Qu’est-ce que la Business Intelligence générative ?

La Business Intelligence générative, ou « BI générative », consiste à appliquer l’IA générative aux processus de Business Intelligence. Les outils de BI générative permettent d’automatiser et de rationaliser les principales tâches d’analyse des données, comme l’identification des modèles et la création de visualisations.

La Business Intelligence (BI) désigne un ensemble de processus permettant d’analyser les données d’entreprise pour éclairer la prise de décision. Essentiellement manuels, les outils et workflows de BI traditionnels demandent beaucoup de temps et de savoir-faire pour transformer les données brutes en informations exploitables. Les parties prenantes sans compétences en science des données peuvent rarement employer pleinement les techniques de BI.

La BI générative permet à davantage de personnes de participer à l’analyse commerciale. Généralement alimentés par de grands modèles de langage (LLM), les outils de BI générative ont un fonctionnement très similaire à celui des autres outils d’IA générative courants, tels que ChatGPT ou Microsoft Copilot. Les utilisateurs saisissent des instructions en langage naturel, et l’outil répond en conséquence. 

Les utilisateurs n’ont pas besoin d’apprendre de nouveaux langages de programmation, de réaliser des calculs manuels ni de créer des graphiques de A à Z, comme c’est le cas avec la BI traditionnelle. Il leur suffit de demander à l’outil de BI générative, en langage clair, de procéder à une analyse avancée et de rédiger les rapports correspondants.  

La BI générative favorise donc l’analyse en libre-service au sein de l’entreprise, quelles que soient les compétences de ses utilisateurs. L’analyse en libre-service permet d’axer la prise de décision sur les données.

La BI générative est une catégorie de technologie relativement nouvelle. Selon une enquête, seules 3 % des entreprises déclarent avoir mis en œuvre la BI générative de manière « pleinement opérationnelle ». Cependant, plus de la moitié des entreprises sont déjà en train de plus ou moins explorer la BI générative.¹ Le taux d’adoption devrait augmenter à mesure que les outils de BI générative s’améliorent et deviennent plus facilement accessibles. 

La BI générative et l’IA générative ne sont pas deux types de technologies ou de modèles d’IA différents. On peut plutôt considérer la BI générative comme étant un cas d’utilisation de l’IA générative. Plus précisément, la BI générative consiste à utiliser des solutions d’IA générative pour collecter, gérer et analyser les données de l’entreprise afin d’informer ses opérations.

L’IA générative désigne une catégorie de modèles d’intelligence artificielle (IA) et de machine learning (ML) qui sont capables de créer des contenus originaux (texte, images ou code) en réponse au prompt d’un utilisateur. La BI générative est un type d’analytique alimentée par l’IA, puisqu’elle s’appuie sur des algorithmes d’IA pour traiter et analyser les données d’entreprise.

Les outils de BI générative fonctionnent comme tout autre outil alimenté par l’IA générative. L’utilisateur saisit une prompt en langage naturel, et l’outil répond en générant du contenu.  

Supposons, par exemple, qu’un utilisateur saisisse le prompt suivant : « Montre-moi un graphique circulaire avec nos 5 produits les plus vendus l’année dernière et le pourcentage des ventes pour chaque produit. » L’outil de BI générative analyse le jeu de données correspondant et renvoie exactement ce qu’on lui demande : un graphique circulaire présentant les produits les plus vendus, répartis en fonction du pourcentage des ventes.

La plupart des outils de BI générative se présentent sous l’une de ces 3 formes :  

1. Modèles d’IA générative à usage général, tels que Llama de Meta, appliqués aux tâches de BI. 
    

2. Plateformes de BI intégrant des modèles d’IA. Par exemple, Amazon QuickSight Q intègre le chatbot Amazon Q, alimenté par LLM, dans QuickSight, un outil de Business Intelligence proposé par Amazon Web Services (AWS). 
    

3. Modèles d’IA particulièrement adaptés à la Business Intelligence. Par exemple, IBM Project Ripasso est une plateforme alimentée par un LLM entraîné sur des contenus pertinents pour l’entreprise, avec des capacités intégrées de gouvernance des données.

Bien que les modèles d’IA générative à usage général soient capables de remplir de nombreuses fonctions de BI, les entreprises optent souvent pour des outils et modèles de BI plus spécialisés. Ces derniers leur permettent généralement de mieux contrôler la façon dont leurs données sont utilisées.

Si les fonctionnalités varient d’un outil à l’autre, les capacités de BI générative les plus courantes sont les suivantes :

• Traitement automatique du langage naturel (TAL) : les outils de BI générative s’appuient sur le traitement automatique du langage naturel et les interfaces de chat pour permettre aux utilisateurs de soumettre des prompts, d’interroger les jeux de données et d’exécuter des calculs sans avoir à utiliser des syntaxes spécialisées comme le langage de requête structuré (SQL). 

• Tableaux de bord, rapports et graphiques personnalisés : la plupart des solutions de BI générative disposent d’outils de création qui permettent aux utilisateurs de produire tableaux de bord, visualisations de données, rapports et récits en décrivant ce dont ils ont besoin, au lieu de les créer manuellement. 

