Dans le monde actuel centré sur les données, les entreprises s'appuient sur des outils et des technologies de pointe pour extraire des informations précieuses de leurs données. Qlik Sense, acteur majeur de la business intelligence et de l'analyse de données, a lancé une fonctionnalité innovante appelée « Insight Advisor » pour aider les utilisateurs à exploiter la puissance des données avec une facilité inégalée. Si Insight Advisor offre de nombreuses fonctionnalités, cet article approfondit l'un de ses aspects les plus fascinants: l'interaction en langage naturel, soutenue par un modèle logique et un vocabulaire métier.
La puissance de l’interaction en langage naturel
Imaginez un scénario où n'importe quel membre de votre organisation, quel que soit son niveau technique, pourrait facilement accéder à des données complexes et les analyser. Insight Advisor de Qlik Sense rend cela possible en permettant aux utilisateurs d'engager des conversations en langage naturel avec leurs données, comme s'ils échangeaient avec un expert en données. Grâce à l'apprentissage automatique et à la logique métier, ces informations deviennent de plus en plus pertinentes au fil du temps. L'analyse conversationnelle et visuelle entre en jeu, et grâce au moteur associatif de Qlik, elle s'applique à toutes vos données, dans toutes les directions, sans agrégation préalable ni requêtes prédéfinies.
Vous pouvez voir ici une question simple : « Afficher les ventes par vendeur » posée à Insight Advisor et comment cet outil puissant génère différentes informations conversationnelles et visuelles. Ces éléments visuels peuvent ensuite être ajoutés à différentes feuilles front-end. Les informations présentées ci-dessous sont générées sans aucune modification du modèle logique. Ainsi, même sans aucune intervention, vous disposez déjà d'un outil puissant en utilisant simplement Insight Advisor. Comme vous pouvez le voir, Insight Advisor est utilisé en accédant simplement à l'onglet Insight Advisor dans le coin supérieur gauche de l'écran en mode feuille.
Autonomiser les utilisateurs et accélérer la prise de décision
Les implications de l'interaction en langage naturel d'Insight Advisor, soutenue par un modèle logique et un vocabulaire métier, sont profondes. Voici comment elle renforce les organisations :
- Accessibilité : Les questions en langage naturel rendent l’analyse des données accessible à un plus large éventail d’employés, réduisant ainsi la dépendance vis-à-vis des experts ou des analystes de données.
- Efficacité : Grâce à un accès plus rapide aux informations, la prise de décision gagne en agilité. Les utilisateurs peuvent obtenir les informations dont ils ont besoin en une fraction du temps nécessaire avec les méthodes traditionnelles d'analyse de données.
- Autonomisation : les utilisateurs professionnels peuvent explorer les données, créer des rapports et prendre des décisions basées sur les données sans formation approfondie, mettant ainsi la puissance des données entre les mains de ceux qui comprennent le mieux l'entreprise.
Le modèle logique : donner du sens aux conversations
Au cœur de l'interaction en langage naturel d'Insight Advisor se trouve un modèle logique sophistiqué. Ce modèle, véritable cerveau du système, peut être personnalisé pour optimiser l'expérience utilisateur. Les différents composants du modèle logique sont présentés ci-dessous, ainsi que la manière dont ils précisent les relations, indiquent les hiérarchies, etc. Cet ensemble de données permettra d'analyser les différents composants du modèle logique et de mieux comprendre comment ils optimisent la puissance d' Insight Advisor.
Champs & Groupes
Les champs et groupes clarifient les relations entre les champs et les éléments principaux dans le contexte de l'analyse de données. Si l'on considère l'exemple de jeu de données, on peut créer un groupe reproduisant la table « Clients », avec l'ajout éventuel d'un ou plusieurs éléments principaux. Plus ces champs et groupes sont détaillés, mieux c'est. Ils constituent la base du reste du modèle logique. L'une des meilleures pratiques consiste à dissocier les identifiants, par exemple le numéro d'employé. Ainsi, vous êtes sûr que Qlik utilisera le nom d'employé lors de la génération d'informations. Une autre bonne pratique consiste à examiner la colonne « Recherche de valeur de données » et à la définir sur « Non » pour chaque mesure et champ que vous ne rechercherez pas spécifiquement. Cela améliorera les performances de la génération d'informations.
Packages
Les packages permettent de définir les relations entre les différents groupes. Ils permettent de définir le périmètre. Une approche judicieuse consiste à considérer chaque package comme une unité commerciale, car la plupart du temps, il n'est pas souhaitable que les données de l'unité commerciale « Ventes » soient utilisées par l'unité commerciale « Support ». Il est possible d'utiliser le même groupe dans plusieurs packages.
