Dans le monde des affaires, qu’elles soient grandes ou petites, chaque entreprise détient une mine de données précieuses qui peuvent aider à prendre des décisions impactantes. Cependant, pour en extraire des insights, il faut généralement effectuer beaucoup de travail manuel sur les données brutes, que ce soit par des utilisateurs semi-techniques (comme les fondateurs et les leaders de produit) ou par des spécialistes des données dédiés – et coûteux.
Pour produire une réelle valeur, les informations doivent être collectées, supervisées, modifiées et extraites de dizaines de feuilles de calcul et de différentes plateformes commerciales : le CRM de l’organisation, son ensemble de technologie marketing, son système de commerce électronique et les données de son site web, pour ne citer que quelques exemples courants. Clairement, c’est un processus chronophage, et les résultats peuvent être obsolètes, plutôt que des insights de dernière minute.
La solution idéale pour les entreprises serait de requêter des données en temps réel en utilisant un langage naturel (plutôt que d’écrire du code en SQL ou Python), avec des systèmes intelligents travaillant en arrière-plan pour corréler et analyser différentes sources de données et formats. C’est l’analyse de tendance, où les utilisateurs peuvent simplement poser des questions en langage clair et laisser l’IA faire le gros du travail. Au lieu de se livrer à des luttes manuelles avec les données et de passer des heures à découvrir des insights cachés au fond des ensembles de données, les utilisateurs obtiennent des résultats rapidement – sous forme de texte, de graphiques, de résumés et, si nécessaire, de détails détaillés.
L’analyse des tendances est importante pour toute organisation, mais pour de nombreuses entreprises, les insights en temps réel sont cruciaux. Dans le secteur agricole, par exemple, Lumo utilise la plateforme de Fabi.ai pour gérer de grands parcs de dispositifs IoT, collectant continuellement des données de télémétrie et ajustant ses systèmes en fonction des informations collectées, normalisées et analysées.
En utilisant l’analyse des tendances, Lumo voit immédiatement les performances des dispositifs, ainsi que les tendances qui se développent au fil du temps. Il intègre les données météorologiques et corrèle les indicateurs de performance du parc de dispositifs avec les facteurs environnementaux. Les tableaux de bord de données que Lumo a construits ne sont pas le résultat de nombreux mois de travail à écrire des routines d’intégration de données et de codage front-end, mais ils sont le fruit de l’analyse des tendances.
Les sceptiques des capacités de l’IA soulèvent souvent l’analyse de tendance comme un exemple de là où les choses peuvent mal tourner, en soulevant des préoccupations concernant le contrôle de la qualité et la nature « boîte noire » de l’analyse pilotée par l’IA. De nombreux utilisateurs veulent avoir une visibilité sur la façon dont les résultats sont générés, avec la possibilité d’inspecter la logique, de peaufiner les requêtes ou d’ajuster les appels API pour garantir la précision. Lorsque c’est bien fait, l’analyse des tendances répond à ces préoccupations en combinant transparence et rigueur. Les entrées en langage naturel et les méthodes de construction modulaires le rendent accessible aux utilisateurs semi-techniques, tandis que les systèmes sous-jacents répondent aux normes d’exactitude et de fiabilité attendues par les équipes techniques. Cela signifie que les utilisateurs peuvent faire confiance à la sortie, qu’ils travaillent de manière indépendante ou en collaboration avec des data scientists et des développeurs.
Conçu spécifiquement pour les experts en données et les utilisateurs de données semi-techniques, Fabi est une plateforme BI générative qui apporte une analyse des tendances bien faite à la vie. Le code qu’il produit peut être entièrement caché, ou affiché textuellement et édité sur place, donnant aux utilisateurs semi-techniques la possibilité de comprendre comment fonctionne l’analyse sous le capot, tout en permettant aux équipes techniques de vérifier et de peaufiner la sortie du système. Les données proviennent des systèmes de l’organisation (la plateforme médie les connexions) ou sont téléchargées. Les insights exploitables résultants peuvent être envoyés/planifiés par e-mail, slack, google sheets, affichés sous forme de graphiques, de texte, ou d’un mélange des deux.
Le co-fondateur et PDG de Fabi, Marc Dupuis, décrit comment de nombreuses organisations commencent à utiliser la plateforme d’analyse en testant des flux de travail et des requêtes sur des données d’exemple avant de passer à l’analyse du monde réel. Au fur et à mesure que les utilisateurs explorent les trésors de données et testent leur travail, ils peuvent vérifier sa véracité, souvent en collaboration avec quelqu’un de plus techniquement compétent, grâce à la vue ouverte et transparente de Smartbooks de la plateforme pour montrer ce qui se passe sous le capot. Cela fonctionne aussi dans l’autre sens : les utilisateurs de données semi-techniques peuvent confirmer que les données traitées sont pertinentes et exactes.
Pour répondre aux préoccupations courantes concernant le contrôle de la qualité et l’IA « boîte noire », Fabi limite l’analyse des tendances à des sources de données contrôlées en interne, avec des garde-fous intégrés. Le code peut être affiché textuellement et édité sur place, donnant aux utilisateurs semi-techniques une visibilité sur la façon dont les résultats sont produits, tout en permettant aux équipes techniques d’auditer, de vérifier et de peaufiner les sorties. Le partage collaboratif de rapports, de découvertes et de code de travail aide les équipes à valider les résultats sans sortir de leur domaine d’expertise.
Les flux de travail typiques comprennent des tableaux de bord de KPI en temps réel ; des questions-réponses en langage naturel sur les données opérationnelles et produit ; des analyses de corrélation (par exemple, performances des dispositifs par rapport aux conditions météorologiques) ; l’exploration de cohortes et de tendances ; des résultats de tests A/B et des résumés d’expériences ; et des rapports programmés et partageables mélangeant texte, graphiques, résumés et détails détaillés. Ces flux de travail collaboratifs sont conçus pour être efficaces et intuitifs, de sorte que, qu’ils travaillent collectivement ou individuellement, les utilisateurs peuvent débloquer des insights même à partir des arrangements de données les plus complexes.
Fabi a obtenu son premier tour de financement de la part d’Eniac Ventures en 2023, c’est donc une entreprise en mouvement. L’équipe continue d’étendre ses capacités, avec des plans pour rendre l’analyse des tendances encore plus fluide pour les utilisateurs semi-techniques et techniques. Les organisations intéressées par l’exploration de la plateforme peuvent commencer par tester des flux de travail sur des données d’exemple, puis passer à des cas d’utilisation réels à mesure qu’elles gagnent en confiance dans la transparence et la précision du système.