• Intégrations : les outils de BI générative peuvent s’intégrer à diverses sources de données comme les bases de données, les entrepôts de données, les data lakes et les data lakehouses.

• Recommandations : de nombreux outils de BI générative permettent d’enrichir l’analyse en recommandant des jeux de données ou des requêtes connexes, en proposant un feedback sur l’optimisation des rapports, ainsi que d’autres conseils. 

• Glossaires métier : certains outils de BI générative prennent en charge les glossaires métier, ou s’y intègrent. Les glossaires permettent aux entreprises de définir les termes, notions et processus importants, afin que l’outil puisse fournir des réponses fondées sur un contexte propre à l’entreprise.

Si l’IA générative peut être utilisée à chaque étape du processus de Business Intelligence, on s’en sert le plus souvent pour optimiser la collecte, l’analyse et la visualisation des données, ainsi que l’élaboration des plans d’action.

Les outils de BI générative permettent aux utilisateurs de découvrir, de nettoyer, de transformer et d’agréger les données à des fins d’analyse.  

Par exemple, on peut demander à un outil de BI générative de produire un rapport sur les dépenses par unité commerciale. L’outil puisera les données pertinentes dans les sources intégrées (comme les registres financiers de chaque unité et de l’entreprise dans son ensemble), normalisera le formatage des points de données et les rassemblera dans un rapport cohérent.  

Les outils de BI générative peuvent consommer de grandes quantités de données complexes pour repérer les schémas, répondre aux questions, identifier des tendances, etc. Cela permet aux utilisateurs de tirer des informations de ces données sans procéder à des calculs manuels.

Par exemple, l’utilisateur chargé du rapport sur les dépenses des unités commerciales peut demander à la BI générative d’identifier les unités qui ont systématiquement dépassé le budget au cours des 8 derniers trimestres. L’utilisateur peut également demander à la BI générative de l’aider à déterminer les raisons de ces dépenses excessives.  

La BI générative transforme les résultats de son analyse en graphiques et synthèses faciles à comprendre et à partager, mettant en évidence les indicateurs clés ainsi que d’autres points de données et informations critiques.

Par exemple, l’utilisateur peut générer un graphique à barres qui compare les dépenses trimestrielles des unités commerciales au budget alloué pour mettre en évidence les disparités entre les dépenses prévues et les dépenses réelles.  

Les outils de BI générative peuvent s’appuyer sur l’analyse des données pour recommander aux entreprises les mesures à prendre. Par exemple, l’outil peut recommander de ventiler les dépenses des différentes unités commerciales par projet, afin d’identifier ceux dont le rendement est insuffisant pour justifier un investissement continu.

Les outils de BI générative permettent une analyse avancée des données en libre-service. Nul besoin de maîtriser des langages de programmation, des formules mathématiques ou des outils bien spécifiques pour travailler avec des données. Les utilisateurs interrogent, calculent et génèrent des rapports en langage naturel.

Traditionnellement, les utilisateurs professionnels confiaient une grande partie du travail de BI aux data scientists et aux analystes commerciaux. La BI générative simplifie grandement la Business Intelligence, permettant aux utilisateurs des différents services d’intégrer des données réelles dans leur prise de décision, et ce en temps réel. Exemples :

• Les utilisateurs des ressources humaines (RH) peuvent demander aux outils de BI générative d’analyser les tendances en matière de talents et de formuler des recommandations en matière de planification du personnel. 

• Les équipes financières peuvent demander aux outils de BI générative de générer des prévisions plus granulaires en analysant les revenus par client, produit ou canal.

• Les équipes chargées de la chaîne d’approvisionnement et des achats peuvent optimiser la gestion des stocks en demandant à la BI générative de s’appuyer sur les tendances passées pour prédire les habitudes d’achat.

• Les équipes de marketing peuvent s’appuyer sur les outils de BI générative pour réaliser une analyse sémantique des retours clients et obtenir des informations qu’ils pourront exploiter pour améliorer l’expérience client.

• Les équipes commerciales peuvent utiliser les outils de BI générative pour analyser les effets de différents prix sur les dépenses des clients, afin d’optimiser la tarification.

En outre, l’introduction de l’analytique en libre-service permet aux data scientists et aux analystes commerciaux de se consacrer aux projets plus stratégiques. Au lieu de répondre à des questions précises auxquelles les utilisateurs peuvent désormais trouver réponse eux-mêmes, les experts en données peuvent, par exemple, créer de nouveaux outils de données ou entraîner leurs propres modèles d’IA.

Les outils de BI générative apportent de nombreux avantages. En voici quelques-uns :

• Renforcer l’adoption des outils et des pratiques de Business Intelligence
• Améliorer les résultats de la Business Intelligence
• Résoudre le déficit de compétences en science des données
• Analyser des volumes plus importants de données plus complexes
• Réduire le coût de la BI

Selon une enquête, seuls 25 % des utilisateurs emploient des outils de Business Intelligence.² Ce faible taux d’adoption est dû, en partie, à la complexité technique des processus traditionnels de BI.

