Expedition. Accès gratuit sur demande.

Des sessions techniques pour les praticiens, des résultats concrets pour les dirigeants.

Analytique augmentée : de l'analyse automatisée à la décision maîtrisée

L'analytique augmentée intègre l'IA à une plus grande partie du processus analytique, aidant les équipes à explorer les données plus rapidement. Le véritable test consiste à savoir si ces réponses plus rapides conservent le contexte, les contrôles et les preuves dont les utilisateurs ont besoin pour leur faire confiance.

DÉFINITION DE L’ANALYSE AUGMENTÉE

L'analytique augmentée est une approche de l'analyse de données qui s'appuie sur l'IA et l'automatisation pour aider les personnes à interpréter les données, à approfondir les questions et à produire des informations prêtes à décider, avec moins d'efforts manuels.

Une seule question analytique peut demander un travail considérable : trouver et préparer les données pertinentes, choisir une méthode d'analyse, écrire ou ajuster une requête, vérifier le résultat et expliquer ce qu'il signifie. L'analytique augmentée applique l'IA, le machine learning (ML) et l'automatisation à l'ensemble de ce workflow, aidant les analystes à réduire les tâches répétitives tout en offrant aux utilisateurs métier des moyens plus directs d'explorer les données, notamment via des questions en langage naturel.

Cependant, l'IA accroît la pression sur les systèmes de données, de gouvernance et d'évaluation liés à l'analytique, car elle prend en charge un plus grand nombre de choix auparavant effectués par des personnes. La qualité des données, le contexte métier, les droits d'accès et la validation déterminent si un résultat assisté par l'IA est assez fiable pour éclairer une décision. Cette base reste en construction pour de nombreuses organisations. Selon une étude menée par MIT Technology Review Insights et Snowflake, seuls 22 % des plus de 275 dirigeants interrogés estiment que leur organisation dispose d'une base de données « hautement prête » pour l'IA générative.

Qu'est-ce que l'analytique augmentée ?

L'analytique augmentée utilise l'IA, le ML et les technologies de langage naturel pour assister des étapes du workflow analytique : préparation des données, interrogation, découverte d'informations, explication, visualisation et collaboration. 

Le concept a été formalisé par le cabinet Gartner en 2017, qui la définit comme l'utilisation de technologies telles que le machine learning et l'IA pour faciliter la préparation des données, la génération d'informations et leur explication. On parle aussi parfois d'« analyse augmentée » ou, en anglais, d'augmented analytics.

Parfois, le processus commence lorsqu'une personne pose une question. Dans d'autres cas, le système détecte une anomalie, un changement ou une relation qui mérite d'être examinée. Dans les deux cas, l'IA assiste le travail analytique, tandis que les personnes restent responsables de l'interprétation des résultats importants et des décisions à prendre.

Ce qui distingue l'analytique augmentée, c'est la manière dont ces capacités sont reliées au sein du processus analytique. Une question en langage naturel peut, par exemple, déclencher la génération d'une requête, une analyse statistique et une explication du résultat dans une même expérience. L'objectif est de réduire les transitions manuelles entre les étapes, tout en conservant les preuves et le contexte nécessaires pour évaluer le résultat. La responsabilité humaine est particulièrement importante dans l'analyse d'entreprise, où les réponses doivent reprendre les définitions métier établies et les contrôles d'accès.

Découvrez comment les vues sémantiques donnent à l'analytique IA le contexte métier nécessaire pour interpréter les questions et produire des réponses plus fiables :

Comment l'analytique augmentée transforme les données en réponses

Pour transformer des données brutes en informations prêtes à décider, l'analytique augmentée repose sur une boucle continue qui ancre les données dans le contexte métier et s'améliore à chaque décision.

Contexte

La première étape est le contexte. Le système doit savoir ce que signifient les entités pertinentes, les mesures, les relations, les droits et les règles de fraîcheur avant de pouvoir interpréter correctement la demande. Sans cette couche, une requête bien formée peut répondre à la mauvaise question métier.

Analyse

Vient ensuite l'analyse. Selon la demande, le système peut générer du SQL, comparer un résultat à un seuil, appliquer une méthode statistique ou de ML, ou combiner des éléments structurés et non structurés. La méthode doit suivre la question : une comparaison descriptive, l'investigation d'une anomalie et une prévision exigent des logiques analytiques différentes.

Explication

Le résultat doit ensuite être expliqué sous une forme utilisable par le décideur : graphique, tableau, synthèse narrative, ou une combinaison des trois. Pour les analyses à fort enjeu, l'explication doit conserver assez de contexte source pour qu'un relecteur voie d'où vient le résultat et comment il a été produit.