Hiérarchies
Ici, nous pouvons définir une relation détaillée entre « Employés » et « Commercial ». Ainsi, le modèle logique comprend que « Commercial » est un sous-ensemble d'« Employés » et permet une comparaison pertinente entre les deux. Une hiérarchie utilisant des groupes, aucune relation ne peut être définie entre les champs.
Comportements
Pour mieux définir le périmètre de l'analyse, certaines relations peuvent être privilégiées ou non entre un groupe de mesures et une dimension ou un groupe de mesures. Par exemple, nous pouvons choisir de ne pas lier un groupe de mesures spécifique à un groupe de dimensions spécifique, car cela n'est pas utile à l'analyse.
Périodes calendaires
Permet de créer des périodes calendaires par défaut utilisées par Insight Advisor. Ceci est utile pour comparer différentes périodes, par exemple le T4 avec le T3 ou le T4 de cette année avec le T4 de l'année dernière. Avec les comportements, vous pouvez lier cette option à un groupe de mesures. Ainsi, ce groupe utilisera toujours cette période calendaire lors de la génération d'analyses.
Insight Advisor crée son modèle logique lorsqu'il est utilisé. Cependant, il appartient à l'utilisateur de l'exploiter pour le rendre aussi efficace et performant que possible pour l'analyse de rentabilisation.
Le vocabulaire logique métier
Vocabulaire
Pour fournir aux utilisateurs les informations les plus pertinentes, Insight Advisor s'appuie sur un vocabulaire métier spécialisé, adapté aux besoins de l'utilisateur métier. Il permet de définir des termes absents du modèle de données et d'indiquer des noms alternatifs. Par exemple, « UC » est défini dans les données pour représenter les unités commerciales. Si « Unité commerciale » est utilisé dans une question, Insight Advisor ne le comprendrait pas. Il est donc possible de le clarifier dans le vocabulaire. Des noms alternatifs peuvent également être ajoutés, tels que Bénéfices, Recettes et Chiffre d'affaires pour le champ Revenu.
Analyse personnalisée
L'analyse personnalisée définit la réponse pour des termes spécifiques et contrôle les analyses renvoyées par Insight Advisor. Plus de détails seront fournis à l'aide d'un exemple présenté dans la vidéo ci-dessous.
Le terme « Ventes par qualité » est utilisé pour créer une analyse personnalisée. Ainsi, lorsque « Ventes par qualité » est utilisé dans une question, Insight Advisor utilisera des spécifications détaillées pour générer une réponse.
La deuxième étape consiste à définir un type d'analyse. Ici, « Classé » sera utilisé pour classer les résultats selon une mesure. Ensuite, vous pouvez définir les mesures et dimensions par défaut à utiliser dans la visualisation. Sinon, Insight Advisor déterminera les plus appropriées. « Ventes » sera affiché pour le « QualRating » du produit. Vous pouvez personnaliser davantage la réponse en définissant des « Contraintes » pour limiter la portée. Par exemple, seules les valeurs supérieures à un certain seuil doivent être affichées. Dans cet exemple, nous souhaitons uniquement afficher « Ventes » pour le « Pays » Belgique.
Enfin, un type de graphique par défaut peut être défini sous l'onglet « Graphique ». Vous pouvez ici suggérer un type de graphique à utiliser dans la réponse. Ce type sera remplacé par Insight Advisor lorsqu'un autre type de graphique sera plus approprié. Vous pouvez également l'imposer. Ainsi, ce type de graphique sera toujours utilisé. Pour terminer notre analyse personnalisée, sélectionnez « Graphique à barres (groupé) ».
Exemples de questions
Grâce aux exemples de questions, vous pouvez fournir à l'utilisateur une liste de questions possibles. Cela peut être utile pour lui présenter les possibilités d'Insight Advisor.
Défis
Outre ses nombreux avantages, le paradigme logique et le vocabulaire de la logique métier d'Insight Advisor présentent plusieurs défis.
Pour construire le modèle logique de manière optimale, il est primordial de connaître l'ensemble de données. Qlik intervient initialement en le produisant partiellement ; néanmoins, l'utilisateur doit encore compiler les « packages », par exemple. Il est également essentiel de prendre en compte les questions que l'utilisateur peut se poser, car le modèle logique peut ensuite être amélioré à la lumière de ces réponses.
Ensuite, développer un vocabulaire solide en logique métier demande beaucoup d'efforts. Si un ensemble de données volumineux est disponible, sa création et sa maintenance peuvent nécessiter l'utilisation de plusieurs synonymes, traductions, etc.
Conclusion
Avec son interaction en langage naturel, Insight Advisor de Qlik Sense constitue une avancée majeure en analytique. En rapprochant humains et machines, il permet aux organisations d’exploiter pleinement leurs actifs de données. Grâce à cet outil innovant, les entreprises prennent des décisions éclairées, découvrent des opportunités cachées et gardent une longueur d’avance dans un monde toujours plus axé sur les données.
