Une levée de 1,5 million d’euros : askR.ai part à la conquête du Retail avec Kaptain Charlie, le coach virtuel qui maximise les résultats des actions commerciales terrain

Fondée en 2016, la startup askR.ai a créé le premier data assistant boosté à l’intelligence artificielle qui permet de simplifier l’accès à la donnée. Ses fondateurs, Matthieu Chabeaud, Joël Celaries et Alexandre Schneider, sont 3 experts de la data qui travaillent ensemble depuis plus de 20 ans. 

En 2021, dans un souci de répondre aux enjeux jugés les plus prioritaires par les acteurs du Retail, la start-up mène une étude de 8 mois auprès de plus de 60 directeurs régionaux de grandes enseignes du secteur en France. Le résultat fait émerger un besoin de piloter de manière plus efficace les performances des actions commerciales mises en place en magasin. 

Une levée de fonds d’1,5 million d’euros réalisée auprès de Pléiade Venture, avec le soutien de BPI France et de la Banque Populaire, permet à askR.ai de répondre à cette problématique et de lancer Kaptain Charlie, un coach virtuel qui maximise les performances des actions commerciales en points de vente.

Une enquête menée sur le terrain qui débouche sur une levée de fonds d’1,5 million d’euros

C’est en souhaitant s’appuyer sur le retour d’expérience de ses utilisateurs, dans l’optique de répondre à leurs besoins et d’être au plus près de leurs préoccupations qu’askR.ai, en partenariat avec HyperGROWTH, a interrogé plus de 60 Directeurs régionaux pendant 8 mois. Résultat ? 71% des dirigeants ont répondu qu’il était très prioritaire d’améliorer la manière dont les équipes terrain utilisent les données pour améliorer leurs performances.  Forte de ce constat sans appel, la start-up a levé 1,5 million d’euros afin de proposer une solution concrète répondant à ces problématiques : Kaptain Charlie. La solution s’appuie en grande partie sur la technologie préexistante de l’éditeur (Intelligence Artificielle, Data, NLP). 


Kaptain Charlie, un outil du quotidien, collaboratif et commun à l’ensemble du réseau 

Intuitive, facile d’utilisation, et connectée aux messageries instantanées des entreprises (Teams, Whatsapp, Facebook Workplace…), Kaptain Charlie est une solution qui permet de déceler rapidement un décrochage dans l'atteinte des objectifs des actions commerciales terrain en cours pour prendre des actions correctives immédiatement, de multiplier les actions commerciales qui performent et d’abandonner rapidement celles qui ne performent pas en basant les décisions sur des faits, et, enfin, d’amplifier les performances des actions commerciales de l'enseigne en impliquant tout le réseau (Directeur de réseau, Directeur régional, Directeur magasin).

« Kaptain Charlie a été conçu pour répondre au besoin de pilotage quotidien des actions commerciales des équipes terrain qui n’ont pas le temps d’analyser l’intégralité des chiffres en détail. Kaptain Charlie leur délivre immédiatement l'information actionnable pour agir et maximiser leurs performances », déclare Matthieu Chabeaud, CEO et co-fondateur d’askR.ai. 

Article initialement paru sur Republik Retail : https://www.republik-retail.fr/solutions-techno/data/data-ia-askr-ai-leve-1-5-million-d-euros-pour-devenir-le-coach-numerique-des-equipes-magasin.html



2021 Gartner Magic Quadrant for Business Intelligence & Analytics : 5 points à ne pas manquer

Vous êtes à la recherche du rapport 2021 du Magic Quadrant for Business Intelligence & Analytics de Gartner ?

Nous vous proposons une synthèse du rapport Gartner en français.

Analytics AUGMENTéS et plateforme BI : la définition du Gartner Magic Quadrant Report

“Les analytics modernes (ou analytics augmentés) et les plateformes de business intelligence (BI) se définissent par des outils simples d’utilisation, capables d’offrir un support à toute la chaine analytique - depuis la préparation jusqu’à la visualisation des données et la génération d’insights.”

Gartner vient de publier son rapport 2021. Quelles nouveautés ? Quelles tendances confirmées ? Nous vous proposons un aperçu des orientations stratégiques relevées par le Gartner Magic Quadrant for Business Intelligence & Analytics 2021, et quelques pistes de réflexion !


Nota bene :Gartner utilise l’acronyme ABI pour “Analytics & Business Intelligence” .

1 - La dataviz ne sert plus à différencier les plateformes : c’est un pré-requis.

C’est définitif, les outils ABI ne se différencient plus par leur capacité de dataviz. Tous les vendeurs sont désormais capables de construire des KPI interactifs et des tableaux de bord sur mesure. La différence se fait désormais à partir de leur capacité à offrir des analytics augmentés.

Cette augmentation passe par l’utilisation du  Machine Learning et de l’IA, pour la préparation des données, la génération d’aperçus pertinents et la génération d’explication pour ces insights. Le but est d’aider les utilisateurs business et les analystes à explorer leurs données plus efficacement qu’ils ne pourraient le faire manuellement. 

La notion d’analytics embarqués ( embedded analytics) disparaît également comme critère différenciant. 

2 - Consommateurs de données : un nouveau profil d’utilisateurs

Au départ, l’augmentation des analytics concernait plutôt les profils d’analystes.

Aujourd’hui, cette augmentation, ainsi que de plus en plus l’automatisation, concernent directement des utilisateurs finaux d’un nouveau genre : les consommateurs augmentés. Il s’agit d’utilisateurs au profil peu ou pas technique, qui attendent que les insights viennent à eux : souvent sous la forme d'aperçus automatiquement générés, ces insights doivent avant tout être extraits judicieusement par rapport à leur rôle, leur fonction ou leur profil. 

Pour être pertinente, cette augmentation passe par l’usage,  particulièrement les requêtes en langage naturel ( NLQ) et le retour des utilisateurs sur ces réponses automatiquement proposées.  Ce dernier changement a le potentiel pour enfin crever le plafond du taux d’option moyen de 30 %, stable depuis longtemps.

Les requêtes en langage naturel ( NLQ) et le retour des utilisateurs sur les réponses automatiquement proposées ont le potentiel pour enfin dépasser le taux d’adoption qui plafonne à 30% depuis de nombreuses années.

3 - Nouvelles fonctionnalités basée sur l’IA : augmented & automated

Gartner insiste sur l’importance des fonctionnalités qui assistent l’utilisateur final. Ainsi en 2020, IBM Cognos Analytics a ajouté une fonctionnalité basé sur l’IA pour explorer dans le temps l’évolution de séries multi facteurs, avec la question “ What if… ? “   

L’analyste marketing souligne également la force de SpotIQ, une fonctionnalité de Thoughtspot qui permet de découvrir des anomalies ou des corrélations entre les données, tout en effectuant des comparaisons sans besoin de coder. Talonnée en 2029 sur son critère différenciant, le NLP,  Thoughspot reprend un peu de distance avec ses concurrents grâce aux performances de SpotIQ.

