BI générative – la nouvelle révolution de la business intelligence

par Nicolas Prat , 11.12.24
Follow

Les données sont au cœur de la transformation numérique et jouent un rôle clé dans la quête d’excellence opérationnelle et de compétitivité de toute organisation. Pour prendre des décisions rapides et basées sur des faits, les managers doivent exploiter pleinement la valeur des données. Pour cela, ils s’appuient sur la business intelligence (BI), qui désigne l’ensemble des technologies et processus permettant de collecter, combiner, modéliser, analyser et visualiser les données afin d’en tirer des insights et de prendre de meilleures décisions.

Le professeur Nicolas Prat, spécialiste de la business intelligence, a observé l’évolution de ce domaine, depuis les débuts des data warehouses jusqu’à l’arrivée de l’analytique augmentée, boostée par l’intelligence artificielle (1). Dans ses dernières recherches sur le sujet, dont une version préliminaire a été présentée lors de la Conférence Internationale sur les Systèmes d’Information (ICIS), il utilise une vue processus pour explorer les applications potentielles de l’IA générative à la BI, ainsi que les risques et limites qui les accompagnent (2). L’IA générative et les grands modèles de langage (LLMs) sont devenus des sujets majeurs lorsque OpenAI a ouvert ChatGPT au public en novembre 2022. Cette technologie, qui utilise les données pour créer du contenu inédit, a vocation à s’appliquer à travers tout le processus de BI. Elle représente une nouvelle révolution dans ce domaine, à travers ce que l’on appelle désormais la "BI générative".

L’IA générative infuse tout le processus de BI

S’inspirant du cycle d'analytique des données (1), le processus de BI comprend quatre activités, décomposées en tâches :

Identification des problématiques et opportunités : formuler des problématiques et identifier des opportunités.
Collecte et préparation des données : rechercher les données nécessaires, modéliser les données (modélisation relationnelle, par exemple), profiler les données pour se faire une idée de leur qualité, puis les transformer (nettoyage des données, par exemple).
Découverte et visualisation des données : créer des visualisations (rapports ou tableaux de bord), interpréter les résultats, utiliser le machine learning (par exemple, text mining ou analytique avancée), et raconter des histoires basées sur les données pour contextualiser les insights pour les décideurs.
Décisions et actions basées sur les insights.

Ce processus n’est pas toujours linéaire : de multiples allers-retours entre les activités ou entre les tâches au sein d’une même activité sont souvent nécessaires. Par exemple, le profilage des données peut révéler le besoin de collecter des données supplémentaires. L'IA générative peut intervenir tout au long de ce processus, depuis l'identification des problématiques et des opportunités jusqu'à la prise de décision et l'action. Les exemples ci-dessous ne représentent qu'un aperçu des applications de l'IA générative à la BI.

Lors de l'identification des problématiques et des opportunités, l’IA générative peut être utilisée pour évaluer les forces et faiblesses de l’organisation dans la formulation des problématiques, ainsi que pour analyser l’environnement concurrentiel afin de repérer des opportunités.

Pour la collecte et la préparation des données, l’IA générative peut suggérer des sources de données externes. Elle est également capable de générer du code SQL (modélisation relationnelle). Sa faculté à créer du code à partir d’instructions en langage naturel peut aussi considérablement accélérer les processus de transformation des données.

La découverte et la visualisation des données occupent une place centrale dans la BI. Grâce à l’IA générative, il est désormais possible d’interagir avec les outils de BI en langage naturel. Cela inclut la création de visualisations à partir de simples instructions verbales (par exemple : « Montre l’évolution mensuelle des ventes en Europe du Nord sur les deux dernières années »), la modification des visualisations, ainsi que l’interprétation des données ou des graphiques pour générer des insights en langage naturel. L’analyse prédictive peut aussi proposer automatiquement des visualisations en fonction du contexte. Par ailleurs, le machine learning permet de traiter des données non structurées (comme l’analyse des sentiments clients à partir de textes) ou de réaliser des analyses avancées (par exemple, repérer des tendances pour prédire l’attrition des clients). L’IA générative se distingue particulièrement par sa capacité à raconter des histoires, un atout essentiel pour le storytelling basé sur les données.

