La plateforme Einstein Analytics (by Salesforce) permet de centraliser ses données afin de pouvoir les explorer et créer des tableaux de bord de reporting.
Einstein Analytics – Discovery va plus loin en analysant les données et en livrant une analyse complète en répondant à un objectif concret sans passer par la construction de modèle complexe.
- Comment maximiser mon ROI ?
- Comment maximiser ma marge ?
- Comment maximiser nos chances de gagner une opportunité ?
Indirectement, Einstein Analytics – Discovery permet ainsi de répondre à des problématiques métiers plus complexes comme :
- Sur quels produits vaut-il mieux lancer une campagne promotionnelle ?
- Quel serait l’impact d’une promotion sur un produit selon le magasin ?
- Est-il possible qu’une campagne promotionnelle est un impact néfaste ?
La réponse à la problématique posée s’articule sur 4 axes :
- Analyse de l’historique : ce qu’il s’est passé
- Analyse des causes : pourquoi cela s’est passé
- Analyse prédictive : ce qu’il va se passer
- Recommandations : que faire pour maximiser les résultats et atteindre nos objectifs
Ces axes sont les résultats d’un modèle de Machine Learning, intégré à la plate-forme, qui ont été automatiquement transcrit en langage naturel pour que l’utilisateur puisse les interpréter le plus facilement et rapidement possible.
Les forces d’Einstein Analytics Discovery
Un outil accessible à tous
N’importe quel utilisateur peut utiliser la plateforme. A condition que les données soient de qualité, il n’est pas nécessaire d’avoir des connaissances spécifiques en code, statistiques ou modèles mathématiques.
Un champ d’utilisation large
L’utilisation d’Einstein Analytics Discovery ne se limite pas aux ventes ou au marketing. En fonction des données qui sont injectée, l’outil peut être utilisé pour l’ensemble de l’entreprise, (logistique, RH, R&D, Direction Générale…).
Une prise de décision rapide
L’analyse est immédiate (jusqu’à plusieurs dizaines de minutes selon la quantité de données à analyser) et permet de prendre des décisions rapidement en se basant sur les données.
Variable continue et variable binaire
Einstein Analytics Discovery permet de répondre à deux grandes familles de problématiques : prédiction d’une variable continue (ROI, marge, etc…) et prédiction d’une variable binaire (gagner une opportunité, …)
Pas de sur-apprentissage du modèle
Grâce à l’utilisation de « validation croisée », Discovery permet d’éviter le sur-apprentissage du modèle.
Concrètement, comment cela fonctionne-t-il ?
Discovery découpe les données en 4 groupes :
- Il lance la création d’un modèle 1 avec l’apprentissage des groupes 1 à 3 et il le valide sur le groupe 4
- Il lance la création d’un modèle 2 avec l’apprentissage des groupes 2 à 4 et il le valide sur le groupe 1
- Il lance la création d’un modèle 3 avec l’apprentissage des groupes 3, 4 et 1 et il le valide sur le groupe 2
- Il lance la création d’un modèle 4 avec l’apprentissage des groupes 4, 1 et 2 et il le valide sur le groupe 3
Discovery compare ainsi la qualité de prédiction des quatre modèles et conserve le meilleur des quatre.
Les faiblesses d’Einstein Analytics Discovery
Variable catégorielle
Discovery ne permet pas de répondre à une autre famille de problématiques très importante : la classification de variables catégorielles (type de produit, …).
La communication tardive de la qualité des données
Si la qualité des données n’est pas suffisante pour obtenir un bon modèle Einstein Discovery ne communique cette information qu’une fois la toute fin de l’analyse, alors qu’il possède l’information lors de la première étape qu’il réalise en terme. C’est donc dommage qu’il ne stoppe pas le processus, dès lors qu’il remarque ce problème de qualité. L’utilisateur est obligé d’attendre de longues minutes pour savoir que ça ne servait à rien, qu’il doit retravailler ses données et relancer l’analyse.
De plus, l’information est communiquée de manière claire. L’utilisateur est obligé d’être particulièrement vigilant et à naviguer dans les menus pour avoir le détail du problème identifié par Discovery.
Si l’utilisateur n’est pas un spécialiste en statistiques/machine learning, Einstein Discovery ne communique pas la règle ou les bonnes pratiques pour traiter les problèmes de qualité qu’a identifié l’analyse.
Marion Bartel
Data Scientist
Partager sur :