Vérification et action

À partir de là, le workflow passe à la phase de vérification et d'action. Les questions courantes demandent peu d'intervention, tandis que les décisions ambiguës, réglementées ou à fort impact appellent un examen plus approfondi. La personne responsable de la décision vérifie les hypothèses, lève les incertitudes et décide de l'action à mener.

Retour d'expérience

Enfin, le retour d'expérience referme la boucle. Les questions validées, les correspondances de métriques corrigées, les informations acceptées ou rejetées et le comportement des utilisateurs alimentent les améliorations futures.

Analytique augmentée ou BI traditionnelle : quelle différence ?

La business intelligence (BI) traditionnelle offre aux utilisateurs des tableaux de bord, des rapports et des outils pour explorer des indicateurs établis et des questions récurrentes. L'analytique augmentée s'appuie sur ce socle en utilisant l'IA et l'automatisation pour réduire une partie des étapes manuelles de la requête, de la découverte et de l'explication.

Par exemple, dans un environnement de BI traditionnel, un responsable des ventes pourrait filtrer un rapport pour analyser une baisse de revenus. Avec l'analytique augmentée, le même utilisateur peut demander en langage naturel pourquoi le chiffre d'affaires a baissé. Le système génère la requête appropriée, identifie les segments qui ont contribué à la baisse et fournit une explication narrative à relire.

L'analytique augmentée combine l'IA, l'automatisation et des méthodes analytiques. Ces méthodes analytiques incluent l'analyse prédictive, qui estime ce qui est susceptible de se produire, et l'analyse prescriptive, qui évalue les actions possibles. Le ML fournit des méthodes pour identifier des tendances ou générer des prédictions, tandis que l'IA générative prend en charge des tâches telles que la traduction de questions en langage naturel en SQL ou la synthèse de résultats analytiques. Un système d'analytique augmentée peut utiliser n'importe laquelle de ces capacités dans le cadre d'une expérience analytique plus large.

Pourquoi l'analytique augmentée a besoin d'un contexte métier fiable

Prenons une question en apparence simple : « Quels fournisseurs sont responsables du plus grand nombre de livraisons en retard ? » Avant toute analyse, le système doit trancher plusieurs points. Qu'est-ce qu'une livraison en retard : après la date demandée, la date promise ou une date ajustée en interne ? Comment les expéditions partielles doivent-elles être comptabilisées ? Quel fournisseur se voit attribuer la responsabilité lorsqu'une commande contient des produits provenant de plusieurs vendeurs ? Ces choix déterminent le résultat autant que la requête SQL.

Des définitions métier qui donnent un sens commun aux données

Les données d'entreprise sont rarement expliquées par les seuls noms de colonnes. Les métriques, dimensions et catégories dépendent souvent de règles définies dans la documentation, les modèles de BI ou l'expertise métier.

Pour l'analytique augmentée, ces définitions doivent être accessibles au système pendant l'analyse. Sans elles, une demande en langage naturel peut correspondre à un calcul techniquement valide, mais qui ne reflète pas la façon dont l'organisation mesure réellement son activité.

Relations et granularité qui façonnent la réponse

Le contexte inclut également la manière dont les données s'articulent entre elles. Une table de commandes, une table d'expéditions et une table de fournisseurs peuvent contenir chacune l'information nécessaire pour analyser les livraisons en retard, mais une jointure incorrecte peut dupliquer des enregistrements ou attribuer un retard au mauvais fournisseur.

La granularité temporelle pose des problèmes similaires. Une mesure mensuelle ne se compare pas toujours utilement à une mesure quotidienne, et certaines mesures ne doivent pas être additionnées sur plusieurs périodes.

En représentant explicitement ces relations, les systèmes d'analytique augmentée disposent de plus d'informations pour déterminer quelles données utiliser et comment les combiner.

Droits et fraîcheur qui délimitent les données utilisables

La réponse pertinente dépend aussi de ce qu'un utilisateur est autorisé à voir. Le système doit identifier les autorisations de l'utilisateur et n'exposer que les données correspondantes. Par exemple, un responsable des achats pourrait avoir accès aux données de performance des fournisseurs, mais pas aux tarifs négociés ni à d'autres informations restreintes.

La fraîcheur est un autre facteur important. Une question sur les retards de livraison du jour ne doit pas s'appuyer sur une table mise à jour une fois par semaine.