Enfin, pour la prise de décision et le passage à l’action, l’IA générative peut formuler des recommandations, comme des stratégies d’investissement, en s’appuyant sur les insights extraits des données.

Les promesses de la BI générative

Les applications de l’IA générative mentionnées ci-dessus varient en termes de maturité. Certaines ne sont pas encore implémentées, ou seulement partiellement, dans les outils de BI les plus courants comme Power BI ou Tableau. D’autres, comme la capacité de proposer des visualisations pertinentes en fonction du contexte, existaient déjà avant l’arrivée de l’IA générative. Ce qui rend la BI générative réellement révolutionnaire repose sur deux caractéristiques principales : (1) sa capacité de créer du contenu inédit (par exemple pour le storytelling basé sur les données) et (2) sa possibilité de produire et consommer des insights à partir des données à travers un dialogue en langage naturel, comme le fait ChatGPT. Les capacités de personnalisation de l’IA générative permettent aussi d’adapter la BI aux besoins spécifiques des utilisateurs et aux contextes (par exemple, des visualisations ou recommandations personnalisées). Bien que cet objectif semble encore difficilement atteignable aujourd’hui, la BI générative promet également de briser les silos souvent présents, à la fois entre les données et les décideurs. Dans un monde idéal, les décideurs pourraient générer, consommer et partager des insights à partir des données directement dans le cadre de leur travail quotidien.

Les professionnels de la data (comme les data scientists, business ou data analysts et data engineers), tout comme les utilisateurs métiers, peuvent tirer parti de l’essor de la BI générative. Grâce aux gains de productivité qu’elle offre, les professionnels de la data peuvent se concentrer sur les tâches où leur valeur ajoutée est la plus haute (par exemple, l’interaction avec les métiers). De leur côté, les utilisateurs métiers gagnent en autonomie, en étant capables de produire et d’exploiter eux-mêmes des insights à partir des données sans avoir systématiquement besoin de l’aide des professionnels de la data ou du département informatique. Le rêve de la BI en libre-service devient de plus en plus réalité, avec la BI générative facilitant des décisions éclairées, rapides et à grande échelle.

Les limites et risques de la BI générative

La BI est alimentée par les données. Peu importe la puissance des outils et des modèles sous-jacents, des données de mauvaise qualité produiront des insights erronés, compromettant ainsi tout le processus de décision. Bien que la BI générative puisse faciliter le nettoyage des données, elle n’est pas une solution miracle aux problèmes de qualité, et le nettoyage ne peut pas résoudre tous les défauts. Il est donc essentiel que la BI générative s’appuie sur des données de qualité dès le départ.

Les risques associés à l’IA générative s’appliquent également à la BI générative. Les biais présents dans les données utilisées pour entraîner les modèles LLM peuvent influencer les recommandations produites. La confidentialité et la sécurité des données sont également des préoccupations majeures : les entreprises doivent s’assurer que leurs données sensibles restent protégées et sous leur contrôle. Enfin, il existe un risque d’"hallucinations", par exemple lorsque la BI générative propose des recommandations basées sur des analyses incorrectes ou infondées.

Une gouvernance rigoureuse des données et de l’IA peut aider à gérer ces risques, notamment dans un contexte de régulation accrue, comme avec le Règlement Général sur la Protection des Données (RGPD) et le récent AI Act adopté par l’Union européenne.

Conclusion

Bien que l’intégration de l’IA générative dans les outils de BI courants en soit encore à ses débuts (comme avec Copilot pour Power BI), cette technologie transforme profondément toutes les étapes du processus de BI. Après l’analytique augmentée, la BI générative représente une nouvelle révolution de la BI, rendant la création et la consommation d’insights encore plus accessibles, tout en accélérant la prise de décisions éclairées, rapides et à grande échelle. Les entreprises doivent saisir cette opportunité, tout en gardant le contrôle de leurs données et en maîtrisant les risques liés à l’IA générative grâce à une gouvernance adaptée.