L'avenir de l'analyse de données : pourquoi l'IA réécrit la fiche de poste de l'analyste

Le rôle d'analyste de données a été déclaré mort plus de fois qu'on ne peut le compter. L'AI va écrire des requêtes, créer des tableaux de bord et générer des insights. Alors, pourquoi s'embêter à recruter des analystes ?

Parce que cet argument confond la tâche et le métier.

Ce qui est réellement automatisé, c'est le travail qui consumait le temps des analystes sans jamais apporter de valeur métier : la préparation des données, la reconstruction de tableaux de bord pour chaque nouvelle partie prenante, l'écriture de requêtes SQL ad hoc pour des demandes ponctuelles. L'analyste qui se contente de faire cela est en cours d'automatisation. L'analyste qui cadre les problèmes métier et oriente les décisions devient de plus en plus précieux.

Ce n'est pas une prédiction. C'est déjà une réalité. Et dans cet article, nous expliquerons pourquoi l'AI ne met pas fin au rôle d'analyste, mais le rétablit dans ce qu'il aurait toujours dû être.

À nous deux, nous avons recruté plus de 50 analystes, dirigé des équipes de livraison pluridisciplinaires et conçu des cadres de décision basés sur l'AI dans divers secteurs. Nous avons récemment confronté nos expériences, et le même constat s'est imposé : les analystes qui réussissent ne sont pas ceux qui écrivent le meilleur SQL. Ce sont ceux qui posent les meilleures questions.

Les plateformes comme Databricks AI/BI convergent vers des analyses guidées par le langage naturel. Vous pouvez décrire ce que vous voulez en langage courant et obtenir un tableau de bord, une métrique ou un insight. Les outils de Text-to-SQL résolvent un problème auquel le secteur est confronté depuis des décennies : le temps et le savoir-faire technique nécessaires pour passer d'une question à un résultat. C'est une véritable victoire. Mais combler ce fossé ne fait que mettre en lumière la dimension qui a toujours été la plus importante : la qualité de l'insight lui-même. Il y a toujours eu, et il y aura toujours, un autre fossé : savoir quelle question poser en premier lieu. L'étape la plus importante pour être un excellent analyste de données n'est pas seulement de répondre à ce qui est demandé, mais d'affiner et de structurer la demande pour comprendre ce qui doit réellement trouver réponse. Combien de fois vous a-t-on demandé d'extraire des données pour un point précis, pour découvrir ensuite que ce n'était pas du tout ce que l'entreprise cherchait à évaluer ?

Comment nous en sommes arrivés là : le piège des outils de BI

Ce processus a été lent et progressif. Au départ, les analystes servaient de liaison entre les équipes métier et les équipes IT propriétaires des Data Warehouses, agissant parfois plutôt comme des Business Analysts. Mais avec l'avènement d'outils comme QlikView, Power BI et Tableau, ces équipes d'analystes orientées métier n'étaient plus liées aux data warehouses existants pour produire leurs tableaux de bord. Cela a permis une itération rapide, mais a entraîné un autre ensemble de problèmes.

Les analystes sont devenus des créateurs de tableaux de bord et des dépanneurs de données, agissant parfois comme une IT de l'ombre (shadow-IT). Soudain, le rôle ne leur demandait plus d'être simplement d'excellents communicateurs comprenant la valeur des données de l'entreprise. Leur temps était absorbé par :

• La préparation manuelle des données et la gestion des urgences sur les pipelines
• La reconstruction de tableaux de bord pour chaque nouvelle partie prenante
• L'écriture de requêtes SQL ad hoc pour des demandes ponctuelles
• Le rapprochement entre les outils de BI et les données en amont

La compétence dont les organisations avaient réellement besoin, à savoir le cadrage des problèmes métier, est restée sous-développée. Les analystes étaient occupés et sollicités de toutes parts, mais avaient souvent du mal à démontrer leur valeur. Nous avons tous assisté à d'innombrables vagues de restructuration au sein des équipes de données, car les gens peinent à comprendre leur valeur.

