Avec l’explosion des demandes d’analyses des données au sein des organisations, deux grands courants se détachent : la business intelligence et la data science.
Je vous propose dans cet article de découvrir ce que sont la BI (Business Intelligence) et la data science. Nous verrons également comment la BI et la data science sont perçues dans les organisations et les challenges que rencontrent celles-ci lorsqu'elles implémentent ces deux approches.
Définitions
Business Intelligence ou l’informatique décisionnelle
La Business Intelligence (BI) a vu son utilisation exploser ces dernières années dans les organisations avec les outils de type PowerBI ou Tableau.
🔎 Le but de la Business Intelligence est d’aider l’organisation à analyser les données historiques et actuelles, afin qu'elle puissent rapidement découvrir des informations exploitables pour prendre des décisions stratégiques.
Les outils de Business Intelligence rendent cela possible en traitant de grands ensembles de données sur plusieurs sources et en présentant les résultats dans des formats visuels faciles à comprendre et à partager.
Les informations résultantes de l’analyse des performances passées permettent d’évaluer l’impact des choix stratégiques effectués précédemment et de changer de cap si nécessaire.
La Business Intelligence est également utilisée pour les rapports d'activité et le calcul des indicateurs clés de performance. En retour, ceux-ci sont utilisés pour renforcer la stratégie commerciale, réaliser des évaluations de performance et / ou fournir des résultats aux actionnaires et aux investisseurs.
Data Science
La data science se caractérise par l’extraction d’informations exploitables à partir de données brutes. Ce champ multidisciplinaire a pour but principal d’identifier des tendances, des patterns, des connexions et des corrélations dans des ensembles de données volumineux. La science des données englobe une large variété d’outils et de techniques telles que la programmation informatique, l’analyse prédictive, les mathématiques, les statistiques et les algorithmes de Machine Learning.
Les outils de la data science sont capables de reproduire ce que l’on attend des outils de BI mais sans être pour autant aussi rapide à industrialiser.
De manière générale, là où la Business Intelligence remonte dans le temps, la data science est armée pour faire des prédictions futures basées sur ces données historiques et pour développer des algorithmes qui optimisent les performances opérationnelles de l’organisation.
🔎 Pour conclure, la Business Intelligence est une discipline analytique, tandis que la recherche menée en data science permet aux entreprises de cesser d’être rétrospective et réactive dans l’analyse des données pour devenir prédictive, proactive et empirique.
A lire aussi : Méthodologie pour réussir son projet data
BI et data science: rivaux organisationnels?
Les organisations, grandes et petites, ont emprunté diverses voies dans la quête d'une meilleure prise de décision axée sur les données. Alors que la pression augmente pour devenir plus agile dans la création et la diffusion d'informations dans le but d'améliorer la façon dont les décisions sont prises, les organisations adoptent généralement ces approches:
- Outils de BI : ces outils, tels que Tableau, PowerBI et Spotfire, sont généralement utilisés par ceux qui comprennent les données, mais peuvent ne pas être à l'aise avec la programmation dans des langages tels que Python ou R. Souvent, ces utilisateurs recherchent un niveau de profondeur d'analyse et de visualisation au-delà des feuilles de calcul. Ces outils incluent généralement un moyen de partager ces analyses avec d'autres personnes.
- Outils de data science : ces applications, utilisant des outils tels que Jupyter Notebooks, Dash, Shiny, R Markdown, Dash, Streamlit et Bokeh, sont généralement créées par des data scientists et data engineers codant en R ou Python et s'appuient sur toute la richesse analytique et de visualisation de ces écosystèmes. Ces applications peuvent être partagées de différentes manières, à la fois par le biais de solutions locales et open-source (JupyterLab, Binder) et de produits professionnels tels que RStudio Connect.
Les deux approches permettent aux personnes à l'esprit analytique de s'appuyer sur des données provenant de plusieurs sources et d'explorer, de visualiser et de comprendre ces données de manière flexible et puissante. Ils permettent également aux utilisateurs de créer des applications et des tableaux de bord interactifs riches qui peuvent être partagés avec d'autres pour améliorer leur prise de décision.
Ces objectifs et capacités communs, ironiquement, piègent souvent les équipes. Celles-ci utilisent et maintiennent ces outils en tant que concurrents organisationnels pour les budgets et la captation de l’attention des dirigeants. Cela peut conduire par exemple à la livraison d’applications et de tableaux de bord qui peuvent (à première vue) paraître très similaires. Les forces, les faiblesses et les nuances des deux approches deviennent opaques pour les décideurs qui n’ont plus suffisamment de visibilité pour identifier les opportunités distinctes offertes par chaque type d'outils et comment des utilisations conjointes peuvent offrir encore plus de valeur à l'organisation.
Pour adresser ce phénomène d’opacité, lever la confusion entre les différentes utilisations et tirer tous les avantages de chacune des deux approches pour l’organisation la solution est de compléter et d’augmenter la BI avec la data science.
Dans un prochain article, je reviendrai sur ce sujet pour explorer les bénéfices d’une approche symbiotique entre la business intelligence et la data science.
