Fiche de révision : Introduction à la Business Intelligence et Big Data

📋 Plan du Cours

1. Big Data et explosion des données
2. Sources et caractéristiques du Big Data
3. Business Intelligence et histoire
4. BI et Business Analytics
5. Usages métiers de la BI
6. Types d’intelligence artificielle
7. Machine learning et deep learning
8. IA prédictive et extractive
9. IA générative, agentique et ChatGPT
10. BI au service des ventes
11. Prévision des ventes et cas pratiques
12. Marketing automatisé et relation client

📖 1. Big Data et explosion des données

🔑 Notions clés & Définitions

• Big Data : Les données massives sont des données produites en continu, si volumineuses, rapides ou complexes qu’elles dépassent les outils traditionnels et exigent des méthodes adaptées pour extraire des informations utiles.
• Modèle des 5V : Le modèle des 5V décrit le Big Data par cinq axes qui caractérisent les données en termes de volume, variété, vélocité, véracité et valeur.
• Zettaoctet Zo : Le zettaoctet est une unité de mesure des données qui vaut 10²¹ octets, utilisée pour exprimer des volumes gigantesques comme ceux du Big Data.

📝 Points essentiels

• Le Big Data est alimenté par l’explosion des données issues des réseaux sociaux, des objets connectés et des transactions en ligne, notamment en continu.
• Le Big Data correspond à des données trop volumineuses, trop rapides ou trop complexes pour être traitées par des techniques traditionnelles.
• Le modèle des 5V regroupe Volume, Variété, Vélocité, Véracité et Valeur pour caractériser le Big Data.
• En France, le marché du Big Data a été estimé à 3,6 milliards d’euros en 2024 avec une croissance de 15,7%.
• Le marché mondial du Big Data et de l’analyse commerciale était évalué à 245,9 milliards de dollars en 2023 et devrait croître de 15% entre 2024 et 2032.
• En 2025, la création mondiale de données atteint 182 zettaoctets contre 64 zettaoctets en 2020.

💡 Astuce mémo

5V = Volume-Variété-Vélocité-Véracité-Valeur : assez pour savoir si les données valent le coup et si elles arrivent trop vite.

📖 2. Sources et caractéristiques du Big Data

🔑 Notions clés & Définitions

• Sources du Big Data : Origines variées des données collectées aujourd’hui, comme l’Internet des Objets, les journaux, les applications d’entreprise, les activités en ligne et la recherche.
• Véracité des données : Qualité des données mesurée par leur exactitude et fiabilité, qui peut être dégradée par des erreurs ou des contenus trompeurs.

📝 Points essentiels

• En 2023, le marché mondial du Big Data et de l’analyse commerciale vaut 245,9 milliards de dollars et devrait croître de 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 %.
• Le modèle des 5V est attribué à Doug Laney qui le formule en 2001.
• Un zettaoctet (Zo) correspond à 10^21 octets, soit un sextillion d’octets.
• Les caractéristiques du Big Data incluent le volume (ex : Facebook produit 4 pétaoctets par jour) et la vitesse (ex : plateformes boursières analysent des millions de transactions par seconde).

📖 3. Business Intelligence et histoire

🔑 Notions clés & Définitions

• Business Intelligence : La Business Intelligence regroupe des processus technologiques pour collecter, gérer et analyser des données afin de guider les décisions de l’entreprise.
• Data Visualisation : La data visualisation regroupe des techniques pour représenter graphiquement des données complexes afin de les rendre compréhensibles et exploitables.
• Richard Millar Devens : Richard Millar Devens est l’auteur associé à une première utilisation du terme Business Intelligence en 1865.
• Hans Peter Luhn : Hans Peter Luhn est un chercheur IBM qui explore en 1958 l’usage de la technologie pour recueillir et exploiter des informations de marché.
• Howard Dresner : Howard Dresner est celui qui, en 1989, reprend le terme Business Intelligence et en formule un cadre moderne.

