Fiche de révision : Introduction à l'Intelligence Artificielle et Big Data

📋 Plan du Cours

1. Big Data et données massives
2. Business Intelligence et analytique métier
3. Usages métiers de la BI
4. Types d’IA et vision par ordinateur
5. Machine learning et deep learning
6. IA prédictive, générative et agentique
7. BI pour la vente
8. Prévision des ventes par IA
9. Marketing, recommandation et chatbots
10. IA et transformation du métier commercial

📖 1. Big Data et données massives

🔑 Notions clés & Définitions

• Big Data : Les données massives désignent de très grands volumes de données générées en continu, trop complexes pour les outils classiques, et nécessitant des traitements adaptés.
• Données massives : Les données massives sont des données à la fois volumineuses, variées et rapides, qui posent des défis de traitement et d’analyse à l’échelle industrielle.
• Modèle des 5V : Le modèle des 5V décrit le Big Data à travers le volume, la variété, la vitesse, la véracité et la valeur des données.
• Zettaoctet : Un zettaoctet (Zo) vaut 10²¹ octets, soit un volume gigantesque souvent utilisé pour exprimer la taille du Big Data.

📝 Points essentiels

• En 2023, le marché mondial du Big Data et de l’analyse commerciale vaut 245,9 milliards de dollars et devrait croître à 15 % entre 2024 et 2032.
• En France, le marché du Big Data est estimé à 3,6 milliards d’euros en 2024, avec une croissance de 15,7 %.
• La création mondiale de données atteint 182 zettaoctets en 2025, contre 64 zettaoctets en 2020.
• Doug Laney formalise le modèle des 5V du Big Data en 2001 avec Volume, Variété et Vélocité.
• La véracité mesure l’exactitude et la fiabilité des données, et la valeur correspond aux opportunités business apportées par l’analyse.

💡 Astuce mémo

5V = Volume Variété Vélocité Véracité Valeur.

📖 2. Business Intelligence et analytique métier

🔑 Notions clés & Définitions

• Business Intelligence : La Business Intelligence regroupe des processus techniques pour collecter, gérer et analyser des données afin de soutenir les décisions de l’entreprise.
• Business Analytics : L’analytique métier est une sous-discipline de la BI qui cherche à estimer des résultats futurs à partir des données, pour expliquer et anticiper.
• Data Visualisation : La data visualisation regroupe les techniques qui transforment des données complexes en graphiques compréhensibles et exploitables pour décider.

📝 Points essentiels

• La BI fournit des rapports et tableaux de bord à partir de données historiques, actuelles, internes et tierces, pour rendre les insights accessibles aux décideurs.
• La BI a été introduite en 1865 par Richard Millar Devens, puis reprise et structurée en 1958 par Hans Peter Luhn et en 1989 par Howard Dresner.
• La BI est dite descriptive, car elle aide à répondre aux questions « quoi » et « comment » à partir de ce qui s’est passé.
• L’analytique métier (BA) est dite prédictive, car elle estime la probabilité de résultats futurs et aide à répondre au « pourquoi ».
• Le marché de la Business Intelligence (France) passerait de 26,81 milliards de dollars en 2023 à 42,49 milliards de dollars en 2028 avec un TCAC de 9,65%.
• La data visualisation peut induire en erreur si on confond corrélation et causalité, car un graphique ne prouve pas automatiquement une cause.

💡 Astuce mémo

BI = « quoi/comment » (décrire), BA = « pourquoi » (prédire).

📖 3. Usages métiers de la BI

🔑 Notions clés & Définitions

• Tableaux de bord : Les tableaux de bord sont des interfaces qui regroupent des indicateurs et des analyses pour rendre les résultats de l’analyse rapidement accessibles.