Toujours est-il que les outils de BI générative permettent à un plus grand nombre d’utilisateurs d’exploiter les données sans faire appel aux data scientists ni aux analystes. Cela signifie qu’aux sein des entreprises, davantage de collaborateurs peuvent s’appuyer sur la Business Intelligence pour axer la prise de décision sur les données.

En plus d’encourager l’utilisation de la Business Intelligence, la BI générative permet d’optimiser l’analyse commerciale.

Parce qu’ils peuvent traiter plus de données plus rapidement que les humains et les outils de BI traditionnels, les outils de BI optimisés par l’IA sont capables de repérer des tendances qui autrement passeraient inaperçues.

De nombreux outils de BI générative suggèrent également aux utilisateurs des questions, des données et des informations pour les aider à améliorer leur analyse. Par ailleurs, les outils de BI générative peuvent transformer les résultats de l’analyse des données en graphiques et rapports pour faciliter leur partage et leur utilisation. 

La BI traditionnelle exige un certain niveau de compétences en matière de données, que tout le monde ne possède pas. Affecter suffisamment de data scientists et d’analystes commerciaux qualifiés aux différents projets BI peut s’avérer difficile.

Favorisant l’analytique en libre-service, les outils de BI générative permettent aux entreprises de mener à bien leurs projets de BI malgré la pénurie de compétences en science des données.

Les outils de BI générative traitent des volumes de données plus importants que ceux gérés manuellement par les data scientists ou les utilisateurs professionnels.

Ils peuvent également traiter des données non structurées, telles que les documents et les images, qui constituent une part croissante des données d’entreprise. Si les algorithmes d’IA traditionnels, basés sur des règles, peuvent peiner à traiter les données au format moins stricte, les outils d’IA générative n’ont pas cette limitation.

La business intelligence générative peut aider les organisations à économiser du temps et de l’argent en automatisant la plupart des aspects les plus gourmands en temps et en ressources de la business intelligence, tels que l’exécution de calculs et la création de rapports. Cela signifie que les organisations peuvent dépenser moins d’argent et de main-d’œuvre dans l’analytique des données en entreprise sans renoncer aux informations exploitables.

Si la BI générative offre de nombreux avantages, la mise en œuvre des outils de BI générative n’est pas sans défis. Voici quelques-uns des obstacles les plus courants :

• Transparence et explicabilité
• sécurité et confidentialité des données
• Hallucinations
• Architectures de données inefficaces

Certains modèles d’IA générative se comportent comme des boîtes noires et ne livrent que peu d’informations sur le processus à l’origine de leurs sorties. Cela peut s’avérer problématique dans le cas de la Business Intelligence, car les utilisateurs ont besoin de comprendre comment les données ont été analysées pour pouvoir faire confiance aux conclusions d’un outil de BI générative.

En outre, certaines réglementations, telles que la loi européenne sur l’IA, exigent que le traitement des données personnelles par les outils d’IA soit transparent.

L’utilisation d’outils de BI générative qui expliquent leur « raisonnement », notamment les données qu’ils utilisent et la manière dont ils parviennent à leurs conclusions, permet aux entreprises de garantir la transparence et l’explicabilité. 

Les entreprises ont des raisons à la fois juridiques et stratégiques de prioriser la sécurité des données, ainsi que leur confidentialité. Certaines lois, comme le Règlement général sur la protection des données (RGPD) en vigueur dans l’UE, encadrent la manière dont les entreprises utilisent les différents types de données. En outre, une violation de données coûte en moyenne 4,88 millions de dollars aux entreprises, selon le Rapport sur le coût d’une violation de données publié par IBM.

Certains modèles d’IA font l’objet de mesures de confidentialité et de sécurité des données peu efficaces. Savoir que les entreprises peuvent ne pas être en mesure de contrôler la façon dont ces modèles utilisent leurs données après les avoir consommées est particulièrement préoccupant.

Les outils de BI générative intégrant des fonctionnalités de sécurité et de gouvernance des données permettent aux entreprises de garder le contrôle sur leurs données et d’empêcher tout accès non autorisé.

Les modèles d’IA générative sont sujets aux hallucinations. Autrement dit, ils peuvent inventer des choses et générer de fausses sorties. Les hallucinations peuvent faire dérailler les projets de Business Intelligence, avec pour conséquences des stratégies d’entreprise et des plans d’action axés sur des informations incorrectes.

Pour réduire l’hallucination, il est essentiel d’entraîner les outils de BI générative sur des jeux de données de qualité et pertinents pour l’entreprise. Les entreprises peuvent également faire appel à d’autres techniques, comme la génération augmentée par récupération (RAG), qui permet aux LLM de fonder leurs réponses sur une source de connaissances externe factuelle.

Comme tout modèle d’IA générative, les outils de BI générative doivent pouvoir accéder à d’immenses quantités de données de qualité. Une architecture fragmentée, dont les données sont cloisonnées et dispersées partout dans l’entreprise, peut empêcher l’outil de BI générative d’accéder aux données dont il a besoin.

Une architecture de données efficace, dont les systèmes de stockage de données sont appropriés et connectés dans une data fabric intégrée, permet de garantir que les outils de BI générative disposent des données nécessaires pour produire des sorties de qualité.