Les Tendances de la Conception des Produits d'Analyse de Données et de BI à l'Ère de l'IA Générative
Julian, Joy·
En tant que lecteur fidèle et admirateur de Gartner, j'ai toujours été impressionné par les profondes analyses et l'expertise que leurs analystes apportent. Ces experts de premier plan, forts de plusieurs années d'expérience dans l'industrie, excellent dans leur pensée indépendante à travers les domaines académique, technique, produit, industriel et commercial. Leurs analyses et rapports, enrichis par des pratiques concrètes et des interactions régulières avec les clients et les cadres dirigeants (CXO), sont réputés pour leurs aperçus percutants et leurs prévisions de tendances précises.
Par exemple, en juin 2022, Gartner a correctement prévu les principales tendances des applications de l'IA générative (GenAI) dans l'industrie.
Dans cet article, je m'efforce d'explorer comment les tendances de conception des produits d'analyse de données et d'intelligence d'affaires (BI) sont redéfinies par l'essor de l'IA générative. En m'appuyant sur les recherches approfondies de Gartner et leur compréhension pointue du paysage de l'analyse de données et de la BI, je souhaite partager des perspectives concrètes et des conseils pratiques pour aider les professionnels à naviguer dans cette ère de transformation.
Concernant cette évolution, Gartner classe les principaux produits et technologies dans deux grands domaines : l'Analyse et l'Intelligence d'Affaires (ABI) et le DSML (Science des Données et Machine Learning). Plongeons dans chacun d'eux.
L'Analyse et l'Intelligence d'Affaires (ABI) est un terme large qui englobe les applications, l'infrastructure, les outils et les meilleures pratiques, tous conçus pour permettre aux utilisateurs d'accéder à l'information et de l'analyser afin d'améliorer et d'optimiser la prise de décision et la performance.
Les interfaces classiques de type "glisser-déposer" dans les plateformes ABI sont désormais complétées par des interfaces conversationnelles et textuelles alimentées par l'IA générative (GenAI), permettant aux utilisateurs de demander des rapports ou des pipelines en langage naturel.
Les grands fournisseurs de ERP (Enterprise Resource Planning) et CRM (Customer Relationship Management) influencent le choix des plateformes ABI, suscitant des préoccupations concernant la dépendance aux fournisseurs, tout en favorisant l'adoption de stratégies "multi-cloud" pour plus de flexibilité et d'ouverture. Microsoft domine le marché avec la croissance de Power BI, soutenue par son intégration abordable avec Microsoft 365 (E5) et son lien avec Microsoft Teams, en particulier à l'ère du travail à distance.
Les fournisseurs d'analyses de niche se distinguent en offrant des solutions sur mesure pour des segments de marché spécifiques, mettant l'accent sur l'indépendance vis-à-vis des grands fournisseurs de cloud pour répondre aux préoccupations liées à l'enfermement technologique.
Le marché adopte rapidement les capacités low-code/no-code, évoluant des tableaux de bord traditionnels vers la fourniture d'informations contextuelles qui améliorent la prise de décision et créent de la valeur pour l'entreprise.
Les plateformes de Science des Données et Machine Learning (DSML) offrent un support complet pour tout le cycle de vie des modèles d'IA, y compris l'IA générative (GenAI). Elles comblent le fossé entre le développement et la production, permettant aux organisations de renforcer les pratiques MLOps et de rationaliser le déploiement de l'IA.
Les plateformes DSML deviennent des actifs essentiels pour les entreprises, avec une demande croissante pour l'IA générative, entraînant une forte croissance des dépenses. Cependant, l'intégration des données, des modèles et des infrastructures dans des solutions évolutives reste un défi complexe.
Les plateformes DSML ont évolué en solutions full-stack, couvrant l'infrastructure multi-cloud, les pipelines de données, l'entraînement des modèles, le déploiement et le développement front-end. La différenciation réside dans les niveaux d'abstraction, permettant des itérations rapides sans nécessiter de plongées techniques approfondies.
L'IA générative accélère la démocratisation de la science des données, en permettant aux rôles alignés sur les affaires de bénéficier de 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 des plateformes DSML grâce à leur infrastructure robuste, des opportunités subsistent pour les acteurs indépendants d'innover, en particulier dans la promotion de la collaboration au sein des équipes.
Au milieu de l'essor de l'IA générative, il ne faut pas négliger les cas d'utilisation fondamentaux de la science des données qui favorisent une prise de décision éclairée basée sur les informations. Les plateformes DSML sont particulièrement adaptées pour unifier les analyses avancées et le développement de l'IA.
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 majeure, favorisant une approche holistique de l'analyse et du machine learning.
