Une visualisation vaut un millier de tableaux : Comment voir le big data avec IBM Business Analytics?

Transcription

1 Livre blanc Une visualisation vaut un millier de tableaux : Comment voir le big data avec IBM Business Analytics? Sommaire Synthèse...2 Introduction...3 Trop de données, pas assez d information... 3 Seuls les statisticiens aiment les tableaux...4 Les tableurs ne valent pas les outils de visualisation de données...4 La solution : une visualisation riche... 5 Qu est-ce que la visualisation?...5 Pourquoi la visualisation est-elle différente du reporting? Analyse de données exploratoire et analyse prédictive Visuellement Comment la visualisation d analyses crée des avantages concurrentiels...12 Visualisation IBM : naturelle, intuitive et puissante Des visualisations qui s adaptent automatiquement aux données...12 Interactivité...12 Extensibilité et solutions prêtes à l emploi...13 Conclusion : la visualisation rend le big data accessible A propos de Ziff Davis B2B Ziff Davis B2B est un important fournisseur d études pour les acheteurs de technologies et de leads de haute qualité pour les éditeurs informatiques. En tant que membre de la famille Ziff Davis, Ziff Davis B2B a accès à plus de 50 millions d acheteurs de technologies sur ses marchés chaque mois et soutient la mission première de l entreprise qui consiste à aider les acheteurs de technologies à prendre des décisions métier plus éclairées nd Street, 4 th floor San Francisco, CA Tel: marty_fettig@ziffdavis.com Copyright 2014 Ziff Davis B2B. Tous droits réservés.

2 Synthèse Les entreprises doivent trop souvent se résoudre à présenter leurs données dans des tables récapitulatives et à générer des diagrammes et des graphes à l aide de tableurs. A une époque où les données d entreprise laissent la place au big data, ces approches sont de plus en plus inappropriées et ne produisent pas de vues utiles et accessibles des données. Parallèlement, un nombre croissant d utilisateurs ont le désir, les moyens et le besoin de s investir dans leurs propres projets d analyse de données exploratoire au lieu de simplement étudier des tableaux de bord et des scorecards standard. Dans les deux cas, les outils de visualisation sont souvent plus adaptés que les feuilles de calcul et les tableaux pour aider les parties prenantes à vraiment comprendre leurs données. IBM propose plusieurs solutions qui permettent aux utilisateurs techniques ou non techniques de laisser de côté les anciennes approches inefficaces et d explorer et de visualiser les données de manière intuitive, quelle que soit leur complexité. Ce document étudie en détail les avantages de la visualisation pour l exploration et l analyse des données, ainsi que certains outils spécifiques d IBM qui prennent en charge l analyse à l échelle d une entreprise. ziffdavis.com 2 sur 13