Il existe une tension persistante au cœur de ce rôle : les experts techniques ont souvent du mal à comprendre les enjeux métier, tandis que les personnes orientées métier sont généralement moins fortes techniquement. Les organisations ont tenté de résoudre ce problème en recrutant des profils hybrides capables de faire les deux, mais ces profils sont rares. Nous l'avons constaté tout au long de notre parcours. Généralement, les responsables optent pour une répartition des compétences au sein de l'équipe plutôt que de chercher des compétences individuelles complètes, c'est-à-dire en associant des profils très techniques peu à l'aise avec le contexte métier à des profils moins techniques mais plus forts en communication. Cependant, dans les petites équipes, cela conduit souvent à de la frustration, car les deux profils doivent finalement assumer les deux types de tâches. Les profils plus orientés métier sont frustrés par les défis techniques, tandis que les profils techniques s'agacent de devoir échanger avec les équipes métier. Cela a largement contribué à créer des équipes d'analyse qui se concentrent sur la mise à disposition des données plutôt que sur la réponse aux questions. La proposition de valeur fondamentale de l'analyse, à savoir transformer l'information en décisions, s'est trouvée diluée par la logistique du transfert de données d'un point A à un point B.

Le résultat est une génération d'analystes capables de vous dire ce qui s'est passé, mais pas pourquoi cela importe ni ce qu'il convient de faire.

L'AI simplifie à nouveau les choses

Chaque nouvelle génération d'outils promettait de libérer les analystes des contraintes techniques de livraison. En pratique, elle les a encore plus ensevelis. L'AI change la donne. Non pas en remplaçant les analystes, mais en automatisant les tâches qui les submergeaient.

Les plateformes comme les AI/BI Dashboards avec Genie Code permettent aux utilisateurs de décrire ce qu'ils souhaitent en langage courant et d'obtenir en quelques minutes un tableau de bord fonctionnel et harmonisé. Des interfaces en langage naturel comme Genie One permettent aux parties prenantes de poser directement des questions ad hoc, sans avoir à formuler de demande officielle ni à faire la queue. Les définitions de métriques peuvent être générées et affinées automatiquement, l'AI agissant comme un conseiller pour les adapter précisément aux besoins réels de l'entreprise. Il ne s'agit pas d'améliorations incrémentales. Elles éliminent des pans entiers de frictions qui, au fil du temps, ont dénaturé le rôle d'analyste au-delà du reconnaissable. Les tâches techniques sont devenues des commodités.

Nous avons vu cela se concrétiser dans la pratique. Un analyste d'une organisation du secteur public devait concevoir un modèle de segmentation de la clientèle, un travail qui nécessitait auparavant deux mois d'efforts impliquant du développement SQL, de la préparation de données et des cycles d'itération avec l'ingénierie. En utilisant Genie Code, il l'a construit en une demi-journée. L'AI s'est chargée de l'exécution technique ; l'analyste s'est concentré sur la définition des segments qui comptaient réellement pour l'entreprise. C'est là que réside le changement : pas moins d'analystes, mais des analystes qui consacrent leur temps aux tâches qui font vraiment bouger les lignes.

Mais la rapidité seule ne fait pas la valeur. Une AI qui répond parfaitement à la mauvaise question se trompe tout de même. Ce que cette nouvelle vague d'outils met en évidence, c'est que le goulot d'étranglement de l'analyse n'a jamais été le SQL ou les tableaux de bord. Cela a toujours été le jugement. Il faut toujours quelqu'un pour :

• Définir ce que l'entreprise devrait réellement mesurer, et pourquoi
• Cadrer la bonne question avant même que quiconque ne touche aux données
• Valider que le résultat est cohérent avec le contexte
• Interpréter les données pour recommander un plan d'action

L'AI ne fait rien de tout cela. C'est le travail de l'analyste. Cela l'a toujours été, nous ne leur en laissions simplement pas le temps.

