Articles

Le voyage à travers les types de nombres

Partons à la découverte des nombres! Nous allons parcourir le monde des entiers, des décimaux, des rationnels et des irrationnels pour mieux comprendre leur importance.

Cette partie de la série « Math Behind Software » se concentrera uniquement sur les mathématiques. Je vais vous présenter quelques types de nombres que vous pouvez trouver partout et je parie que vous n’avez jamais pensé qu’ils puissent même exister. Commençons par les nombres Armstrong.

Cette partie de la série « Math Behind Software » se concentrera uniquement sur les mathématiques. Je vais vous présenter quelques types de nombres que vous pouvez trouver partout et je parie que vous n’avez jamais pensé qu’ils puissent même exister. Commençons par les nombres Armstrong.

Nombres

Nombre Armstrong

En général, un nombre Armstrong (ou narcissique) est un nombre n dans une base de nombre donnée (nombre de chiffres uniques utilisés pour représenter le nombre – le système le plus courant actuellement est le système décimal) b qui peut être exprimé comme une somme de ses chiffres élevés à la puissance de b.

L’architecture des nombres Armstrong est très intéressante car elle permet de trouver des nombres qui sont à la fois très simples et très complexes. Par exemple, le nombre 153 est un nombre Armstrong car 1³ + 5³ + 3³ = 153. Cependant, il existe des nombres Armstrong beaucoup plus grands qui sont très difficiles à trouver. Par exemple, le nombre 8208 est un nombre Armstrong car 8⁴ + 2⁴ + 0⁴ + 8⁴ = 8208.

Les nombres Armstrong sont très utiles en architecture informatique car ils peuvent être utilisés pour créer des algorithmes plus efficaces. Par exemple, l’algorithme de tri par insertion utilise les nombres Armstrong pour trier rapidement des données. De plus, les nombres Armstrong peuvent être utilisés pour créer des algorithmes plus complexes qui peuvent être utilisés pour résoudre des problèmes difficiles. Par exemple, l’algorithme de recherche dichotomique utilise les nombres Armstrong pour trouver rapidement des éléments dans une liste.

Source de l’article sur DZONE

Révolutionner le trading algorithmique : le pouvoir de l'apprentissage par renforcement

La technologie d’apprentissage par renforcement est en train de révolutionner le trading algorithmique. Elle offre aux traders des possibilités inédites pour améliorer leurs performances.

En tant que professionnels de la technologie, nous sommes déjà conscients que notre monde est de plus en plus axé sur les données. C’est particulièrement vrai dans le domaine des marchés financiers, où le trading algorithmique est devenu la norme, utilisant des algorithmes complexes pour exécuter des transactions à des vitesses et fréquences qui dépassent largement les capacités humaines. Dans ce monde où les millisecondes peuvent faire la différence entre le profit et la perte, le trading algorithmique offre un avantage en rendant le trading plus systématique et moins influencé par les biais émotionnels humains.

Mais que se passerait-il si nous pouvions aller plus loin? Et si nos algorithmes de trading pouvaient apprendre de leurs erreurs, s’adapter à de nouvelles conditions de marché et améliorer constamment leur performance au fil du temps? C’est là que l’apprentissage par renforcement, un domaine de pointe de l’intelligence artificielle, entre en jeu.

Source de l’article sur DZONE

Guide détaillé avec exemples de code pour l'entraînement personnalisé de grands modèles linguistiques

Vous souhaitez entraîner des modèles linguistiques complexes ? Ce guide vous fournira des exemples de code et des instructions détaillées pour vous aider à atteindre vos objectifs.

H2: Dans les dernières années, les grands modèles linguistiques (LLMs) tels que GPT-4 ont suscité un grand intérêt en raison de leurs incroyables capacités en compréhension et en génération du langage naturel. Cependant, pour adapter un LLM à des tâches ou des domaines spécifiques, une formation personnalisée est nécessaire. Cet article propose un guide détaillé et étape par étape sur la formation personnalisée des LLMs, accompagné d’exemples et d’extraits de code. Prérequis

• A GPU-enabled machine with at least 8GB of RAM

• An understanding of basic ML concepts

• Familiarity with Python and TensorFlow

• Access to a large dataset

Ces dernières années, les grands modèles linguistiques (LLMs) tels que GPT-4 ont suscité un intérêt considérable en raison de leurs incroyables capacités en compréhension et en génération du langage naturel. Cependant, pour adapter un LLM à des tâches ou des domaines spécifiques, une formation personnalisée est nécessaire. Cet article propose un guide détaillé étape par étape sur la formation personnalisée des LLMs, accompagné d’exemples et d’extraits de code.

Prérequis

Avant de plonger, assurez-vous d’avoir :

• Une machine dotée d’une carte graphique et d’au moins 8 Go de RAM

• Une compréhension des concepts de base d’apprentissage machine

• De la familiarité avec Python et TensorFlow

• Un accès à une grande base de données

Mise en œuvre

Une fois les prérequis remplis, vous êtes prêt à commencer à former votre modèle. La première étape consiste à préparer votre base de données. Vous devrez peut-être nettoyer et normaliser vos données avant de les charger dans votre modèle. Une fois que vos données sont prêtes, vous pouvez les charger dans votre modèle. Vous pouvez le faire en utilisant TensorFlow ou un autre framework de deep learning. Une fois que vos données sont chargées, vous pouvez commencer à entraîner votre modèle. Vous pouvez le faire en utilisant des algorithmes d’apprentissage supervisé ou non supervisé. Lorsque vous entraînez votre modèle, vous devrez définir des paramètres tels que le nombre d’itérations, le taux d’apprentissage et le nombre de couches cachées. Vous devrez également définir des métriques pour mesurer la performance de votre modèle.

Une fois que votre modèle est entraîné, vous pouvez le tester sur des données réelles pour voir comment il se comporte. Vous pouvez également effectuer une validation croisée pour vérifier si votre modèle est capable de généraliser ses résultats sur des données différentes. Une fois que vous êtes satisfait des performances de votre modèle, vous pouvez le déployer pour l’utiliser dans un environnement réel. Vous pouvez le déployer sur un serveur ou un cloud public tel que Google Cloud Platform ou Amazon Web Services. Une fois déployé, votre modèle sera prêt à être utilisé par les utilisateurs finaux.

Enfin, vous devrez peut-être maintenir et mettre à jour votre modèle au fil du temps. Vous devrez peut-être ajouter de nouvelles données à votre base de données ou ajuster les paramètres de votre modèle pour améliorer ses performances. Vous devrez également surveiller les performances de votre modèle pour vous assurer qu’il fonctionne correctement et qu’il ne se dégrade pas avec le temps. Enfin, vous devrez peut-être effectuer une analyse des performances pour comprendre comment votre modèle est utilisé et pourquoi il fonctionne bien ou mal.

En résumé, la

Source de l’article sur DZONE

Analyser et Classer le Sentiment des Textes en Java

Découvrez comment analyser et classer le sentiment des textes en Java grâce à cet article ! Nous allons vous guider pas à pas pour vous aider à maîtriser cette technique.