📝 Points essentiels

• Les outils de BI visent à accélérer et améliorer la prise de décision, à optimiser des processus internes et à augmenter l’efficacité opérationnelle et les revenus.
• La BI sert aussi à repérer des tendances de marché et à identifier des problèmes commerciaux à résoudre.
• La BI s’appuie sur des logiciels pour extraire des informations de veilles concurrentielles, tendances et données internes, puis les rendre accessibles via tableaux de bord et analyses.
• En data visualisation, une corrélation observée ne prouve pas une causalité, ce qui peut conduire à de mauvaises interprétations.
• Les risques de la data visualisation incluent aussi des données manipulées par des représentations biaisées et la nécessité de choisir des types de graphiques adaptés.
• Exemples d’usages : service client (réponses plus rapides), banque/finance (risques et prévisions), soins de santé (stocks et opérations), vente au détail (comparaison de performances), ventes & marketing (segmentation et campagnes).

💡 Astuce mémo

BI = Décider plus vite avec des vues claires (Data Viz) pour répondre aux besoins des équipes (tableaux de bord).

📖 4. Types d’IA et vision par ordinateur

🔑 Notions clés & Définitions

• Intelligence Artificielle étroite ANI : L’intelligence artificielle étroite est un système conçu pour réaliser une seule tâche avec une grande performance, sans supervision humaine constante.
• Intelligence Artificielle générale AGI : L’intelligence artificielle générale vise des capacités cognitives comparables à celles d’un humain, comme comprendre, apprendre et raisonner, mais elle reste hypothétique.
• Superintelligence ASI : La superintelligence correspond à des systèmes supposés dépasser l’humain, avec des signes de conscience mêlant cognition, perception, dimensions émotionnelles et sociales.
• Computer Vision : La computer vision est une technique d’IA qui analyse puis interprète des images ou des vidéos pour en tirer une compréhension comparable à celle d’un humain.

📝 Points essentiels

• L’ANI est la forme d’IA la plus utilisée car elle exécute une tâche précise de façon quasi parfaite pour accélérer des processus métiers.
• L’AGI est considérée comme hypothétique, et certains chercheurs s’interrogent sur une possible évolution d’outils de type conversationnel.
• L’ASI est décrite comme proche d’un scénario de science-fiction, et la conscience n’est pas jugée réalisable actuellement via des systèmes de calcul par symboles.
• La computer vision vise à interpréter image ou vidéo de façon similaire au regard humain pour obtenir une information exploitable.

💡 Astuce mémo

ANI = Une tâche, AGI = Comme un humain (hypothétique), ASI = Au-delà (conscience), Computer Vision = Voir & interpréter image/vidéo.

📖 5. Machine learning et deep learning

🔑 Notions clés & Définitions

• Machine learning : Le machine learning est une famille d’algorithmes qui apprend à partir de données pour produire des prédictions, classements ou décisions à partir d’un apprentissage encadré.
• Deep learning : Le deep learning est une approche d’apprentissage profond utilisant des réseaux neuronaux en couches pour traiter des données complexes, notamment non structurées.
• Réseaux neuronaux multicouches : Les réseaux neuronaux multicouches combinent plusieurs couches de calcul pour assembler des traitements et extraire des signaux utiles des données.
• Données non structurées : Les données non structurées regroupent des informations sans format pré-définissable facilement, comme du texte ou d’autres contenus, exploitables par le deep learning.

📝 Points essentiels

• Le deep learning identifie lui-même les caractéristiques discriminantes et ne nécessite pas une catégorisation préalable des données.
• Le deep learning doit être entraîné sur un volume de données considérable, avec plus de 100 millions d’entrées pour des résultats fiables.
• En cybersécurité, le deep learning peut détecter des risques inconnus en repérant des anomalies dans les patterns du réseau neuronal.
• Les chatbots deep learning comprennent le langage naturel et ne dépendent pas de mots-clés précis pour tenir un dialogue plus efficace.
• Le deep learning peut automatiser la création de contenu, y compris la traduction, à partir d’une base de contenus suffisamment fournie.
• On peut voir le machine learning comme un précurseur : les tâches faites avec le machine learning peuvent aussi être résolues avec le deep learning.

💡 Astuce mémo

DL = Données + Discrimination : il apprend les caractéristiques tout seul, surtout quand les données sont non structurées.

