurs de poser des questions sur les données en utilisant des commandes textuelles ou vocales, simplifiant l'interaction avec les analyses.

• Rapports : Fournit des rapports pixel-perfect et paginés qui peuvent être programmés et distribués à de grands groupes d'utilisateurs pour une livraison d'insights cohérente et fiable.

Cas d'Utilisation ABI

Voici quatre principaux cas d'utilisation de l'ABI : Développeur d'Analyse, Analyste Commercial, Consommateur Augmenté, Scientifique des Données.

Développeur d'Analyse

Les développeurs d'analyses sont des professionnels au sein d'équipes de données qui sont responsables de la création et de la distribution de contenu analytique à une large base d'utilisateurs dans l'organisation.

Capacités critiques dans ce cas d'utilisation :

• Couche de Métriques

• Composabilité

• Gouvernance

• Rapports

• Visualisation des Données

• Catalogue d'Analyse

• Collaboration

• Requête en Langue Naturelle

Les insights automatisés, l'intégration de la science des données, et le récit de données sont moins pertinents dans ce cas d'utilisation.

Analyste Commercial

Les analystes commerciaux se réfèrent aux professionnels qui intègrent diverses sources de données pour une analyse visuelle avec une dépendance minimale aux départements IT.

Capacités critiques dans ce cas d'utilisation :

• Visualisation des Données

• Insights Automatisés

• Préparation des Données

• Catalogue d'Analyse

• Récit de Données

• Couche de Métriques

• Collaboration

• Composabilité

• Gouvernance

• Requête en Langue Naturelle

L'intégration de la science des données et les rapports sont moins pertinents dans ce cas d'utilisation.

Consommateur Augmenté

Ce cas d'utilisation se concentre sur les organisations qui cherchent à habiliter les consommateurs de contenu analytique, tels que les équipes RH, ventes et opérations, qui consomment directement le contenu analytique pour soutenir les opérations commerciales et la prise de décision.

Capacités critiques dans ce cas d'utilisation :

• Requête en Langue Naturelle

• Récit de Données

• Insights Automatisés

• Catalogue d'Analyse

• Visualisation des Données

• Collaboration

• Couche de Métriques

• Gouvernance

Composabilité, préparation des données, intégration de la science des données, et rapports sont moins pertinents dans ce cas d'utilisation.

Scientifique des Données

Ce cas d'utilisation se concentre principalement sur la possibilité pour les utilisateurs de tester des hypothèses et de construire des modèles non-produits qui peuvent être remis aux scientifiques des données ou aux équipes MLOps pour déploiement.

Capacités critiques dans ce cas d'utilisation :

• Intégration de la Science des Données

• Préparation des Données

• Couche de Métriques

• Insights Automatisés

• Collaboration

• Composabilité

• Visualisation des DonnéesGouvernance

Le catalogue analytique, le récit de données et les rapports sont moins pertinents dans ce cas d'utilisation.

Tendances de Produits ABI en 2025

GenAI a profondément impacté les capacités des produits ABI, les cas d'utilisation, et les expériences globales de plusieurs manières. Les points suivants mettent en avant les changements clés apportés par GenAI :

Préparation de Données Augmentée

Exemples de capacités :

• Appariement, liaison, analyse, étiquetage et annotation automatiques des données pour les préparer à la transformation.

• Identifier des attributs sensibles dans les ensembles de données.

• Automatiser les transformations et intégrations répétitives.

• Fournir des recommandations pour améliorer la qualité et la richesse des données.

• Générer, déboguer, et convertir le code (Python, R, SQL, DAX) automatiquement, ainsi que générer de la documentation.

Exemples d'expériences utilisateur :

• Permettre des opérations de glisser-déposer, permettant aux utilisateurs de combiner des données de diverses sources sans effort.

• Supporter la création de modèles analytiques, tels que des métriques personnalisées, des collections, des regroupements et des hiérarchies.

• Générer des descriptions en langage naturel pour le code et les interfaces.

• Créer du code pour interagir avec des bases de données, des scripts ou des APIs en utilisant des commandes en langage naturel.

• Identifier des erreurs dans le code et effectuer des conversions transparentes entre différents langages de programmation.

• Utiliser l'IA générative (LLMs) pour rédiger une documentation de code interprétable.

• Automatiser et accélérer les processus DSML et IA, tels que le profilage des données, les vérifications de qualité, l'harmonisation, la modélisation, la manipulation, l'enrichissement/inférence, la génération de données synthétiques, le développement de métadonnées, et le catalogage des données.

