Qu'est-ce que le machine learning pour l'analyse ?

L'analyse et le machine learning existent depuis des dizaines d'années, mais l'utilisation du machine learning a été limitée en raison des défis qui y sont associés. Le ML exigeait beaucoup de processeurs et nécessitait des compétences et des outils spécialisés qui n'étaient pas largement disponibles. Cependant, l'arrivée du cloud computing a rendu plus économique et plus facile pour beaucoup d'autres entreprises d'accéder à l'échelle de la puissance de calcul nécessaire pour exécuter le machine learning. Les puissantes capacités de traitement de nos smartphones et ordinateurs portables ont permis à presque tout le monde d'accéder à l'analyse avec le machine learning et de l'utiliser, ainsi que de prendre des décisions mieux informées et basées sur les données.

Définition de l’analytique

L'analyse est le processus de découverte, d'interprétation et de communication de modèles significatifs de données. L'analyse permet de générer des informations pertinentes à partir de diverses sources de données. L'analyse métier se concentre sur l'utilisation des informations dérivées des données pour prendre des décisions plus éclairées qui conduisent à une augmentation des ventes, à une réduction de la rotation du personnel, à des itinéraires de livraison optimisés et à d'autres améliorations commerciales qui aident les entreprises à réussir.

Définition de l'apprentissage automatique

Le machine learning est une application d'intelligence artificielle (IA) qui permet aux machines d'apprendre et de s'améliorer automatiquement à partir de l'expérience sans être explicitement programmés. Le ML repose sur le développement des modèles qui accèdent aux données et les utilisent pour apprendre par elles-mêmes, puis faire des inférences, des recommandations et des prédictions. Pour entraîner ces modèles, il faut d'abord les alimenter avec des volumes massifs d'observations ou de données historiques, ce qui nécessite des ressources informatiques à forte intensité de traitement. Les modèles entraînés sont ensuite appliqués à de nouveaux ensembles de données pour découvrir et présenter des informations basées sur les données.

Définition du machine learning pour l'analyse

Le machine learning pour l'analyse est le processus d'utilisation d'algorithmes de machine learning pour aider le processus d'analyse à évaluer les données et à découvrir des informations dans le but de prendre des décisions qui améliorent les résultats de l'activité.

Le machine learning dans l'analyse aide les analystes de deux manières :

• 1. Fournir des informations basées sur l'analyse. Les résultats générés par le machine learning, ou analyses prédictives, sont dérivés des données et sont axés sur l'analyse (et non sur l'expérience humaine), ce qui signifie que le biais est réduit. Les analyses du machine learning permettent d'identifier des valeurs aberrantes ou des tendances dans les données qui, autrement, pourraient ne pas être trouvées. Si vous ne pensiez pas à rechercher quelque chose, vous ne le trouverez jamais. Grâce à la puissance de l'informatique basée sur le cloud, le machine learning peut envisager plus de scénarios pour répondre à une question que ne le ferait une approche traditionnelle sans ML.

•  

• 2. Améliorer la productivité des analystes. Les fonctionnalités alimentées par le machine learning au sein des plateformes d'analyse modernes aident les analystes à accélérer le délai entre l'obtention des données et la prise de décision. Les fonctionnalités intégrées à ces plateformes peuvent analyser automatiquement des jeux de données et générer des visualisations contextuelles avec des commentaires, ce qui aide les analystes à créer rapidement leurs récits des données. AutoML est un autre outil pour augmenter la productivité des analystes, car il teste automatiquement divers algorithmes de machine learning pour aider l'analyste à trouver le modèle le plus précis pour son cas d'utilisation.

Pourquoi utiliser le machine learning avec l'analyse ?

Les analyses sans machine learning dépendent des analystes humains pour créer les analyses, trouver des informations et formuler des recommandations en fonction de leurs interprétations. Les résultats dépendent grandement des expériences et des opinions professionnelles de l'analyste.

L'utilisation du machine learning avec les analyses améliore le processus d'analyse de deux façons principales :

• 1. Le machine learning augmente l'analyse traditionnelle en identifiant des modèles, des tendances et des corrélations qui seraient autrement passés inaperçus par l'analyse traditionnelle seule. Ces idées et recommandations sont uniquement basées sur les données fournies, dans le but de réduire l'intuition humaine, l'expérience ou les préjugés.

•  

• 2. Le machine learning aide les décideurs à être plus efficaces avec leurs processus d'analyse, par exemple en évaluant automatiquement des jeux de données et en formulant des recommandations visuelles sur les résultats ou en formulant des recommandations pour préparer et enrichir les données plus rapidement. Ces fonctionnalités accélèrent le délai de prise de décision en alimentant rapidement les tableaux de bord avec des informations dérivées du machine learning et axées sur l'analyse.

L'utilisation du ML dans l'analyse n'est pas une exigence et ne doit être utilisée que lorsque cela est approprié. L'augmentation de l'analyse avec le machine learning de manière appropriée améliore les processus de décision existants. Par exemple, lors de l'utilisation d'un nouveau jeu de données, le machine learning peut être utilisé pour analyser automatiquement les données et fournir des informations dérivées des données en tant que récits et visualisations textuels.

Cinq façons d'utiliser le machine learning dans la plateforme d'analyse d'Oracle

Les bonnes plateformes d'analyse fournissent des fonctionnalités de machine learning à tous les niveaux d'utilisateurs, des amateurs qui connaissent les algorithmes couramment utilisés et comment les adapter aux utilisateurs qui souhaitent une expérience simple et sans code pour appliquer le machine learning à leurs jeux de données.