3 Introduction Les entreprises sont censées être «axées sur les données». Elles collectent des indicateurs, stockent des préférences utilisateur, suivent le comportement des clients et recueillent des téraoctets de données machine. Mais plus la quantité de données collectées par l entreprise augmente, plus la capacité de cette dernière à agir sur les données a tendance à diminuer. Le volume et la complexité des données sont tout simplement trop écrasantes et beaucoup d entreprises ont du mal à avoir une vue d ensemble des choses. La valeur prédictive des données et les avantages concurrentiels qu elles peuvent procurer sont noyées dans la masse. Ce problème est d autant plus marqué que les secteurs d activité ont besoin d accéder aux données de façon interactive et d intégrer les analyses métier à leur prise de décision quotidienne. Ce qui relevait auparavant de la seule responsabilité des statisticiens et des data-scientists atteint aujourd hui un groupe d utilisateurs métier beaucoup plus large. Bien que ces utilisateurs manquent parfois d expertise statistique, leur connaissance approfondie du domaine concerné leur permet d avoir accès aux outils d analyse adéquats, indispensables pour améliorer les efficacités opérationnelles et identifier de nouvelles opportunités. Dans les entreprises de taille moyenne, qui manquent souvent de ressources pour les data-scientists spécialisés, ces outils sont d autant plus critiques. Trop de données, pas assez d information Aujourd hui, les entreprises de taille moyenne et les grandes entreprises sont presque toutes en lutte avec le big data. Que les données soient importantes simplement de par leur volume, la rapidité de leur collecte ou la complexité des données proprement dites, beaucoup d entreprises en sont arrivées à un point où les moyens d analyse et de reporting traditionnels sont tout bonnement inadaptés pour tirer de véritables informations prédictives des données. Evolution du rôle de data-scientist Pendant des années, beaucoup de grandes entreprises ont fait appel à des statisticiens pour analyser les données, identifier les tendances, soutenir la planification stratégique et améliorer les processus. Ces dernières années, le terme «data scientist» a commencé à faire son apparition dans les listes de postes en entreprise, l analyse métier étant devenue un facteur essentiel de succès et de compétitivité. Bien qu ils soient souvent statisticiens de métier, les data-scientists se distinguent de plusieurs façons : Ils donnent plus de valeur commerciale aux tableaux et passent plus de temps à réfléchir aux ressources de données d une entreprise de façon stratégique. Ils trient toutes les données entrantes dans le but de repérer une information précédemment occultée, qui peut à son tour fournir un avantage concurrentiel ou aider à résoudre un problème métier urgent. Ils communiquent leurs résultats à la fois aux responsables commerciaux et informatiques d une façon qui peut influer sur la manière dont une entreprise va appréhender un enjeu métier. ziffdavis.com 3 sur 13

4 Bien que nous disposions de pratiques, de logiciels et de matériels bien définis pour collecter et stocker les données, du traitement transactionnel haut débit aux magasins de données non structurées dans Hadoop, les entreprises s appuient encore souvent sur les méthodes de reporting traditionnelles. Il est de plus en plus difficile d extraire des informations exploitables d une si grande variété de données alors même que les utilisateurs, à tous les niveaux hiérarchiques, réclament des systèmes d aide à la décision, des fonctionnalités prédictives, un accès aux données en temps réel et une information ciblée. Seuls les statisticiens aiment les tableaux Que faire si l on n a pas de data-scientist en interne? Les data-scientists sont assez présents dans les grandes entreprises, mais beaucoup d entreprises de taille moyenne doivent lutter avec des problèmes de big data sans l aide d un personnel dédié. C est là que les outils d analyse et de visualisation conviviaux entrent en jeu, permettant à une grande variété d utilisateurs de trier et d explorer les données, et de communiquer brièvement leurs éclairages. La plupart des gens sont prédisposés à l apprentissage et à la compréhension visuels. Très peu d individus sont capables de sortir des masses de tableaux de données et d en tirer des tendances ou d appréhender les problèmes dans leur globalité. Même les statisticiens et les data-scientists, qui sont mieux armés que la plupart d entre nous pour gérer les données sous toutes leurs formes, tirent profit d interprétations graphiques interactives des données. Plus important encore, les data-scientists doivent être capables de communiquer avec des publics nombreux et hétérogènes de façon directe et visuelle. Pourtant, même si les diagrammes et les graphes de base sont, la plupart du temps, d excellents supports de communication, il est extrêmement difficile de créer des graphiques interactifs faciles à comprendre à partir de données complexes avec des applications de type Excel. Et plus les données prennent de l ampleur et les utilisateurs exigent des informations prédictives, moins les approches et les outils de reporting de données traditionnels sont efficaces. Les tableurs ne valent pas les outils de visualisation de données Les tableurs sont incroyablement utiles pour certains types de calcul, pour l archivage, pour la mise en tableau et pour beaucoup d autres tâches opérationnelles. En revanche, ce sont des outils de reconnaissance et d exploration très médiocres. Mais malgré ces limites, ils sont encore largement utilisés dans les paramétrages analytiques. De la même façon, les capacités graphiques actuelles des tableurs, voire de certains outils d analyse de premier plan sont beaucoup trop restrictives et exigent une trop forte contribution des utilisateurs pour permettre à ces derniers de visualiser et d explorer efficacement des jeux de données vastes et complexes. Au lieu de comprendre ce que les données leur apprennent sur les tendances du marché, les utilisateurs passent leur temps à essayer de créer des images utiles. ziffdavis.com 4 sur 13

