En ce moment, pour aider à la décision et imaginer des actions qui sont supposées conduire au succès escompté, la data science a le vent en poupe. Elle serait certainement moins pertinente sans s’appuyer sur un socle, celui de la business intelligence.


au sommaire


    L’une de ces sciences de la donnée analyse les informations passées, l’autre réalise des prédictions pour le futur. Autant dire que ces deux compétences sont étroitement liées mais certaines différences permettent de mieux comprendre le rôle de chacune de ces disciplines.

    Définition n° 1 : qu’est-ce que la data science ?

    Futura a déjà dressé le portrait d’un phénomène en vogue : la « data science », c’est-à-dire la capacité d’une organisation à analyser, extraire et mettre en forme des quantités de données pour les mettre en scène de façon visuelle et percutante. Il s’agit de relever et de présenter des tendances orientées vers l’avenir. Une mission que mène un data scientist qui doit élaborer des pistes pour répondre à des interrogations et imaginer des hypothèses d’avenir à partir des données significatives. La data science est réputée comme réactive et elle se place dans l’anticipation.

    En résumé, voici le rôle du data scientist :

    • il traite à haute vitesse des données qui proviennent de sources multiples ;
    • il comprend, analyse et modélise cet ensemble de données ;
    • il fournit également des outils d’aide à la décision, par exemple des algorithmes qui permettront d’autoriser certaines tâches ;
    • son rôle s’inscrit dans le développement global de l’entreprise et il l’aide à progresser et prospérer.

    En d’autres termes les indicateurs créés par la data science vont se révéler précieux pour les dirigeants qui s’appuieront sur ces modèles de prédiction pour anticiper l’avenir. C’est particulièrement pertinent dans un secteur d’activité très concurrentiel où chaque prise de décision est essentielle pour la pérennité d’une entreprise ou d’un groupe.

    Voir aussi

    Je veux en savoir plus sur la data science !

    Définition n° 2 : qu’est-ce que la business intelligence ?

    Par ailleurs, il ne faut pas confondre cette science de la donnée avec une autre appelée la « business intelligence » ou BI. Là encore, il s’agit d’analyser les données provenant du big data afin d’aider à la décision. Plus que de profiler l’avenir, la business intelligence se consacre plutôt au passé. Il s’agit d’une sorte de travail d’historien qui permet de bien comprendre le passé en s’appuyant sur des données et de dresser une description précise du passé et du présent.

    Cette pratique englobe un grand nombre d’outils et de méthodologies qui sont parfois propres aux entreprises.

    • Elle utilise des données déjà stockées. À cette étape de travail, aucune prédiction n’est faite, c’est avant tout de la récolte et de la classification d’informations.
    • Il s’agit ici de préparer les données pour qu’elles soient analysées dans un second temps par une équipe d’analystes.

    Occasions manquées, stratégies performantes, tendances du marché en fonction d’une saisonnalité ou d’une technique commerciale spécifique… Autant d’informations qui peuvent ressortir de cette introspection pour prendre des décisions essentielles.

    Les experts en business intelligence peuvent fournir aux data scientists des rapports sur les tendances du moment. Comment ? En collectant les données brutes et en les classant dans une base de données structurée autrement baptisée « entrepôt de données ». Une fois organisées, les données sont présentées sous la forme d’un tableau de bord synthétique. C’est à partir de celui-ci que l’expert va pouvoir, par exemple, vérifier quels sont les projets qui ont connu du succès et analyser leurs données.

    Cette vidéo explique comment la BI fournit des informations pertinentes et fiables aux bonnes personnes au bon moment dans le but de prendre des décisions pertinentes plus rapidement. © Hitachi Solutions Canada

    Business intelligence et data science, main dans la main

    Et si la data science a actuellement le vent en poupe grâce à sa capacité à réaliser de la prospective, elle perd beaucoup de pertinence si elle ne s’appuie pas sur les analyses délivrées par la BI.

    Car, comme le soulignait justement Victor Hugo, si « l’avenir est une porte, le passé en est la clé ». Autrement dit, la BI doit rester plus que jamais l’assise de la data science. Cette dernière peut alors s’inspirer de l’existant pour mener à bien ses hypothèses.

    Pour que le personnel de l’organisation puisse s’atteler à la BI de façon autonome, il existe d’ailleurs des solutions, par exemple Power BI de Microsoft, que l’on peut qualifier de self-service, car il n’y a pas besoin d’être un expert en informatique pour traiter les données issues du big data.

    Ces deux pans stratégiques qui sont utiles dans de nombreux domaines d’activité comme l’informatique, les finances, le commerce… Les outils proposés par la data science vont donner des conseils aux différents niveaux hiérarchiques d’une entreprise pour exploiter ces connaissances au mieux.

    Voir aussi

    Je souhaite me former en data science !

    Le machine learning, au centre de cet écosystème

    Dans les deux cas, comme ces données disponibles relèvent du big data, il faut faire appel de plus en plus à une machinerie conséquente dopée à l’intelligence artificielle (IA) et plus précisément au « machine learning ». C’est d’ailleurs le machine learning qui vient ingurgiter les données propres au BI pour que l’IA parvienne à automatiser l’analyse et permettre à la data science d’élaborer ses scénarios.

    Accordons quelques instants à la définition du machine learning, une notion complexe qui peut prêter à confusion. Pour faire au plus simple, il s’agit d’une technologie qui apprend grâce à l’expérience et non pas par le biais d’un programme informatique immuable. Les performances évoluent constamment et chaque nouvelle donnée vient enrichir ce flux. Le forage de données et les statistiques permettent entre autres de réaliser des prédictions ou des tendances (également appelées insights).

    Dans le secteur de la finance par exemple, le machine learning peut mettre en évidence des transactions frauduleuses ou proposer des produits bancaires sur mesure aux utilisateurs. Autre exemple, dans le domaine de la santé, cette technologie offre la possibilité de diagnostiquer plus rapidement certaines maladies en recoupant des données semblables.

    Article réalisé en partenariat avec les équipes de DataScientest