Gains :
- Capacité à expliquer les couches de business intelligence (source, ETL, entrepôt de données, rapport) et la définition correcte des indicateurs commerciaux clés (KPI).
- Capacité à utiliser l'intelligence artificielle pour produire une définition de métrique, un brouillon SQL et un récit de rapport et fournir le résultat avec des données réelles
- Capacité à reconnaître les risques de confusion corrélation-causalité et de mesures trompeuses dans les résultats d'analyse pris en charge par l'IA
La Business Intelligence (BI) est la discipline qui collecte les données dispersées de l'organisation, les prépare à l'analyse et produit des informations d'aide à la décision à partir de ces données. Pour un professionnel des SIG, la BI est la couche où « les données se transforment en décisions ». Les enregistrements de commandes brutes à eux seuls ne sont pas significatifs ; mais "dans quelle région le chiffre d'affaires a-t-il diminué ce mois-ci, pourquoi ?" Il produit de la valeur lorsqu’il devient un rapport capable de répondre à la question. Dans cette unité, nous verrons les couches de BI, la bonne conception métrique et où l'intelligence artificielle est un accélérateur et un piège dans ce processus.
L'architecture BI se compose généralement des couches suivantes. Systèmes sources : lieux d'où proviennent les données, tels que ERP, CRM, e-commerce. Processus ETL (anglais Extract-Transform-Load) : Le processus qui extrait les données des sources (Extract), les nettoie et les convertit en une structure standard (Transform) et les charge sur la cible (Load). Entrepôt de données : un référentiel central où sont collectées des données historiques et cohérentes conçues pour l'analyse. Couche de reporting/visualisation : tableaux de bord, rapports et requêtes ad hoc. Dans cette chaîne, la qualité de chaque couche détermine la suivante ; Si la source est sale, le rapport l’est également.
Définir correctement les métriques et les KPI
Une métrique est une valeur numérique mesurée : chiffre d’affaires total, nombre de commandes. Un KPI (Key Performance Indicator) est une mesure critique qui mesure les performances par rapport à un objectif : « taux de désabonnement mensuel des clients inférieur à 5 % ». Toutes les mesures ne sont pas des KPI ; Un KPI est une mesure liée à un objectif commercial et qui déclenche une décision.
Le problème le plus insidieux des projets BI est la définition vague des métriques. Que signifie « client actif » ? Commandé au cours des 30 ou 90 derniers jours ? Les rapatriés sont-ils comptés ? Si deux équipes entendent des choses différentes par « nombre de clients actifs », le même tableau de bord montre deux faits différents. C'est pourquoi chaque KPI doit avoir une définition en une phrase et largement acceptée. L’IA produit rapidement des ébauches de ces définitions ; mais c'est à l'unité commerciale de décider quelle définition est « correcte ».
Astuce : lors de la conception d'un KPI, notez trois éléments : (1) la formule (quel est exactement le numérateur/dénominateur), (2) la fenêtre temporelle, (3) les cas exclus. Faire dire à l’IA « extraire les ambiguïtés dans la définition de ce KPI sous forme de questions » révèle des hypothèses cachées.
Étape par étape : génération de rapports basée sur l'IA
Étape 1 — Clarifiez la question. À quelle décision le rapport servira-t-il ? Un objectif concret du type "nous déciderons vers quelle région nous allons transférer le budget", et non "ça devrait être joli".
Étape 2 — Définissez les métriques. Rédigez les KPI requis avec des formules, des fenêtres et des exceptions. L’intelligence artificielle peut produire des projets de définitions.
Étape 3 — Générez un brouillon SQL. Donnez des informations de schéma à l'intelligence artificielle et produisez un brouillon de requête. Mais lisez et comprenez la requête avant de l’exécuter.
Étape 4 — Vérifiez avec de petites données. Exécutez d’abord la requête sur un petit échantillon avec des résultats connus ; Vérifiez les totaux manuellement. Le SQL d'AI peut être syntaxiquement correct mais logiquement incorrect.
