augmented analytics

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 !


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 ;)