L’empathie mutuelle joue un rôle clé dans la définition du succès de la relation entre une entreprise et ses clients

De la même manière que l’empathie mutuelle définit le développement de relations à long terme avec nos amis, elle joue également un rôle clé dans la définition du succès de la relation de notre entreprise avec ses clients. Lorsque les clients prennent le temps de taper leurs pensées et leurs sentiments dans une critique d’un produit ou d’un service, partager leurs sentiments via une plate-forme de médias sociaux ou fournir des commentaires via un médium similaire, il est de notre devoir d’éprouver de l’empathie pour eux en tant qu’êtres humains et de déterminer collectivement comment ils se sentent par rapport à ce qu’ils ont vécu. En utilisant des solutions programmatiques, nous pouvons rapidement analyser et ensuite ajuster (ou maintenir) l’expérience que nous offrons à nos clients à grande échelle, améliorant efficacement les relations des clients avec notre marque.

Bien sûr, contrairement au cerveau humain, les ordinateurs ne sont pas élevés et socialisés pour tirer des conclusions émotionnelles spécifiques d’une langue humaine en évolution. Ils doivent être formés pour le faire – et c’est là que le domaine de l’analyse et de la classification des sentiments entre en jeu. En utilisant des techniques de traitement du langage naturel (NLP), nous pouvons former des algorithmes d’apprentissage automatique pour analyser et classer des sentiments uniques dans le texte. Ces algorithmes peuvent être entraînés sur des jeux de données étiquetés qui contiennent des exemples de phrases et de leurs sentiments associés. Une fois entraînés, ces algorithmes peuvent être appliqués à des données non étiquetées pour prédire le sentiment associé à chaque phrase.

Les algorithmes d’analyse et de classification des sentiments peuvent être utilisés pour comprendre les sentiments des clients à l’égard de votre marque, produit ou service. Les données collectées peuvent être analysées pour déterminer si les clients sont satisfaits ou insatisfaits, et pourquoi. Les données peuvent également être utilisées pour identifier les points forts et les points faibles du produit ou du service, ainsi que pour comprendre les tendances et les préférences des clients. Les données peuvent également être utilisées pour améliorer l’expérience client en répondant aux besoins et aux préférences des clients. Enfin, les données peuvent être utilisées pour aider à développer des stratégies marketing plus efficaces et plus ciblées.

Source de l’article sur DZONE

Structures et Algos Clés pour Ingénieurs Données

Les structures de données et les algorithmes sont des outils essentiels pour les ingénieurs en données. Découvrez comment les maîtriser pour optimiser vos performances !

Données d’ingénierie : gérer efficacement de grandes quantités de données

En tant qu’informaticien enthousiaste, je vais explorer dans cet article les structures de données et les algorithmes les plus importants que les ingénieurs en données devraient connaître, ainsi que leurs utilisations et leurs avantages. La gestion des grandes quantités de données est une pratique essentielle pour un ingénieur en données, allant de l’entreposage et du traitement à l’analyse et à la visualisation. Par conséquent, les ingénieurs en données doivent être bien informés des structures de données et des algorithmes qui peuvent les aider à gérer et à manipuler les données efficacement.

Les bases de données sont l’un des outils les plus importants pour les ingénieurs en données. Les bases de données sont des systèmes de gestion de données qui permettent de stocker, de manipuler et d’analyser des données. Elles sont conçues pour être faciles à utiliser et à mettre à jour, et offrent une grande flexibilité et une grande scalabilité. Les bases de données peuvent être utilisées pour stocker des données à court terme ou à long terme, et peuvent être utilisées pour stocker des données structurées ou non structurées. Les bases de données sont également très utiles pour effectuer des analyses complexes sur des jeux de données volumineux.

Les algorithmes sont également très importants pour les ingénieurs en données. Les algorithmes sont des instructions qui décrivent comment une tâche doit être effectuée. Les algorithmes peuvent être utilisés pour effectuer des opérations sur des jeux de données, tels que le tri, le filtrage et la recherche. Les algorithmes peuvent également être utilisés pour effectuer des analyses complexes sur des jeux de données volumineux. Les algorithmes peuvent être implémentés dans des bases de données ou dans des applications logicielles pour améliorer leur performance et leur efficacité.

En conclusion, les bases de données et les algorithmes sont essentiels pour les ingénieurs en données. Les bases de données sont utiles pour stocker et manipuler des données, tandis que les algorithmes sont utiles pour effectuer des opérations sur ces données et pour effectuer des analyses complexes. Les ingénieurs en données doivent être bien informés des structures de données et des algorithmes qui peuvent les aider à gérer et à manipuler les données efficacement.

Source de l’article sur DZONE

Choisissez un nombre svp

Bienvenue! Je vous invite à choisir un nombre entre 1 et 10. Une fois que vous aurez choisi, je vous expliquerai ce que vous devez faire ensuite.

# Aléatoire dans les données

L’importance de l’aléatoire dans l’architecture informatique

Lorsque nous parlons d’aléatoire dans le domaine de l’informatique, nous faisons référence à la capacité d’un système à produire des résultats imprévisibles. Bien que les ordinateurs soient conçus pour être prévisibles, ils peuvent être utilisés pour produire des résultats aléatoires. Cette capacité est très importante dans l’architecture informatique, car elle permet de générer des clés de certificats ou des jetons d’accès qui sont difficiles à prédire par les attaquants.

Utilisation de l’aléatoire dans l’architecture informatique

L’utilisation de l’aléatoire dans l’architecture informatique est très courante. Par exemple, il est souvent utilisé pour générer des mots de passe aléatoires et sécurisés. Les mots de passe aléatoires sont plus difficiles à deviner et à pirater que les mots de passe créés par l’utilisateur. De plus, l’aléatoire est souvent utilisé pour générer des clés de chiffrement qui sont utilisées pour crypter les données sensibles. Ces clés doivent être suffisamment aléatoires pour empêcher les attaquants de deviner leur contenu.

En outre, l’aléatoire est également utilisé pour générer des nombres aléatoires qui peuvent être utilisés pour créer des algorithmes plus efficaces et plus sûrs. Par exemple, les algorithmes de tri peuvent être améliorés en utilisant des nombres aléatoires pour déterminer leur ordre. De plus, les algorithmes de recherche peuvent également bénéficier de l’utilisation d’un nombre aléatoire pour déterminer leur direction. Enfin, l’aléatoire est également utilisé pour générer des nombres pseudo-aléatoires qui peuvent être utilisés pour créer des simulations plus réalistes et plus précises.

En tant qu’informaticien enthousiaste, je trouve que l’utilisation de l’aléatoire dans l’architecture informatique est très intéressante et utile. Cela permet aux développeurs de créer des systèmes plus sûrs et plus efficaces. De plus, cela permet également aux utilisateurs finaux de bénéficier d’une meilleure sécurité et d’une meilleure expérience utilisateur.

Source de l’article sur DZONE

Installer des panneaux solaires sur les camions frigorifiques, dématérialiser les processus dans les entrepôts, utiliser des données précises en temps réel pour gérer le coût environnemental des livraisons par produit et par itinéraire… Ces initiatives, et bien d’autres, sont au centre des préoccupations des leaders de la Supply Chain, qui s’efforcent de rendre cette dernière plus durable et d’alléger le fardeau pour la planète.