📝 Points essentiels

• En 2023, le marché de la Business Intelligence en France est chiffré à 26,81 milliards de dollars, avec une projection à 42,49 milliards en 2028 et une croissance annuelle de 9,65 %.
• La Business Intelligence utilise des données historiques et actuelles, issues de sources internes ou tierces, ainsi que des données de réseaux sociaux, puis les prépare pour créer des rapports et tableaux de bord.
• Le terme Business Intelligence est utilisé pour la première fois en 1865 par Richard Millar Devens, dans un contexte de collecte d’informations avant les concurrents.
• En 1958, Hans Peter Luhn (IBM) étudie comment la technologie peut collecter ce type d’informations et contribuer à des méthodes d’analytique.
• En 1989, Howard Dresner redéfinit Business Intelligence dans un cadre moderne après les travaux antérieurs sur les plateformes d’analytique.
• La data visualisation peut induire en erreur si on confond corrélation et causalité et si des représentations biaisées manipulent l’interprétation.

💡 Astuce mémo

Frise : 1865 Devens (mot) → 1958 Luhn (tech) → 1989 Dresner (cadre moderne).

📖 4. BI et Business Analytics

🔑 Notions clés & Définitions

• Business Analytics : Les Business Analytics regroupent les analyses qui cherchent des tendances, anomalies et informations actionnables afin d’accélérer la prise de décision.
• Data visualization : La visualisation des données représente graphiquement des résultats pour rendre les insights plus rapides à comprendre et à partager.
• Business reporting : Le reporting BI est la production de rapports et tableaux de bord qui synthétisent les données brutes en vues claires pour les équipes.

📝 Points essentiels

• La BI permet d’identifier des informations précieuses issues des veilles concurrentielles, des tendances du marché et des données internes, pour repérer des opportunités business.
• Les outils BI aident à détecter tendances et anomalies, facilitent l’exploration de volumes massifs via des tableaux de bord digestes et améliorent la communication entre équipes.
• Des graphiques BI peuvent être mal interprétés quand on confond corrélation et causalité, ce qui peut conduire à des conclusions erronées.
• Des représentations biaisées peuvent permettre une manipulation des données, donc le choix et la qualité des visualisations influencent l’analyse.
• Avec un programme BI, la création de rapports peut être réalisée en un seul clic pour augmenter la productivité.
• La BI peut rationaliser des processus en automatisant l’analyse et en proposant des analyses prédictives et des comparaisons, afin d’accélérer les décisions.

💡 Astuce mémo

Corrélation = pas causalité : le graphique éclaire, mais ne prouve pas.

📖 5. Usages métiers de la BI

🔑 Notions clés & Définitions

• Marketing en ligne : Usage BI consistant à utiliser des analyses basées sur le machine learning pour relier des données de contenu et de canaux à des résultats de conversion.
• Support client : Usage BI où des chatbots s’appuient sur le machine learning pour comprendre des questions, interagir avec l’utilisateur et aboutir à la réponse attendue.
• Recommandations de vente : Usage BI où des modèles de machine learning prédisent les produits ou services susceptibles d’intéresser un client afin de proposer des recommandations détaillées.
• Informatique décisionnelle : Usage BI qui combine machine learning pour rendre des prévisions et des indicateurs importants compréhensibles pour les décideurs humains.

📝 Points essentiels

• Le marketing en ligne s’appuie sur des outils d’analyse basés sur le machine learning pour identifier les contenus et canaux susceptibles de mener à une conversion.
• En support client, un chatbot orienté machine learning repère des mots-clés, puis pose des questions pour obtenir des précisions jusqu’à fournir la réponse.
• En vente, des systèmes de machine learning anticipent les offres qui intéresseront des clients et facilitent des recommandations même avec un catalogue très large.
• En informatique décisionnelle, le machine learning sert à visualiser les données clés et à transformer des prévisions en éléments lisibles pour les décideurs.

💡 Astuce mémo

M-S-V-D : Marketing, Support, Vente, Décisionnel → 4 usages BI alimentés par le machine learning.

📖 6. Types d’intelligence artificielle

🔑 Notions clés & Définitions

• Deep learning : Le deep learning est une forme d’IA qui apprend à partir de grands volumes de données et identifie automatiquement des caractéristiques discriminantes sans catégorisation préalable.
• Machine learning : Le machine learning est une IA qui apprend à partir d’un jeu de données exploitable et contrôlable fourni pour résoudre des tâches à l’aide de modèles.
• IA prédictive : L’IA prédictive est une IA discriminative qui utilise des données et un modèle entraîné pour réaliser des prédictions et trier les possibilités via l’inférence.
• IA extractive : L’IA extractive est une IA qui analyse de vastes ensembles de données pour extraire des informations précises et directement exploitables.
• IA générative : L’IA générative est une IA qui produit du contenu (texte, images, musique, sons, vidéos) à partir de grands modèles polyvalents adaptable à de nouveaux besoins.