Insights Automatisés

Exemples de capacités :

• Analyser les principaux moteurs pour identifier les facteurs significatifs influençant les résultats.

• Détecter automatiquement des anomalies et des valeurs aberrantes dans les ensembles de données.

• Effectuer un clustering intelligent et une segmentation des données.

• Réaliser des analyses prédictives pour prévoir des tendances et des motifs futurs.

Exemples d'expériences utilisateur :

• Générer automatiquement des insights pour les utilisateurs finaux en identifiant les attributs les plus critiques dans les ensembles de données.

• Fournir des notifications en temps réel des anomalies ou des valeurs aberrantes en fonction des rôles utilisateurs et des workflows commerciaux.

• Découvrir automatiquement des clusters dans les ensembles de données pour une meilleure segmentation.

• Utiliser des méthodes fondamentales comme ARIMA pour générer des prévisions pour des variables continues dans les ensembles de données.

• Afficher les erreurs de prédiction pour améliorer l'interprétabilité et la fiabilité des prévisions.

Récit de Données

Exemples de capacités :

• Automatiser le récit des insights de données.

• Générer des récits en utilisant le langage naturel (automatisation narrative).

Exemples d'expériences utilisateur :

• Créer des récits de données de type reportage qui combinent des titres, du texte narratif, des visualisations de données et du contenu audio/vidéo basé sur une surveillance continue.

• Générer et résumer automatiquement des récits écrits ou parlés pour présenter une série d'insights analytiques.

Toutes ces fonctionnalités peuvent être améliorées par l'intégration de modèles de langage de grande taille (LLMs) et l'offre d'interactions en langage naturel pour une expérience plus intuitive.

Visualisation de Données Augmentée

Exemples de capacités :

• Visualisation de données améliorée pour une analyse plus perspicace et interactive.

• Interfaces utilisateur multi-expérience qui s'adaptent à différents appareils et cas d'utilisation.

• Planification de scénarios « Et si » pour explorer des résultats potentiels.

• Analyse de corrélation et de graphes pour découvrir des relations au sein des données.

• Analyse géospatiale pour des insights basés sur la localisation.

Exemples d'expériences utilisateur :

• Permettre des tableaux de bord hautement interactifs et une exploration des données grâce à la manipulation directe des visuels de graphique.

• Optimiser les interfaces utilisateur, les modes d'interaction, et les fonctionnalités analytiques pour des analyses multi-expériences, améliorant la consommation de contenu.

• Fournir des expériences analytiques immersives avec des interfaces de visualisation collaborative et 3D pour répondre aux exigences évolutives des cas d'utilisation.

• Tirer parti des insights basés sur les données grâce à des technologies de réalité augmentée (AR), de réalité mixte (MR), et de réalité virtuelle (VR) pour une prise de décision améliorée.

Requête en Langue Naturelle

Exemples de capacités :

• Fonctionnalité de questions et réponses pour une exploration intuitive des données.

• Raisonnement logique pour fournir des insights analytiques plus profonds.

• Suggestions et auto-complétion pour aider les utilisateurs à formuler des requêtes ou des actions.

• Reconnaissance de synonymes et apprentissage adaptatif pour une meilleure compréhension des requêtes.

• Chatbots pour une analytique interactive.

• Intégration avec des modèles de langage de grande taille (LLMs) pour améliorer le traitement et l'interprétation des requêtes.

Exemples d'expériences utilisateur :

• La Requête en Langue Naturelle (NLQ) permet aux utilisateurs commerciaux d'interroger les données en tapant ou en parlant des termes commerciaux via une interface de recherche ou un chatbot.

• Certains fournisseurs d'ABI utilisent la recherche par mots-clés, d'autres emploient le traitement de langage naturel pour traduire des termes en questions en langage naturel, tandis que certains combinent les deux approches.

• Certaines utilisations permettent d'interroger des données structurées, tandis que d'autres supportent des recherches sémantiques à travers des informations multi-structurées.

Collaboration dans l'Analyse

Exemples de capacités :

• Faciliter la communication transparente parmi les utilisateurs.

• Construire un écosystème communautaire collaboratif pour des insights partagés.

• Supporter des environnements multi-rôles pour répondre aux divers besoins utilisateurs.

• Permettre un développement agile pour une itération rapide et une adaptabilité.

Exemples d'expériences utilisateur :

La collaboration dans les plateformes ABI implique de favoriser un écosystème coopératif où les utilisateurs peuvent annoter et partager du contenu analytique dans une expérience native semblable aux médias sociaux. Collecter des perspectives diversifiées sur les données est essentiel pour bâtir un consensus et diriger des processus décisionnels complexes.