Étape 5 — Ajoutez un récit, testez les affirmations. L'IA peut produire un texte narratif pour le rapport ; mais prouvez chaque affirmation causale (« c'est pourquoi les ventes ont chuté »).
Le piège de la corrélation et de la causalité
L’erreur la plus dangereuse en BI est d’interpréter deux métriques qui agissent ensemble comme si « l’une crée l’autre ». La corrélation, c'est lorsque deux valeurs changent ensemble ; La causalité, c'est quand l'un en provoque un autre. La phrase « À mesure que les ventes de glaces ont augmenté, les cas de noyade ont augmenté » est vraie, mais la crème glacée ne provoque pas de noyade ; La cause fréquente est l’été (temps chaud). L’intelligence artificielle peut facilement formuler des phrases causales lors de la production d’un récit de rapport ; L'expert du MIS répond à ces affirmations en demandant « y a-t-il une autre explication ? » Il devrait le tester. Sinon, la mauvaise décision sera prise sur la base de mauvaises raisons.
Trois mini-cases : en chiffres
Cas 1 — Coût d'une métrique non définie. Dans une entreprise de télécommunications, le nombre d'« abonnés actifs » présenté au conseil d'administration était de 2,1 millions, et le rapport de l'équipe financière était de 1,7 million. La différence était que l’un comptait 90 jours comme « actifs » tandis que l’autre comptait 30 jours. Le mauvais taux de croissance a été discuté pendant deux semaines jusqu'à ce que la définition commune soit clarifiée. Une définition des KPI en une seule phrase éviterait cette confusion.
Cas 2 : Le mauvais SQL de l'IA. Chez un détaillant, AI a ajouté des lignes de retour au total lors de la génération de la requête « panier moyen par client » ; Le résultat était 12 % supérieur à la valeur réelle. SQL était syntaxiquement parfait. Lorsque l'expert vérifiait manuellement le total d'une journée connue, il détectait l'écart et faisait ajouter le filtre de retour.
Cas 3 — Erreur de causalité. Dans une entreprise de commerce électronique, le tableau de bord indiquait « les ventes sont 18 % plus élevées les jours où une campagne par e-mail est envoyée » et l'équipe était sur le point d'augmenter le budget de la campagne. L'analyse a montré que les campagnes étaient déjà programmées pour coïncider avec les jours de campagne à fort trafic (périodes de remise). C'est la période, et non l'e-mail, qui a stimulé les ventes. Si le budget était augmenté sans test auprès d’un groupe témoin, l’argent serait gaspillé.
Invite faible/Invite forte
Invite faible :
Écrivez le rapport de ventes SQL à partir de cette table.
Invite puissante :
Votre rôle : Vous êtes un analyste BI attentif. Rédigez un PROJET de requête SQL selon le schéma ci-dessous. Règles : - Utilisez uniquement les tables/champs donnés ; champ non ajusté.- EXCLURE les retours (status='Return') du total.- Fenêtre de temps : 30 derniers jours.- Commentez ligne par ligne ce que fait la requête.- Suggérez 1 ligne d'échantillon qui peut être validée manuellement pour les tests à la fin.Schéma :Commande(id, customer_id, date, montant, statut)Client(id, nom, segment)Objectif : chiffre d'affaires net des 30 derniers jours par segment.
L'invite puissante limite le schéma, impose la règle métier (hors retour), spécifie la fenêtre et demande une sortie vérifiable.