A l’inverse, MicroStrategy a désormais deux faiblesses avérées : la génération automatique d’insights, et surtout l’absence de génération d’insights en langage naturel. Pour les entreprises qui cherchent à aider leurs utilisateurs à tirer le maximum de leurs données de manière autonome et favoriser l’adoption des analytics, ces deux faiblesses pourront s’avérer des motifs valables de rupture. 

 

2019 Gartner magic quadrant for Business Intelligence and Analytics. (IMAGE REMOVED )

2020 Gartner magic quadrant for Business Intelligence and Analytics. (IMAGE REMOVED )

 

4 - Génération en langage naturel (NLG) & et Requête en langage naturel (NLQ)

Ces deux critères des plateformes ABI on attendu 2019 pour apparaitre dans la grille d’evaluation du Gartner. En soulignant à quel point on était à un tournant dans l’histoire de la BI l’année dernière, Gartner a fait de la capacité à interagir en langage naturel avec l’utilisateur, de manière pro-active, une condition sinequanone de son classement.

On peut alors relever Ask de Tableau, mais aussi en 2020 “ Ask Pyramid (NLQ)” de Pyramid. Il existe également un “ Insight Advisor “ qui propose avec Qlik Sense une nouvelle expérience de recherche visuelle, des analytics conversationnels, et des associations entre insights.

Pour le data advisor askR.ai, cette importance accordée au langage naturel comme mode d’interaction le plus approprié pour accompagner l’utilisateur consommateur confirme le travail fourni depuis son lancement.


5 - Impact des acquisitions 

  • Tableau en 2019 par Salesforces

L’intégration de Salesforce Einstein Analytics à Tableau, renommé Tableau CRM, semble être un chantier encore en cours en 2020. Une fonctionnalité Einstein Discovery, afin d’intégrer les capacités de modélisation predictive à la plateforme, a été annoncée pour Mars 2021.

  • Looker en 2020 par Google

Looker devient Google Looker. Cette acquisition lui a offert une grosse reconnaissance de la part du marché, ainsi qu’une très grande inter-opérabilité avec un certain nombre d’outils Google. Le savoir faire NLP de Google a aussi amené à mettre en place un outil NLQ : Looker Q&A.

  • Information Builders par TIBCO software en 2021

Affaire à suivre, le Gartner proposant une analyse séparée.

  • RoxAI, Knarr Analytics and Blendr.io par Qlik en 2020

Récemment acquis, ces technologies l’ont été pour améliorer les capacités d’alerte, avec un intelligence continue, et pour une integration SaaS.

Vers un marché global des augmented analytics ?

Pour finir, il est important de souligner qu’entre les plateforme de data science et machine learning et les plateformes ABI, la frontière se fait de plus en plus poreuse. Les plateformes ML améliorent leur capacité de presentation, de découvertes data et même de dataviz plus traditionnellement dévolues aux ABI. A l’inverse, celles-ci développent des outils de plus en plus performants pour executer en arrière plan des modèles prédictifs par exemple, ou la gestion du NLP. Une situation qui va probablement remodeler en profondeur le visage du marché dans les prochaines années.




augmented data assistant askR.ai EBG


Les augmented analytics sont une évolution positive de la BI. Le data-assistant askR.ai offre grâce au NLP une manière intuitive, simple et efficace d’accéder à ses données !


Kiloutou : Le challenge du dernier kilomètre de la donnée.

blogpost kiloutou social.png
portrait arnaud maton

Arnaud Maton est Responsable des services "Data Management / Référentiels" & "Architecture d'Entreprise / Veille IT" chez KILOUTOU.  Depuis 17 ans, il participe à l’évolution du SI et du data management du groupe.


L’évolution récente de la DSI

“ j’ai dans mes équipes les plus anciens informaticiens de la boîte, coté architecture SI, mais nous sommes à la pointe de l’innovation !” S’amuse Arnaud Maton. Kiloutou a en effet vécu ces 20 dernières années un vrai changement d’échelle : le nombre d’agence passe de 40 à 400, suivi d’une internationalisation vers la Pologne, l’Italie, l’Espagne et l'Allemagne. Nouvel ERP à déployer en France puis ailleurs, nouveau site e-commerce en parallèle : les données affluent ! Arnaud Maton suit ces projet de près, et c’est assez naturellement qu’à partir de 2018, il demande à prendre en charge le service BI.

Cette période correspond à une volonté de changement de gouvernance impulsée par la direction du groupe. Ainsi, bien que plutôt modeste et à la délimitation assez floue mais très transverse, ce service BI devient rapidement le service Data Management général du Groupe et rassemble actuellement une dizaine de consultants.

Comme une partie de ses équipes, Arnaud Maton a donc une bonne connaissance des enjeux du groupe liés à son ancienneté dans la maison, tout en étant à l’affut permanent de nouveautés technologiques à mettre en avant. 

Un projet de grande envergure est initié, pour effacer la dette technique accumulée pendant de nombreuses années sur la BI du groupe : c’est le projet « Data4Business » . Data en temps réel, API, dash boarding, data factory, data-assistant … Les projets fourmillent, impliquant notamment de gros changements structurels.

covid : coup d’arrêt et coup de fouet.

Le 16 mars marque la fermeture générale de 532 agences et du siège. Il faut alors généraliser l'accès à distance externe par VPN : habitué à environ 200 connexions par jour, Kiloutou monte jusqu'à 3000 connexions ! Heureusement, la crise a permis de valider les choix stratégiques posés en amont : le sujet avait été abordé des 2019 avec un changement de solution. Dans le même temps, les équipes RH en télétravail, voir en chômage partiel, ne sont plus en capacité humaine de traiter toutes les demandes déclarations de chômage partiel pour chaque agence, fiche de paye avec les nouvelles règles... ). Le service Data participe alors à l'automatisation de nombreux documents, et met dans le même temps à disposition plus d'une cinquantaine de nouveaux reportings pour faciliter la prise de décision URSSAF. 

De nouveaux besoins de pilotage d’activité client apparaissent également.. « Etant donné que la plupart de nos clients avaient stoppé leurs chantiers, et étaient en chômage technique, le pilotage d'activité ne se faisait non plus à la journée, mais à la ½ journée, suivant les remontées de nos boitiers télématiques équipant nos gros matériels. Cela impliquait la mise en œuvre de nouveaux dashboard utilisant les données télématiques pour identifier les reprises d’activités clients, et relancer notre business. » précise le responsable du service Data.

Au final, le Covid a accéléré un certain nombre de projets qui étaient dans les cartons, tout en prouvant la justesse de la gouvernance initiée en 2018. Une gouvernance qui dès le début a visé à mettre la donnéemettre la donnée au cœur des décisions quotidiennes, y compris (et surtout) pour chacun des collaborateurs en agence.