Lors de la conception d'un produit, il est essentiel de prendre en compte deux aspects clés :
Capacités du Produit
Ce sont les fonctionnalités et caractéristiques essentielles qu'un produit doit posséder pour fonctionner efficacement dans son domaine.
Cas d'Utilisation
Les principaux profils d'utilisateurs et leurs scénarios d'application, chacun ayant des priorités uniques et mettant l'accent sur des capacités spécifiques du produit.
L'alignement des cas d'utilisation avec les capacités du produit correspondantes est crucial pour guider la conception du produit, en veillant à ce que la plateforme réponde aux besoins des utilisateurs tout en s'alignant sur les objectifs principaux.
Les capacités des produits ABI peuvent être classées en 12 catégories :
Catalogue d'Analytique : Permet l'affichage de contenu analytique, facilitant la découverte et l'utilisation des ressources par les utilisateurs. Supporte la fonctionnalité de recherche et offre des recommandations.
Informations Automatisées : Utilise le machine learning (ML) pour générer automatiquement des informations, comme l'identification des attributs les plus importants dans un jeu 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 : Propose des outils low-code et no-code (par exemple, APIs/SDKs) pour créer des interfaces utilisateur modulaires et flexibles, et intégrer des analyses dans les flux de travail. Intègre souvent l'IA générative pour des fonctionnalités améliorées.
Préparation des Données : Supporte les opérations de type glisser-déposer, les combinaisons de sources de données dirigées 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 data scientists de créer des modèles ML composables et de les intégrer dans des écosystèmes plus larges.
Narration de Données : Combine des visualisations interactives avec des techniques narratives pour fournir des informations d'une manière captivante 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, telles que des cartes thermiques, des cartes de hiérarchie, des cartes géographiques, des nuages de points, et bien plus.
Gouvernance : Suit l'utilisation des données et gère la manière dont les informations sont partagées et promues pour garantir la qualité, la conformité et le contrôle.
Couche de Métriques : Offre une couche de virtualisation pour définir des métriques en tant qu'actifs réutilisables, les gérer à partir des entrepôts de données et soutenir l'analytique en aval, la science des données et les applications commerciales. Inclut la gestion des objectifs.
Requête en Langage Naturel (NLQ) : Permet aux utilisateurs de poser des questions sur les données à l'aide de commandes textuelles ou vocales, simplifiant ainsi l'interaction avec l'analyse.
Reporting : Fournit des rapports précis et paginés qui peuvent être planifiés et distribués à de grands groupes d'utilisateurs pour une livraison d'informations cohérente et fiable.
Voici quatre principaux cas d'utilisation de l'ABI : Développeur d'Analyse, Analyste Commercial, Consommateur Augmenté, Scientifique des Données.
Les développeurs en analyse sont des professionnels au sein des équipes de données responsables de la création et de la diffusion de contenus analytiques à une large base d'utilisateurs à travers l'organisation.
Capacités critiques dans ce cas d'utilisation :
Couche de Métriques
Composabilité
Gouvernance
Reporting
Visualisation des Données
Catalogue d'Analytique
Collaboration
Requête en Langage Naturel
Les insights automatisés, l'intégration de la science des données et la narration de données sont moins pertinents dans ce cas d'utilisation.
Les analystes métier sont des professionnels qui intègrent diverses sources de données pour l'analyse visuelle avec une dépendance minimale aux départements informatiques.
Capacités critiques dans ce cas d'utilisation :
Visualisation des Données
Informations Automatisées
Préparation des Données
Catalogue d'Analytique
Narration de Données
Couche de Métriques
Collaboration
Composabilité
Gouvernance
Requête en Langage Naturel
L'intégration de la science des données et le reporting sont moins pertinents dans ce cas d'utilisation.
Ce cas d'utilisation se concentre sur les organisations qui visent à autonomiser 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 Langage Naturel
Narration de Données
Informations Automatisées
Catalogue d'Analytique
Visualisation des Données
Collaboration
Couche de Métriques
Gouvernance
La composabilité, la préparation des données, l'intégration de la science des données et le reporting sont moins pertinents dans ce cas d'utilisation.
Ce cas d'utilisation se concentre principalement sur la possibilité d'autoriser les utilisateurs à tester des hypothèses et à construire des modèles non-produits qui pourront être transmis aux data scientists ou aux équipes MLOps pour leur déploiement.
Capacités critiques dans ce cas d'utilisation :
Intégration de la Science des Données
Préparation des Données
Couche de Métriques
Informations Automatisées
Collaboration
Composabilité
Visualisation des Données
Gouvernance
Le catalogue d'analytique, la narration de données et le reporting sont moins pertinents dans ce cas d'utilisation.