Si ces actions figurent en bonne place dans l’agenda logistique, c’est que la durabilité est un levier important. Selon le Forum international des transports, les émissions de dioxyde de carbone devraient afficher une hausse de 16 % d’ici 2050, à la suite de l’augmentation du transport de marchandises – et ce, même si les pays s’engagent à les freiner. Si l’on n’intervient pas, les villes du monde entier accueilleront des millions de véhicules de livraison de fret et de colis en plus au cours de la prochaine décennie. Résultat : davantage d’embouteillages et une augmentation équivalente des émissions de gaz à effet de serre, comme le signale le Forum économique mondial.

La conclusion qui s’impose : il est primordial de trouver comment rendre la logistique et les livraisons plus durables du point de vue environnemental.

« Les entreprises s’intéressent de plus en plus à la durabilité des opérations logistiques », remarque Josué Velázquez Martínez, directeur du laboratoire des Supply Chains durables du Centre de transport et de logistique du MIT. « Elles font face à des pressions croissantes de la part du législateur et des consommateurs, et s’efforcent vraiment d’améliorer tous les aspects de la Supply Chain ».

Ces mêmes entreprises pourraient se trouver contraintes de prendre davantage de mesures. Si l’on se réfère aux règles en vigueur, nombre d’entre elles n’indiquent pas suffisamment les émissions générées par leur Supply Chain dans leurs rapports de durabilité, voire les omettent totalement, indique le New York Times. Or, il est possible qu’elles y soient bientôt obligées, car les autorités de régulation ont aujourd’hui la logistique dans le collimateur. Aux États-Unis, le législateur envisage de demander aux entreprises publiques de déclarer leurs émissions tout au long de leur Supply Chain. L’UE a également élaboré une proposition de directive qui renforce les règles de communication d’informations en matière de durabilité.

Les entreprises s’intéressent de plus en plus à la durabilité des opérations logistiques. Elles font face à des pressions croissantes de la part du législateur et des consommateurs.

Josué Velázquez Martínez, Centre de transport et de logistique du MIT

Les attentes des consommateurs, les réglementations et la demande du marché poussent les dirigeants d’entreprises à agir davantage sur le terrain de la durabilité. Tout naturellement, c’est au niveau des systèmes de logistique et de distribution que sont mises en place de nouvelles normes, qui contribueront largement à créer un avantage concurrentiel. En effet, les entreprises qui économisent sur la livraison en utilisant moins d’énergie et de ressources bénéficient d’un meilleur retour sur investissement (sur leur parc de camions, par exemple) et imaginent des modes de livraison plus efficaces. À cela s’ajoute, du côté des consommateurs, une conscience accrue du coût environnemental des livraisons et une volonté de choisir des options moins rapides pour préserver la planète.

Mais pour voir l’avènement d’une logistique durable, nous devons optimiser nos itinéraires de transport, construire des entrepôts plus efficaces et utiliser plus souvent et plus efficacement les données. Autant de tâches qui n’ont rien de simple. Avant de pouvoir réellement mesurer les progrès en matière de développement durable et agir sur l’empreinte carbone des produits, il y a de nombreuses étapes à mettre en œuvre.


Pas de temps à perdre: Découvrez pourquoi les entreprises doivent faire coïncider leurs ambitions et leurs actes en matière de durabilité.

Lire les actualités

 

D’après le rapport « Le paradoxe de la Supply Chain durable » établi par SAP et Oxford Economics, les cadres dirigeants ne connaissent pas encore suffisamment leur Supply Chain et éprouvent des difficultés à la rendre plus durable. Ils en sont encore à fixer des objectifs, et non à les mettre en application. Près de la moitié des personnes interrogées jugent que la complexité et le coût sont les deux principaux obstacles dans cette démarche de durabilité.

Mais comme l’explique Shimon Gowda, responsable de configuration de la Supply Chain chez Chainalytics, une pression croissante incite les entreprises à gagner en visibilité sur leur Supply Chain globale et à atteindre la neutralité carbone. « De plus en plus d’entreprises s’efforcent de mesurer l’empreinte carbone de leur réseau actuel », ajoute-t-il. « Les leaders du secteur mettent tout en œuvre pour élaborer une mesure précise et exacte, qui servirait de point de référence auquel comparer une situation à l’instant t. »

Pourquoi la logistique constitue un objectif de durabilité majeur

La logistique est une mission complexe. Elle consiste à gérer l’acheminement des matières premières, des produits intermédiaires et des emballages à travers le monde en direction des sites de production, mais aussi la distribution des produits depuis leur lieu de fabrication jusqu’au consommateur. Or, le transport fait partie des domaines dans lesquels l’objectif « zéro émissions » est un enjeu important. Il s’agit notamment de réduire les distances parcourues et d’utiliser plus efficacement les différentes options. Il n’est pas rare, par exemple, que des camions reviennent à vide une fois leur livraison effectuée.

 

Prenons l’exemple des transports frigorifiques : nous utilisons des camions réfrigérés pour transporter les produits pharmaceutiques, les fruits et légumes, les produits laitiers, la viande et les boissons. Cela nécessite de maintenir la chaîne du froid à l’intérieur de la remorque – ce qui consomme beaucoup d’énergie, traditionnellement de l’essence.

 

Certaines entreprises contribuent à rendre le transport frigorifique par camion plus durable en alimentant les systèmes de réfrigération à partir de sources d’énergie alternatives. eNow, par exemple, installe des panneaux solaires sur le toit des remorques. Quant à Coldtainer, il fabrique des boîtes de stockage pour la chaîne du froid.

Certaines entreprises s’efforcent de rendre le transport frigorifique par camion plus durable en alimentant les systèmes de réfrigération à partir de sources d’énergie alternatives.

 

D’après le média NPR, des entreprises bien établies telles que FedEx et DHL investissent dans des matériels et des équipements tels que des véhicules électriques. Mais M. Martínez en est convaincu : se concentrer uniquement sur de nouveaux véhicules est le meilleur moyen de manquer d’importantes opportunités.

 

« Je constate qu’on s’intéresse beaucoup aux équipements, ce qui est vraiment une bonne chose pour le long terme », explique-t-il. « Mais en attendant, il y a de nombreuses opportunités auxquelles les entreprises ne font pas vraiment attention à ce stade. »

 

Lorsque votre kilométrage varie, choisissez le bon véhicule pour chaque itinéraire de livraison

Ces opportunités, qu’étudient notamment M. Martínez et bien d’autres personnes, ce sont notamment des systèmes de planification des transports qui optimisent les itinéraires, réduisent le kilométrage et les émissions, et analysent les effets de la topographie sur les performances des camions.

 

Renouveler sa flotte n’est pas, en soi, un mauvais choix. Mais un camion neuf n’est pas nécessairement la meilleure option, écologiquement parlant. Les recherches du laboratoire d’étude de durabilité des Supply Chains ont permis d’établir que le kilométrage, tel qu’il est mentionné sur les sites Internet des constructeurs automobiles, est divisé par deux environ en conditions de livraison réelles. L’écart tient probablement au fait que les tests des camions sont réalisés dans des conditions différentes.

Un leadership porteur de sens: Découvrez comment les entreprises placent la durabilité au cœur de leur stratégie.

Lire le témoignage

 

« Les constructeurs font probablement leurs tests dans des conditions qui n’ont rien à voir avec une exploitation réelle, en particulier sur les derniers kilomètres parcourus », avance M. Martínez.