La gouvernance doit donc accompagner l'analyse. Les contrôles d'accès basés sur les rôles (RBAC) doivent s'appliquer aux données gouvernées et aux objets interrogés, plutôt que d'exiger que les organisations créent une copie distincte des données pour l'interface d'IA.

Les exemples vérifiés fournissent un point de référence

Certaines questions reviennent assez souvent pour que les équipes sachent déjà à quoi ressemble la bonne analyse. Ces exemples sont aussi un contexte utile. Des questions en langage naturel peuvent être associées à du SQL dont l'exactitude a été confirmée. Lorsque des questions similaires se présentent plus tard, le système peut s'appuyer sur les requêtes vérifiées pertinentes comme exemples.

Le contexte réduit l'ambiguïté, mais il ne supprime pas le besoin de revue. Pour une analyse à fort enjeu, les équipes doivent pouvoir inspecter le SQL généré, les objets sources et les hypothèses qui sous-tendent la réponse, en particulier lorsqu'une question inhabituelle sort des schémas déjà rencontrés.

PIÈGE COURANT

Une erreur fréquente consiste à considérer un SQL techniquement correct comme la preuve d'une réponse correcte. Une requête peut s'exécuter parfaitement tout en utilisant la mauvaise définition de métrique, le mauvais chemin de jointure, la mauvaise granularité temporelle ou la mauvaise population.

Cas d'usage de l'analytique augmentée en entreprise

Les cas d'usage les plus solides partagent quelques caractéristiques : les questions reviennent régulièrement, les définitions sous-jacentes sont claires et une personne est responsable de la décision qui en découle.

  • Questions métier en libre-service : les demandes récurrentes, comme le chiffre d'affaires par région, la performance des produits ou la rétention client, consomment souvent du temps d'analyste, alors que l'analyse est bien comprise. Le langage naturel offre aux utilisateurs métier un accès plus direct à ces réponses, tandis que l'équipe métier conserve la responsabilité des indicateurs.
  • Détection proactive des anomalies et des facteurs explicatifs : les équipes finance, opérations, produit et revenus ont souvent besoin d'être alertées rapidement après une évolution significative. Un workflow augmenté peut signaler une baisse inattendue des conversions, identifier les produits, régions ou segments de clientèle concernés, puis relier l'explication aux données qui la justifient.
  • Analyse prédictive et scénarios : les équipes qui prévoient la demande, l'attrition, la capacité ou les risques passent souvent de l'analyse historique aux estimations futures. Les workflows augmentés facilitent l'interrogation de ces résultats et l'exploration de scénarios, tandis que des méthodes d'analyse prédictive dédiées assurent l'estimation sous-jacente.
  • Récit et explication visuelle : un résultat analytique détaillé n'est pas toujours le format attendu par un dirigeant, un collaborateur de terrain ou un public externe. L'IA générative aide à rédiger des premières versions de graphiques, de synthèses et d'explications, à condition que les indicateurs sous-jacents soient définis de façon cohérente et que les contenus destinés à un usage décisif ou externe soient relus.
  • Analytique intégrée : les questions analytiques apparaissent de plus en plus au sein des applications opérationnelles et des workflows. Un utilisateur qui examine un compte peut, par exemple, demander pourquoi l'usage a baissé sans quitter l'application. Lorsque le workflow passe de l'analyse à l'action, les organisations ont besoin de seuils explicites, de validations et d'une piste d'audit.

Risques, limites et rôle du jugement humain

L'analytique augmentée peut réduire le travail analytique manuel, mais elle est sujette à des erreurs. Certaines proviennent des données ou de la logique analytique, d'autres du manque de contexte qu'un utilisateur humain reconnaîtrait immédiatement. L'IA générative ajoute une difficulté : un résultat incorrect peut être présenté avec fluidité et assurance, ce qui le rend difficile à détecter.

Les erreurs analytiques peuvent survenir à plusieurs étapes

Un workflow d'analytique augmentée peut échouer avant même la génération de la réponse finale. Une jointure peut dupliquer des lignes, ou une table obsolète peut être utilisée pour une question sur une situation actuelle. Une mesure non additive peut être agrégée de façon incorrecte, ou une formulation ambiguë peut correspondre à la mauvaise population. Même avec des calculs corrects, l'interprétation peut aller trop loin : une relation entre deux variables n'établit pas une causalité, par exemple.