Le dernier kilometre de la data 

agence Kiloutou

Car si le secteur de la location est assez résilient face aux crises financieres,  les choses restent compliquées sur le plan humain.

C'est pour cette raison que le brief quotidien en agence est un enjeu important pour améliorer à la fois la performance quotidienne de l’agence et la maturité data, ou data literacy, des collaborateurs. « Faciliter l’accès aux informations nécessaires pour ce brief, avec de nouvelles solutions innovantes comme le data assistant Askr.ai, répond à un enjeu de démocratisation des services apportés autour de la Data dans le groupe : simple, rapide, efficace. » continue le responsable de service.

« Ce projet stratégique reste confronté  à la difficulté d’organiser des réunions physiques avec les équipiers pour évaluer les solutions pertinentes pour la mise à disposition de la donnée sur le « dernier kilomètre ». Ces réunions restent primordiales pour faire adopter les nouveautés. » confirme Arnaud Maton.

En raison du contexte covid19, le projet a donc été reporté de quelques mois .. On se donne rendez-vous en 2021 !






Augmented Analytics : comment mesurer la maturité analytique de votre organisation ?

LIvre blanc Augmented Analytics - blog (1).png

En moyenne, les sociétés qui prennent des décisions data driven sont 6% plus productives que leurs concurrents (source : MIT). 

La culture analytique en entreprise, ou comment rendre l’organisation data driven.

Accompagnant la lame de fond qu’est le Big Data pour les entreprises, la culture analytique (ou “data-driven” ) représente l’adoption de réflexes data dans les missions quotidienne des collaborateurs. Quelle que soit la taille de l’entreprise, sa compétitivité repose désormais sur le fait d’inclure une analyse précise des données dans une vision à plus ou moins long terme

Ce que les anglo-saxons désignent par le terme “analytics” désigne donc le process global d’analyse de n’importe quel type de données. En français, ce terme a tendance à désigner la dernière étape de la chaine de valeur de la data, c’est à dire la restitution à un utilisateur final. ( cf Mieux définir les Analytics Augmentés ) .

L’analytique est donc un des marqueur principal de cette transformation basée sur la data. Mais comment mesurer cette acculturation ? 

4 questions à se poser pour mesurer sa maturité analytique

1 / Quel degré de responsabilité pour ceux en charge des analytics ?

Dans votre organisation, y a t il des postes dédiés à la gestion des données ? Sont-ils détachés ou intégrés aux business units ? Sont-ils directeur, manager, power user …?

Une organisation mature possède généralement des responsables data & analytics à tous les niveaux hiérarchiques. Bien que possédant une certaine transversalité, cette fonction est clairement délimitée afin de faciliter la prise de décision.

2 / Quelles stratégies ?

Une fois ces postes identifiés, existe-t-il une definition claire de leurs attributions  ? Quels sont leurs objectifs individuels,  par rapport à leur organisation ? Doivent-ils les collecter, les diffuser et à qui, s’en servir pour agir directement?

Dans le cadre de la définition des rôles et de la stratégie analytics de l’organisation, il est important également de voir la nature de ces objectifs : est ce une liste de tâches à effectuer ? Est ce une amélioration business générale ?

3 / Une maturité analytique fonction des questions posées. 

Nous vous proposons une grille de lecture pour voir à quoi aboutit votre stratégie data. Que cherchez-vous à comprendre avec les analytics à votre disposition ?

  • Que s’est il passé ? (Descriptive Analytics, aussi appelé Business Intelligence)

  • Pourquoi cela s’est -il passé ainsi? (Business Analytics)

  • Qu’est ce qui pourrait en découler? (Predictive Analytics, inclus dans Augmented Analytics)

  • Que devrait-on faire à ce propos? (Prescriptive Analytics, inclus dans Augmented Analytics)

Question pour mesurer Augmented Analytics .png

4 / Les outils qui permettent de répondre à vos questions.

Les outils dont vous disposez vous permettent ils de répondre aux questions que vous vous posez ? Si c’est le cas jusqu’au degré prescriptif, bravo ! Sinon, pour gagner en maturité, il est temps de vous équiper ;)

Une stratégie data pour faire face à la crise du retail ? IA et experience client

Nous évoquions dans un précédent article l’impact de l’IA sur la calibration de l’offre et des prix. Cette calibration est indissociable de l’amélioration de l’expérience client et de la communication. Cet autre chantier est déterminant pour le secteur du retail, qui voit le budget des consommateurs consacré aux achats diminuer lentement mais sûrement. 

IA experience client crise retail

Baisse du CA : moins de clients mais plus de data.

La crise actuelle a acté assez violemment une diminution de budget des consommateurs. En dehors du secteur alimentaire qui a gagné 20% de vente, le coronavirus a mis en avant la volatilité de la clientèle, moins loyale et surtout en recherche de la plus grande simplicité de parcours compatibles avec les mesures de protection sanitaire. De grandes enseignes bien connues des français comme Naf Naf ou Camaieu sont en redressement judiciaire. Bien que ces chutes aient été précipitées par les événements, elles sont surtout l’expression de défis non relevés depuis une dizaine d’année.

Le secteur traversait déjà une période difficile, explique Gildas Minvielle, directeur de l'Observatoire économique de l'Institut français de la mode. En moyenne, depuis l'année 2007, l'évolution du chiffre d'affaires des distributeurs recule. Sur l'ensemble de la période, il a reculé d'un peu plus de 15%.". Face à une baisse globale du chiffre d’affaire, les canaux de différenciation ne sont pas les produits eux-même, qui dans le cas de vêtements de milieux de gamme n’est “que” une affaire de goût. La différenciation vient de l’utilisation des données que les enseignes collectent de mieux en mieux. 

Il faut donc jouer avec ces data sur un autre tableau : choyer les clients pour les conserver, avec une expérience d’achat absolument fluide et une personnalisation soigneusement dosée pour être bienvenue. Et en e-commerce, “ La plupart des sites mobiles sont à des années lumières de ce que les clients attendent : 19 secondes pour télécharger un site mobile via un réseau 3G alors qu’au-delà de 3 secondes 53% des clients zappent sur un autre site. “ précise François Loviton, Directeur Brands & Retail chez Google France.

Choyer les clients pour les conserver, avec une expérience d’achat absolument fluide et une personnalisation soigneusement dosée pour être bienvenue.

Il ya donc l’optimisation perpétuelle des sites de ventes, mais aussi la capacité à suivre le client en passant d’un canal à l’autre : un site, un site revendeur, en boutique… Afin d’identifier et optimiser les parcours les plus susceptibles de convertir, l’IA est un atout précieux permettant d’identifier des shémas fructueux. On peut citer l’exemple du groupe Etam, qui a lancé un algorithme capable de voir des signaux faibles sur certains produits qui se vendent "discrètement". L’intelligence artificielle scrute toutes les ventes online et offline. L’information est ensuite remontée aux magasins pour qu’ils aient conscience de "ces best-sellers qui ne se voient pas". Objectif pour Jean-Bernard Della Chiesa, directeur innovation du groupe Etam ? Améliorer le merchandising de ces références.