Il suffit de comparer les performances d’un camion qui se déplace sur autoroute, à une vitesse moyenne comprise entre 65 et 80 km/h, et qui fait trois arrêts de livraison, avec celles du même camion qui parcourt une zone très vallonnée à 8 ou 16 km/h et qui effectue vingt arrêts de livraison. Les chiffres seront très différents, et dépendront du modèle. Les camions anciens ont tendance à afficher de meilleures performances que les neufs sur autoroute ; dans une étude menée avec l’entreprise de logistique mexicaine Coppel, l’équipe de M. Martínez a trouvé des exemples attestant d’une meilleure efficacité en carburant (jusqu’à 15 % de différence). L’étude a été réalisée en utilisant une vitesse, des longueurs de segments (soit la quantité d’arrêts sur un itinéraire donné) et un profil topographique moyens, et en s’appuyant sur l’apprentissage automatique pour classer les régions en fonction de ces caractéristiques – certaines étant plus résidentielles, d’autres urbaines, d’autres mixtes.

Imaginez que vous puissiez dire à un client : « Si vous êtes prêt à atteindre deux, trois, quatre jours de plus, vous pourrez réduire l’empreinte carbone de tel pourcentage. »

Josué Velázquez Martínez, Centre de transport et de logistique du MIT

Sur la base de l’analyse effectuée, l’équipe de Martínez a modélisé une réaffectation des véhicules permettant d’exploiter chacun sur les zones dans lesquelles il réalise les meilleures performances. Les résultats indiquent une réduction de 3 % du carburant utilisé – un chiffre non négligeable pour les entreprises, qui consacrent chaque année des millions à ce poste. À partir de la même hypothèse, l’équipe a également mis en place un projet pilote en conditions réelles, avec 10 véhicules sur un mois. Elle a constaté 8 % d’économies de carburant.

« Il n’est pas vraiment nécessaire d’investir, seulement de réaffecter le matériel existant », conclut M. Martínez. « Mais si vous comptez renouveler votre parc de véhicules, alors vous devez vous assurer que les nouveaux seront utilisés dans les régions attendues, puis réaffecter ceux que vous allez conserver dans votre exploitation. »

Ces résultats montrent comment la combinaison des données, des capacités de calcul et des algorithmes peut participer à améliorer le transport. La topographie a aussi son importance, ajoute M. Martínez, mais elle n’est généralement pas prise en compte dans les évaluations environnementales, car on opte plutôt pour les itinéraires les plus courts et les plus rapides, et parce que c’est un facteur complexe. Pourtant, c’est logique : monter une pente ne nécessite pas la même quantité d’énergie que de la descendre.

« Gérer ces données en utilisant le suivi GPS pour mieux cerner les faits et prendre des décisions mieux informées représente une opportunité considérable », explique-t-il. « C’est ce que j’appelle faire une petite place aux problématiques de la Supply Chain pour réduire réellement les émissions autant que possible, tout en continuant de répondre aux attentes de vos clients et d’atteindre vos objectifs commerciaux. »

Lettre d’information SAP Insights: Obtenez des insights stratégiques en vous abonnant à notre lettre d’information.

S’abonner

 

Une livraison le jour même est une opération complexe, car elle implique de nombreux déplacements dans les mêmes zones, avec des camions qui ne sont pas toujours pleins – ce qui augmente les émissions. Le laboratoire de recherche sur la durabilité des Supply Chains a réalisé une expérience pour voir si les consommateurs font des choix différents en fonction de leur sensibilité écologique et de leur capacité à attendre.

Dans cette expérience du « bouton vert », 52 % des clients ont effectivement changé leurs choix de livraison pour limiter leur impact environnemental. Le laboratoire a essayé différentes manières de quantifier ce paramètre pour l’utilisateur, par exemple la réduction des émissions de CO2 ou le nombre d’arbres sauvés. Avec l’exemple des arbres, les chercheurs ont établi que les clients étaient prêts à attendre quatre jours de plus en moyenne pour être livrés. Pour être précis, 70 % ont seulement déclaré qu’ils feraient ce choix, tandis que 52 % l’ont réellement fait – ce qui représente déjà plus de la moitié de la population considérée.

« Il est possible de communiquer avec transparence autour de la Supply Chain avec les clients, afin qu’ils puissent utiliser ces informations au moment d’acheter », insiste M. Martínez. Bien sûr, ce n’est pas simple. Il faut pouvoir indiquer les émissions de CO2 correspondant à chaque commande qui s’affiche dans le panier d’un consommateur, afin que ce dernier dispose de données précises et comprenne l’impact de sa décision. Cela nécessite de nombreuses analyses, voire la validation d’un tiers pour légitimer l’information fournie. Mais ce procédé représenterait un avantage significatif pour asseoir la crédibilité environnementale des marques.

« Imaginez que vous puissiez dire à un client :  si vous êtes prêt à atteindre deux, trois, quatre jours de plus, vous pourrez réduire l’empreinte carbone de tel pourcentage ; vous participerez à préserver l’environnement », explique M. Martínez.

La valeur ajoutée des entrepôts locaux en termes de durabilité

Ancrer les Supply Chains localement, en alternant entre les sources d’approvisionnement et sites de production locaux et éloignés, est une autre manière de renforcer leur durabilité. Dans cette perspective, les entrepôts jouent un rôle important : construire des hangars de petite taille, à proximité de la demande, permet en effet de réduire les temps de trajet et les émissions. Les entrepôts constituent aujourd’hui le type de bâtiment commercial le plus volumineux aux États-Unis et, à en croire l’Agence américaine d’information sur l’énergie, les chiffres ne font qu’augmenter.

Il serait possible d’imposer aux entrepôts qu’ils soient autonomes énergétiquement et de les concevoir neutres en carbone. La production d’énergie alternative – par exemple, à l’aide de panneaux solaires installés sur le toit – semble couler de source et, dans certaines zones, elle est d’ores et déjà obligatoire ou subventionnée. L’Allemagne, par exemple, propose un soutien financier à l’installation d’infrastructures solaires. Aux États-Unis, il existe une multitudes d’aides fédérales et étatiques.

À Elizabeth, dans le New Jersey, East Coast Warehouse dispose de panneaux solaires sur son entrepôt, l’un des plus grands du Nord-Est des États-Unis. Kevin Daly, directeur commercial, indique que l’entreprise a récemment installé 4 900 modules solaires à haut rendement supplémentaires, qui ont généré plus de 2,5 GW en 2020. « Nos panneaux solaires ont vraiment dépassé nos attentes », se félicite-t-il.

L’entreprise s’étend dans le Maryland et en Géorgie, et envisage d’utiliser l’énergie solaire sur les entrepôts qu’elle y crée. M. Daly fait remarquer que le processus est plus simple pour les sociétés qui sont propriétaires de leurs bâtiments, entre autres parce que la communauté des développeurs s’inquiète des obligations que les panneaux peuvent engendrer, et du poids qu’ils peuvent ajouter à une structure. Ce point mis à part, ajoute-t-il, c’est une décision d’investissement, qui est souvent liée aux subventions.

À l’intérieur des entrepôts, placer les unités de gestion de stock les plus importantes et qui transitent le plus dans des emplacements rapidement et aisément accessibles est un moyen de limiter l’énergie utilisée par les chariots élévateurs.

