Présentation de la Business Science Tableau

La réussite d'un projet d'IA passe par des experts data et des experts métier

Malgré des idées reçues alarmistes selon lesquelles l'IA remplacera bientôt les hommes, il existe de nombreux cas dans lesquels les systèmes les plus intelligents ne font pas le poids face au discernement humain. Supposons par exemple qu'une entreprise utilise un modèle prédictif pour déterminer les meilleures opportunités de vente incitative/croisée. Un algorithme peut certes offrir des prédictions sur la probabilité d'achat, mais ne dispose pas des connaissances fondamentales d'un gestionnaire du service client. Un responsable de compte comprend les objectifs du client et connaît les produits qui peuvent l'aider à les atteindre ; il peut également s'appuyer sur son expérience pour déterminer si telle ou telle solution a peu de chance de donner lieu à un achat.

Ces subtilités nécessitent un discernement qui dépasse les capacités d'un algorithme. En combinant des qualités comme l'expertise humaine, le discernement et la connaissance du contexte, à la rigueur, l'automatisation et la scalabilité d'insights générés automatiquement, vous serez mieux à même d'aller de l'avant. Prenons un autre exemple : supposons qu'un détaillant veuille déterminer quel produit ajouter en magasin pour augmenter ses bénéfices dans une zone géographique donnée. Un professionnel comprend les facteurs, comme les relations avec les fournisseurs, les tendances régionales ou autres implications qualitatives, qui pèsent le plus dans ses décisions, alors qu'une machine ne serait jamais capable de comprendre de tels détails.

Les experts qui possèdent à la fois une expertise data et une expertise métier sont très prisés des recruteurs, mais extrêmement rares. Les connaissances en data science sont considérées comme essentielles pour de nombreuses problématiques stratégiques. La Business Science met cependant ces techniques à la portée d'un plus grand nombre d'utilisateurs, ce qui leur permet de générer des analyses prédictives sans être des professionnels de la data.

Le but de la Business Science est d'obtenir un bon équilibre, avec un expert et une méthode adaptés à la problématique traitée. Lorsqu'une équipe de data science démarre un nouveau projet, elle est souvent handicapée par son manque de connaissance du contexte et du domaine. Une équipe qui ne dispose pas du contexte nécessaire passe beaucoup de temps à essayer d'identifier les données qui correspondent à une problématique donnée, puis à les organiser, les nettoyer et les préparer pour l'analyse. Étant donné que l'IA et le ML s'appuient sur les données, il s'agit fondamentalement d'un problème de données. Il est donc impératif de disposer des bonnes données, dans un format adéquat, pour pouvoir résoudre la problématique.

Les experts métier sont, quant à eux, quotidiennement confrontés aux problématiques propres à leur activité. Leur connaissance approfondie de données métier spécifiques leur permet de développer, de valider et de déployer des modèles prédictifs plus rapides, efficaces et pertinents.

Une approche rapide et itérative basée sur la révision et le redéploiement permet de gagner du temps, de réduire les coûts et de cultiver des compétences uniques

Les cycles de data science et de machine learning traditionnels ont tendance à être longs. La phase finale est souvent la plus difficile et elle représente un investissement lourd en matière de temps, d'efforts et de coûts. Le déploiement et l'intégration de modèles personnalisés traditionnels sont des opérations complexes qui nécessitent que les statisticiens et les data scientists rendent les solutions accessibles aux utilisateurs finaux. Lorsque le délai de mise sur le marché est un facteur clé, une solution qui permet de créer et de reproduire des modèles prédictifs en quelques jours ou semaines (plutôt qu'en quelques mois) est très avantageuse en ce qui concerne les ressources et le retour sur investissement.

Pour les experts métier qui ont besoin de baser leurs décisions sur les données et les prédictions, il est essentiel de pouvoir contrôler tous les aspects de la création du modèle et utiliser leurs données en toute confiance, quels que soient les cas d'utilisation. C'est particulièrement important lorsque le processus de création de modèle est itératif et axé sur l'amélioration continue de la précision des prévisions. Cette approche permet de tirer parti des données tant qu'elles sont pertinentes. Le processus de création d'un modèle en lui-même suffit parfois à établir la valeur des données et à obtenir des résultats.

Avec la Business Science, l'objectif est de déplacer un KPI, pas de perfectionner un modèle pour le rendre le plus précis possible. En facilitant un processus plus itératif que les cycles de data science traditionnels, qui permet de réviser et redéployer l'approche, la Business Science devient plus accessible. Ainsi, les utilisateurs ayant une bonne connaissance du contexte peuvent créer rapidement des modèles et utiliser les prédictions. Davantage d'utilisateurs peuvent profiter de ces techniques analytiques sophistiquées pour générer de la valeur et prendre des décisions plus intelligentes lorsqu'ils en ont besoin.

