Bonnes pratiques en matière d'analyse de données pour l'ère de l'IA

Posez une question à un assistant IA sur la baisse du chiffre d'affaires au dernier trimestre, et vous obtiendrez une réponse en quelques secondes : un chiffre, un graphique et un paragraphe clair expliquant ce qui s'est passé. Reste à savoir si cette réponse est correcte. C'est également cette question qui détermine désormais si l'analyse de votre équipe mérite d'être prise en compte.

L'IA a rendu les mécanismes de l'analyse de données rapides et économiques. Écrire des requêtes, joindre des tables, nettoyer des données et créer des graphiques occupait la majeure partie de la semaine d'un analyste. Désormais, cela prend quelques instants. Cela a incité de nombreuses équipes à traiter l'analyse comme une étape qu'elles peuvent déléguer entièrement.

Mais les faits incitent à la prudence. Lorsque des chercheurs ont conçu Spider 2.0, un benchmark issu de véritables bases de données d'entreprise, le meilleur agent IA testé a résolu 21,3 % de ses tâches. Sur un benchmark académique plus ancien avec des données plus propres, la même approche en a résolu 91,2 %.

Quelles sont donc les meilleures pratiques pour l'analyse de données à l'ère de l'IA ? Elles se concentrent sur les deux extrémités du flux de travail que l'IA ne peut pas s'approprier. Formulez la question avec précision avant que l'IA ne touche aux données. Validez la réponse avant que quiconque n'agisse. Tout le reste devient plus simple. Ces deux extrémités deviennent plus complexes et plus précieuses.

L'analyse de données n'a jamais été une simple question de requête

L'analyse de données existe pour réduire l'incertitude autour d'une décision. Personne n'analyse le taux d'attrition pour le plaisir. Une équipe l'analyse parce qu'elle doit décider s'il faut modifier la tarification, repenser l'intégration ou embaucher davantage de personnel de support client.

Le processus comporte cinq étapes :

1. Formuler la question
2. Recueillir et préparer les données
3. Choisir et exécuter une méthode
4. Valider et interpréter les résultats
5. Communiquer leur signification

Les étapes deux et trois concentrent la majeure partie des aspects techniques. Pendant des décennies, ce travail répétitif a monopolisé l'essentiel du temps, ce qui a fait oublier que le résultat dépendait généralement des étapes un et quatre. Une requête peut être parfaite et répondre tout de même à la mauvaise question. Un graphique peut être magnifique tout en étant trompeur. L'IA a simplement rendu cela beaucoup plus difficile à ignorer.

Ce que l'IA a réellement pris en charge dans le processus d'analyse de données

Le cœur de l'analyse assistée par IA est le texte-vers-SQL, qui transforme une question en anglais simple en requête de base de données. Demandez quel chiffre d'affaires a été généré par les clients grands comptes au dernier trimestre, et un outil d'IA rédigera la requête pour vous. Il additionne les montants des commandes, associe les commandes aux clients, filtre le segment des grands comptes et limite les résultats aux bonnes dates. Ensuite, il représente le résultat sous forme de graphique, rédige un résumé et suggère la prochaine question à poser.

C'est un réel progrès, et c'est pourquoi nous décrivons l'IA comme un co-analyste qui complète l'analyse humaine.

Mais observez ce que l'outil a décidé de lui-même pour répondre à cette question sur le chiffre d'affaires. Peut-être a-t-il supposé que « chiffre d'affaires » signifiait le montant de la commande avant remboursements. Ou bien il a supposé que « dernier trimestre » signifiait de juillet à septembre, même si l'entreprise fonctionne sur un calendrier fiscal. Il a supposé que les clients grands comptes sont étiquetés « Enterprise » dans les données et non « ENT ». Et il a supposé que la première table de commandes trouvée était la bonne. Aucun de ces choix n'était correct, mais aucun n'a déclenché d'alerte. L'outil a renvoyé un chiffre propre.

