[Note de l'éditeur : il s'agit du deuxième article d'une série en trois parties présentant l'automatisation analytique et son rôle dans la transformation numérique de la chaîne d'approvisionnement.]
Il peut être pertinent de commencer votre parcours analytique avec un centre d'excellence en automatisation, pour garantir l'alignement avec les autres investissements de votre entreprise dans l'analytique, notamment les outils de Business Intelligence (BI) qui prennent en charge le reporting, les tableaux de bord et la mesure des KPI, ou encore l'équipe de Data Science mentionnée précédemment.
Lorsque toutes ces ressources sont coordonnées et gérées comme une seule unité pour produire des résultats data-driven, les avantages se multiplient rapidement.
Par exemple, si l'automatisation analytique accélère tous les éléments d'un cas d'usage analytique, elle n'est généralement pas le moyen le plus efficace pour communiquer les résultats. Cette tâche revient habituellement à l'équipe BI, spécialisée dans l'art et la science de l'analyse visuelle des données, et dans l'interprétation des insights à grande échelle. La communauté Tableau en est un bon exemple.
Pour l'équipe d'automatisation analytique, la BI est complémentaire. Non seulement les résultats des cas d'usage doivent être communiqués aux parties prenantes, mais l'équipe elle-même doit surveiller son portefeuille de cas d'usage afin d'en communiquer la valeur métier aux cadres dirigeants. Auto Insights, anciennement Hyper Anna, convient à un cas d'usage comme celui-ci.
Associer l'expertise en automatisation analytique à la data science présente également des avantages.
Premièrement, certaines demandes de cas d'usage rejoignent la data science, et seraient mieux traitées avec une approche low code/no code. Aujourd'hui, cette démarche se révèle plus facile que jamais grâce à Designer Cloud et Alteryx Machine Learning (également basés sur le cloud). À moins de comprendre les possibilités offertes par l'automatisation analytique, l'équipe de Data Science ne peut pas identifier les situations dans lesquelles son temps serait mieux employé à d'autres projets.
Lorsque des spécialistes transmettent les connaissances analytiques dans l’entreprise pour le compte de l’équipe de data science, ils peuvent faire office d’intermédiaires pour aligner la bonne solution avec les bons cas d’usage<br>
Deuxièmement, en comprenant les possibilités de l'automatisation analytique, l'équipe Data Science peut identifier le potentiel d'accélérer son propre travail de code sur mesure. Les tâches liées aux données sont encore trop chronophages dans les processus de data science, et les outils low code/no code peuvent faciliter ces étapes pour les utilisateurs aux compétences et aux formations variées. Trifacta, un nouveau service de cloud désormais intégré à Alteryx Analytics Cloud, contribue à cet objectif en accélérant et en simplifiant la migration d'un entrepôt de données vers le cloud.
Il en va de même pour le machine learning et la modélisation prédictive, qui bénéficient d'un prototypage plus rapide aux étapes initiales des projets pour la formulation des hypothèses, et ensuite lorsque les résultats sont validés et que des réglages peuvent être nécessaires.
Lisez le premier blog de cette série en trois parties : Adoption et pratiques en termes de valeur métier dans la chaîne d'approvisionnement.