M.Daly pense que davantage d’entrepôts adopteront l’énergie solaire et d’autres formes d’énergie alternatives. « Je ne doute pas qu’à mesure que la technologie se perfectionnera, elle deviendra encore plus efficace et plus bénéfique pour tout le monde. »

Des systèmes de gestion des entrepôts plus intelligents: Les entreprises utilisent des technologies intelligentes pour optimiser leurs opérations quotidiennes dans les entrepôts.

En savoir plus

 

Le fonctionnement interne des entrepôts et les livraisons sont également devenus plus durables. East Coast Warehouse a choisi de gérer ses opérations de répartition sur des tablettes et des terminaux mobiles, et de se débarrasser autant que possible du papier – et ce, dans un secteur qui en a toujours utilisé beaucoup.

Grâce aux options numériques, les chauffeurs routiers peuvent rester dans leurs camions pour gérer toutes les formalités depuis leur tablette, y compris les lettres de voiture, qui peuvent être envoyées directement aux destinataires par voie électronique. En plus de limiter la consommation de papier, ce mode de fonctionnement permet davantage de transparence. La preuve de livraison – où, quand et qui a signé – peut être intégrée à un système de gestion du transport et archivée automatiquement.

« Ce processus, qui nécessitait beaucoup d’heures de travail et d’opérations manuelles pour numériser et remplir les papiers, est devenu beaucoup plus gérable si on fait les choses de la bonne manière » conclut M. Daly.

De plus en plus d’entreprises cherchent à optimiser les opérations au sein de leurs entrepôts, comme l’explique Mme Gowda, de Chainalytics. Revenir aux principes fondamentaux de l’organisation et, par exemple, placer les unités de gestion de stock les plus importantes et qui transitent le plus dans des emplacements rapidement et aisément accessibles, est un moyen de limiter l’énergie utilisée par les chariots élévateurs.

« Le simple fait de rationaliser tout cela peut vraiment changer la donne, même au niveau de l’émission de gaz à effet de serre, car cela revient à optimiser vos opérations en tentant de tirer le meilleur parti des ressources disponibles sur le site », insiste Mme Gowda.

La logistique durable s’appuie sur des données

On en revient toujours à la même question : « Vos données sont-elles de bonne qualité ? » Parce qu’il ne suffit plus d’utiliser des données d’historique ou d’estimer des paramètres tels que les émissions générées par les camions.

Désormais, des sociétés tierces proposent les outils nécessaires pour déterminer les émissions de CO2 réelles d’un véhicule donné, à partir des informations opérationnelles collectées. Ces outils sont capables de transmettre ces informations sur des tableaux de bord, de manière à faciliter une approche stratégique dans la réflexion et les actions à mener – et à créer ainsi une Supply Chain plus cohérente de bout en bout.

Autre grand objectif d’un grand nombre de marques et de fabricants : pouvoir ventiler les émissions par produit, de leur conception à leur mise hors service. Ces informations, réclamées par les consommateurs, peuvent constituer un facteur de différenciation considérables pour une marque si elles sont bien compilées et communiquées avec précision (c’est-à-dire sans déclarations non étayées ni « greenwashing »).

D’après Mme Gowda, on prête de plus en plus d’attention à la logistique inverse, car les entreprises modernes consacrent davantage d’analyses à mieux comprendre le coût environnemental de leurs produits, tout au long de leur cycle de vie. Les clients de Chainalytics souhaitent aujourd’hui élaborer des scénarios qui accordent la priorité aux gaz à effet de serre, et non aux coûts. Dans ce domaine, la création d’un jumeau numérique se révèle très utile.

« Il devient un peu difficile de répondre à ce genre de questions sans disposer d’une plateforme de jumeau numérique complètement fonctionnelle », explique Mme Gowda. « Mais nous sommes définitivement plus efficaces qu’il y a dix ans. Nous sommes vraiment en mesure de comprendre notre propre impact, et nous essayons de créer davantage de solutions pour favoriser des Supply Chains plus vertes. »

Nous sommes vraiment en mesure de comprendre notre propre impact, et nous essayons de créer davantage de solutions pour favoriser des Supply Chains plus vertes.

Shimon Gowda, responsable de conception de la Supply Chain chez Chainalytics

Rationaliser l’approvisionnement et les prévisions de la demande peut également renforcer la durabilité, indique Mme Gowda. Tout au long de la Supply Chain, chaque acteur dispose de ses propres métriques prévisionnelles. Mais s’il y a une faille en amont, elle se répète et s’amplifie en aval. Cela peut entraîner une surproduction de la part de toutes les entreprises de la chaîne, ce qui signifie des déchets ou des produits excédentaires qui se retrouvent dans les entrepôts après avoir voyagé dans le monde entier. « C’est typiquement le scénario que nous cherchons à éviter quand nous essayons d’évoluer vers un fonctionnement plus durable, neutre en carbone », conclut-elle.

Un concept de Supply Chain appelé « planification collaborative et réapprovisionnement prévisionnel » est en train de gagner du terrain. C’est un autre exemple de scénario dans lequel les jumeaux numériques jouent un rôle essentiel, car chaque acteur de la Supply Chain peut voir les données transférées par les autres. Par exemple, le fabricant est en mesure de consulter les prévisions du détaillant final trois mois à l’avance. Tout problème peut ainsi être identifié et résolu plus tôt. « Cette solution renferme un vrai potentiel de progression vers l’économie circulaire, car elle implique de se montrer minimaliste dans sa consommation, dans ses transferts… sur tous les points, en somme », explique Mme Gowda.

À mesure que les entreprises s’attachent à évaluer l’impact environnemental réel de leur Supply Chain et de leurs opérations logistiques, les livraisons se rationalisent, de manière à générer moins de déchets et moins d’émissions. Un bonne nouvelle pour l’environnement comme pour les clients !

 

Note des éditeurs : Découvrez des idées logistiques plus durables et des exemples pratiques dans L’économie circulaire se popularise ; 5 vérités sur la Supply Chain dans le monde post-COVID-19 ; et Sur la terre, la mer et dans les airs : des technologies émergentes pour maîtriser le changement climatique.

 

The post La logistique durable en mouvement Till Dengel, Richard Howells | 14 min de lecture appeared first on SAP France News.

Source de l’article sur sap.com

Les modèles « en tant que service » font désormais partie de notre quotidien de consommateurs. À quand remonte la dernière fois que vous avez acheté un CD ou un DVD ? En ce qui me concerne, je ne m’en souviens pas. Toute ma famille utilise des plateformes de diffusion continue pour tout cela. Mes fils et moi commandons même nos lames de rasoir et nos crèmes de rasage selon un modèle similaire. Bien sûr, on dirait bien que c’est toujours moi qui paye, mais c’est un autre sujet !

Ce concept de vente d’un résultat en tant que service est communément appelé « servitization ». Hier simple modèle de consommation, c’est aujourd’hui une approche commerciale plus large, dans laquelle les dépenses d’investissement pour un équipement représentent de plus en plus un obstacle aux yeux de l’acheteur. Souvent, il est bien plus intéressant d’avoir accès au même équipement moyennant des frais mensuels, basés sur une utilisation à l’heure ou encore sur le débit.

Grâce à la servitization, les fabricants trouvent de nouveaux moyens de se rapprocher de leurs clients à travers des modèles économiques inédits. Pour ce faire, ils établissent une relation suivie, basée sur des transactions mensuelles alignées sur la consommation, le débit, la disponibilité ou l’exploitation des équipements plutôt que sur une transaction ou une vente ponctuelle attribuant la responsabilité de la maintenance au prestataire de services.