5 «Combien de temps passez-vous à manipuler des jeux de données compliqués pour produire un graphique qui va finalement communiquer quelque chose dans un diaporama?» La solution : une visualisation riche La visualisation est une progression naturelle de l analyse métier qui présente des graphiques convaincants, interactifs et hautement descriptifs qui sont bien adaptés à divers types de données. La visualisation vient compléter les méthodes de production de rapports graphiques, tabulaires et écrits standard en simplifiant de nombreux aspects de la présentation des données et en fournissant des éclairages métier aux utilisateurs. Toutefois, la visualisation présente un autre avantage peut-être encore plus important : elle permet d effectuer des analyses exploratoires suffisamment puissantes pour les data-scientists et assez accessibles aux utilisateurs finaux ne possédant aucune compétence particulière en statistiques. Qu est-ce que la visualisation? Afin de mieux comprendre la visualisation et comment elle peut créer de la valeur pour les entreprises, il est utile de consulter des exemples générés à partir d outils modernes avec différents types de données. Alors que certaines des visualisations ci-dessous sont des exemples de diagrammes et de graphes assez classiques, d autres sont des images dernier cri qui appliquent des méthodes de présentation des données totalement différentes. ziffdavis.com 5 sur 13

6 Graphique à barres Ce graphique à barres empilées illustre une mesure unique pour plusieurs catégories de vente au fil du temps. Graphique radar Graphique radar qui présente des cycles hebdomadaires de données de vente organisés de manière circulaire afin de mieux illustrer les fluctuations relatives de points de données au fil du temps. Carte thermique calendaire Exemple de carte thermique calendaire qui illustre deux ans d évolution (en pourcentages) des commandes clients sur le Web par an (rangée), mois (colonne), jour de la semaine (sous-rangée), semaine (sous-colonne) et jour. Les cartes thermiques peuvent remplacer les graphiques à courbes avec une représentation des données en couches plus intuitive et plus compacte. ziffdavis.com 6 sur 13

7 Visualisation de type «rivière» Une visualisation de type «rivière» est utile pour visualiser des données non structurées et textuelles. Cet exemple illustre la fréquence d utilisation d expressions liées aux plateformes de jeu au fil du temps. ziffdavis.com 7 sur 13

8 Visualisation de réseau social La visualisation d un réseau social peut représenter des modèles de ressenti client, les influenceurs clés et leur portée. Comme avec la visualisation de type «rivière» ci-dessus, ce type de graphique serait impossible à générer avec des outils traditionnels tels que les tableurs, et même avec un grand nombre d applications analytiques. ziffdavis.com 8 sur 13

9 Visualisation de hiérarchie Une visualisation de la hiérarchie représente la grandeur relative de points de données, ainsi que de sous-ensembles de données, à l aide de bulles de différentes tailles et couleurs. Dans cet exemple, la visualisation de la hiérarchie des données indique le nombre de réponses aux campagnes ciblées au niveau régional, départemental et municipal. Notez qu une seule échelle est appliquée à l ensemble des bulles, remplaçant les graphiques circulaires imbriqués ou séquentiels par un graphique unique. ziffdavis.com 9 sur 13

