Chaque entreprise, grande ou petite, dispose d’une multitude de données précieuses qui peuvent éclairer des décisions importantes. Mais pour extraire des informations, il y a généralement beaucoup de travail manuel à effectuer sur les données brutes, soit par des utilisateurs semi-techniques (tels que les fondateurs et les chefs de produit), soit par des spécialistes des données dédiés – et coûteux.
Quoi qu’il en soit, pour produire une réelle valeur, les informations doivent être collectées, gérées, modifiées et extraites de dizaines de feuilles de calcul et de différentes plateformes commerciales : le CRM de l’organisation, sa pile martech, le système de commerce électronique et les données du site Web, pour ne citer que quelques exemples courants. De toute évidence, il s’agit d’un processus qui prend du temps et dont les résultats peuvent être de vieilles nouvelles plutôt que des informations récentes.
Présentation de l’analyse des vibrations
La solution commerciale idéale consisterait à interroger des données en temps réel en utilisant un langage naturel (au lieu d’écrire du code en SQL ou Python), avec des systèmes intelligents travaillant en arrière-plan pour corréler et analyser différentes sources et formats de données. Il s’agit d’une analyse d’ambiance, où les utilisateurs peuvent simplement poser des questions dans un langage simple et laisser l’IA faire le gros du travail. Au lieu de devoir lutter manuellement contre les données et obliger les utilisateurs professionnels à passer des heures à découvrir des informations cachées au plus profond des ensembles de données, ils obtiennent rapidement des résultats – sous forme de textes, de graphiques, de résumés et, si nécessaire, de ventilations détaillées.
Une analyse rapide et précise des données est importante pour chaque organisation, mais pour beaucoup, les informations en temps réel sont cruciales. Dans le secteur agricole, par exemple, Lumo utilise la plateforme Fabi.ai pour gérer de grandes flottes d’appareils IoT, en collectant en continu des données de télémétrie et en ajustant ses systèmes en fonction d’informations rassemblées, normalisées et analysées.
Grâce à l’analyse des vibrations, Lumo observe immédiatement les performances de l’appareil, ainsi que les tendances qui se développent au fil du temps. Il extrait des données météorologiques et met en corrélation les mesures de performance du parc d’appareils avec les facteurs environnementaux. Les tableaux de bord de données que Lumo a construits ne sont pas le résultat de plusieurs mois de travail d’écriture de routines d’intégration de données et de codage frontal, mais sont le résultat d’une analyse d’ambiance.
Se mettre sous le capot
Les sceptiques quant aux capacités de l’IA citent souvent le codage vibratoire comme exemple de cas où les choses peuvent mal tourner, soulevant des inquiétudes quant au contrôle qualité et à la nature de « boîte noire » de l’analyse basée sur l’IA. De nombreux utilisateurs souhaitent avoir une visibilité sur la manière dont les résultats sont générés, avec la possibilité d’inspecter la logique, de modifier les requêtes ou d’ajuster les appels d’API pour garantir l’exactitude. Lorsqu’elle est bien réalisée, l’analyse d’ambiance répond à ces préoccupations en alliant transparence et rigueur. Les entrées en langage naturel et les méthodes de construction modulaires le rendent accessible aux utilisateurs semi-techniques (tels que les fondateurs et les chefs de produit), tandis que les systèmes sous-jacents répondent aux normes de précision et de fiabilité attendues par les équipes techniques. Cela signifie que les utilisateurs peuvent faire confiance au résultat, qu’ils travaillent de manière indépendante ou en collaboration avec des data scientists et des développeurs.
Conçue spécifiquement pour les experts en données et les utilisateurs de données semi-techniques, Fabi est une plateforme de BI générative qui donne vie à l’analyse des vibrations. Le code qu’il produit peut être entièrement masqué, ou affiché textuellement et édité sur place, donnant aux utilisateurs semi-techniques une chance de comprendre comment l’analyse fonctionne sous le capot, tout en permettant aux équipes techniques de vérifier et d’affiner les résultats du système. Les données circulent depuis les systèmes d’une organisation (la plateforme assure l’intermédiaire des connexions) ou sont téléchargées. Les informations exploitables qui en résultent peuvent être envoyées/programmées vers un e-mail, Slack, Google Sheets, affichées sous forme de graphiques, de texte ou un mélange des deux.
Fabi : Une plateforme BI générative
Le co-fondateur et PDG de Fabi, Marc Dupuis, décrit combien d’organisations commencent à utiliser la plateforme d’analyse en testant les flux de travail et les requêtes sur des échantillons de données avant de passer à l’analyse du monde réel. Lorsque les utilisateurs explorent des réserves de données et testent leur travail, ils peuvent en vérifier la véracité, souvent en collaboration avec quelqu’un de plus avisé techniquement, grâce à la vue ouverte et transparente des Smartbooks de la plate-forme pour montrer ce qui se passe sous le capot. Cela fonctionne également dans l’autre sens : les utilisateurs de données semi-techniques peuvent confirmer que les données traitées sont pertinentes et exactes.
Pour répondre aux préoccupations courantes concernant le contrôle qualité et l’IA « boîte noire », Fabi limite l’analyse des vibrations à des sources de données contrôlées en interne et soigneusement consultées, avec des garde-fous intégrés. Le code peut être affiché textuellement et modifié sur place, donnant aux utilisateurs semi-techniques une visibilité sur la manière dont les résultats sont produits, tout en permettant aux équipes techniques d’auditer, de vérifier et d’affiner les résultats. Le partage collaboratif des rapports, des résultats et du code de travail aide les équipes à valider les résultats sans travailler en dehors de leurs domaines d’expertise.
Les flux de travail typiques incluent des tableaux de bord KPI en temps réel ; Questions et réponses en langage naturel sur les données opérationnelles et produit ; analyses de corrélation (par exemple, performances de l’appareil par rapport aux conditions météorologiques) ; exploration des cohortes et des tendances ; Lectures des tests A/B et résumés des expériences ; et des rapports planifiés et partageables qui mélangent du texte, des graphiques, des résumés et des ventilations détaillées. Ces flux de travail collaboratifs sont conçus pour être efficaces et intuitifs. Ainsi, qu’ils travaillent collectivement ou en solo, les utilisateurs peuvent obtenir des informations sur les arrangements de données les plus complexes.
Fabi a obtenu son premier financement d’Eniac Ventures en 2023, c’est donc une entreprise en mouvement. L’équipe continue d’étendre ses capacités et prévoit de rendre l’analyse des vibrations encore plus transparente pour les utilisateurs semi-techniques et techniques. Les organisations intéressées à explorer la plateforme peuvent commencer par tester les flux de travail sur des exemples de données, puis passer à des cas d’utilisation réels à mesure qu’elles gagnent en confiance dans la transparence et la précision du système.
(Photo d’Alina Grubniak)