Ajoutez des informations basées sur l'analyse aux scénarios de données en un clic

Les utilisateurs qui n'ont pas ou peu d'expérience en machine learning peuvent ajouter des calculs avancés, tels que des prévisions (analyses prédictives), des clusters, des lignes de référence et des lignes de tendance, à leurs projets de visualisation en un seul clic. Cette méthode utilise des algorithmes génériques et est utile pour mettre en évidence les anomalies potentielles dans les données qui peuvent nécessiter un examen plus approfondi.

L'exemple ci-dessous est un graphique simple qui affiche les revenus dans le temps, les prévisions générées automatiquement étant grisée. Le suivi des revenus futurs attendus est facile et le modèle futur prévu dans ce cas correspond aux attentes ; aucune anomalie n'est apparente.

Rôles standard qui utilisent l'analyse avancée :
utilisateurs professionnels sans expérience en codage

Utiliser le machine learning pour expliquer un nouveau jeu de données

Les analystes d'entreprise peuvent ne pas savoir par où commencer lors de la création de nouveaux récits visuels avec des données inconnues. Ce scénario signifie que l'analyste retombe sur son expérience professionnelle pour guider son processus de construction de ses analyses. Cependant, cette approche peut introduire un biais humain et conduire à des résultats inexacts. Une meilleure approche consiste à permettre au ML d'évaluer d'abord toutes les données, puis de mettre en évidence les résultats visuellement avec des récits descriptifs. Ensuite, l'analyste commence ses analyses en fonction de ce que les données lui disent.

Dans l'exemple ci-dessous, un nouvel ensemble de données est analysé par la fonctionnalité de machine learning intégré, auto-insights, qui a trouvé plusieurs modèles et tendances dans les données que l'analyste n'a peut-être jamais pris en compte. Un simple clic ajoute ensuite ces résultats dans le canevas du classeur. Cela prend en charge une approche analytique de la narration des données et présente des informations clés qui auraient autrement pu être manquées.

Rôles standard qui utilisent des informations clés automatisées :
utilisateurs professionnels, citizen data scientists

Modèles formés par des citizen data scientists pour tous les utilisateurs

Les utilisateurs familiers avec les différents types d'algorithmes de machine learning et leurs données peuvent utiliser des flux de données de type glisser-déposer pour créer, régler, tester et publier des modèles de machine learning personnalisés afin de générer leurs analyses prédictives, sans avoir à coder. Ces modèles de machine learning spécialement conçus créent des prévisions plus précises pour leur cas d'utilisation spécifique que leurs homologues génériques.

La première étape consiste à entraîner et à tester le modèle ML. Pour ce faire, l'utilisateur connecte une source de données historique avec des résultats connus, choisit l'algorithme ML approprié et définit les paramètres pour ce cas d'utilisation particulier. Le modèle est ensuite testé par rapport aux nouvelles données pour déterminer la précision. Si les prédictions du modèle sont acceptables, le modèle peut ensuite être publié auprès d'un public plus large. Les modèles publiés peuvent ensuite être exécutés par n'importe quel utilisateur par rapport aux nouveaux ensembles de données. Cette méthode de création et de test centralisés garantit que les personnes disposant de la formation et de l'expérience appropriées créent des modèles fiables. Il fournit également un accès facile pour la plupart des utilisateurs en supprimant la dépendance vis-à-vis du service informatique pour exécuter les modèles en leur nom.

Rôles typiques qui entraînent des modèles de machine learning sans code :
citizen data scientists, utilisateurs expérimentés

Pour des cas d'utilisation spécifiques nécessitant des modèles de machine learning spécialisés

Rôles standard qui intègrent les services de data science :
data scientists, citizen data scientists, spécialistes des applications informatiques

Fonctionnalités de machine learning prédéfinies pour les utilisateurs professionnels

Les applications d'analyse sont des analyses spécialement conçues pour les fonctions métier, telles qu'Oracle Analytics pour HCM ou Analytics pour ERP. Ces applications d'analyse utilisent les méthodes de machine learning décrites ci-dessus, mais fournissent des modèles de machine learning prédéfinis pour des cas d'utilisation spécifiques. Par exemple, une application d'analyse ERP pourrait fournir un ML prêt à l'emploi pour la prédiction des paiements dans les temps ou la détection des anomalies de dépenses, tandis qu'une application d'analyse HCM pourrait fournir des modèles, tels que la prédiction de la rotation des salariés.

Rôles utilisateur standard :
Utilisateurs professionnels des services, analystes d'entreprise

Étapes suivantes

Le machine learning intégré à l'analyse est une capacité puissante pour augmenter le processus d'analyse qui a rapidement évolué avec le cloud computing. Il peut fournir des analyses prédictives et identifier des modèles, des tendances et des corrélations dans des données qui passeraient autrement inaperçues. Les modèles de ML aident également à réduire les préjugés involontaires et permettent aux parties prenantes de prendre des décisions plus éclairées. Les bonnes plateformes d'analyse fournissent des fonctionnalités de machine learning à tous les niveaux d'utilisateurs, ce qui facilite l'utilisation du machine learning dans leurs analyses, quelle que soit leur capacité technique.

Avec les plateformes d'analyse modernes, commencer votre parcours avec le ML est plus facile que vous ne le pensez. Le machine learning ne remplace pas vos processus d'analyse actuels, mais l'augmente en recommandant de nouvelles options qui peuvent conduire à de meilleures décisions commerciales.