Cette meilleure compréhension des intentions des clients, ou encore la personnalisation des suggestions, via des coupons individuels, sont par exemple de belles promesses de l’IA qui nécessitent d’être travaillées à fond pour offrir cette différenciation tant cherchée.

Bienvenue dans l’ère de l’assistance : personnalisation client et parcours omni-canal.

Au sein de son Hub Digital, Carrefour expérimente avec Google des usecases prioritaires qui touchent aussi bien à l’optimisation en commerce de proximité qu’à la personnalisation des coupons, ou encore l’analyse automatisée de l’assortiment. Grâce à la personnalisation, les services sont plus efficaces et pertinents pour l’utilisateur et bénéficient tant à l’entreprise qu’au client.

Toujours chez Carrefour, sous la direction de Amélie Oudéa-Castera du Hub Digital, une prédiction des promotions à commander est en phase d’industrialisation. Ces produits partent souvent plus vite et “un meilleur calibrage des niveaux de commande permettrait d’apporter plus de 100 millions d’euros de chiffre d’affaires”. Combiné à la création de Léon, assistant virtuel d’aide aux courses en ligne, cette création d’algorithme démontre que Carrefour a bien compris qu’il fallait de plus en plus accompagner le client avec une assistance pertinente. Lui faire gagner du temps en le comprenant profondément grâce à ses données, et ne pas seulement lui proposer passivement des produits qu’il trouverait, de toute façon, ailleurs. 

Voilà une tendance que le monde du retail français ne doit pas laisser passer. La fonction  search devient plus intelligente et plus prédictive sur les sites : on est passé de l’indexation de lien à une recherche sémantique, avec des alertes pro-active. De nouvelles manières de chercher un article, par l’image ou par la voix, ont vu le jour. La conjugaison du machine learning et des objets connectés, devront amener jusque dans les boutiques physique et cette logique d’assistant intelligent via des conversations qui seront une forme évoluée de ce que l’on fait aujourd’hui en cherchant un produit. 

Marqués par une crise créant de la distance physique, les retailers doivent appréhender cette révolution pour pouvoir se transformer relever. “Retail is detail! “

Découvrez askR.ai, le data-assistant des retailers

 

Sources :

https://www.usine-digitale.fr/article/lab-carrefour-google-les-10-grandes-innovations-testees-par-le-distributeur

https://siecledigital.fr/2020/05/25/le-retail-a-lepreuve-de-la-crise-du-covid-19/

Accéder à ses KPI depuis Microsoft Teams ou Slack

En ces temps compliqués d’épidémie, le télétravail a explosé. La transformation des process de travail se fait entre enthousiasme et marche forcée : quid de l’accès aux données ?  Nous vous parlions la semaine dernière de Facebook Workplace, place cette semaine aux deux concurrents Microsoft Teams et Slack.

Des resultats exceptionnels : Teams & Slack s’imposent au 1er trimestre 2020

Les deux services de messagerie internes et de collaboration ont tous deux affiché des résultats impressionnants en terme de nombre d’utilisateurs, liés sans conteste au COVID.

Teams a doublé son nombre d'utilisateurs actifs quotidien, passant de 32 millions début mars à 75 millions début mai. Slack, de son coté, enregistre 44% de messages en plus par utilisateur, même si le nombre d’utilisateurs connectés ne passe “que” 10 à 12,5 millions d’utilisateurs simultanés .

Face à cette situation sans précédent, Slack a également annoncé le 2 avril une version bêta de l'application “ Microsoft Teams Calls pour Slack “ - Doit on y voir l'annonce d’un rapprochement stratégique ou la poursuite d’une tactique antérieure adoptée par ces deux concurrents de longue date ? 

En réalité, comme le rappelait Stewart Butterfield, patron de Slack, Teams et Slack ne sont pas en concurrence directe. Slack permet l’intégration de nombreux outils et services pour tout rassembler au même endroit et ainsi faciliter les interactions de ses utilisateurs, tandis que Teams, lui, permet une communication collaborative axée sur la suite désormais nommée Office 365.

Les KPI en accès controlé sur teams & slack : le choix de la cohérence

Conversation avec le data-assistant askR.ai dans l’interface de Microsoft Teams

Conversation avec le data-assistant askR.ai dans l’interface de Slack

Ce que ces outils ont en commun, c’est de proposer une plateforme de travail collaboratif, où l’échange permet d’accéder à l’information. Les utilisateurs sont connectés toute la journée, et leur premier réflexe est d’interroger la bonne personne en cas de besoin.

Dans cette logique de plateforme connectée à 360, l’accès aux données est stratégique. Il s’agit de fournir un interlocuteur fiable sur les données, dispo 24/24 sur Microsoft Teams ou sur Slack , afin de confirmer ces espaces dans leur rôle de fournisseur de ressources. Un data-assistant capable fournir la bonne info au bon moment , comme un vrai collègue compétent dispo 24/24 finalement !

Le principe est simple : depuis Slack ou Teams, les utilisateurs peuvent désormais interroger un data-assistant qui comprend leurs questions et interroge la base de données. Tout particulièrement en télétravail: pas de problème de sécurisation d’accès aux données, qui ne sortent ainsi pas de l’infrastructure de l’entreprise.

Un petit point en plus niveau sécurité pour Slack qui stocke sur un serveur en France l’historique des conversations, et a retiré la localisation automatique des images ajoutées. Une initiative bienvenue dans un contexte où l’usage des nouveaux outils collaboratifs ne diminuera pas, et où l’exigence de securité continuera d’augmenter.


Le data-assistant askR.ai est également compatible avec d’autres canaux :

Annuaire des Datalab - France

Definition d’un datalab

Définition : “ Espace de collaboration autour du traitement et de la gestion des données d'une organisation “. 

Ce peut être un espace transversal dans lequel des membres d’autres équipes viennent travailler ponctuellement sur un projet et/ou se former sur le sujet data, afin d’importer de nouvelles compétences dans leurs équipes. 

Ce peut également être une cellule dont les collaborateurs traitent à temps plein les demandes d’autres business units, afin de résoudre des problèmes métiers. 

Les datalab dépendent souvent d’un service innovation. On assiste cependant de plus en plus à ce qui semble une évolution logique dans la structuration des entités dans les grands groupes : digital -> data -> IA. Cela se traduit avec des noms comme “IA factory” ou ” IA lab” pour de nouvelles entités intégrées aux services data, ou bien le titre des personnes en charge évolue et intègre le terme AI.

