Explorer l’Analytique données
L’Analytique données s’intéresse à l’examen, à la transformation et à l’organisation des données pour vous permettre de les étudier et d’extraire des informations utiles. L’Analytique Données est une discipline qui couvre l’ensemble des tâches de gestion des données. Ces tâches incluent non seulement l’analyse, mais aussi la collecte, l’organisation et le stockage des données, et tous les outils et techniques utilisés.
Le terme Analytique données est un fourre-tout qui couvre toute une gamme d’activités, chacune avec son intérêt et ses objectifs propres. Vous pouvez catégoriser ces activités en analytique descriptive, de diagnostic, prédictive, prescriptive et cognitive.
Dans cette unité, vous allez découvrir ces catégories de l’Analytique données.
Analytique descriptive
L’analytique descriptive aide à répondre aux questions sur ce qui s’est produit, sur la base des données historiques. Les techniques d’analytique descriptive synthétisent des jeux de données volumineux pour en tirer des résultats et les fournir aux parties prenantes.
En développant des indicateurs de performance clés (KPI), ces stratégies peuvent faciliter le suivi de la réussite ou de l’échec des objectifs clés. Certaines métriques telles que le retour sur investissement (ROI) sont utilisées dans de nombreux secteurs d’activité. Des métriques spécialisées sont développées pour suivre les performances dans des secteurs spécifiques.
Des exemples d’analytique descriptive incluent la génération de rapports destinés à fournir une vue des données commerciales et financières d’une organisation.
Analytique diagnostique
L’analytique diagnostique aide à répondre aux questions sur la cause de ce qui s’est produit. Les techniques d’analytique diagnostique complètent l’analytique descriptive de base. Elles prennent les résultats de l’analytique descriptive et approfondissent l’analyse pour rechercher la cause. Les indicateurs de performance sont analysés plus en détail pour comprendre pourquoi ils ont été meilleurs ou moins bons. Ce processus comporte généralement trois étapes :
- Identification des anomalies dans les données. Il peut s’agir de changements inattendus dans une métrique ou un marché particulier.
- Collecte des données liées à ces anomalies.
- Utilisation de techniques statistiques pour révéler les relations et tendances qui expliquent ces anomalies.
Analytique prédictive
L’analytique prédictive aide à répondre aux questions sur ce qui se produira à l’avenir. Les techniques d’analytique prédictive se basent sur les données historiques pour identifier les tendances et déterminer la probabilité qu’elles se reproduisent. Les outils d’analytique prédictive fournissent des insights précieux sur ce qui est susceptible de se produire à l’avenir. Les techniques englobent une variété de techniques statistiques et de machine learning comme les réseaux neuronaux, les arbres de décision et la régression.
Analytique prescriptive
L’analytique prescriptive aide à répondre aux questions sur les actions à entreprendre pour atteindre un objectif ou une cible. Les insights de l’analytique prescriptive sont utiles pour la prise de décisions pilotées par les données. Cette technique permet aux entreprises de prendre des décisions éclairées en dépit de l’incertitude. Les techniques d’analytique prescriptive s’appuient sur des stratégies de machine learning pour trouver des modèles dans des jeux de données volumineux. Il est possible d’estimer la probabilité d’un résultat différent en analysant les décisions et les événements passés.
Analytique cognitive
L’analytique cognitive tente d’établir des inférences à partir de données et de modèles existants, de tirer des conclusions en s’appuyant sur les bases de connaissances existantes, puis de réintégrer ces conclusions dans la base de connaissances pour les inférences futures, formant ainsi une boucle de feedback en autoapprentissage. L’analytique cognitive vous aide à prévoir ce qui pourrait se produire si les circonstances changent et comment gérer ces situations.
Les inférences ne sont pas des requêtes structurées reposant sur une base de données de règles : ce sont des hypothèses non structurées établies à partir de plusieurs sources et exprimées avec des degrés de confiance variables. Une analytique cognitive performante dépend des algorithmes de machine learning. Elle utilise plusieurs concepts de traitement du langage naturel pour donner un sens à des sources de données jusque-là inexploitées, comme les journaux des conversations des centres d’appels et les évaluations de produits.
En théorie, en tirant parti des avantages de l’informatique massivement parallèle/distribuée, et des coûts en diminution du stockage des données et de la puissance de calcul, il n’y a aucune limite au développement cognitif que ces systèmes peuvent atteindre.