10 Carte d arborescence Les cartes d arborescence affichent les données sous forme de rectangles imbriqués dont la taille représente l importance hiérarchique dans un jeu de données. La carte ci-dessus illustre les sélections de titres d un réseau social à partir d un service de média en streaming. Il existe beaucoup d autres types de visualisation qui enrichissent ou remplacent des types de graphique plus familiers. Les autres, comme les diagrammes à cordes (utilisés pour illustrer les relations au sein d entités associées) ou la carte d arborescence ci-dessus, représentent des manières entièrement nouvelles d examiner les données. Quel que soit le type de visualisation utilisé, les facteurs de différenciation clés entre la visualisation et les techniques de reporting standard sont l interactivité et l intuition. La visualisation fait appel à notre compréhension intrinsèque des relations spatiales et des illustrations graphiques tout en nous permettant d explorer en aval les données afin d étudier et d examiner de manière plus approfondie les domaines d intérêt. Pourquoi la visualisation est-elle différente du reporting? La visualisation n a pas pour vocation de remplacer le reporting, que les rapports soient distribués sous la forme de tableaux de bord, de scorecards ou de comptes rendus plus détaillés décrivant les problèmes métier. Au contraire, les visualisations sont plutôt des suppléments puissants qui peuvent être intégrés dans des rapports et des présentations qui vont permettre de mieux communiquer des idées, des relations et des tendances complexes que des tables de données ou des graphiques plus classiques. ziffdavis.com 10 sur 13

11 Même si la visualisation de données intègre des graphiques à barres simples comme le premier exemple illustré ci-dessus, ou utilise moins d éléments graphiques élaborés, la présentation doit être adaptée aux données sous-jacentes au lieu d essayer de comprimer les données dans des graphiques traditionnels restrictifs. L objectif de la visualisation est de créer de l information métier au lieu de simplement rendre compte des données métier collectées. Analyse de données exploratoire et analyse prédictive Visuellement C est peut-être l utilisation de la visualisation la plus percutante dans l analyse de données exploratoire. Les tableaux croisés dynamiques et autres outils de tableur ne gèrent pas bien le big data et sont assez restrictifs pour des utilisateurs qui souhaitent explorer les relations dans des jeux de données importants et compliqués. Il est beaucoup plus facile de démêler ces relations avec des visualisations conçues pour afficher des associations temporelles, hiérarchiques et thématiques. En même temps, les utilisateurs à tous les niveaux de l entreprise cherchent à extraire des informations prédictives de ces jeux de données complexes. Forrester Research a expliqué comment l analyse prédictive devait être mise en œuvre dans l entreprise à l aide du diagramme Figure 1 : Le processus d analyse prédictive doit être continu pour être efficace Comprendre les données Surveiller Préparer les données Objectif métier Déployer Modéliser Evaluer Source : Forrester Research, Inc. ci-dessous, extrait de leur rapport 2013 intitulé «The Forrester Wave: Big Data Predictive Analytics Solutions, Q1, 2013» : les tâches de surveillance, de compréhension, de préparation et d évaluation des données sont toutes particulièrement bien servies par la visualisation, notamment lorsque les utilisateurs exploitent des données tirées du Web et/ou non structurées. ziffdavis.com 11 sur 13