Par exemple, Bureau Veritas a monté un projet spécifique avec Microsoft en juin 2019 nommé IA factory. Ou encore, la direction du digital du Groupe BPCE devient la “Direction du digital et de la data”.

Nous vous proposons la liste complète des datalab de France. S’il en manque, n’hésitez pas à nous le signaler :)

Datalab “privés”

Airbus Defence & Space Datalab - 2016

Adeo Datalab - 2014

AG2R La Mondiale - Datalab Groupe - 2017

Allianz France Datalab - 2017

AXA Data Innovation Lab - 2014

BNP Paribas Personal Finance Datalab - 2017

BPCE Datalab - 89C3 Digital Factory - 2017

Bouygues Construction Data Lab - 2016

Bouygues Immobilier Data Lab - 2018

Bureau veritas Group - Datalab

Carrefour Datalab - 2018

  • Lab Carrefour-Google - 2019

  • IA factory

    • Hub Digital - Financial Services

CNP Assurances - Data'Lab Groupe - 2014

Covéa Datalab - 2015 (Maaf, MMA et GMF)

Credit Agricole - 2015

  • Datalab Credit Agricole Groupe

  • Datalab IA

  • Datalab Credit Agricole SA

Credit Mutuel  Arkea 

  • Service datalabs  

  • Analytics marketing & Datalab 

EDF R&D -  Data Innovation Lab - 2017

Enedis - Fabrique Numerique - 2015

Eriksson

  • Global Artificial Intelligence Accelerator GAIA - 2020 ( Montreal )

  • Consumer and Industry Lab - 2020 ( Silicon Valley )

Ernst & Young - EY Experience Lab  - 2016 

  • pôle analytics

  • pôle cyber

  • pôle Digital

Euler Hermes Digital Agency - 2017

  • Northern region datalab

  • Datalab group

GAN Assurances Datalab - 2018

Gendarmerie nationale Datalab - 2017

Generali - Data Lab Generali - 2016

  • pole “valeur client et datalab”

Groupama Datalab

Groupe Caisse des dépôts 

  • centre Innovation & Data analytics

  • Centre de competences data & IA

GRTgaz - 2017

GRDEF - 2014

Hager Group - Datalab - 2018

Hermès - Datalab - 2017

LCL - Datalab Groupe - 2015

L’Oreal - Datalab - 2020

MAIF Datalab - 2018

Matmut Datalab - 2017

MixScience DataLab - 2017

Nature & Découverte Datalab  - 2017

Natixis Assurance Datalab - 2018

PSA Datalab - Data Factory - 2018

RCI Bank & Services Datalab - 2015

Renault

  • Renault Groupe Datalab - responsable : Mathilde V. 

  • Alliance Innovation Lab

Rocher ( Groupe Rocher - ex groupe Yves Rocher ) Datalab

Saint Gobain Datalab - 2017

SNCF

  • Datalab “ Fab Big Data SNCF  “ - 2016

  • Digital Twin Incubator

Société générale

  • SG Inspection Générale

  • DataLab Inspection Audit

  • SG Assurance - Datalab

Sodexo Data Innovation Lab - 2017

Swiss Life France

  • Data Lab "Data Champions" - 2016

Thales 

  • Thales Digital Factory - 2015

  • AI@Centech

Terega Datalab


Datalab territoriaux / publics

Datalab Normandie

Gendarmerie Nationale - Marjory Moura 


Datalab étudiants

ParisDigitalLab https://paris-digital-lab.com/ (Centrale Supélec)


Datalab - Consulting & Institut & editeurs 

Darva Datalab - DarvaLab

Wavestone - Machine Learning et Datala

Institut Louis Bachelier - Datalab

PMP Conseil DataLab

France Conseil Elevage Datalab



askR.ai est un data assistant connecté aux données de l’entreprise et doté d’une intelligence artificielle qui répond instantanément à vos questions.

augmented data assistant askR.ai

Un assistant-data virtuel dans Facebook Workplace : télétravail et productivité, c’est possible ?

En ces temps compliqués d’épidémie, le télétravail a explosé. La transformation des process de travail se fait entre enthousiasme et marche forcée : quid de l’accès aux données ? 

Les nouveaux canaux  : de la communication à la collaboration.

Les canaux de communication en entreprise sont de moins en moins des outils destinés à relayer l’information depuis le haut vers les reste de l’entreprise. Les nouveaux canaux, en plus de l’email ou du telephone, permettent aux membre de l'entreprise d’être actifs. En plus de recevoir l’information, ils peuvent la chercher et échanger autour. Bref, devenir des collaborateurs, c’est à dire capable de collaborer dans une démarche transversale, source d’autonomie.

Le monde de l’entreprise a donc vu arriver les outils collaboratifs, une transformation accélérée par le cloud pouvant augmenter la capacité de stockage des messages ainsi que le travail simultané sur un meme document par exemple. 

La digitalisation de l’entreprise se manifeste donc de manière essentielle dans les outils qu’elle met à disposition de ses équipes pour accéder aux informations avec rapidité et efficacité.

Les données clefs en accès controlé sur facebook workplace.

Lancé en 2016, Facebook est le premier réseau social d’entreprise (RSE). Facebook fait alors le pari que puisque des millions d’utilisateurs maitrisent déjà dans leur vie privée cette interface, la retrouver au travail facilitera son adoption. C’est donc une plateforme intuitive, faite pour l’échange et qui se distingue par l’existence de groupes de travail et sa messagerie instantanée. 

Pour une entreprise qui utilise un RSE, c’est LE lieu où trouver le bon interlocuteur pour faire avancer un projet, qui va vous rediriger au bon endroit. Autrement dit, multiplier les ponts vers d’autres application va encore plus ancrer et fluidifier les usages. Devoir ressortir de la plateforme, accéder à une autre, repasser à un autre mode de fonctionnement, c’est autant de temps perdu qu’il en avait été gagné au départ en productivité.

Conversation avec le data-assistant askR.ai dans l’interface de Facebook Workplace

Ne pas multiplier les interfaces est d’autant plus déterminant sur la question de l’accès aux données, autre pan de la digitalisation des entreprises. Les données doivent être présentes dans l’environnement de travail. Facebook Workplace n’est cependant pas un espace de stockage mais un espace d’échange. Il ne faut don pas héberger les données dont les collaborateurs ont besoin sur facebook workplace, mais donner un acces qui soit sur le même mode : celui de la conversation.

C’est pour cette raison que Matthieu Chabeaud a décidé de créer avec son équipe un data-assistant disponible sur les canaux vraiment utilisés au quotidien en entreprise. Il s’agit de fournir un interlocuteur fiable sur les données, dispo 24/24 sur Facebook Workplace. Workplace reste donc bien le lieu où trouver le bon interlocuteur capable de fournir la bonne info au bon moment !