Lorsqu'produire une réponse ne coûte presque rien, les équipes en produisent beaucoup plus. Une mauvaise réponse arrive aussi rapidement et proprement qu'une bonne, et elle voyage tout aussi loin. Le risque est passé de la réalisation de l'analyse à sa vérification. Rien de tout cela ne rend la préparation des données ou la sélection des méthodes automatiques. Quelqu'un doit toujours décider si une source est à jour, si une jointure compte des enregistrements en double et si une mesure correspond à la question. L'IA gère une plus grande partie du parcours. Le discernement à chaque étape appartient toujours aux humains.

Les données réelles d'entreprise aggravent le problème. Les jeux de données de test académiques utilisent des bases de données propres. Les entreprises possèdent des centaines de tables, des noms de colonnes cryptiques et trois versions de la même métrique. C'est ce désordre que Spider 2.0 a capturé, et c'est pourquoi les scores ont chuté si brutalement. La difficulté de l'analyse en entreprise n'a jamais résidé dans le SQL. Elle réside dans le contexte de l'entreprise.

Formuler la question est désormais l'étape la plus difficile

Lorsque les réponses sont bon marché, la question pèse lourd. Une question vague confiée à l'IA échoue rarement de manière flagrante. Elle obtient une réponse assurée à une question légèrement différente, et personne ne s'en aperçoit.

Une question analytique bien formulée accomplit cinq tâches :

• Nomme la décision qu'elle sert. Que fera-t-on différemment selon la réponse ?
• Définit ses termes. Qu'entend-on exactement par taux d'attrition, client actif ou chiffre d'affaires ?
• Définit la population et la période. Quels clients, sur quelles dates et avec quelles exclusions ?
• Établit une référence. Par rapport au dernier trimestre, au même trimestre l'année dernière ou à un objectif ?
• Indique ce qui modifierait le plan. Quelle doit être l'ampleur d'un résultat pour justifier une action ?

comparez « Pourquoi le chiffre d'affaires est-il en baisse ? » avec « Pourquoi le chiffre d'affaires reconnu des clients nord-américains existants a-t-il changé ce trimestre par rapport au même trimestre l'année dernière, et quels segments de clientèle y ont le plus contribué ? » La deuxième version fixe la métrique, la population, la géographie, la comparaison et la ventilation avant même qu'aucune donnée ne soit manipulée. Elle laisse à l'IA beaucoup moins de lacunes à combler par des suppositions.

Les bons outils d'IA y contribuent. Comme nous l'avons déjà écrit, lorsque les utilisateurs posent des questions ambigües, « l'IA doit demander des éclaircissements plutôt que de faire des suppositions ». Mais un outil ne peut interroger que sur l'ambiguïté qu'il décèle. Il n'a aucun moyen de savoir quelle décision vous essayez réellement de prendre. Pire encore, la fluidité peut donner à une réponse incomplète un sentiment d'autorité supérieur à la réalité.

Cela place la formulation au cœur de la description de poste de l'analyste. Traitez l'invite comme une spécification analytique. Définissez la décision, les termes, la portée et les critères de réussite avant de demander à l'IA d'effectuer les manipulations techniques. Une partie du travail analytique le plus précieux se déroule désormais avant l'exécution de la première requête. Cela consiste à s'asseoir avec un partie prenante, à cibler la décision et à rédiger la question dans des termes que les données peuvent résoudre.

Adapter la méthode d'analyse de données à la question

Une question pointue peut tout de même mener à une mauvaise réponse si elle est traitée de la mauvaise manière. Les questions analytiques se répartissent en quatre grandes familles, qui correspondent étroitement aux quatre types d'analyse commerciale, et chacune requiert un type de méthode différent.