📝 Points essentiels

• Le deep learning peut détecter des anomalies dans des patterns connus pour identifier aussi bien des dangers documentés que des risques inconnus en cybersécurité.
• Des résultats fiables en deep learning nécessitent typiquement un volume très important, avec l’ordre de grandeur de plus de 100 millions d’entrées.
• Les chatbots basés sur le deep learning comprennent l’expression naturelle et ne dépendent pas d’une suite de mots-clés précis pour être efficaces.
• L’IA prédictive peut accélérer la prise de décision et repérer des anomalies, mais elle ne permet pas de prédire l’avenir avec certitude absolue.
• L’IA extractive améliore la qualité des données et la prise de décision en filtrant et analysant de gros volumes d’informations de façon vérifiable.
• L’IA agentique exécute des actions autonomes et apprend en continu à partir d’un contexte pour atteindre des objectifs prédéfinis.

💡 Astuce mémo

Prédictive = prédire, Extractive = extraire, Générative = créer, Agentique = agir.

📖 7. Machine learning et deep learning

🔑 Notions clés & Définitions

• Grand modèle de langage : Un grand modèle de langage est un modèle d’IA entraîné sur de très grandes quantités de données pour répondre, classer et produire du contenu à partir du langage.
• Architecture Transformer : Une architecture Transformer est une structure de modèle qui permet de comprendre et de générer du langage naturel à partir du contexte.
• Prédiction du mot suivant : La prédiction du mot suivant est le principe selon lequel un modèle comme GPT choisit le terme le plus probable après les mots déjà présents.
• Pré-entraînement : Le pré-entraînement est l’étape où le modèle est entraîné sur d’immenses volumes de données avant d’être utilisé pour une tâche précise.
• Adaptation avec peu de données : L’adaptation avec peu de données désigne la capacité des grands modèles polyvalents à être ajustés à un besoin spécifique sans nécessiter énormément d’exemples.

📝 Points essentiels

• GPT signifie Generative Pre-trained Transformer, où la partie Transformer désigne l’architecture utilisée pour traiter et produire le langage naturel.
• ChatGPT s’appuie sur un modèle algorithme qui prédit le mot d’après, à partir de ce qu’il a appris sur de nombreuses données.
• Un même prompt peut produire des résultats d’image différents selon l’IA générative utilisée, donc le choix de l’outil dépend de l’objectif.
• L’IA générative repose sur de grands modèles polyvalents capables d’enchaîner des tâches comme répondre et classer des informations, puis d’être adaptés à un besoin avec peu de données.
• OpenAI crée en 2019 une structure hybride (OpenAI LP) pour lever des fonds tout en gardant une mission à but limité, et reçoit 1 milliard de dollars d’investissement de Microsoft.
• La valorisation d’OpenAI est donnée comme autour de 300 milliards de dollars après son rôle central dans l’IA générative.

💡 Astuce mémo

LLM = entraîné avant (pré-entraînement) puis “Transformer” lit le contexte pour prédire le prochain mot.

📖 8. IA prédictive et extractive

🔑 Notions clés & Définitions

• Analyse des séries temporelles : L’analyse de séries temporelles cherche des tendances et saisonnalités dans des données ordonnées par dates, puis ajuste le modèle pour les récentes variations.
• Apprentissage supervisé : L’apprentissage supervisé entraîne un modèle sur des exemples historiques déjà associés à une cible à prédire afin d’anticiper des valeurs futures.
• Predictive Shipping : Predictive Shipping est une stratégie basée sur des algorithmes qui anticipent les commandes et placent les stocks au plus près pour accélérer les livraisons.

📝 Points essentiels

• Les méthodes classiques de prévision (statistiques simples, avis d’experts) sont limitées par des données partielles, la dépendance aux hypothèses humaines et la difficulté à suivre des changements rapides.
• L’IA améliore la prévision via des approches combinant modèles statistiques automatisés et séries temporelles ajustées aux tendances récentes.
• Les réseaux de neurones avec LSTM (Long Short-Term Memory) servent à capturer des tendances sur le long terme dans des données historiques.
• Walmart a réduit de 30 % ses ruptures de stock grâce à des modèles IA exploitant historiques de vente, météo et saisonnalité.
• Amazon a utilisé l’algorithme de Predictive Shipping pour prépositionner les stocks avant les commandes, ce qui a permis des livraisons plus rapides et de meilleures recommandations.