Le principe est simple : depuis Facebook Workplace, les utilisateurs peuvent désormais interroger un data-assistant qui comprend leurs questions et interroge la base de donnée. Tout particulièrement en télétravail, pas de problème de sécurisation d’accès aux données, qui ne sortent ainsi pas de l’infrastructure de l’entreprise.

Le data-assistant askR.ai est également compatible avec d’autres canaux :

DAF : analyse et reporting ne font pas bon ménage pour l’avenir.

“Le reporting et la présentation des rapports représentent jusqu'à 55 % du temps de travail des contrôleurs de gestion en Europe”

Des habitudes poussiéreuses ?

“Je ne fais pas du contrôle de gestion pour les chiffres, je fais du contrôle de gestion pour savoir ce que je peux gagner, ou faire mieux »  Voilà ce que précise le DG d’une grande entreprise française dans l'enquête qualitative menée en 2018 par l’ESSEC intitulée “ L’impact de la digitalisation sur le rôle du contrôleur de gestion “

Et pourtant, malgré une baisse de 10 % en deux ans du temps consacré par les professionnels au plan, au budget et à la production de reporting*, cette partie du métier reste extrêmement chronophage. Le reporting et la presentation des rapports représentent jusqu'à 55 % du temps de travail des contrôleurs de gestion européens !

Exercice rébarbatif mais imposé, car pour un rapport que l’on supprime, combien de nouvelles demandes ? 

Passer du contrôle de gestion au management de la performance

Les fonctions financières voit symptômatiquement leurs noms changer : les comptables deviennent des « Business Process Analyst » et les contrôleurs de gestion se transforment en «Business Analyst ». L’accent est mis sur la capacité à analyser et synthétiser au plus près des chiffres, soutenu par les nouvelles technologies. Contrôle de gestion, planification et budgétisation : ces missions des services financiers se transforment.

L’ exercice du rolling forecast par exemple dans les grands groupes, plus exigeant qu’un traditionnel budget, peut rendre le rythme de rendu et la productivité plus tendus puisque généralement l’effectif des ressources reste le même. On peut pourtant faciliter ces nouveaux process par de bons outils d'accès aux données, et la possibilité de se libérer des questions simples posées par les business units. 

Contrôleur de gestion augmenté : l’apport de l’IA 

Car oui, continuer de fournir des chiffres sur la performance, souvent dans des délais très courts et ce malgré des outils de reporting fait pour rendre les utilisateurs business plus autonomes, c’est frustrant pour des contrôleurs dont on attend des analyses ou une vision perpétuellement renouvellées dans le cadre du rolling forecast notamment…

Et dont la valeur n’est pas dans la ”simple” restitution des chiffres, car de plus en plus de profils recrutés sont des experts formés en data. 

Thibault Bonneton, Directeur Planification Financière, Controlling, Transformation et Gouvernance chez Orange Espagne, l’a bien compris. Depuis l’année dernière, un data-assistant vient soulager les équipes de gestion.

Les flux de questions sans valeur ajouté adressées aux équipes Contrôle de gestions ont été redirigées vers Thi-Bot, un “contrôleur junior” disponible 24/24. Sur des demandes métiers standards comme l’EBITDA du mois, la décomposition des revenus par date, year to date, ou sur l’évolution du revenu moyen par user (ARPU), etc… La Direction Finance Orange Espagne a choisi d’utiliser la technologie NLP de askR.ai pour comprendre les questions et générer les réponses.  

Ce projet mené par Orange s’inscrit dans la volonté d’augmenter la Business Intelligence, une des tendances détectée par Les Echos Business qui vont impacter la direction financière d’ici 2023*. L’Observatoire international du manager de la performance, avec la DFCG, a classé ces tendances selon le pourcentage de réponse :

  •  la business intelligence avancée - 53 %

  • la data visualisation - 47 %

  • « RPA » ou « Robotic Process Automation » - 41 %

  • IA  - 2 %

En somme, malgré des efforts pour diminuer le temps consacré à des tâches chronophages, les missions des contrôleurs de gestion ne se renouvellent pas encore vraiment. Pourtant, de nouveaux profils plus orientés data et de meilleurs outils d’accès aux données transforment petit à petit les DAF et le contrôle de gestion. Le contrôleur de gestion sera augmenté ou ne sera plus!


 

Chat with your SAP database ! Construire un data-assistant dans un environnement SAP en 3 étapes

laurent godineau SAP La Poste

"Nous voulions créer une “fenêtre” pour permettre aux utilisateurs d’accéder à certaine données financières sans passer par SAP”

Laurent Godineau - Manager informatique au Centre de Compétences SAP - Le Groupe La Poste


La base de donnée in-memory SAP HANA est depuis son lancement en 2016 la base d'une multitude de nouveaux services sur la plate-forme cloud de l’éditeur de logiciel allemand. SAP favorise depuis 3 ans ce mode de développement cloud-first, permettant à beaucoup d’utilisateurs de cette DB de l’héberger eux-même en cloud privé. C’est notamment le cas de La Poste.

Connection aux données stockées dans SAP HANA : quelles possibilités ? 

Afin d’offrir les services du data assistant askR.ai aux équipes Achats de La Poste, Laurent Godineau, responsable de l’environnement BI SAP,  a travaillé main dans la main avec la start-up. Dans le cas où la DB est hébergée dans le cloud, SAP fournit un driver qui permet une connexion directe. C’est la solution la plus simple, mais qui ne rassure pas forcement des entreprises qui préfèrent héberger elles-mêmes leurs données. 

C’est le cas de La Poste, qui préfère utiliser un gateway afin de connecter des application tierces à l' environnement SAP. Cette méthode de gouvernance permet de gérer de manière flexible un environnent complexe, tout en sécurisant un périmètre d’accès bien délimité de données accessibles. "Passé à BW sur SAP Hana il ya deux ans, nous voulions créer une “fenêtre” pour permettre aux utilisateurs d’accéder à certaines données financières sans passer par SAP”, précise-t-il.

 
 
 

askR.ai s’adapte on-premiSe sur SAP : flexibilité et rigueur pour La Poste

Le projet débute en mai 2019 par une collaboration sur la partie connexion et réseau. Il s’agit pour La Poste de verifier la connexion entre la solution askR.ai hébergée sur le cloud et leur DB hébergée sur cloud privé. L’équipe du data-assistant se cale donc sur le VPN fourni par le groupe afin de sécuriser l’accès au gateway. C’est ensuite le protocole OData qui doit être mis en place pour interroger la Business Warehouse (ou SAP Data Warehouse) basée sur la technologie SAP Hana.

Dès juillet, le travail de connexion est effectué. Les données achats sont maintenant disponibles en temps réel pour askR.ai grâce à des mises à jours synchrones et immédiates, et le travail d’apprentissage peut commencer !