Les outils d'IA ont tendance à privilégier ce qui est le plus facile à calculer. Cela signifie généralement une description ou une corrélation, et c'est là que quatre erreurs familières s'immiscent :

La corrélation prise pour une cause. Les clients qui utilisent une fonctionnalité particulière ont peut-être un taux d'attrition plus faible, et un résumé généré par l'IA pourrait conclure que cette fonctionnalité réduit l'attrition. C'est peut-être le cas. Ou peut-être que vos clients les plus engagés utilisent davantage de fonctionnalités et ont également un taux d'attrition plus faible, pour des raisons qui n'ont rien à voir avec cette fonctionnalité. Seule une expérience, telle que le déploiement de la fonctionnalité auprès d'un groupe aléatoire et la comparaison des résultats, permet de faire la différence. C'est l'erreur la plus coûteuse en analyse car elle oriente l'argent vers des actions inefficaces.

Des moyennes qui masquent la réalité. Imaginez deux parcours d'intégration. Le parcours A convertit mieux parmi les petites entreprises (25 % contre 20 %) et mieux parmi les grands comptes (60 % contre 50 %). Pourtant, le parcours B semble globalement bien meilleur, 47 % contre 28 %, parce qu'il a bénéficié en majorité de grands comptes, qui affichent des taux de conversion plus élevés dans les deux cas. Les statisticiens appellent cela le paradoxe de Simpson. Un outil d'IA qui ne rapporte que le chiffre combiné recommanderait le parcours le moins performant.

La mauvaise référence. Les ventes au détail augmentent chaque mois de décembre, de sorte qu'une hausse de 40 % par rapport à novembre ne signifie pas grand-chose. Le même mois de l'année dernière constitue la comparaison pertinente, et le choisir relève d'une décision de cadrage.

Des prévisions sans intervalles. Prolonger une ligne de tendance courte produit une projection qui a l'air précise et ne l'est généralement pas. Une prévision utile fournit un intervalle et énonce les hypothèses sous-jacentes. Elle doit également être testée sur des périodes isolées que le modèle n'a jamais vues auparavant, avant que quiconque ne s'y fie.

L'IA peut être un partenaire précieux dans tout cela. Elle peut proposer des solutions alternatives, expliquer des hypothèses et suggérer des vérifications supplémentaires. Mais « l'IA l'a choisi » ne constitue pas une justification méthodologique. Le choix de la méthode appropriée dépend toujours de quelque chose de plus fondamental : des données d'entrée qui signifient exactement ce que tout le monde pense qu'elles signifient.

Pourquoi les définitions gouvernées déterminent si l'analyse par l'IA est correcte

Demandez le chiffre d'affaires du trimestre dernier à trois équipes différentes et vous obtiendrez probablement trois chiffres. L'équipe financière calcule le chiffre d'affaires net des remboursements. L'équipe commerciale comptabilise les réservations. Le marketing définit un client actif comme toute personne s'étant connectée au cours des 30 derniers jours, tandis que l'équipe produit opte pour 90 jours. Chaque tableau de bord est cohérent en interne. Mais mis bout à bout, ils se contredisent, et la réunion se transforme en débat stérile sur le chiffre qui est le bon.

L'IA ne fait qu'amplifier le problème. Une colonne intitulée « chiffre d'affaires » n'indique pas à un modèle si l'entreprise fait référence au chiffre d'affaires réservé, facturé, comptabilisé ou net. Pour répondre à une question, un outil d'IA doit en choisir un. Si les définitions sont éparpillées au sein de tableaux de bord et de rapports individuels, l'outil devine ou hérite du premier conflit qu'il croise. En clair, il se retrouve contraint de résoudre un désaccord organisationnel tout en répondant à une question individuelle. Différents utilisateurs obtiennent alors des réponses cohérentes en interne, mais basées sur des métriques différentes.

La solution réside dans une couche sémantique. C'est un endroit unique où l'entreprise définit clairement ses termes du point de vue des données, garantissant ainsi que chaque tableau de bord et chaque outil d'IA utilisent les mêmes définitions. Les équipes peuvent continuer à conserver leurs propres vues légitimes, à condition que la signification et la portée de chacune soient explicites. Gartner s'attend à ce que cela prenne une importance capitale. Le cabinet prédit que d'ici 2027, les organisations qui prioriseront la sémantique dans les données prêtes pour l'IA accroîtront la précision de l'IA agentique de jusqu'à 80 % et réduiront leurs coûts de jusqu'à 60 %.