Intégration de la Science des Données

Exemples de capacités :

• Construction de modèles guidée pour rationaliser le processus de développement.

• Génération, intégration et exploration des fonctionnalités DSML.

• Sélection automatique d'algorithmes pour un optimal performance du modèle.

• Ajustement automatique des modèles pour améliorer la précision et l'efficacité.

• Déploiement et surveillance automatiques des modèles pour rationaliser l'opérationnalisation.

• IA explicable pour améliorer la transparence et la confiance dans les résultats des modèles.

• Intégration avec R et Python pour des workflows avancés de science des données.

Exemples d'expériences utilisateur :

Ces capacités permettent tant aux citoyens qu'aux scientifiques des données professionnels d'améliorer le développement et le prototypage de modèles DSML composables. Elles permettent une intégration poussée avec des chaînes d'outils DSML plus larges, créant un écosystème harmonieux et efficace pour l'analyse avancée et l'apprentissage automatique.

Couche de Métriques

Exemples de capacités :

• Cartographier les métriques aux processus commerciaux et aux objectifs organisationnels.

• Publier, partager et diffuser les métriques à des audiences plus larges pour soutenir des résultats exploitables.

• Utiliser l'IA générative (GenAI) pour connecter l'ABI, le DSML, et les applications SaaS, fournissant des insights de données à travers les plateformes.

Exemples d'expériences utilisateur :

Cette capacité introduit une couche de virtualisation qui permet aux utilisateurs de :

• Définir les métriques commerciales comme du code.

• Gérer ces métriques directement à partir de data warehouses.

• Supporter des analyses en aval, la science des données, et des applications commerciales.

Avec GenAI, de plus en plus de plateformes sont construites sur des couches sémantiques, offrant des insights de données via des interactions en langage naturel pour une expérience utilisateur fluide et intuitive.

Composabilité

Exemples de capacités :

• Analytique intégrée pour une intégration transparente dans les flux de travail commerciaux.

• Support API et SDK pour la personnalisation et l'extensibilité.

• Cadres opérationnels pour automatiser et rationaliser les flux de travail basés sur des décisions.

• Interfaces utilisateur centrées sur la décision pour modéliser, cataloguer et auditer des décisions en utilisant des métadonnées.

• Analytique codifiée tirant parti de langages spécifiques au domaine (DSL) pour la représentation des flux de travail et de la logique.

Exemples d'expériences utilisateur :

Cette fonctionnalité se concentre sur l'assemblage de fonctionnalités ABI flexibles, modulaires et conviviales en intégrant des analyses avancées, en utilisant des APIs/SDKs, et en implémentant des architectures containerisées ou en microservices :

• Analytique Intégrée : Contextualiser l'analytique prescriptive au sein de scénarios commerciaux pour des insights exploitables.

• Cadres Opérationnels : Permettre aux utilisateurs de construire et d'automatiser des flux de travail décisionnels basés sur des données, déclenchant des opérations commerciales en temps réel.

• Interfaces Utilisateur Centrées sur la Décision : Faciliter la modélisation, le catalogage et l'audit de décisions en utilisant des métadonnées décisionnelles.

• Analytique Codifiée : Représenter les flux de travail analytiques et la logique comme du code ou des fichiers de configuration en utilisant DSL, permettant aux utilisateurs de les gérer selon des pratiques agiles comme n'importe quel autre code logiciel.

GenAI devient rapidement un accélérateur clé pour l'analytique augmentée. Il habilite les utilisateurs avec une expertise technique limitée à poser des questions commerciales très complexes, entraînant une adoption accrue de l'analytique. Gartner met en avant la tendance des "consommateurs devenant créateurs", reflétant l'évolution du rôle des utilisateurs commerciaux dans les données et analyses modernes (D&A) - passant de consommateurs passifs d'insights à créateurs d'insights actifs. Ce changement entraîne une évolution rapide et une itération dans la conception des produits.

Les produits IDE alimentés par l'IA tels que Cursor, Windsurf, et Bolt.New révolutionnent le paysage mondial du développement de logiciels. Cependant, la transformation de l'analyse de données par l'IA est intrinsèquement plus complexe en raison de la tolérance zéro aux erreurs lors des dernières étapes de la prise de décision commerciale. Malgré cette complexité, la tendance se dévoile, et une fois que des percées sont réalisées, l'impact perturbateur sur les industries du monde entier devrait surpasser de loin celui du développement logiciel.

Cet article est un résumé des idées recueillies à partir de plusieurs rapports de Gartner. Une profonde appréciation va aux analystes de Gartner pour leurs travaux incroyables.