L'AI simplifie l'exécution. Elle ne détient ni l'intention, ni la responsabilité, ni les conséquences. Cette responsabilité reste résolument humaine.

« Avec l'AI qui enrichit les processus et automatise les tâches routinières, le jugement humain, la responsabilité et l'appropriation des décisions restent essentiels » - Capgemini Research Institute, The multi-year AI advantage: Building the enterprise of tomorrow, p.6

Et c'est là que le rôle de l'analyste ne disparaît pas, mais renaît.

L'analyste renaît : moins de SQL, plus d'impact

Les tâches techniques étant automatisées, la valeur de l'analyste se déplace vers des travaux que seuls les humains peuvent réaliser :

La structuration des problèmes

La contribution la plus précieuse d'un analyste est d'aider une partie prenante à formuler la bonne question avant même de toucher aux données. C'est plus difficile qu'il n'y paraît : le Capgemini Research Institute a constaté que « seulement 33 % des dirigeants parviennent à exprimer clairement leurs besoins à un système de Gen AI ». Si vous devez évaluer une campagne marketing, mesurer le taux de clics peut sembler une excellente idée, et vous pourriez demander à l'AI de le faire pour vous et en conclure que votre campagne est réussie. Si vous avez conçu la campagne, vous n'aurez peut-être pas besoin de vous poser plus de questions. Mais vous n'avez peut-être pas posé la bonne question. Et si l'e-mail proposait une remise de 90 % ? Dans ce cas, vous devriez également analyser l'impact sur le chiffre d'affaires global. L'analyste est indispensable pour aider à cadrer le problème et jouer le rôle d'avocat du diable. Sans avoir besoin de maîtriser le SQL, l'analyste peut se concentrer sur la compréhension de l'activité et jouer le rôle de traducteur.

Le contexte et le jugement

Un chiffre sans contexte n'est qu'un chiffre. Un analyste qui connaît l'entreprise peut vous dire qu'une baisse de 5 % de la rétention est alarmante, mais qu'une baisse de 5 % d'une métrique dont vous venez de modifier la définition n'a aucun sens. L'AI n'a pas cette conscience contextuelle. Un bon analyste, oui.

C'est ce que signifie la connaissance du domaine en pratique. Il ne s'agit pas seulement de connaître le secteur, mais de savoir que le pic de revenus du trimestre dernier était une promotion ponctuelle. Ou qu'une migration de compte clé fausse les données. Ou qu'un champ particulier est corrigé manuellement dans le CRM depuis des années parce que le système en amont n'a jamais été réparé. L'AI n'a aucun souvenir de tout cela.

À mesure que l'AI augmente le volume et la vitesse de génération d'insights, cet écart ne se comble pas ; il se creuse. Plus l'AI produit de résultats, plus vous avez besoin de quelqu'un capable de confronter chacun d'eux à la réalité de l'entreprise et de se demander s'il est vraiment logique. L'interprétation humaine permet de corriger les deux plus grands défauts de l'AI :

• Les hallucinations, souvent enveloppées d'un optimisme et d'une confiance excessifs dans la manière dont l'AI répond.
• La nature probabiliste, qui peut avoir un impact sur la fiabilité de l'AI.

L'analyste disposant d'une connaissance approfondie du domaine est celui qui regarde un tableau de bord parfaitement formaté et dit : "Ce chiffre est faux, et je sais exactement pourquoi." Cette capacité n'est pas un prompt. Elle repose sur des années d'expérience au sein de l'entreprise.

Storytelling et influence

Les données ne dictent pas les décisions, ce sont les histoires qui le font. Le travail de l'analyste ne consiste pas à présenter un tableau de chiffres. Il consiste à entrer dans une pièce et à dire : "Voici ce qui se passe, voici pourquoi, et voici ce que je pense que nous devrions faire." Les recherches montrent que la combinaison de données qualitatives et quantitatives est toujours plus persuasive que les chiffres seuls ; les gens se souviennent des histoires, pas des statistiques (Heath & Heath, Made to Stick). Prendre la bonne décision commerciale exige de solides compétences en persuasion et une bonne compréhension du public (HBR : Data Science and the art of persuasion). Aucun LLM ne remplacera cela dans une salle de conseil.