Vous pouvez observer cet effet à l'œuvre dans un seul et même projet. Dans un tutoriel Databricks, une équipe a configuré AI/BI Genie, notre outil d'analyse conversationnelle, sur un ensemble de données marketing et l'a testé à l'aide de 13 questions de référence. Avec de simples tables brutes, Genie n'a répondu correctement à aucune d'entre elles. L'ajout de descriptions de tables, de clés montrant comment les tables sont connectées et de listes des valeurs réelles dans les colonnes clés a fait monter la précision à 54 %. L'intégration de requêtes d'exemple pour des métriques personnalisées l'a poussée à 77 %. Enfin, des règles métier formalisées, telles que l'exclusion des campagnes de test et l'utilisation du calendrier fiscal, l'ont portée à 100 %. Le modèle était exactement le même à 0 % qu'à 100 %. Chaque progrès provenait uniquement du contexte.

C'est pourquoi nous intégrons la gouvernance et le sens métier directement au cœur de la plateforme de données. Sur la Databricks Data + AI Platform, cette mission est confiée à Unity Catalog Business Semantics. Cette solution est conçue pour rendre les métriques, les règles métier et les définitions réutilisables à travers les expériences analytiques et d'IA, au lieu de les cloisonner dans un seul tableau de bord. Ce contexte partagé peut alimenter les AI/BI Dashboards, Genie, SQL, les notebooks et les agents, tandis que les contrôles de gouvernance déterminent les données et le contexte accessibles à chaque utilisateur. Cet écart est critique car les erreurs générées par l'IA ont souvent l'air impeccables. Un graphique soigné peut dissimuler un dénominateur erroné ou une définition qui diffère de celle utilisée par les finances.

La gouvernance renforce également la confiance. Precisely et le LeBow College of Business de l'Université Drexel ont interrogé 505 responsables des données dans le cadre d'un rapport publié en 2026. Parmi les organisations dotées de programmes de gouvernance, 71 % ont déclaré avoir une grande confiance en leurs données, contre seulement 50 % de celles qui n'en ont pas.

Comment valider une analyse générée par l'IA avant d'agir

Des définitions gouvernées rendent une réponse vérifiable. Encore faut-il que quelqu'un prenne le temps de la vérifier, ce que beaucoup d'organisations ne font pas. Selon l'enquête State of AI de McKinsey de mars 2025, 27 % des répondants issus d'organisations utilisant l'IA générative ont affirmé que les employés examinaient l'ensemble des résultats avant leur utilisation. Une proportion similaire a indiqué que 20 % ou moins étaient vérifiés.

La validation peut être rapide, pourvu qu'elle soit méthodique. Ces sept vérifications permettent de détecter la plupart des problèmes :

1. Reformulez la question et confirmez les définitions. Quelle est précisément la métrique, et quels enregistrements, périodes et exclusions s'appliquent ? Si ces éléments sont flous, l'analyse n'est pas prête à être validée.
2. Vérifiez la source. Assurez-vous que les données proviennent de la source officielle, qu'elles sont à jour et qu'elles conviennent à la personne qui les demande.
3. Lisez la logique. Examinez les filtres, les jointures et le niveau d'agrégation de la requête générée, puis observez le nombre de lignes, les valeurs nulles et les doublons. Un bond soudain de 300 % cache plus souvent une jointure dupliquée qu'une véritable percée.
4. Rapprochez les chiffres d'une valeur connue. Rattachez les totaux importants à une métrique certifiée, à un rapport de référence ou à un calcul indépendant. En cas d'écart, identifiez la cause avant d'aller plus loin.
5. Décomposez les résultats. Vérifiez que le résultat se vérifie sur l'ensemble des segments clés. C'est ainsi que l'on évite le paradoxe de Simpson avant qu'il ne se retrouve dans une présentation.
6. Testez les alternatives. Une méthode différente mais défendable aboutirait-elle à la même décision ? Un facteur de confusion pourrait-il expliquer cette tendance ?
7. Laissez une trace. Enregistrez les sources, la requête, les définitions, les hypothèses et les limites afin qu'une autre personne puisse reproduire le résultat.