Une connexion en temps réel aux données

Pour Laurent Godineau, les obstacles habituels d’un environnement SAP ont pu être surmontés pour toucher de nouveaux utilisateurs grace à askR. “Des gens qui ont besoin de ces données mais qui n’ont pas envie ( ou pas le temps!) de naviguer dans SAP, notamment un certain nombre de managers, auront désormais accès aux données Achats en quelques secondes via différents canaux : navigateur Web, portail d’entreprise, Microsoft Teams...”

askR.ai est donc désormais en connexion directe afin de donner accès aux données en temps réel, et plus seulement sur un extract mis à jour quotidiennement. Encore plus d’efficacité !

Achats : 5 tendances clefs en 2020

Direction achats : 7 défis digitaux à relever avant 2021.

Être directeur achat en 2020, c'est prendre conscience de l’importance grandissante de sa fonction concernant l'innovation dans l'entreprise. Les achats ont en effet un double impact. D’abord comme levier de performance essentiel au maintien et à l’amélioration de la marge, mais aussi en première ligne de l’innovation.

Quel est l'impact sur l'organisation stratégique du service achat ? Quelles sont les nouveaux défis induits par la digitalisation du service achat ?

L’augmentation volume/vitesse/variété des données ces dernières années a exacerbé les risques liés à l’intégration stratégique de ces données. C’est alors au service achats de veiller à anticiper ces risques dans ses missions quotidiennes. 

————————- INTEGRATION STRATÉGIQUE DES DONNEES ————————

Défi 1 - Vérifier la propriété des données

De plus en plus de données sont collectées par le service achat sur toute la chaîne d'approvisionnement. Une question se pose : quand des capteurs sont installés par exemple pour la réception des colis, les données appartiennent-elles à la société qui gère les capteurs, au fabricant des capteurs, à la société qui a fait installer ses capteurs…? Il faut mettre en place des accords en amont afin de pouvoir exploiter correctement ces informations en toute transparence, car il existe un vrai risque lié à la souveraineté de ces données. 

Défi 2 - Nettoyer les données collectées 

Cette collecte effectuée ne suffit cependant pas à offrir de nouvelles perspectives. Il faut pour cela nettoyer et uniformiser ces données, ce qui nécessite de nouvelles compétences… La direction achat doit donc consolider et nettoyer ses données grâce à des compétence développées en interne, ou grâce à des collaborateurs spécialisés data de l’entreprise ou d’un partenaire. L’un des enjeux sera notamment l’automatisation de ces deux tâches structurantes mais répétitives.  

Défi 3 - Anticiper les risques grâces à l’IA 

Un autre enjeu sera l’exploitation de ces données dans des modèles de machine learning. De nombreuses applications possibles pourront apporter de précieux éléments à la direction achats, impossible à obtenir autrement. L’IA offre la possibilité de prédire des tendances (pics de commande, rupture de stock, augmentation des coût ou bien encore identifier des situations à risque avec les fournisseurs (cf cet article ). 

———————— SUPPLY CHAIN  ———————

Défi 4 - Optimisation de la supply chain grâce aux données clients

La multiplication des données disponibles sur les chaines de production représente une chance incroyable d’optimisation de process. Après avoir intégré les données des différents outils de gestion à un SI commun, on pourra clairement améliorer la traçabilité ou diminuer les coûts de stockage par exemple… Une collaboration étroite avec une mise en commun des données entre service achats et service logistique sera nécessaire à la direction achats pour relever ce défi. 

Défi 5 - Faire face à l'augmentation des dépenses liées à l’électronique

Concernant l’évolution du type d’achats au sein de l’entreprise, il y a clairement eu une explosion des achats de matériel électronique. Entre le besoin de performance des collaborateurs et l’obsolescence programmée des fournisseurs, la direction achats devra anticiper l’importance de ce type de dépenses en perpétuel renouvellement. 

——————— SOURCING —————

Défi 6 - Sourcer l'innovation : le défi inattendu

Inattendu mais logique, car les achats sont aujourd'hui en première ligne auprès des fournisseurs extérieurs. Avec la montée en force des start-ups, la relation change : relation gros structure/petite structure, abonnement SaaS… La centralisation des achats vers laquelle tendent la plupart des entreprises d’aujourd'hui pousse la direction des achats à assumer ce changement de paradigme. Mais elle met aussi la direction achats en phase directe avec le marché et ses évolutions, et peut devenir la source numéro un de renseignements sur l'innovation du secteur pour le reste de l’entreprise. 

——————————- TRANSACTIONNEL ———————-

Défi 7 - Amélioration des process 

Cette responsabilité qui incombe au directeur achat n'est pas nouvelle. Mais la digitalisation offre de nouvelles perspectives notamment pour le source to pay ou  la gestion des références fournisseurs. La digitalisation permet par exemple une capture intelligente des données à intégrer, ou bien un accès immédiat à tous les éléments de la transaction.

Le procurement to pay automatisé et les spend analytics accessibles via un data-assistant capable de répondre aux questions représente par exemple une innovation majeure pour la direction achats. L’instantanéité et la précision d’une prise de décision effective représente un avantage énorme au sein d’un service achats!

Découvrez askR.ai, le data-assistant des directeurs achats:

 

Pourquoi un chatbot ne pourra-t-il jamais jouer le role d’un data-assistant ?

Pourquoi un data-assistant plutôt qu’un chatbot ?

Les technologies conversationnelles sont devenues monnaies courantes. On peut maintenant interagir, sur le mode de la conversation orale ou écrite, avec son téléphone, sa voiture, un service client automatisé… Pourtant, si le terme de “chatbot” est le plus souvent utilisé pour désigner des interactions hommes/machines se rapprochant de vrais échanges humains, ce terme recouvre plusieurs technologies. Siri, par exemple, n’a pas grand chose à voir avec un chatbot du support client !

(C’est un sujet que nous avons déjà abordé dans cet article sur les chatbots 1ere et deuxième generation )

Agents conversationnels : différents degrés de complexité

On utilise souvent le terme de chatbot pour désigner les agents conversationnels de type “support client” : trouver un billet de train, obtenir son code PUK…Mais la plupart de ces chatbots n’ont en réalité pas de réelle compréhension de la demande de leurs interlocuteurs. Ils repèrent des mots clefs déclencheurs, afin de fournir une réponse pré-programmée, ce qui est une forme très basique de détection d’intention.

On parle dans ce cas d’arbre de décisions : le chatbot a un nombre de scénarii limités déclenchés par des expressions ou des mots clefs prévus à l’avance. Ce sont des projets nécessitant de grosses bases de connaissance des mots clefs si on veut un peu de finesse dans la detection d’intention. Pour mettre en place un projet avec une technologie de chatbot, il faut donc définir en amont l’ensemble des intentions possibles des utilisateurs. On peut obtenir des résultats relativement satisfaisants, à condition que les intentions possibles des utilisateurs soient bien anticipées…mais surtout très restreintes.