📖 6. IA prédictive, générative et agentique

🔑 Notions clés & Définitions

• IA prédictive : L’IA prédictive est un type d’IA qui anticipe des événements futurs en repérant des modèles et tendances dans des données passées.
• IA générative : L’IA générative est une IA capable de produire du nouveau contenu comme du texte, des images, de la musique, des sons ou des vidéos.
• IA agentique : L’IA agentique est une IA qui peut décider, agir de façon autonome et s’ajuster en continu à partir des interactions avec son environnement.
• Modèle de langage GPT : GPT est un modèle de langage entraîné sur de grandes données qui prédit le mot le plus probable suivant dans une phrase.

📝 Points essentiels

• Détection de fraude : l’IA prédictive peut signaler des activités suspectes via des anomalies de device ou de localisation (nouvel emplacement).
• Prévisions financières : l’IA prédictive exploite des données financières historiques pour anticiper tendances, risques et opportunités d’investissement.
• Analyse du comportement client : l’IA prédictive estime de futurs achats à partir de l’historique et des habitudes, afin d’optimiser stocks et logistique.
• IA générative : elle s’appuie sur de grands modèles polyvalents réutilisables pour plusieurs tâches et adaptables à des besoins spécifiques avec peu de données.
• IA agentique : des agents autonomes interprètent un contexte, choisissent des actions adaptées à des objectifs et automatisent à grande échelle des workflows complexes.
• IA générative : un même prompt peut produire des résultats différents selon l’outil utilisé et le modèle choisi.

💡 Astuce mémo

Prédictive = prévoir à partir des tendances passées ; Générative = créer du contenu ; Agentique = agir seul.

📖 7. BI pour la vente

🔑 Notions clés & Définitions

• Segmentation client : Découpage de la clientèle selon des critères mesurables afin d’adresser des offres et campagnes adaptées aux profils.
• Tableau de bord BI : Interface de reporting qui synthétise des indicateurs clés pour suivre l’activité commerciale et l’efficacité des actions.
• Expérience client omnicanale : Approche qui relie les interactions client sur plusieurs canaux pour comprendre le parcours et personnaliser la relation.

📝 Points essentiels

• La BI aide le commerce à optimiser les performances, affiner la stratégie de vente et améliorer l’expérience client via des décisions plus automatisées et prédictives.
• Les projections prévoient un chiffre d’affaires lié à la BI/analytique dépassant 60 milliards de dollars d’ici 2029, avec une croissance de plus de 10 % par an.
• Les entreprises utilisent en moyenne 3,9 solutions de Business Intelligence, avec un taux d’adoption de 26 % à l’échelle actuelle.
• Près de 2 salariés sur 3 ont accès à des outils BI, et deux tiers utilisent des logiciels BI mais beaucoup ne maîtrisent pas les données pour les exploiter efficacement.
• Dans la vente, les tableaux de bord BI servent à suivre CA global et par segment, top produits, ROI marketing et performance commerciale via leads convertis et taux de closing.
• Les BI permettent une personnalisation (produits, promotions) et un suivi omnicanal des parcours, par exemple avec des recommandations inspirées des habitudes d’un utilisateur comme Netflix.

💡 Astuce mémo

B.I. pour vendre = CA + ROI + closing, et expérience omnicanale personnalisée.

📖 8. Prévision des ventes par IA

🔑 Notions clés & Définitions

• Prévision des ventes IA : La prévision des ventes est une démarche qui anticipe la demande future à partir de données mises à jour en continu pour guider stocks, budgets et ressources.
• Analyse de séries temporelles : L’analyse de séries temporelles décrit des modèles qui suivent l’évolution dans le temps pour prévoir les ventes en tenant compte des tendances récentes et des effets d’événements.
• Régression linéaire automatisée : La régression linéaire automatisée est une méthode qui améliore un modèle linéaire classique en ajustant automatiquement les relations à partir de grandes quantités de données.
• Réseaux LSTM : Les LSTM sont des réseaux de neurones capables de mémoriser des dépendances sur des périodes longues pour capturer des tendances de marché dans des historiques.