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 :
Exemples de capacités :
Associer, lier, analyser, taguer et annoter les données automatiquement pour les préparer à la transformation.
Identifier les attributs sensibles dans les jeux de données.
Automatiser les transformations et intégrations répétitives.
Fournir des recommandations pour améliorer la qualité et la richesse des données.
Générer, déboguer et convertir automatiquement du code (Python, R, SQL, DAX), tout en générant la documentation correspondante.
Exemples d'expériences utilisateur :
Permettre les opérations de type glisser-déposer, permettant aux utilisateurs de combiner facilement des données provenant de diverses sources.
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 API en utilisant des commandes en langage naturel.
Identifier les erreurs dans le code et effectuer des conversions transparentes entre différents langages de programmation.
Utiliser l'IA générative (LLM) pour rédiger de la documentation de code interprétable.
Automatiser et accélérer les processus DSML et IA, tels que le profilage des données, les contrôles 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.
Exemples de capacités :
Analyser les facteurs clés pour identifier les éléments significatifs affectant les résultats.
Détecter automatiquement les anomalies et les valeurs aberrantes dans les jeux de données.
Effectuer un clustering et une segmentation intelligents des données.
Réaliser des analyses prédictives pour prévoir les tendances et modèles futurs.
Exemples d'expériences utilisateur :
Générer automatiquement des informations pour les utilisateurs finaux en identifiant les attributs les plus critiques dans les jeux de données.
Fournir des notifications en temps réel des anomalies ou des valeurs aberrantes en fonction des rôles des utilisateurs et des flux de travail commerciaux.
Découvrir automatiquement des clusters dans les jeux de données pour une meilleure segmentation.
Utiliser des méthodes fondamentales comme ARIMA pour générer des prévisions pour les variables continues dans les jeux de données.
Afficher les erreurs de prédiction pour améliorer l'interprétabilité et la fiabilité des prévisions.
Exemples de capacités :
Automatiser la narration des informations issues des données.
Générer des récits en utilisant le langage naturel (automatisation de la narration).
Exemples d'expériences utilisateur :
Créer des histoires de données de type journal, combinant titres, texte narratif, visualisations de données et contenus audio/vidéo, sur la base d'une surveillance continue.
Générer automatiquement et résumer des récits écrits ou parlés pour présenter une série d'informations analytiques.
Toutes ces fonctionnalités peuvent être améliorées en intégrant des modèles linguistiques de grande taille (LLM) et en offrant une interaction en langage naturel pour une expérience plus intuitive.
Exemples de capacités :
Visualisation des données améliorée pour une analyse plus approfondie et interactive.
Interfaces utilisateurs multi-expérience qui s'adaptent à divers appareils et cas d'utilisation.
Planification des scénarios "et si" pour explorer les résultats potentiels.
Analyse de corrélation et des graphiques pour découvrir les relations au sein des données.
Analyse géospatiale pour des informations basées sur la localisation.
Exemples d'expériences utilisateur :
Permettre des tableaux de bord hautement interactifs et une exploration des données via la manipulation directe des visuels des graphiques.
Optimiser les interfaces utilisateurs, les modes d'interaction et les fonctionnalités analytiques pour des analyses multi-expérience, améliorant ainsi la consommation du contenu.
Fournir des expériences analytiques immersives avec des interfaces collaboratives et des visualisations en 3D pour répondre aux besoins évolutifs des cas d'utilisation.
Exploiter les informations basées sur les données via des technologies de réalité augmentée (RA), de réalité mixte (RM) et de réalité virtuelle (RV) pour améliorer la prise de décision.
Exemples de capacités :
Fonctionnalité de questions-réponses pour une exploration intuitive des données.
Raisonnement logique pour fournir des informations analytiques plus approfondies.
Suggestions et autocomplétion pour aider les utilisateurs à formuler des requêtes ou des actions.
Reconnaissance des synonymes et apprentissage adaptatif pour améliorer la compréhension des requêtes.
Chatbots pour une analyse interactive des données.
Intégration avec des modèles linguistiques de grande taille (LLM) pour améliorer le traitement et l'interprétation des requêtes.
Exemples d'expériences utilisateur :
La Requête en Langage Naturel (NLQ) permet aux utilisateurs métiers de poser des questions sur les données en tapant ou en prononçant des termes métiers via une interface de recherche ou un chatbot.
Certains fournisseurs ABI utilisent la recherche par mots-clés, d'autres emploient le traitement du langage naturel pour traduire les termes en questions en langage naturel, tandis que certains combinent les deux approches.
Certains cas d'utilisation permettent de requêter des données structurées, tandis que d'autres supportent des recherches sémantiques à travers des informations multi-structurées.
Exemples de capacités :
Faciliter la communication fluide entre les utilisateurs.