Une étude récente de Snowflake AI Research et de l'Université Brown illustre ce problème. Dans AvalancheBench, les systèmes ont été évalués sur la justesse analytique de bout en bout, plutôt que sur la simple exécution complète du pipeline. Dans un cas d'usage e-commerce, même la configuration la plus performante d'un agent de codage de premier plan n'identifiait correctement que 26 % des segments, événements et relations attendus par le benchmark. Les erreurs introduites plus tôt dans l'analyse se sont propagées jusqu'au résultat final.

Comme les erreurs peuvent apparaître à différents stades, les relecteurs doivent pouvoir voir le chemin analytique : données sources, SQL généré, définitions des métriques et hypothèses pertinentes. Vérifier uniquement le graphique ou le résumé final ne suffit pas.

Les données ne contiennent pas tout le contexte métier

Un système d'analyse par IA fonctionne avec les informations dont il dispose. Il peut, par exemple, repérer une forte baisse d'utilisation d'un produit sans savoir qu'une migration de clients a eu lieu cette semaine-là, ou constater un écart de performance entre groupes sans reconnaître une évolution de politique qui a modifié la collecte des données.

Des données historiques peuvent aussi reproduire des inégalités ou des schémas que l'organisation ne souhaite pas perpétuer. Une relation statistiquement solide n'est pas automatiquement une base appropriée pour une décision d'entreprise. C'est pourquoi l'expertise du domaine reste essentielle : les personnes connaissent les événements, les contraintes opérationnelles et les conséquences qui n'apparaissent jamais explicitement dans les données.

Des réponses fluides peuvent inspirer une confiance excessive

L'analytique augmentée change la façon dont les personnes abordent l'analyse. Au lieu d'examiner une requête ou de construire un graphique eux-mêmes, les utilisateurs peuvent recevoir immédiatement une explication soignée. La fluidité et l'exhaustivité peuvent rendre cette réponse plus crédible que ce que les preuves justifient.

Le jugement humain a un rôle précis : déterminer si les hypothèses correspondent à la situation, reconnaître le contexte que le système ne possède pas et décider du niveau de preuve nécessaire avant d'agir. À mesure que l'analytique augmentée prend en charge davantage de la mécanique de l'analyse, ces arbitrages doivent rester entre les mains des personnes responsables de la décision. Les références aux sources, les requêtes générées, les demandes de précision et les étapes de revue explicites fournissent aux utilisateurs des éléments concrets à vérifier avant de se fier à une réponse.

Comment mettre en œuvre l'analytique augmentée de manière responsable

La façon la plus sûre d'introduire l'analytique augmentée est de commencer assez petit pour que les équipes voient précisément où elle fonctionne et où elle échoue. Un ensemble délimité de questions métier leur donne des points de contrôle concrets : les bonnes sources de données sont-elles utilisées ? Les réponses correspondent-elles aux métriques établies ? Où les utilisateurs ont-ils besoin de clarifications ou d'un contrôle par un analyste ?

Une fois ces questions éclaircies, les équipes peuvent étendre la démarche domaine par domaine, en reprenant les définitions, les droits, les cas de test et les pratiques de revue qui ont fait leurs preuves pendant le pilote.

  1. Choisir une décision ou une question récurrente : identifier l'utilisateur visé, le délai actuel, les systèmes sources, la personne qui porte la décision et les conséquences d'une réponse fausse. Les questions fréquentes aux résultats mesurables sont de bons candidats.
  2. Préparer les données et les droits : traiter la fraîcheur, la qualité, l'identité, le lignage et les accès dans le périmètre du pilote. Une interface d'IA dépend toujours des données sous-jacentes.
  3. Confier les définitions métier à des propriétaires : les équipes métier doivent approuver et tenir à jour les indicateurs, les relations et les autres éléments de contexte sémantique, et suivre leurs évolutions pour déclencher les tests appropriés.
  4. Constituer un jeu de test représentatif : utiliser les questions réellement posées, associées à du SQL vérifié et aux résultats attendus. Inclure les formulations ambiguës, les jointures multi-tables, les comparaisons temporelles et les cas limites connus.
  5. Piloter avec des utilisateurs métier : pendant les premiers usages, relever les questions sans réponse, les corrections, les demandes de précision et les escalades. Ces échanges montrent où le système interprète bien l'intention et où une personne doit intervenir.
  6. Mesurer la qualité autant que l'adoption : les indicateurs utiles incluent la capacité à répondre, l'exactitude du SQL, la concordance avec les indicateurs certifiés, le délai de réponse, le taux de précisions demandées, le taux de revue, l'adoption par les utilisateurs visés et les heures d'analyste libérées. Relier ces mesures opérationnelles au résultat de la décision chaque fois que c’est possible.
  7. Étendre domaine par domaine : une fois le jeu de test, les définitions et le modèle de responsabilité validés pour un périmètre, étendre l'approche à un autre. Toute modification des structures de données, des droits, des indicateurs ou des modèles doit déclencher un nouveau cycle d'évaluation.

