Comment l’IA change la nature de l’analytique

À la base, l’intelligence artificielle est un outil d’analyse. Sa valeur vient de sa capacité à analyser d’énormes quantités de données, sans supervision humaine directe, pour identifier des modèles et des anomalies qui peuvent ensuite être utilisés.

Mais puisque l’analyse humaine existe depuis des siècles, bien avant l’ère informatique moderne, comment cette nouvelle génération de technologie va-t-elle changer la donne ? Et comment les organisations peuvent-elles s’assurer qu’elles en ont pour leur argent une fois que cette technologie est introduite dans les environnements de production ?

Une question de contexte

L’élément clé que l’IA apporte à l’analyse est le contexte, ont récemment écrit Joey Fitts d’Oracle et Tom Davenport, chercheur au MIT, dans la Harvard Business Review. Dans les analyses traditionnelles, l’analyste était rarement un expert du système ou du processus analysé. Ils connaissaient l’analyse, pas le marketing, les ventes ou les réseaux de données. Leurs recommandations finales manquaient souvent du contexte qui ne peut provenir que de vastes connaissances et expériences.

Dans un cadre piloté par l’IA, cependant, un algorithme peut être formé pour « comprendre » la chose qu’il analyse et peut ensuite incorporer beaucoup plus de données à un rythme beaucoup plus rapide pour fournir des résultats hautement contextualisés. En fin de compte, cela devrait pousser ces puissants outils d’analyse vers les personnes qui en ont besoin afin que les experts en analyse puissent consacrer leur temps à ce qu’ils font le mieux : créer les modèles nécessaires pour rendre l’analyse de l’IA plus rapide et plus précise.

Ce besoin de contexte est mieux illustré lorsqu’il est appliqué à une fonction d’entreprise commune, telle que le marketing. Sans doute l’une des disciplines les plus gourmandes en données dans les entreprises modernes, le marketing est souvent soumis à des interprétations concurrentes de la vérité en fonction du contexte dans lequel les données sont présentées.

L’IA excelle dans l’analyse prédictive, la capacité de repérer les tendances futures en fonction des données passées et actuelles, selon Mike Kaput, responsable du contenu au Marketing AI Institute. Cette capacité, bien sûr, est comme de l’or pour une équipe marketing. Dans le même temps, l’IA fournit des analyses prescriptives, c’est-à-dire la capacité de faire des recommandations basées sur des analyses prédictives. Dans les deux cas, les moteurs d’IA d’aujourd’hui sont capables de passer au crible d’énormes quantités de données pour s’assurer que ces résultats sont présentés dans le contexte complet de toutes les informations disponibles, et ils ont également la possibilité d’affiner leurs algorithmes pour s’améliorer en utilisant leurs propres analyses passées. .

Apprendre le processus

Cette capacité à apprendre est l’une des principales différences entre l’IA et l’automatisation simple. Un système automatisé peut toujours être capable d’analyser beaucoup de données, à condition qu’il soit correctement structuré et conçu pour répondre aux besoins spécifiques pour lesquels le système a été conçu, selon la société d’analyse Avora. Par exemple, un simple outil de reporting se mettra à jour avec de nouvelles informations au fil du temps, mais il ne sera pas en mesure de fournir de nouvelles informations sur l’évolution des données à moins que quelqu’un ne crée un tableau de bord qui lui permet de le faire.

De même, une simple automatisation ne peut pas répondre aux questions générales liées à la baisse des performances et à d’autres facteurs. Cela nécessite généralement des heures, voire des jours de travail de la part d’un analyste de données, qui ne collectera probablement qu’une quantité limitée de données. Un moteur d’IA correctement formé, en revanche, pourrait produire des résultats à plusieurs questions en quelques minutes.

La meilleure façon de voir la contribution de l’IA à l’analyse est peut-être l’une des plus anciennes méthodes d’analyse : le modèle coût-bénéfice. Du côté des coûts, cela nécessite un investissement initial assez important, à condition de construire l’infrastructure sous-jacente à partir de zéro. Mais ce coût s’amortira avec le temps à mesure que la production augmentera. Du côté des avantages, l’IA peut analyser beaucoup plus de données que même une armée d’analystes, et elle peut tirer des données d’un nombre incalculable de sources pour identifier des problèmes et/ou des opportunités qui resteraient autrement cachés.

En fin de compte, cela mettra les capacités d’analyse entre les mains des travailleurs du savoir qui peuvent tirer le meilleur parti des informations adaptées à leurs défis uniques, rendant l’ensemble de l’organisation plus efficace et productive.