Vous élaborez un tableau de bord de pilotage pour une entreprise d’e-commerce devant répondre à trois questions chaque lundi : le chiffre d’affaires a-t-il évolué ? Le taux de conversion a-t-il changé ? Parvenons-nous à fidéliser nos clients ? Le jeu de données comprend 2,4 millions de commandes enregistrées entre le 1er janvier et le 30 juin 2024, croisées avec les tables des sessions et des clients, et segmentées par canal, type d’appareil et statut du client (nouveau ou récurrent).
L’IA peut vous aider à rédiger les requêtes SQL, proposer des options de visualisation, résumer les évolutions d’une semaine à l’autre et suggérer des règles d’alerte. Aucun de ces résultats n’est directement exploitable pour la prise de décision, car vous restez responsable des conséquences en aval, et non le modèle. Si le chiffre d’affaires est mal calculé en raison de doublons lors des jointures, l’entreprise prendra des décisions basées sur une donnée erronée.
L’approche professionnelle adoptée ici est simple : l’IA accélère la production de premières versions de travail. L’analyste vérifie les définitions, valide les calculs par rapport à la source de référence et valide le contenu final avant sa publication.
Un tableau de bord décisionnel devient fiable et justifiable lorsque chaque étape a un responsable clairement identifié et fait l’objet d’une vérification. Ces étapes sont : la définition des indicateurs, la modélisation des données, la visualisation, la publication et le suivi. L’IA est particulièrement utile pour les tâches génératives et réversibles, mais moins appropriée lorsque le travail implique de définir le sens des données ou la gouvernance.
L’IA peut générer des propositions de définition d’indicateurs et des exemples de code SQL. C’est à l’analyste de choisir l’indicateur, car celui-ci constitue un argument sur l’activité de l’entreprise. Par exemple, définir le « taux de conversion » comme le nombre de commandes divisé par le nombre de sessions diffère d’un calcul basé sur le nombre de visiteurs uniques ; ce choix modifie le classement des canaux.
L’IA peut rapidement proposer différents types de graphiques. L’analyste doit valider ce choix en fonction de la question posée et du public visé, car le choix de la visualisation relève de l’interprétation et non de la simple décoration. L’IA peut rédiger un commentaire explicatif, mais l’analyste doit fournir le contexte décisionnel, car un texte générique ne constitue qu’un résumé et non une véritable analyse.
Découvrez comment s’articule l’ensemble du flux de travail, de bout en bout.
La vérification consiste en un ensemble de contrôles visant à confirmer qu’un résultat correspond aux données sous-jacentes ainsi qu’à la définition prévue. Lorsque l’IA génère du code SQL, l’analyste confronte les résultats à une référence fiable, telle qu’un extrait des revenus financiers couvrant la même période et les mêmes filtres. Lorsqu’elle génère un graphique, l’analyste en vérifie la fidélité, notamment l’échelle des axes, la période temporelle et la cohérence du dénominateur entre les différents segments. Un axe des ordonnées tronqué, qui exagère une variation de 1 %, ne relève pas d’un simple choix esthétique ; il s’agit d’une distorsion de la réalité.
Lorsque l’IA rédige des commentaires pour un tableau de bord, l’analyste s’assure que chaque affirmation s’appuie sur une valeur calculée et une comparaison explicite (par exemple, une comparaison d’une semaine à l’autre pour les segments channel=Paid Search et device_type=Mobile). Lorsqu’elle définit des règles de surveillance, l’analyste valide la logique d’alerte sur la base de données historiques, car la sensibilité du système et les faux positifs engendrent des coûts opérationnels qui vous incombent.
Découvrez comment les différents résultats produits par l’IA correspondent aux vérifications spécifiques que vous devez effectuer.
La gouvernance désigne l’ensemble des contraintes déterminant quelles données peuvent être utilisées, par qui, à quelle fin et avec quelle piste d’audit. L’utilisation de l’IA modifie la gouvernance, car les requêtes (prompts) et les résultats peuvent être enregistrés par les fournisseurs, mis en cache ou rejoués, ce qui risque de compromettre la confidentialité, même si le tableau de bord lui-même est interne.
Les informations personnellement identifiables (IPI) constituent une limite évidente, mais ce n’est pas la seule. Les données financières confidentielles, les indicateurs relatifs à des produits non encore lancés et les cohortes de clients peuvent faire l’objet de restrictions, même en l’absence de noms ou d’adresses e-mail. L’analyste doit savoir si l’outil d’IA est approuvé pour le niveau de classification des données, si la conservation des données est désactivée et si l’accès repose sur le principe du moindre privilège.
La documentation fait partie intégrante du dispositif de contrôle. Vous conservez la définition de l’indicateur, la version de la requête, les preuves de validation et l’identité du validateur, afin de pouvoir retracer la cause première de toute divergence ultérieure.
Il convient d’analyser quelles requêtes sont sûres et lesquelles constituent une violation des règles établies.