Quatre modèles copiables
1) Clarification de la définition des KPI :
Rédigez une description complète du KPI suivant : formule (numérateur/dénominateur), fenêtre temporelle, cas exclus. Ajoutez toute ambiguïté dans la définition sous forme de question.KPI : [nom, par ex. "taux de désabonnement des clients"]
2) Vérification de la logique SQL :
Examinez la requête SQL suivante : existe-t-il un risque d'erreurs logiques, de JOIN incorrectes, de filtres manquants ou de double comptage ? Écrivez une justification pour chaque constatation. Ne modifiez pas la requête, vérifiez-la simplement. SQL : [requête]
3) Récit du rapport + contrôle des réclamations :
Rédigez un bref résumé à partir du tableau des résultats ci-dessous. Étiquetez [PRUVE REQUISE] à côté de chaque allégation causale et suggérez une explication alternative. Fiez-vous simplement aux données du tableau. Tableau : [données]
4) Contrôle de cohérence métrique :
Dans les deux rapports ci-dessous, les métriques portant le même nom donnent des valeurs différentes. Les éventuelles différences de définition (fenêtre horaire, filtre, calcul) sont répertoriées. Rapports : [A] [B]
Tableau de comparaison : bons et mauvais KPI
fonctionnalité
Mauvais KPI
Bon KPI
Descriptif
"Client actif"
"Client avec ≥1 commande terminée au cours des 30 derniers jours"
lien avec la cible
Aucun
"Rester en dessous de 5% de taux de perte"
mesurabilité
ambigu
formule claire
exception
incertain
Hors retours
Est-ce que cela déclenche une décision ?
non
Oui
Erreurs courantes
- Laisser la métrique indéfinie. Si des mots comme « actif », « réussi », « terminé » sont utilisés sans formule, chaque équipe compte différemment.
- Exécuter le SQL de l'IA sans vérification. Une requête syntaxiquement correcte peut être logiquement incorrecte ; le double comptage et les JOIN incorrects sont courants.
- Confondre corrélation et causalité. Penser que « ça a augmenté avec ça » signifie « ceci a causé cela » conduirait à une mauvaise décision.
- Poursuite métrique de vanité. Des mesures fantaisistes erronées mais non décisives telles que le « nombre total de clics » comme KPI.
- Présenter des chiffres sans contexte. "4,2 millions de chiffre d'affaires" à lui seul n'a aucun sens ; Le contexte est nécessaire en fonction du mois dernier, de l'objectif ou du budget.
Attention : les récits de rapports produits par l'intelligence artificielle sont convaincants et fluides ; Cela amplifie exactement le risque. Une phrase fluide peut véhiculer une fausse affirmation de causalité. Testez chaque affirmation « parce que » et « donc » avec des preuves.
En résumé
La Business Intelligence est la couche qui transforme les données dispersées en décisions et comprend la source, l'ETL, l'entrepôt de données et la chaîne de reporting. Un KPI est une mesure critique liée à un objectif commercial, avec une formule et des exceptions clairement définies ; La métrique non définie est l’erreur BI la plus courante. L'intelligence artificielle permet une rapidité significative dans la production de la définition des KPI, du brouillon SQL et de la narration du rapport ; mais chaque SQL doit être logiquement justifié, chaque chiffre doit être étayé par des données connues et chaque affirmation causale doit être testée avec des preuves. La corrélation n’est pas la causalité ; Un récit fluide ne garantit pas l’exactitude.
Tâche de candidature
Concevoir un KPI « taux d'achèvement » pour une plateforme de cours en ligne. (1) Rédigez une description en une phrase avec la formule, la fenêtre horaire et les exceptions (par exemple, les inscriptions annulées sont-elles comptées ?). (2) Créez un schéma simple (Inscription, Cours, Progrès) et faites générer le brouillon SQL pour ce KPI avec une invite puissante. (3) Trouver au moins un risque possible de double comptage ou de filtrage incorrect dans la requête. (4) Imprimez un résumé de la conclusion et marquez-y chaque allégation causale. (5) Donnez un exemple de piège corrélation-causalité et expliquez comment vous le testeriez.
liste de contrôle
- [ ] La formule, la fenêtre de temps et l'exception de chaque KPI sont écrites.
- [ ] J'ai lu et compris le SQL généré par l'IA ligne par ligne.
- [ ] J'ai validé manuellement la requête avec des données peu connues.
- [ ] J'ai testé chaque affirmation causale du rapport avec des preuves.
- [ ] J'ai contextualisé chaque chiffre avec un benchmark (cible/dernière période).
- [ ] J'ai atteint un consensus entre les équipes sur les définitions des métriques.