La servitization appelle des produits plus intelligents

Pour rendre la servitization possible, les équipementiers doivent concevoir des produits plus intelligents, capables de collecter les informations nécessaires à une facturation précise de leurs clients. Ils doivent également s’assurer que leurs équipements fonctionnent en permanence, et génèrent les données dont ils ont besoin pour prévoir les opérations de maintenance qui éviteront les pannes. Grâce à l’Internet des Objets (IdO), des capteurs emmagasinent les informations d’utilisation, de débit ou de performances pertinentes pour alimenter le processus de gestion en tant que service.

Grâce à un jumeau numérique de la machine, le fabricant et le client sont tous deux en mesure d’en surveiller les performances et d’utiliser les algorithmes d’apprentissage automatique afin d’évaluer le degré d’efficacité de son utilisation.

La valeur ajoutée de la servitization

Faire des services une part croissante et dynamique de votre activité, c’est accéder à de nouvelles sources de revenus et améliorer vos marges tout en évitant la banalisation et en érigeant la durabilité en véritable facteur de différenciation.

Prenons un exemple fictif. Soit une entreprise qui produit des machines à laver. Cette entreprise souhaite mettre en place un modèle de « lavage en tant que service », dans lequel elle facturerait ses clients en fonction du nombre de lavages réalisés chaque mois par leurs appareils.

Si, comme moi, le client fait partie d’une famille de cinq personnes, qui utilise la machine quotidiennement, il paiera davantage qu’une personne seule qui ne l’utilise qu’une fois par semaine. Le dénominateur commun est que la machine à laver doit fonctionner à pleine performance chaque fois que nécessaire.

Réinventer les modèles de services

Cette nouvelle offre de service requiert des contrats basés sur les résultats, qui incluent des mesures de performances des cycles de lavage et des accords de niveaux de service (SLA) garantissant une disponibilité à 100 %.

Afin de proposer une expérience immersive aux clients, une application peut leur fournir des données en temps réel sur leurs cycles de lavage : le moment où ils se terminent, combien de cycles ont été exécutés dans le mois, le coût, l’empreinte carbone, les performances de la machine…

Ces informations sont également utilisées par le fabricant et par une société de maintenance tierce pour gérer le cycle de vie complet des services, dans tous ses aspects : de l’installation à la facturation en passant par la garantie, l’émission de tickets de service, les interventions sur site, les réparations en atelier, la facturation et les solutions de financement.

Le modèle de service réduira également l’impact environnemental global de la machine en permettant une surveillance de la consommation d’énergie et d’eau, ainsi qu’une prise en charge de la mise hors service et du recyclage afin de maintenir l’équipement dans l’économie circulaire.

Des services précis afin de réduire les coûts et d’améliorer l’expérience client

La disponibilité des données relatives aux machines aide le fabricant et le partenaire de maintenance à repenser leurs opérations de gestion des services. Ils s’appuient sur une planification avancée basée sur l’IA pour hiérarchiser les interactions, améliorer l’utilisation des ressources et réduire les temps de déplacement.

Lorsqu’un technicien de service est dépêché pour réparer une machine, il doit avoir toutes les pièces nécessaires et toutes les informations de dépannage à portée de main via un appareil mobile. Il peut même être guidé dans son travail de réparation grâce à des lunettes à réalité augmentée. Le problème peut ainsi être résolu en une intervention, ce qui évite les longs délais provoqués par une commande de matériel après le rendez-vous.

Révolutionner le retour sur investissement en augmentant les performances des équipements et en allongeant leur durée de vie

Grâce à la visibilité accrue garantie par les capteurs d’IdO intégrés aux machines à laver, le fabricant est désormais en mesure d’assurer un suivi continu des performances de tous les équipements utilisés. Il peut ainsi surveiller leur état et leurs performances par rapport aux accords de niveau de service.

Le fabricant peut également tirer parti des données émises par toutes les machines et, grâce à des algorithmes d’intelligence artificielle, identifier des tendances ou encore anticiper le risque de défaillance. Il peut aussi proposer des opérations de maintenance préventive afin de limiter les pannes et de renforcer le service client. Enfin, ces informations peuvent être transmises aux équipes de recherche et de développement afin qu’elles éliminent tout problème récurrent au moment de concevoir la prochaine génération de la machine.

Un cycle de service de lavage vraiment complet

Il est évident que le modèle économique « en tant que service » perdurera – dans nos vies privées bien sûr, mais aussi de plus en plus au sein des entreprises modernes, auxquelles il permettra de dégager des gains dans tous les domaines.

Pour découvrir comment tracer votre voie vers une gestion de service d’excellence, téléchargez le récent livre blanc de Copperberg intitulé « Transformer la gestion des services pour une servicisation fructueuse ».

 

Richard Howells, Vice-président ERP et Supply Chain numérique chez SAP

The post Il est grand temps de prendre la « servitization » – les nouvelles prestations de services – au sérieux appeared first on SAP France News.

Source de l’article sur sap.com

Paris, France & Walldorf, Allemagne, le 16 févr. 2022SAP SE (NYSE : SAP) et le cabinet de conseil en management et technologie BearingPoint ont annoncé unir leurs forces dans le domaine des solutions liées à l’empreinte carbone et environnementale. Les entreprises collaboreront afin de faire progresser la conception et le développement d’une solution de pointe aidant les clients à atteindre l’objectif de neutralité carbone.

Mesurer, contrôler et piloter l’empreinte carbone est un élément clé pour atteindre l’objectif de neutralité carbone et fait partie du programme d’action climatique promu par SAP. Les entreprises sont soumises à une pression croissante pour déterminer leur empreinte carbone, non seulement au niveau de l’entreprise, mais également au niveau des produits. Cependant, l’acquisition, la consolidation et la cartographie des données sont des défis auxquels de nombreuses entreprises sont confrontées. Avec le récent lancement de SAP® Cloud for Sustainable Enterprises les solutions SAP pour le développement durable et la longue expérience de BearingPoint en matière de calcul des émissions sur le marché, les entreprises sont bien équipées pour développer des solutions innovantes permettant de répondre aux préoccupations de leurs clients en matière d’empreinte environnementale sur l’ensemble de leur chaîne de valeur.

« Le partenariat de codéveloppement entre SAP et BearingPoint permettra de réunir deux propositions de valeur fortes. BearingPoint a une longue expérience dans l’identification des potentiels de réduction des émissions de gaz à effet de serre et l’atteinte des objectifs de développement durable des clients. SAP apporte des capacités d’innovation, un large éventail de systèmes et un accès aux clients. Ensemble, en tant que partenaires, nous repousserons les limites pour faire avancer l’économie sur la voie de la neutralité carbone », a déclaré Gunther Rothermel, SVP, responsable du développement durable de SAP S/4HANA, SAP.