ASTUCE

Construisez votre jeu de test initial à partir des questions que les utilisateurs posent réellement. Les demandes récurrentes des analystes, l'usage des tableaux de bord et l'historique des requêtes sont souvent de meilleurs points de départ que des exemples synthétiques, car ils font apparaître l'ambiguïté et les cas limites rencontrés en production.

Comment Snowflake accompagne l'analytique augmentée

Snowflake prend en charge l'analyse, y compris l'analytique augmentée, grâce à un socle commun de données gouvernées et de contexte métier. Les Semantic Views fournissent des définitions adaptées au métier pour les dimensions, les mesures et les relations sur les données gouvernées. Cortex Analyst s'appuie sur ce contexte pour traduire les questions en langage naturel en SQL pour l'analyse des données structurées, et renvoie la requête générée avec la réponse, ce qui permet aux utilisateurs comme aux relecteurs de voir comment le résultat a été produit.

Pour les personnes qui travaillent sur un ensemble plus large d'informations d'entreprise, Snowflake CoWork offre une interface pour exploiter les données structurées et non structurées, produire des réponses sourcées et, lorsque cela est configuré, interagir avec des outils gouvernés.

Les Cortex Agents accompagnent les équipes dans la création de workflows d'agents gérés, tandis que les Cortex AI Functions analysent du contenu non structuré tel que du texte, des images, de l'audio et de la vidéo au sein de Snowflake. Pour les charges de travail prédictives, Snowflake ML offre des capacités couvrant la gestion des variables, l'entraînement des modèles, l'inférence, l'observabilité, l'explicabilité et le lignage.

Dans tous ces workflows, le principe architectural reste le même : utiliser les capacités adaptées à la question, tout en préservant l'accès gouverné, le sens métier partagé et un chemin de vérification.

La confiance doit évoluer au même rythme que l'automatisation

L'analytique augmentée offre de nouvelles façons de réduire le travail manuel entre une question et une décision, mais une analyse plus rapide n'est utile que si le résultat repose sur des données fiables, un contexte métier partagé et une revue appropriée. À mesure que l'IA prend en charge une part croissante du processus analytique, l'architecture environnante doit assumer davantage de responsabilités en matière de cohérence, de contrôle d'accès et de vérification.

À RETENIR

L'analytique augmentée ne porte ses fruits que lorsque la rapidité s'accompagne de données fiables, d'un contexte métier partagé et d'une revue humaine. C'est l'architecture environnante, et non l'IA seule, qui rend les réponses rapides fiables.

Foire aux questions

Vos questions fréquentes sur l'analyse augmentée, avec les réponses des experts Snowflake.

Commencez par établir une référence sur un cas d'usage délimité, puis suivez des indicateurs comme le délai pour obtenir une réponse fiable, les heures d'analyste libérées, la capacité à répondre, les taux de correction et d'escalade, et l'adoption par les utilisateurs visés. Reliez également ces indicateurs au résultat métier de la décision. Des réponses plus rapides traduisent des gains de productivité ; savoir si ces réponses améliorent la décision est une question distincte.

Examinez de près la façon dont la plateforme gère les définitions métier, les relations entre plusieurs tables, les droits d'accès, les données structurées et non structurées, la visibilité sur les requêtes générées, les questions vérifiées, les demandes ambiguës, la revue humaine et la surveillance continue. L'intégration avec les outils de BI et les workflows opérationnels existants mérite aussi attention. Tester des questions métier réelles et des cas limites connus révèle généralement davantage que la comparaison de listes de fonctionnalités.

Non. Elle automatise des tâches répétitives, comme la préparation des données, l'écriture de requêtes courantes ou la détection d'anomalies, ce qui libère du temps pour les analyses complexes. Les analystes restent indispensables pour définir les indicateurs, valider les résultats et apporter le contexte métier que les données ne contiennent pas.

L'analytique conversationnelle désigne l'interrogation des données en langage naturel, sous forme de dialogue. Elle constitue l'une des composantes de l'analytique augmentée, qui couvre plus largement l'ensemble du cycle analytique : préparation des données, détection d'anomalies, analyse prédictive, explication et visualisation.

 

Découvrir les ressources en analytique

Explorer les thèmes liés à l’analytique

Des analyses approfondies de chaque aspect de l’analytique