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

"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 !

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.

---