Gouvernance et confiance

À mesure que l'AI génère davantage d'insights, quelqu'un doit s'assurer qu'ils sont fondés, auditables et corrects. Aux côtés d'un bon outil de catalogage tel que Unity Catalog, l'analyste devient la couche de qualité, organisant les résultats de l'AI, les validant par rapport aux connaissances du domaine et signalant lorsque le modèle hallucine ou que les données sont fausses. Ce dernier point est un problème très courant. Beaucoup de données ne sont pas pures. Saisie manuelle des données, nouvelles valeurs de recherche, événements hors système. Tout cela introduit du bruit dont l'AI n'a pas conscience. L'analyste chevronné le sait et traite les données en conséquence.

Orchestration

L'analyste moderne n'écrit pas le SQL ; il dirige les agents AI qui le font. Ils gèrent les espaces Genie, définissent les bonnes métriques, structurent les bases de connaissances et conçoivent les workflows analytiques. Voyez cela comme le passage du rôle de joueur à celui d'entraîneur, ce qu'ils auraient dû être depuis le début.

Ce que cela signifie pour les entreprises

Les implications sont pratiques et immédiates :

• Recrutement : Arrêtez d'évaluer les analystes sur leur maîtrise du SQL. Évaluez plutôt leur curiosité, leur sens des affaires et leurs compétences en communication. Les compétences techniques ne sont plus l'alpha et l'oméga. Envisagez de former vos analystes actuels aux compétences de pensée critique.
• Délai de rentabilisation (Time to Value) : Avec l'avènement de l'AI, les entreprises devraient constater des améliorations du délai de rentabilisation. Cependant, elles doivent être conscientes que cela s'accompagnera d'un risque de mauvaise interprétation dû aux hallucinations ou au manque de contexte. Les entreprises doivent s'assurer de ne pas s'en remettre uniquement à l'AI pour les décisions commerciales importantes ; la présence d'un humain dans la boucle est essentielle.
• Outils : Investissez dans des plateformes qui automatisent la couche technique afin que vos analystes puissent se concentrer sur le "et alors ?". Si votre équipe passe encore la majeure partie de son temps à préparer les données et à créer des tableaux de bord, libérez vos analystes de la dette technique dans laquelle ils se trouvent.
• Structure : Intégrez les analystes au plus près des décideurs, et non au plus profond des équipes de données. La valeur se trouve à l'interface entre les données et le business, pas dans le pipeline.
• Mesure : Arrêtez d'évaluer les analystes au nombre de tableaux de bord livrés ou de requêtes écrites. Évaluez-les en fonction des décisions influencées, des questions reformulées et des actions entreprises.

Le ROI de l'AI dans l'analytique ne se traduit pas nécessairement par moins d'analystes ; il s'agit d'analystes qui orientent réellement les bonnes décisions.

Que dois-je faire maintenant ?

Si vos analystes passent plus de temps à créer des tableaux de bord qu'à répondre aux questions de l'entreprise, donnez-leur les moyens d'automatiser ces tâches grâce aux bons outils et faites-les monter en compétences dans le langage de l'entreprise.

L'analyste de demain écrit moins de SQL et pose de meilleures questions. Il passe moins de temps dans l'éditeur de requêtes et plus de temps dans la salle de conseil. Il cesse de simplement présenter des données et commence à façonner les décisions. Pour de nombreux analystes, c'est ce qu'ils ont toujours voulu faire. Et pour ceux qui préfèrent l'aspect technique, le domaine en pleine expansion de l'analytics engineering est exactement l'endroit où ils s'épanouiront.

Prêt à libérer vos analystes de l'engrenage des tableaux de bord ? Essayez Databricks AI/BI et Genie dès aujourd'hui.

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