📝 Points essentiels

• Les méthodes traditionnelles de prévision (statistiques simples, avis d’experts) sont limitées par des données partielles, des hypothèses humaines et une faible adaptation aux changements rapides du marché.
• L’IA améliore les prévisions via deux familles de méthodes : modèles statistiques renforcés et modèles d’apprentissage automatique qui s’ajustent aux tendances observées.
• Avec l’analyse de séries temporelles, l’IA ajuste des paramètres pour intégrer des effets récents comme soldes ou campagnes publicitaires.
• Avec des modèles supervisés (données historiques labellisées), l’IA apprend à prédire la demande à partir de variables comme prix, météo et tendances.
• Exemple Walmart : l’IA analyse ventes passées, météo et saisonnalité et réduit les ruptures de stock de 30% tout en améliorant la gestion des invendus.
• Exemple Coca-Cola : l’IA combine données de vente et facteurs externes pour recommander des offres et ajuster la logistique, ce qui augmente les ventes de 10%.

💡 Astuce mémo

Tendance courte = séries temporelles; dépendances longues = LSTM; IA surpasse les méthodes “figées” en continuant à réajuster avec les données récentes.

📖 9. Marketing, recommandation et chatbots

🔑 Notions clés & Définitions

• Systèmes de recommandation : Les systèmes de recommandation sont des modèles d’IA qui proposent des produits ou offres à partir du comportement et des préférences des clients.
• Recommandation par filtrage collaboratif : La recommandation par filtrage collaboratif suggère des articles en se basant sur les choix d’utilisateurs au profil jugé similaire.
• Recommandation par filtrage par contenu : La recommandation par filtrage par contenu propose des produits proches de ceux déjà consultés ou achetés en utilisant les caractéristiques des items.
• Chatbot IA : Un chatbot IA est un assistant conversationnel automatisé qui répond aux questions et guide les clients, souvent 24/7.

📝 Points essentiels

• Amazon a implémenté le Predictive Shipping pour anticiper les commandes et positionner les stocks, ce qui favorise des livraisons plus rapides et des recommandations personnalisées.
• Coca-Cola combine données de vente et facteurs externes (météo, événements, comportement) pour recommander les meilleures offres et ajuster la logistique, avec +10% de ventes grâce au ciblage des promotions.
• La personnalisation marketing s’appuie sur une segmentation (ex. clustering K-Means, DBSCAN), du contenu dynamique et une adaptation en temps réel des campagnes.
• Les chatbots devraient devenir le principal canal de service client d’ici 2027 pour 25% des organisations, d’après Gartner.
• D’ici 2028, la taille du marché mondial des chatbots devrait atteindre $15,5 milliards selon Markets and Markets.

💡 Astuce mémo

Collaboratif = voisins d’acheteurs ; Contenu = similitudes d’articles ; Chatbot = service 24/7.

📖 10. IA et transformation du métier commercial

🔑 Notions clés & Définitions

• Transformation des vendeurs : Phénomène où l’IA change la fonction des vendeurs en déplaçant le travail des tâches répétitives vers le conseil, la relation et la stratégie.
• Complémentarité IA-vendeur : Principe selon lequel l’IA assiste le vendeur pour améliorer ses décisions et son efficacité, sans remplacer les compétences relationnelles humaines.
• Éthique et transparence : Cadre de gestion qui vise à encadrer l’usage des données clients et à clarifier l’existence d’interactions avec des systèmes d’IA.
• Formation commerciale à l’IA : Mise à niveau des compétences des vendeurs pour utiliser efficacement l’IA, notamment via analyses, simulations et apprentissages adaptatifs.

📝 Points essentiels

• L’IA est surtout un outil d’aide : elle automatise et analyse, mais ne peut pas reproduire à elle seule l’empathie, la confiance, la persuasion et l’intuition humaine de la vente.
• La qualité des données conditionne les performances de l’IA, car des données propres et structurées sont nécessaires pour produire des recommandations fiables.
• L’intégration des outils d’IA dans les systèmes existants est un défi pratique qui influence directement l’efficacité du déploiement commercial.
• L’usage des données doit respecter la réglementation, avec mention du RGPD en Europe comme référence de protection des données.
• La formation continue aide les vendeurs à rester performants en développant des compétences via analyses de performance, simulations et programmes adaptatifs.
• Même si l’IA automatise, l’objectif décrit est une transformation des rôles vers davantage de conseil et de relations à long terme, plutôt qu’une simple substitution.