Construire un écosystème collaboratif pour des insights partagés.
Supporter des environnements multi-rôles pour répondre aux besoins divers des utilisateurs.
Permettre un développement agile pour une itération rapide et une grande adaptabilité.
Exemples d'expériences utilisateur :
La collaboration sur les plateformes ABI consiste à favoriser un écosystème coopératif où les utilisateurs peuvent annoter et partager des contenus analytiques dans une expérience native semblable à celle des réseaux sociaux. La collecte de perspectives diverses sur les données est essentielle pour construire un consensus et mener des processus décisionnels complexes.
Exemples de capacités :
Construction guidée de modèles pour rationaliser le processus de développement.
Génération, intégration et exploration des fonctionnalités DSML.
Sélection automatisée des algorithmes pour des performances optimales des modèles.
Réglage automatisé des modèles pour améliorer la précision et l'efficacité.
Déploiement et surveillance automatisés 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 flux de travail avancés en science des données.
Exemples d'expériences utilisateur :
Ces capacités permettent aux data scientists citoyens comme professionnels d'améliorer le développement et le prototypage des modèles DSML composables. Elles permettent une intégration profonde avec des chaînes d'outils DSML plus larges, créant un écosystème fluide et efficace pour l'analytique avancée et l'apprentissage machine.
Exemples de capacités :
Cartographier les métriques avec les processus commerciaux et les objectifs organisationnels.
Publier, partager et diffuser les métriques à un public plus large pour soutenir des résultats exploitables.
Utiliser l'IA générative (GenAI) pour connecter les applications ABI, DSML et SaaS, fournissant ainsi des insights de données à travers les plateformes.
Exemples d'expériences utilisateur :
Cette capacité introduit une couche de virtualisation permettant aux utilisateurs de :
Définir les métriques commerciales en tant que code.
Gérer ces métriques directement depuis les entrepôts de données.
Supporter l'analytique en aval, la science des données et les applications commerciales.
Avec GenAI, de plus en plus de plateformes sont construites sur des couches sémantiques, offrant des insights de données à travers des interactions en langage naturel pour une expérience utilisateur fluide et intuitive.
Exemples de capacités :
Analytique embarquée pour une intégration transparente dans les flux de travail commerciaux.
Support des API et des SDK pour la personnalisation et l'extensibilité.
Cadres opérationnels pour automatiser et rationaliser les workflows basés sur la prise de décision.
Interfaces utilisateur centrées sur les décisions pour modéliser, cataloguer et auditer les décisions à l'aide de métadonnées.
Analytique codifiée utilisant des langages spécifiques au domaine (DSL) pour la représentation des workflows 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 améliorées, en utilisant des API/SDK, et en implémentant des architectures containerisées ou microservices :
Analytique Embarquée : Contextualiser les analyses prescriptives au sein de scénarios commerciaux pour des insights exploitables.
Cadres Opérationnels : Permettre aux utilisateurs de construire et d'automatiser des workflows décisionnels basés sur les données, déclenchant des opérations commerciales en temps réel.
Interfaces Utilisateur Centrée sur les Décisions : Faciliter la modélisation, le catalogage et l'audit des décisions en utilisant des métadonnées décisionnelles.
Analytique Codifiée : Représenter les workflows analytiques et la logique en tant que code ou fichiers de configuration utilisant des DSL, permettant aux utilisateurs de les gérer avec des pratiques agiles comme pour tout autre code logiciel.
GenAI devient rapidement un accélérateur clé pour l'analytique augmentée. Il permet aux utilisateurs ayant des compétences techniques limitées de poser des questions commerciales complexes, stimulant ainsi l'adoption croissante des outils analytiques. Gartner met en avant la tendance des "consommateurs devenant créateurs", ce qui reflète l'évolution du rôle des utilisateurs métiers dans les domaines des données et de l'analytique (D&A) — passant de simples consommateurs d'insights passifs à de véritables créateurs d'insights actifs. Ce changement entraîne une évolution rapide et une itération accélérée dans la conception des produits.
Les produits IDE alimentés par l'IA, comme Cursor, Windsurf et Bolt.New, révolutionnent le paysage mondial du développement logiciel. Cependant, la transformation de l'analytique des données par l'IA est intrinsèquement plus complexe en raison de la tolérance zéro aux erreurs dans les étapes finales de la prise de décision commerciale. Malgré cette complexité, la tendance est en pleine expansion, et une fois que des percées seront réalisées, l'impact perturbateur sur les industries mondiales devrait largement dépasser celui du développement logiciel.
Cet article est un résumé des insights recueillis à partir de nombreux rapports de Gartner. Un grand merci aux analystes de Gartner pour leurs travaux exceptionnels.