Adaptez l'effort aux enjeux. Un résumé hebdomadaire du trafic nécessite un rapide coup d'œil sur la logique. Une décision tarifaire exige une analyse complète. Et demander à l'IA si elle est sûre d'elle ne constitue en aucun cas une validation.

Les bons outils font de ces vérifications une routine. Genie, par exemple, montre comment chaque réponse a été obtenue, garantissant ainsi que la logique reste toujours accessible.

Ce que les responsables de l'analytique doivent insuffler à leurs équipes

Un analyste consciencieux qui effectue des vérifications ne suffit pas à l'échelle de l'entreprise. Pour les responsables de l'analytique, le véritable travail consiste à intégrer le cadrage et la validation dans le mode de fonctionnement de toute l'équipe.

Cela commence par une redéfinition du rôle de l'analyste. Les analystes passent moins de temps à produire des réponses et davantage de temps à organiser le contexte qui permet à l'IA d'en produire de bonnes. Concrètement, cela implique de tenir à jour les définitions, de configurer des espaces Genie, de rédiger des questions de référence et d'examiner les résultats signalés. Le rôle s'apparente alors davantage à celui d'un rédacteur en chef qu'à celui d'un auteur de premier jet. Les meilleurs analystes deviennent des traducteurs entre les décisions métier, les données, les méthodes et les systèmes d'IA.

Les compétences découlent naturellement de cette évolution :

• Cadrer les questions avec les parties prenantes métier
• Raisonnement statistique et expérimental, y compris la capacité à savoir quand une corrélation ne suffit pas
• Une connaissance du domaine suffisante pour repérer un chiffre invraisemblable
• Maîtrise des données concernant le niveau de granularité, les jointures, la qualité et la lignée, ainsi que la gestion des définitions partagées
• Utiliser l'IA pour explorer des alternatives, puis évaluer ses résultats par rapport à des cas de référence avérés
• Expliquer l'incertitude aux dirigeants dans un langage simple

De nombreuses équipes n'en sont pas encore là. Dans la même étude menée par Precisely et le LeBow de Drexel, 51 % des responsables des données ont cité les compétences comme un besoin primordial pour l'adoption de l'IA, et seuls 38 % se sont déclarés très bien préparés.

Comment un responsable peut-il savoir si l'analyse de son équipe mérite la confiance ? Soyez attentif à cinq signaux :

• La fréquence à laquelle les analyses doivent être corrigées après avoir été partagées
• La fréquence des désaccords entre équipes en raison de définitions incohérentes
• L'utilisation de sources obsolètes ou non certifiées dans des travaux importants
• L'attribution d'un responsable clairement identifié pour les résultats à fort impact
• L'annulation de décisions parce que l'analyse sous-jacente était erronée

Pour les travaux assistés par l'IA, conservez un ensemble de questions représentatives accompagnées de réponses de référence et évaluez régulièrement les résultats auprès de différents utilisateurs et domaines métier. Un accès élargi accentue encore les enjeux. AI/BI est intégré à la plateforme sans frais de licence par utilisateur, ce qui permet à l'analyse gouvernée de s'étendre bien au-delà de l'équipe de données. Lorsque des milliers de personnes peuvent poser des questions, la rigueur ne peut plus reposer sur une poignée d'analystes. Elle doit être ancrée dans le système.