💡 Astuce mémo

Copilote commercial : l’IA automatise le répétitif, le vendeur garde l’humain (empathie + confiance).

📅 Repères chronologiques

1. 18651re utilisation du terme « Business Intelligence » par Richard Millar Devens
2. 2001Doug Laney évoque le modèle des 3 V du Big Data (Volume, Variété, Vélocité)
3. 1958Hans Peter Luhn explore les possibilités technologiques liées à ce type d’informations
4. 1989Howard Dresner reprend le terme « business intelligence » et en définit le cadre moderne
5. 2018Elon Musk quitte le conseil d’administration (repère du cours sur l’IA générative)
6. 2019OpenAI crée une structure hybride (OpenAI LP) et reçoit 1 milliard de dollars de Microsoft
7. 2020la création mondiale de données atteint 64 zettaoctets (comparaison avec 2025)
8. 2023marché mondial du Big Data et de l’analyse commerciale évalué à 245,9 milliards de dollars et marché BI France à 26,81 milliards
9. 2024marché du Big Data en France estimé à 3,6 milliards d’euros
10. 2025création mondiale de données atteint 182 zettaoctets

📊 Tableaux de synthèse

Business Intelligence vs Business Analytics

Machine Learning vs Deep Learning

⚠️ Pièges & confusions fréquents

1. Confondre corrélation et causalité : un graphique en data visualisation ne prouve pas automatiquement une cause.
2. Croire que la véracité (5V) est « la vitesse » : la véracité concerne l’exactitude, la précision et la fiabilité des données.
3. Dire que la BI « prédit » : la BI est présentée comme descriptive (quoi/comment), la BA comme prédictive (pourquoi).
4. Opposer à tort machine learning et deep learning : le cours indique que le machine learning est un précurseur et que les tâches ML peuvent être résolues par le deep learning.
5. Penser que l’IA prédictive garantit des certitudes : elle prédit à partir de modèles/tendances, sans voyance ni certitude absolue.
6. Croire que les chatbots reposent toujours sur des mots-clés : avec le deep learning, ils comprennent l’expression naturelle et ne sont pas limités à des mots-clés précis.
7. Penser qu’une même entrée (prompt) produit le même résultat partout : le cours rappelle qu’un même prompt peut donner des résultats différents selon l’outil et le modèle.

✅ Checklist Examen

1. Définir Big Data/données massives et expliquer pourquoi les outils classiques sont insuffisants.
2. Énoncer le modèle des 5V et préciser le rôle de la véracité et de la valeur.
3. Donner la valeur du zettaoctet (Zo = 10²¹ octets) et rappeler le repère chiffré 2025 (182 zettaoctets).
4. Définir la Business Intelligence (BI), citer ses bénéfices et décrire le rôle des outils (collecte, gestion, analyse, rapports/tableaux de bord).
5. Restituer l’évolution historique du terme BI : 1865, 1958, 1989 (rôles de Devens/Luhn/Dresner).
6. Distinguer BI (descriptive : quoi/comment) et BA (predictive : pourquoi) avec au moins un exemple concret.
7. Expliquer la data visualisation : objectif, avantages, et les risques (corrélation ≠ causalité, biais, besoin de bons types de graphiques).
8. Présenter les 3 types d’IA (ANI, AGI hypothétique, ASI) et définir la computer vision.
9. Comparer machine learning et deep learning : données (structurées vs non structurées), caractéristiques (catégorisation vs auto-identification), besoin de volume.
10. Définir IA prédictive, IA générative et IA agentique, puis donner 2 applications de l’IA prédictive vues au cours.
11. Décrire au moins deux systèmes de recommandation (filtrage collaboratif vs filtrage par contenu) et relier aux exemples (Amazon/Netflix).
12. Expliquer comment la BI et l’IA servent les ventes : segmentation, tableaux de bord KPI (CA, ROI, leads/closing), prévision ventes (séries temporelles/LSTM) et transformation du rôle du vendeur (complémentarité, RGPD).