12 Comment la visualisation d analyses crée des avantages concurrentiels Si les éclairages métier tirés de l analyse de données ne concernant que les data-scientists et la direction générale, l entreprise pourra en profiter sur le plan stratégique mais pour obtenir de réels avantages concurrentiels, l information devra provenir de tous les secteurs d activité. Les opérations doivent elles aussi être orientées données, et pour que cela soit possible, les utilisateurs ont besoin de trouver un moyen d explorer, de comprendre et de tirer profit rapidement et facilement des ressources de données complexes de l entreprise. Les visualisations sont la solution pour garantir que les promesses de l analyse du big data se réalisent tant au niveau stratégique qu opérationnel. Elles sont aussi en train de se démocratiser, permettant aux moyennes et grandes entreprises de puiser dans leurs données selon des méthodes auparavant inaccessibles pour de nombreux utilisateurs. Visualisation IBM : naturelle, intuitive et puissante Les solutions IBM Business Analytics comprennent des outils de pointe permettant de créer les types de visualisation décrits dans ce document. Ces outils sont conçus pour apporter un soutien à différents utilisateurs, des décideurs dans un secteur d activité jusqu aux statisticiens et aux data-scientists, avec moins de limites, moins de complexité et des fonctions d automatisation plus utiles que dans d autres solutions. Les solutions de visualisation d IBM répondent aux besoins des moyennes et grandes entreprises, qui peuvent toutes tirer des avantages substantiels de la représentation graphique puissante et intuitive de données de plus en plus complexes. Des visualisations qui s adaptent automatiquement aux données Là où les méthodes de création de diagrammes et de graphes basées sur des tableurs exigent une contribution et une manipulation importantes des utilisateurs, ainsi qu une sélection manuelle des types de diagramme appropriés, les outils IBM Business Analytics intègrent des fonctions de veille des données substantielles et des fonctions avancées d informatique cognitive. Cela veut dire qu IBM SPSS Visualization Designer, par exemple, peut suggérer les types de visualisation les mieux adaptés aux données sous-jacentes. Si un jeu de données comporte des informations sur des séries temporelles spécifiques, l application peut proposer une carte thermique ; elle peut aussi proposer un diagramme à cordes lorsque des éléments de données ont des relations orientées claires, même si ces relations ne sont pas évidentes pour l utilisateur. Interactivité Une grande partie des visualisations intégrées disponibles avec IBM Cognos Business Intelligence et IBM SPSS Analytic Catalyst ont aussi des éléments interactifs. Ainsi, même les visualisations très détaillées peuvent permettre aux utilisateurs d explorer en aval des relations spécifiques ou d isoler des sous-ensembles qui améliorent encore leur compréhension des données. ziffdavis.com 12 sur 13

13 Extensibilité et solutions prêtes à l emploi Enfin, IBM propose une bibliothèque de visualisations prêtes à l emploi pour Cognos Business Intelligence. De plus, beaucoup de graphiques générés dans Cognos et SPSS peuvent être personnalisés et étendus, donnant ainsi aux entreprises suffisamment de souplesse pour présenter, explorer et exploiter leurs données de toutes les manières utiles et informatives pour leurs utilisateurs. Conclusion : la visualisation rend le big data accessible La visualisation n est pas une simple progression logique de l analyse métier, de la business intelligence ni même de l analyse prédictive. Elle est essentielle pour généraliser l adoption de méthodes analytiques axées sur les données en dehors du service informatique et des bureaux des data-scientists. Les plateformes BI devenant de plus en plus répandues, les entreprises recherchent désormais des moyens de rendre ces outils vraiment utiles à tous les niveaux de leur organisation. Pour que l analytique produise des idées sensées tant au niveau exécutif qu opérationnel, les entreprises ne doivent plus se limiter aux tableaux de bord et aux scorecards standard. Intégrer des graphiques circulaires de meilleure qualité dans un diaporama ou un rapport trimestriel ne leur rapportera pas grand chose et ne renforcera pas non plus leur compétitivité. Au contraire, pour tenir la promesse du big data et rendre l analyse largement accessible aux utilisateurs comme aux data-scientists, nous avons besoin d une visualisation des données rapide et intuitive dans différents formats. Ces types de visualisation doivent être adaptés à des données hétérogènes et à des publics variés. Ils doivent proposer des vues dynamiques des données et répondre aux besoins prédictifs des utilisateurs ayant des intérêts et des domaines d expertise très divers. Des exigences comme celles-ci ne pourront être satisfaites ni avec des tableurs, ni même avec un grand nombre des applications d analyse dédiées disponibles sur le marché. Elles seront satisfaites grâce à des outils de visualisation puissants et intelligents, intégrés à des plateformes d analyse robustes. Pour en savoir plus sur IBM Business Analytics et la visualisation, visitez le site ibm.com/software/analytics/many-eyes/ ziffdavis.com 13 sur 13