Le paysage des outils data a profondément changé en l'espace de quelques années. Les entrepôts de données traditionnels et autres logiciels de BI (business intelligence) ont reculé, au profit de concepts et d'offres plus adaptées aux problématiques actuelles.

Pourquoi les outils de BI ne sont-ils plus adaptés aux besoins analytiques ?

Le numérique a complètement rebattu les cartes en matière de besoins analytiques. De fait, nous avons rapidement changé nos usages :

  • navigation et utilisation d'apps mobiles ;
  • consommation accrue en ligne ;
  • exigences de rapidité, de personnalisation ;
  • émergence de start-up et d'offres disruptives...

Les entreprises se sont retrouvées confrontées à des enjeux et besoins inédits, auxquels il fallait répondre avec une nouvelle approche.

Qu'est-ce qu'apporte le machine learning ?

Parmi les approches nouvelles, la data science s'est vite imposée comme une discipline capable de s'appuyer sur la donnée pour créer des services ayant un impact fort.

Le machine learning, usage de l'ordinateur pour créer, entraîner et affiner des modèles algorithmiques, ouvre de nouvelles perspectives. Il permet notamment d'automatiser des processus, ou bien de détecter des anomalies dans un texte, dans des logs ou sur une chaîne de production, et pourquoi pas de déclencher une action si besoin...

On l'aura compris, il ne s'agit pas tant de faire mieux que les humains, il s'agit de faire davantage, plus vite.

Share this post