Avec l’intégration d’Einstein Discovery à Tableau, les utilisateurs métiers de la plateforme de datavisualisation vont pouvoir appliquer des modèles prédictifs à leurs données. Les prédictions sont intégrées aux visualisations ou aux tableaux de bord. (Photo Tableau)
Hasard des dates, alors que l’éditeur Tableau annonce, sous le nom de Business Science, sa première intégration des capacités d’IA et d’apprentissage machine de Salesforce, son PDG Adam Slepisky quitte la société pour retourner chez AWS. C’est lui qui avait suivi le rachat de Tableau par Salesforce en 2019. Avec Business Science, la version 2021.1 de la plateforme de datavisualisation apporte aux métiers des fonctions analytiques basées sur l’IA et des techniques de data science. Comme prévu, cela commence avec l’arrivée d’Einstein Discovery dans Tableau. A travers l’apprentissage des données historiques, celui-ci va ouvrir le champs aux prédictions et aux recommandations. Il y a trois façons de le mettre en oeuvre, sans avoir besoin de coder.
La première se fait dans Tableau Calcs. Einstein Discovery permet de découvrir des informations signifiantes dans les données sans avoir besoin de bâtir des modèles sophistiqués. Ses capacités d’analyse sont maintenant intégrées au moteur de traitement de Tableau. « Utiliser la fonction de prédiction est aussi simple que de créer un champ calculé avec le nouveau type de connexion Einstein Discovery », assure Bobby Brill, product management director pour Tableau CRM, dans un billet. « Glissez-déposez votre calcul prédictif sur votre visualisation pour voir des prédictions intuitives ». La deuxième façon d’exploiter Einstein Discovery, c’est de passer par les tableaux de bord. Ceux-ci peuvent être étendus avec des prédictions, des explications et des suggestions autour des résultats issus d’Einstein Discovery, directement dans les visualisations produites. Les utilisateurs qui accèdent à ces visualisations peuvent les consulter et ajouter à leur tour des suggestions. Enfin, la troisième utilisation possible se fait en amont, au moment de la préparation des données, avec l’outil Prep Builder. Elle peut s’appliquer à un volume important. C’est au moment de la création du flux de chargement de données que l’on va pouvoir intégrer des facteurs de prédiction qui seront appliqués sur ces données.
Des modèles ML transparents pouvant être interprétés
Avec Einstein Discovery, les analystes métiers vont pouvoir déployer sans coder des modèles prédictifs dans leurs domaines de prédilection.
[…]
Maryse Gros