Prenons l'exemple de l'attribution de quotas de vente, où les zones géographiques et les objectifs fixés changent constamment. Un modèle d'attribution des quotas qui fonctionne aujourd'hui ne fonctionnera donc pas l'année prochaine, car les données évoluent sans cesse. Il est possible qu'un responsable des ventes régional rejette le modèle suggéré parce que son objectif de vente est désormais supérieur. La capacité à modifier ou à reproduire rapidement le modèle est donc essentielle, et peut même révéler des nouvelles opportunités de revenus pour chaque région.

En donnant aux analystes et aux utilisateurs métier accès à une solution fiable de machine learning en libre-service, la Business Science valorise les connaissances et l'expertise d'un plus grand nombre de collaborateurs. Elle renforce également le rôle fondamental des équipes de data science, car celles-ci peuvent alors se concentrer sur la résolution de problèmes stratégiques à grande échelle. Cette nouvelle approche analytique basée sur l'IA peut également offrir un environnement expérimental aux analystes et aux utilisateurs métier avancés, afin d'explorer des cas d'utilisation qui ne sont pas forcément prioritaires aux yeux des équipes de data science. Plus il y a de collaborateurs à examiner différents cas d'utilisation et à analyser des facteurs déterminants, plus la probabilité de créer un modèle performant augmente. Les experts métier peuvent créer des modèles basés sur le ML adaptés à leurs propres besoins sans utiliser de code. Ils produisent ainsi des analyses de qualité propres à leurs activités, sans avoir besoin des connaissances approfondies des professionnels des données.

N'oublions cependant pas que si la Business Science peut contribuer à combler le fossé technique entre analystes et data scientists, elle n'est en aucun cas un substitut pour ces derniers. Les professionnels de la data science continueront de fournir des solutions (modèles personnalisés, analyses statistiques, etc.), mais travailleront plus étroitement avec les experts métier pour valider les données alimentant les modèles basés sur le ML. Une plus grande collaboration entre les services est en effet un élément clé du succès de ces solutions.

Une démocratisation responsable de la data science nécessite d'apprendre à identifier et corriger les biais analytiques et l'utilisation préjudiciable des données

Un plus grand accès à une analytique basée sur l'IA présente bien sûr de nombreux avantages, mais n'est pas sans risques. Des biais sont inévitables dans le cadre des données et technologies et, s'ils ne sont pas corrigés, ils peuvent affecter les prédictions et recommandations, voire même entraîner des erreurs graves. La technologie de reconnaissance faciale est un exemple bien connu où des données d'entraînement, technologies et prédictions biaisées ont généré des résultats néfastes pour les populations de couleur (c'est l'une des raisons pour lesquelles la reconnaissance faciale  n'est pas autorisée dans notre  politique d'utilisation acceptable).

Ces facteurs sont souvent négligés par les utilisateurs métier. Pour commencer, une bonne documentation permet d'offrir un meilleur suivi et une plus grande transparence au niveau des prédictions et des recommandations du modèle. En ayant une bonne compréhension des éléments qui influencent les prédictions, de la composition des données et des facteurs clés, il est possible d'identifier des biais potentiels au sein de vos modèles et ensembles de données.

Pour encourager la création de modèles plus éthiques, d'autres précautions peuvent inclure la détection intégrée des biais, la surveillance des modèles, ou encore une présentation en langage naturel des variables qui influencent les prédictions. Avec  Einstein Discovery, les utilisateurs peuvent sélectionner des variables et des champs sensibles susceptibles d'inclure des biais (tels que l'origine ethnique, l'âge, la situation de famille ou le lieu de résidence). Cette plate-forme détectera également les champs associés dans l'ensemble de données, afin d'identifier les cas où un biais peut potentiellement être introduit si l'un des deux champs est supprimé. Autre métrique clé : un impact disparate, par exemple si le modèle offre des résultats différents en fonction du sexe ou du code postal. Dans de nombreux secteurs réglementés, cette métrique est utilisée pour favoriser un usage responsable des modèles de machine learning.

La demande en compétences analytiques connaît un véritable essor, qui s'accompagne d'une opportunité extraordinaire d'aider les utilisateurs et les entreprises à progresser et à résoudre leurs problèmes de façon plus efficace. Certaines approches sont axées sur le développement ou la mise en œuvre de solutions d'IA entièrement automatisées, mais cette démarche limitée est peu susceptible d'offrir la valeur attendue. Une démocratisation des techniques d'IA et de data science qui réduit ou élimine l'apport des utilisateurs (que ce soit du point de vue de leur ingéniosité, de leur connaissance du contexte et de leur expertise) n'est pas seulement contre-productive mais également irresponsable.

Le potentiel humain est depuis toujours au cœur de la philosophie Tableau. Sa plate-forme analytique visuelle de pointe est conçue pour libérer le potentiel de chacun. La Business Science Tableau, une nouvelle approche analytique basée sur l'IA et le ML, perpétue cette tradition en offrant aux utilisateurs des outils et des fonctionnalités pour répondre eux-mêmes à leurs questions, révéler des insights et résoudre des problèmes. L'ajout de la solution de Business Science Einstein Discovery à Tableau rend désormais le machine learning accessible à davantage d'utilisateurs. Les techniques de data science sont ainsi à la portée de tous pour faciliter une prise de décision rapide et fiable.