 

Bilan carbone pour l’ensemble de la chaîne de valeur : scope 1, 2 et 3

Si de nombreuses entreprises ont déjà évalué leurs émissions de scope 1 et 2, il est essentiel d’évaluer l’ensemble de la chaîne de valeur en introduisant les émissions de scope 3. Pour ce faire, les réseaux environnementaux doivent permettre l’échange de données avec des partenaires tels que les fournisseurs, les clients, les auditeurs et les pouvoirs publics, même s’ils utilisent des systèmes informatiques différents. S’appuyant sur le savoir-faire approfondi de BearingPoint en matière de calculs et d’algorithmes relatifs à l’empreinte des produits et des entreprises, la solution SAP Product Footprint Management prend en charge la collecte et le calcul des données permettant la réalisation d’un bilan carbone et environnemental de bout en bout. La solution SAP est entièrement intégrée à SAP® S/4HANA et à l’architecture d’entreprise intelligente, mais se connecte également à d’autres sources de données. Cela lui permet d’effectuer des évaluations automatisées des empreintes à travers la chaîne de valeur, y compris dans des paysages de systèmes hétérogènes.

« Avec SAP, nous allons codévelopper – en utilisant notre logiciel propriétaire – et fournir une solution unique sur le marché permettant de mesurer et d’optimiser l’impact climatique des produits tout au long de leur cycle de vie. SAP Product Footprint Management dispose de fonctionnalités sophistiquées permettant de déterminer l’empreinte carbone d’un seul produit. Notre expérience industrielle éprouvée depuis plus de 10 ans dans le calcul et l’optimisation de l’empreinte « CO2 » des produits et des entreprises permettra à nos clients communs d’atteindre leurs objectifs de dé-carbonisation. Chez BearingPoint, nous sommes convaincus qu’avec les solutions innovantes de SAP, son organisation commerciale et son expertise du marché, nous pouvons avoir un impact positif sur le climat », a déclaré Donald Wachs, Responsable des Business Services et membre du comité de Direction BearingPoint.

« Le partenariat avec BearingPoint accélère la feuille de route de la solution SAP Product Footprint Management et contribuera à faire de nous un leader du marché des solutions de calcul des empreintes produit aidant nos clients à optimiser la durabilité de leurs produits et services », a déclaré Peter Maier, président de la division Industries et conseil à la clientèle de SAP.

 

À propos de SAP

La stratégie de SAP est d’aider chaque entreprise à fonctionner comme une entreprise intelligente. En tant que leader du marché des logiciels d’application d’entreprise, nous aidons les entreprises de toutes tailles et de tous secteurs à fonctionner au mieux : les clients de SAP génèrent 87% du commerce mondial. Nos technologies de machine learning, d’Internet des objets (IoT) et d’analyse avancée contribuent à transformer les activités des clients en entreprises intelligentes. SAP permet aux personnes et aux organisations d’avoir une vision approfondie de l’activité et favorise la collaboration, cela les aidant à garder une longueur d’avance sur leurs concurrents. Nous simplifions la technologie pour les entreprises afin qu’elles puissent consommer nos logiciels comme elles l’entendent, sans interruption. Notre suite d’applications et de services de bout en bout permet aux entreprises et aux administrations publiques de 25 secteurs d’activité dans le monde entier de fonctionner de manière rentable, de s’adapter en permanence et de faire la différence. Avec un réseau mondial de clients, de partenaires, d’employés et de leaders d’opinion, SAP aide le monde à mieux fonctionner et améliore la vie des gens.

Pour plus d’informations, visitez www.sap.com.

 

À propos de BearingPoint

BearingPoint est un cabinet de conseil en management et technologie indépendant aux racines européennes et à la couverture mondiale.

Le cabinet est structuré autour de trois entités.  La première couvre les activités de conseil en mettant clairement l’accent sur les domaines d’expertises clés du cabinet à développer dans le monde entier. La deuxième fournit des solutions technologiques avancées combinant conseil et logiciel, et offre des services gérés à forte valeur ajoutée aux clients. La troisième se concentre sur des investissements innovants ; par exemple dans des solutions logicielles très spécifiques permettant de répondre aux exigences réglementaires ou d’accompagner la transformation numérique. Elle a également pour vocation d’explorer des business models innovants avec les clients et les partenaires, en favorisant la création d’écosystèmes, le financement et le développement de start-ups.

BearingPoint compte parmi ses clients les plus grandes organisations mondiales publiques et privées ; fort d’un réseau international de plus de 10 000 collaborateurs, BearingPoint accompagne ses clients dans plus de 75 pays et les aide à obtenir des résultats mesurables et durables.

 

Informations complémentaires:

Site Internet: www.bearingpoint.com

LinkedIn: www.linkedin.com/company/bearingpoint

Twitter: @BearingPoint_de

 

Contact presse Bearing Point

Alexander Bock

Global Manager Communications

Téléphone: +49 89 540338029

E-mail: alexander.bock@bearingpoint.com

 

Publicis Consultants pour SAP

Chloé Jalaguier : chloe.jalaguier@publicisconsultants.com

Robin Legros : robin.legros@publicisconsultants.com

The post SAP et BearingPoint s’associent sur la voie de la neutralité carbone appeared first on SAP France News.

Source de l’article sur sap.com

La définition la plus simple de l’analytique augmentée ? C’est une analytique qui est « améliorée » par des technologies d’intelligence artificielle (IA), notamment par le machine learning et le traitement du langage naturel (NLP).

Le machine learning automatise les processus analytiques complexes, comme la préparation des données et la génération d’informations. Le traitement par le langage naturel permet à tout utilisateur, même non formé, de poser des questions sur ses données et d’obtenir des réponses de manière simple sous forme de phrases.

Le terme « Augmented Analytics » a été inventé par Gartner en 2017 et est désormais largement considéré comme l’avenir de la business intelligence (BI) et de l’analyse de données – y compris l’analyse prédictive.


Pourquoi l’analytique augmentée est-elle importante ?

Exploiter les possibilités offertes par le Big Data

Les données représentent la plus grande opportunité de l’économie moderne. Grâce à elles, les entreprises peuvent savoir quoi produire et quand, à qui s’adresser, comment évoluer, et bien plus encore. Mais le volume de données est aujourd’hui trop important pour que les collaborateurs puissent les interpréter seuls – ou sans parti pris – et l’exigence de réponses immédiates est tout simplement impossible à satisfaire. Des technologies comme l’IA et l’apprentissage automatique sont nécessaires pour découvrir des informations significatives dans un océan de Big Data. C’est l’une des raisons pour lesquelles les analyses augmentées sont si importantes : elles combinent la datascience et l’intelligence artificielle pour aider les entreprises à analyser des ensembles de données massifs en temps réel.

Réduire la dépendance à l’égard des data scientists

Le processus d’analyse est une série d’étapes manuelles et chronophages, si compliquées qu’en général seuls les data scientists peuvent les réaliser. Ces analystes professionnels doivent :

  1. Collecter des données à partir de sources multiples
  2. Les préparer pour l’analyse
  3. Effectuer l’analyse
  4. Trouver des insights utiles
  5. Visualiser les résultats
  6. Partager les résultats d’une manière convaincante
  7. Créer un plan d’action

Le problème, c’est qu’il y a une grande pénurie de data scientists dans le monde – et les embaucher coûte cher. Si l’analytique augmentée ne remplace pas ces professionnels, elle peut réduire votre dépendance à leur égard en automatisant des processus tels que la collecte, la préparation, le nettoyage et l’analyse des données.