Cinq bonnes pratiques pour l'analyse des données à l'ère de l'IA

1. Partez de la décision, pas de l'outil. Définissez ce qui doit être tranché, qui en assume la responsabilité et quel type de preuve modifierait le plan d'action avant de solliciter l'IA pour obtenir une réponse.
2. Rendez le sens métier explicite. Utilisez des définitions partagées pour les métriques, les périodes et les règles métier. Si un terme peut légitimement avoir deux sens, documentez la différence au lieu d'attendre de l'IA qu'elle la devine.
3. Associer la méthode à l'affirmation. La description, la segmentation, la prévision et les modèles causaux prennent en charge différentes affirmations. Ne laissez pas la méthode la plus simple dicter la conclusion.
4. Valider la chaîne de preuves. Vérifiez la source, les définitions, la logique et les hypothèses. Comparez les résultats clés avec des références fiables et voyez si la conclusion résiste à des solutions de rechange raisonnables.
5. Utiliser l'IA pour étendre la capacité d'analyse, et non pour abaisser les normes. Laissez l'IA gérer les tâches répétitives et élargir l'accès tout en maintenant la responsabilité des personnes pour les questions, les preuves et les décisions.

FAQ

Qu'est-ce que l'analyse de données et pourquoi est-elle importante pour les décisions commerciales ?

L'analyse de données est le processus qui consiste à utiliser les données pour réduire l'incertitude lors d'une décision. Elle est importante car la qualité d'une décision dépasse rarement la qualité de la question et des preuves qui la sous-tendent.

Quelles sont les principales étapes du processus d'analyse de données ?

Il y en a cinq : formuler la question, préparer les données, appliquer une méthode, valider les résultats et communiquer leur signification. L'IA accélère désormais le plus les étapes intermédiaires.

Quelles sont les erreurs les plus courantes dans l'analyse de données ?

La plupart se produisent avant le graphique final : une question floue, des définitions incohérentes, une population non représentative, une corrélation présentée comme une cause et des jointures au mauvais grain qui comptent deux fois les enregistrements. L'IA peut accélérer ces étapes, et ses erreurs ont souvent l'air d'être terminées.

Comment valider l'analyse de données générée par l'IA ?

Commencez par reformuler la question et confirmer les définitions. Vérifiez ensuite la source, lisez la requête générée, réconciliez les totaux clés avec une référence fiable et testez si la conclusion tient la route face à des solutions de rechange raisonnables.

L'IA va-t-elle remplacer les analystes de données ?

L'IA prend en charge une grande partie du travail mécanique de l'analyse. Le jugement reste entre les mains des personnes. Les analystes qui formulent des questions, choisissent des méthodes, gèrent les définitions et valident les résultats prennent ainsi de plus en plus de valeur.

Le jugement est le nouveau goulet d'étranglement

L'IA a redonné aux équipes d'analyse les heures qu'elles passaient auparavant à rédiger des requêtes et à nettoyer les données. Les équipes qui en tirent le meilleur parti passent ces heures aux deux extrémités du flux de travail : des questions plus précises d'un côté et des contrôles plus solides de l'autre. Elles s'appuient également sur des définitions partagées par tous.

C'est le type d'analyse que Databricks AI/BI est conçu pour prendre en charge : des réponses conversationnelles fondées sur vos propres données gouvernées et accessibles à tous ceux qui en ont besoin.

Une meilleure analyse commence par la bonne question et se termine par une réponse en laquelle vous pouvez avoir confiance. Découvrez comment Databricks AI/BI fonde l'analyse en langage naturel sur les propres définitions gouvernées de votre organisation, afin que chaque tableau de bord et chaque question de suivi fonctionnent à partir des mêmes métriques. Si vous souhaitez obtenir une vue d'ensemble de la façon dont l'IA transforme le rôle de l'analyste, lisez How AI Is Transforming Data Analytics pour un aperçu étape par étape du flux de travail analytique moderne.

(Cet article de blog a été traduit à l'aide d'outils basés sur l'intelligence artificielle) Article original