Quelle est la différence entre Business Intelligence et Data Intelligence ?

Les termes de Business Intelligence et la Data Intelligence sont proches, et des similitudes existent bel et bien entre les deux disciplines. Néanmoins, la Business Intelligence et la Data Intelligence sont deux concepts bien distincts, et sont surtout des disciplines complémentaires. Explications.

Ce que l’on entend réellement par Intelligence

Avant de comparer Business Intelligence et Data Intelligence, il me parait important de m’attarder sur le terme « intelligence ». Il faut comprendre son acception anglaise, comme dans Central Intelligence Agency (CIA) : le renseignement (on parle d’ailleurs d’« intelligence ambiante » pour l’internet des objets (IoT).

Il ne s’agit donc pas tant de réfléchir que d’amasser des données qu’on consolide pour leur donner du sens.

Qu’est-ce que la Business Intelligence ?

Elle exploite à la fois les données en temps réel générées par tous les services de l’entreprise, et les données historiques. Ces données sont stockées dans des datawarehouses ou dans des data lakes (on lira Data Warehouse, Data Lake, Data Mesh : quelles différences ?).

La Business Intelligence (ou informatique décisionnelle) est un ensemble de processus qui permettent d’analyser des données opérationnelles¹. Ces données vont être transformées en informations exploitables par les utilisateurs finaux, dans le but de les aider à prendre des décisions éclairées. L’ingénieur et statisticien Edwards Deming disait déjà “ In God we trust. All others must bring data”, ou encore “Without data, you’re just another person with an opinion”.

La Business Intelligence repose sur la compréhension des processus opérationnels et de leurs données.

La Business Intelligence permet de décrire, d’expliquer et surtout de prévoir. Avec la mise en place d’un datawarehouse et d’un outil de data visualisation, elle est un atout pour prendre des décisions éclairées.

Ces données, inexploitables par l’utilisateur en l’état, sont alors nettoyées, intégrées et consolidées :

• Le nettoyage nécessite une identification des données utiles à l’analyse ; il permet aussi la correction de certaines incohérences (on parle de data cleaning, data cleansing voire de data hygiene).
• La modélisation des données est un préalable à leur intégration ; l’analyse peut utiliser l’analyse statistique ou le data mining.
• La mise à disposition des données consolidées, véritable conclusion du traitement permet la prise de décision (d’où le nom de système décisionnel) ; la data visualisation (ou dataviz pour les intimes) consiste à restituer ces données de manière visuelle et esthétique.

Utilisez la Business Intelligence pour prendre des décisions éclairées

La Business Intelligence, avec la mise en place d’un datawarehouse et d’un outil data visualisation, permettra de prendre des décisions éclairées. Elle permet de décrire, mais aussi d’expliquer et surtout de prévoir.

L’analyse des ventes, par exemple, montre sous des angles pertinents (par période, par localisation, par catégorie, etc.) ce qu’on a vendu. Elle vise à comprendre les raisons de ces ventes (Pourquoi les ventes sont-elles plus importantes en septembre ? Pourquoi sont-elles en baisse en Italie ? Pourquoi la vente de vêtements pour homme a-t-elle été plus élevée que d’habitude ? Pourquoi tels produits ont été des tops, et d’autres des flops ?). Et bien sûr, elle cherchera à prévoir ce qu’on vendra demain, afin de vendre plus et mieux que les concurrents.

Qu’est-ce que la Data Intelligence ?

La Data Intelligence est une discipline de la Data Analytics appliquée à la Business Intelligence. Elle utilise la Data Science pour l’analyse et l’exploration de de la donnée.

La Data intelligence est tournée vers l’élaboration de stratégies futures.

Elle est une évolution de la Business Intelligence (qu’elle ne remplace pourtant pas), rendue possible par les deux révolutions technologiques que sont le Big Data et l’Intelligence Artificielle :

• Le Big Data qui permet la collecte, le stockage et l’analyse des données massives (tickets de caisse, historique de navigation, applications mobiles, géolocalisation, réseaux sociaux, etc.), qu’elles soient ou non structurées
• L’Intelligence Artificielle (IA), qui révolutionne les méthodes d’analyse des données grâce à des algorithmes complexes

C’est grâce à cette convergence entre le Big Data et l’IA qu’on peut prévoir les résiliations d’abonnements (churn management), ou qu’on prédit à quel moment un acheteur va faire une commande.

Les décideurs ont vite compris le potentiel de la Data Intelligence appliquée au Marketing, à la logistique ou à la gestion des stocks !

💡 Collecter des données ne suffit pas !

Cependant, collecter de larges ensembles de données ne suffit pas à produire un résultat susceptible d’être transformé en savoir. Seule la Data Intelligence peut capturer les données permettant d’identifier des patterns (des tendances) relatifs au comportement des consommateurs ; ce que cherchent particulièrement les entreprises.

Si la Data Intelligence semble faire des miracles dans le marketing et la gestion du risque (assurance, cybersécurité), elle se distingue aussi dans le secteur de la santé. Et le récent contexte de pandémie mondiale a prouvé combien il était important de prévoir les hospitalisations, les besoins en médicaments, en consultations, en téléconsultations…

La Data Intelligence en milieu hospitalier, par exemple, a déjà permis de prédire les besoins et surtout de réfléchir à la réorganisation profonde de processus, de services.

Deux disciplines de la Data Analytics

La Business Intelligence et la Data Intelligence font toutes deux parties de la Data Analytics, qui rassemble les approches descriptive, prédictive et prescriptive pour l’analyse des données.

On considère parfois que la Business Intelligence fait partie de la Data Intelligence, et les deux répondent surtout au même objectif : faciliter la prise de décision dans l’entreprise.

Mais si l’une permet, par exemple, d’augmenter les marges, l’autre met en lumière des tendances et permet d’élaborer une nouvelle stratégie.

[1] Les données opérationnelles sont issues des applications opérationnelles, celles qui gèrent les opérations courantes. Les commandes aux fournisseurs, par exemple, sont des données opérationnelles ; le catalogue produit et les informations relatives aux fournisseurs sont des données de référence.

👉 Retrouvez toute notre actu en temps réel en nous suivant sur LinkedIn 👈