La complexité d’une infrastructure chatbot capable de répondre à un nombre de questions exponentiel, une question en amenant deux, voir trois autres, tend à décevoir les utilisateurs. La lourdeur, ou l’absence de réactivité du bot finissent par épuiser les porteurs de projet et lasser les utilisateurs finaux.

Data-assistant : cas spécifique de l’interrogation d’une base de données

Pour permettre à des utilisateurs d’interroger un grand nombre de données, stockées dans une base importante, une technologie de chatbot de type “arbre de décision” ne suffit pas. Un assistant sur les données comme askR.ai repose sur un autre type de technologie, structurée pour interroger de très grosses bases de données où le nombre de combinaisons de requêtes possibles est infinie.

Contrairement à un chatbot, un data-assistant est fait pour comprendre le langage naturel grâce au NLP. Il va analyser la structure grammaticale de la question, identifier et classifier les éléments discriminants par rapport aux données. Ce “databot" va ainsi générer à la volée la requête ad hoc, et restituer la réponse documentée à l’utilisateur sous la forme d’un chiffre, d’une dataviz ou d’un tableau. Grâce à cette capacité de génération de réponse en direct, et non basée sur des réponses préstockées dans une base de connaissance, un data-assistant a assez de mémoire pour gérer la notion de conversation et gagner en crédibilité. L’utilisateur peut interagir plus facilement, en précisant une question, en suivant un fil de discussion sur une même thématique, en demandant de l’aide ou des suggestions…

A titre d’exemple, Orange Espagne a essayé de paramétrer un chatbot sur les données financières. Au bout d’un an de travail acharné, ils se sont rendu compte que les potentielles combinaisons d'intentions des utilisateurs en interrogation de données étaient trop complexes et trop spécifiques. Impossible de tout prévoir et stocker en amont, via une simple plateforme chatbot. Ils se sont alors tournés vers le data-assistant de référence en Europe, askR.ai.

 

Pour mémoire, askR.ai est le premier "augmented data assistant », connecté aux données de l’entreprise et doté d’une intelligence artificielle, qui répond instantanément à vos questions.


2020 Gartner Magic Quadrant for Business Intelligence & analytics : 3 points à retenir !

Gartner vient de publier les résultats de son analyse 2020 Magic Quadrant Business Intelligence & Analytics. L’analyste définit désormais une plateforme analytics & BI moderne par des fonctionnalités faciles à utiliser sur tout le process analytique - depuis la préparation des données jusqu’à l’exploration visuelle et la génération d’insights - en insistant sur l’aspect libre-service et surtout sur l’aspect augmenté.

Askr.ai vous propose un aperçu des orientations stratégiques relevées par le Gartner Magic Quadrant for Business Intelligence & Analytics 2020, et quelques pistes de réflexion !

1 / Intégration cloud et visualisation fluide des données sont devenus des acquis. 

2 / L'intégration aux workflows existants et à l’environnement pré-existant est déterminant. (le cas Looker et le cas Salesforce)

3 / Tendance confirmée : les analytics augmentés pour booster les plateformes data.

1/ Intégration cloud et dataviz fluides sont devenus des acquis. 

Quelles sont les différences avec l’année dernière concernant les critères déterminants de classification des plateformes ?

  • Une bonne capacité de dataviz est devenue la norme.

  • Les entreprises attendent de l’aide dans la construction d’un reporting business adapté.

  • Les analytics augmentés sont de vraies sources de différentiation et donc d’investissement pour les éditeurs, que ce soit pour du Machine Learning, ou pour de la préparation de données intelligente, ou encore de la génération d’insights et d’explications de ces insights. 

Des critères largement revus avec l’émergence des analytics augmentés

En comparant les critères 2019 et les critères 2020, la sécurité est mise en avant : avec l’émergence de solutions basées sur le cloud, les entreprises se montrent de plus en plus exigeantes sur la sécurité des données traitées. 

2 / L'intégration à l’environnement déjà existant devient incontournable

  • Looker

Avec l’emergence de la BI moderne, les entreprises ont besoin de plateformes intégrées qui ne multiplient pas les outils et favorisent un reporting ultra-personnalisé. Looker, qui a atteint pour la 1ere fois la catégorie de challenger dans ce classement, a pour cela lancé un portail pour les développeurs et une intégration avec Slack. Si cette dernière intégration n’est pas la seule sur le marché (ce data-assistant est aussi disponible sur Slack ) elle marque nettement la progression du besoin d’assistance en langage naturel. De plus, son acquisition par Google augmente à la fois sa visibilité sur le marché, tout en posant question sur sa future intégration à la suite de produits google.

  • Salesforce avec Einstein Analytics

La grosse surprise de 2019 reste l'acquisition de Tableau par Salesforce . Son produit Einstein analytics possédait déjà un avantage significatif sur les autres plateformes en terme de déploiement intégré aux applications business. Pour pallier au fait que cet outil était souvent uniquement couplé à l’usage de Salesforce, l’acquisition de Tableau est un tour de force dont on attend encore les répercussions exactes sur le marché .

2018 Gartner Magic quadrant for Business Intelligence and Analytics. (IMAGE REMOVED )

2019 Gartner Magic quadrant for Business Intelligence and Analytics. (IMAGE REMOVED )

2020 Gartner Magic quadrant for Business Intelligence and Analytics. (IMAGE REMOVED )

3 / analytics augmentés : suggestion, modélisation, requêtes en langage naturel

Gartner évoque les analytics augmentés comme un critère d’évaluation de progression. Toutes les plateformes ayant maintenu une ligne claire de développement sur cet axe ont gagné des points dans le Gartner 2020 par rapport aux Gartner 2019 et 2018. On peut citer Oracle, qui passe pour cette raison dans la catégorie visionnaire pour la 1ere fois. On trouve, pêle-mêle, des fonctions de Smart discovery, de Smart reporting, de recherche NLP, de modélisations guidées par IA… Ou encore des suggestions automatiques, une fonctionnalité très appréciée des interrogés (SAS ou askR.ai)

augmented analytics evolution

Le concept d’analytics augmentés permet également à Tableau de rester dans le groupe des Leaders cet année, avec la sortie de Ask Data ( cf : Nous avons testé ASK DATA) et Explain data. L’utilisation du NLP chez plusieurs acteurs réduit l’avantage concurrentiel que cela offrait à Thoughspot, qui reste leader mais talonné. 

Si le NLP était la grande tendance annoncée pour cette année 2020, ce n’était finalement que le signe annonciateur d’une transformation beaucoup plus approfondie de la Business Intelligence vers les analytics augmentés.

augmented data assistant askR.ai EBG

Les augmented analytics sont une évolution positive de la BI. Le data-assistant askR.ai offre grâce au NLP une manière intuitive, simple et efficace d’accéder à ses données !