En plus de libérer le temps des data scientists pour des tâches plus importantes, comme l’interprétation des résultats, l’analytique augmentée peut améliorer la valeur que ces analystes apportent à votre organisation. Les analyses optimisées par l’IA et l’apprentissage automatique les aident à établir des liens qu’ils auraient autrement manqués – et à trouver des informations pertinentes en moins de temps. Ces technologies peuvent également aider des collaborateurs qui occupent d’autres fonctions analytiques – des analystes commerciaux aux analystes métier – en améliorant leurs connaissances et en les aidant à faire le travail qui était auparavant réservé aux data scientists experts.

D’ici 2025, la rareté des data scientists ne sera plus un frein à l’adoption de la science des données et du machine learning dans les organisations.

Gartner, 2018

Démocratiser l’analytique pour les utilisateurs non formés

Une autre raison pour laquelle l’analytique augmentée est si importante est qu’elle permet aux « explorateurs de données » non formés d’entrer en jeu. En automatisant les processus analytiques complexes et en permettant aux utilisateurs d’interroger les données simplement en posant des questions, les collaborateurs qui n’ont pas de compétences en datascience peuvent quand même tirer parti des analyses avancées. L’apprentissage automatique peut guider ces explorateurs de données en leur proposant des questions/réponses pré remplies – et en leur suggérant où creuser davantage.

Avec l’analytique augmentée, les réponses aux requêtes se présentent sous la forme de visuels prêts à l’emploi, comme des diagrammes, des graphiques et des cartes, de sorte que les utilisateurs n’ont pas à les créer eux-mêmes. Ces visualisations peuvent être analysées à l’aide de commandes simples, rassemblées dans des récits de données et facilement partagées avec d’autres équipes et la direction.


L’évolution de l’analytique

L’Analytique et la Business Intelligence ont beaucoup évolué ces dernières années, passant d’outils sophistiqués destinés aux professionnels des données et de l’analyse à des outils optimisés par le machine learning que tout le monde peut utiliser.

1. Analytique traditionnelle

  • Impulsée par l’IT
  • Autonomie de l’utilisateur limitée
  • Des outils sophistiqués pour les professionnels des données et de l’analyse
  • Se focalise sur le reporting à grande échelle

2. Analytique en libre-service

  • Impulsée par les métiers
  • Plus d’autonomie pour les utilisateurs
  • Interface conviviale
  • Se focalise sur la découverte par les utilisateurs

3. Analytique augmentée

  • Impulsée par l’IA et le machine learning
  • Une véritable autonomie des utilisateurs
  • Outils d’IA et processus guidés
  • Se focalise sur des informations rapides, profondes et précédemment cachées.

Avantages de l’analytique augmentée

L’analytique augmentée offre de nombreux avantages similaires à ceux de la business intelligence, comme l’amélioration du reporting et de la prise de décision, mais elle offre également un niveau de rapidité et de précision impossible à atteindre sans intelligence artificielle et apprentissage automatique. Voici quelques avantages spécifiques à l’analytique augmentée :

  • Préparation plus rapide des données : Les analystes passent environ 80 % de leur temps à préparer les données pour l’analyse. Ils exportent de grands ensembles de données et les combinent, les nettoient et les structurent avant que l’analyse ne puisse commencer. L’apprentissage automatique de l’analytique augmentée automatise ce processus, libérant les analystes pour des activités plus utiles et réduisant les erreurs par la même occasion.
  • Analyse automatisée : Les modèles d’apprentissage automatique peuvent automatiser des analyses complexes qui, autrement, prendraient des semaines aux data scientists. Les réponses et les visualisations de données sont immédiatement générées et disponibles pour les utilisateurs, qui peuvent ainsi passer moins de temps à creuser dans les données et plus de temps à interpréter les informations, à raconter des histoires de données aux dirigeants et à provoquer le changement.
Libérer la valeur des données : l'analytique augmentée fait le travail pour vous

Découvrez comment l’analytique augmentée fournit automatiquement des réponses aux requêtes, afin que les utilisateurs passent moins de temps à explorer les données et plus de temps à agir.

  • Des insights profonds : Les machines peuvent examiner les données d’une manière qui serait impossible pour les humains. Elles peuvent examiner des ensembles de données beaucoup plus vastes sous plus d’angles et trouver des corrélations, des relations -via des modèles statistiques- invisibles à l’œil humain. Les machines peuvent comprendre les données rapidement et à grande échelle, renforcer l’intelligence humaine par des informations impartiales et indiquer aux utilisateurs où porter leur attention.
  • L’analyse conversationnelle : Le traitement du langage naturel – la même technologie d’IA conversationnelle qui équipe des assistants numériques comme Siri et Alexa – permet aux utilisateurs professionnels n’ayant aucune connaissance des langages de requête ou du code de poser des questions de manière conversationnelle. Et la génération de langage naturel (NLG) leur donne des réponses sous forme de phrases complètes, écrites ou orales, qui résument ou expliquent les résultats.
  • Contexte instantané : Les informations sans contexte n’ont aucun sens. En tenant compte de l’intention et des comportements des utilisateurs, les algorithmes d’apprentissage automatique peuvent fournir des informations contextuelles prêtes à être utilisées. En outre, en démocratisant l’analytique, les cadres et les employés expérimentés peuvent enrichir les informations grâce à leurs connaissances et à leur compréhension approfondie des business models et des opérations.
Libérer la valeur des données et de l'analytique : la valeur ajoutée de l'analytique augmentée

Hyoun Park, PDG et analyste principal chez Amalgam Insights, explique comment l’analytique augmentée fournit un contexte, afin que vous sachiez réellement ce que vos données contiennent.


Cas d’utilisation de l’analytique augmentée

L’analytique augmentée a le pouvoir de révolutionner les processus d’entreprise, mais à quoi cela ressemble-t-il dans le monde réel ? Voici quelques exemples de cas d’utilisation de l’analytique augmentée dans les domaines de la finance, des ventes et du marketing, de la production, des ressources humaines et du recouvrement.

L’analytique augmentée pour la finance
Un Analyste peut utiliser l’analytique augmentée pour prévoir et contrôler facilement les frais de voyage et de représentation (T&E) dans différents départements.

L’analytique augmentée pour le recouvrement
Les responsables du recouvrement peuvent utiliser l’apprentissage automatique dans l’analytique augmentée pour anticiper les retards de paiement, déterminer la bonne stratégie de recouvrement et maîtriser les flux de trésorerie.

L’analytique augmentée pour les ventes et le marketing
Les équipes de vente et de marketing disposent d’une meilleure connaissance des clients – et d’une identification rapide des opportunités de ventes croisées et incitatives – grâce à l’analytique augmentée.

L’analytique augmentée pour l’industrie manufacturière
Un analyste d’un fabricant d’acier peut utiliser l’analytique augmentée pour prévoir, surveiller et contrôler les dépenses dans différentes usines.

L’analytique augmentée pour les RH
Les responsables RH peuvent prédire le turn-over des collaborateurs, en comprendre les raisons et prendre des mesures correctives pour conserver les meilleurs éléments – tout cela grâce à l’analyse de l’IA.

 


Pictogramme d'un graphique pour représenter l'analytique augmentée

Découvrez SAP Analytics Cloud

Exploitez la Business Intelligence, l’analytique augmentée et la planification pilotées par l’IA dans une solution unique et facile à utiliser.

En savoir plus


 

The post Qu’est-ce que l’analytique augmentée ? appeared first on SAP France News.

Source de l’article sur sap.com