💡 Astuce mémo

Supervisé=avec guide, Non supervisé=auto-découverte, Renforcement=essais→récompenses.

📖 9. IA générative, agentique et ChatGPT

🔑 Notions clés & Définitions

• IA agentique : Système d’IA qui enchaîne des actions pour atteindre un objectif, en s’appuyant sur des informations et des retours pendant l’exécution.
• ChatGPT : Assistant conversationnel basé sur l’IA générative, capable de rédiger et d’adapter du texte comme des emails personnalisés.

📝 Points essentiels

• ChatGPT peut automatiser des relances en générant des emails adaptés à un lead identifié comme à fort potentiel.
• Les chatbots IA assurent une assistance 24/7 en répondant aux questions fréquentes et en orientant vers des offres pertinentes.
• D’ici 2027, les chatbots deviendront le principal canal de service client pour 25% des organisations selon Gartner.
• Selon Markets and Markets, le marché mondial des chatbots devrait atteindre 15,5 milliards de dollars d’ici 2028.

💡 Astuce mémo

Génératif = écrit, agentique = agit, ChatGPT = le rédacteur qui démarre l’action (ex : email de relance).

📖 10. BI au service des ventes

🔑 Notions clés & Définitions

• Prévision des ventes : La prévision des ventes est l’estimation future de la demande à partir d’historiques et de variables externes pour guider stocks, prix et promotions.
• Systèmes de recommandation : Les systèmes de recommandation utilisent des signaux clients pour proposer les produits ou offres les plus susceptibles d’être achetés.
• Segmentation client avancée : La segmentation client avancée regroupe les clients en ensembles cohérents à partir de comportements d’achat similaires pour cibler les actions commerciales.
• Scoring de leads : Le scoring de leads attribue un score de probabilité de conversion aux prospects selon leur comportement et leur profil pour prioriser le sales.

📝 Points essentiels

• Walmart a utilisé le Machine Learning avec historiques de vente, météo et saisonnalité pour réduire les ruptures de stock de 30 % et améliorer la gestion des invendus.
• Amazon a appliqué le Predictive Shipping pour prépositionner des stocks selon le comportement client, afin d’obtenir des livraisons plus rapides et des recommandations plus convertissantes.
• Coca-Cola a augmenté ses ventes de 10 % en ajustant promotions et distribution via des modèles prédictifs intégrant météo, événements et comportement local.
• D’ici 2027, les chatbots devraient devenir le principal canal de service client pour 25 % des organisations.
• Selon Markets and Markets, le marché mondial des chatbots devrait atteindre $15,5 milliards d’ici 2028.
• Un CRM avec Salesforce Einstein peut réduire de 25 % le temps de gestion des prospects et augmenter le taux de conversion de 30 % via des relances et insights basés sur les interactions.

💡 Astuce mémo

Prédire → Proposer → Prioriser : prévoir la demande, recommander l’offre, scorer les leads pour convertir plus vite.

📖 11. Prévision des ventes et cas pratiques

🔑 Notions clés & Définitions

• Modélisation prédictive : Méthode d’analyse qui utilise des données passées pour estimer des résultats futurs liés aux ventes et aux comportements clients.
• Recommandation collaborative : Type de recommandation qui suggère des produits en s’appuyant sur les comportements d’utilisateurs jugés similaires.
• Attrition : Perte de clients observée ou anticipée, utilisée comme signal pour repérer les clients à risque et ajuster les actions commerciales.
• Étude de cas IA vente : Travail en groupe qui décrit une entreprise utilisant l’intelligence artificielle pour améliorer ses ventes, puis évalue bénéfices et limites.

📝 Points essentiels

• Les systèmes de recommandation visent à prédire les produits ou services qu’un utilisateur est susceptible d’acheter à partir de ses préférences et de ses comportements.
• Deux approches existent : filtrage collaboratif basé sur des utilisateurs similaires, et filtrage par contenu basé sur la ressemblance des caractéristiques des produits consultés ou achetés.
• La modélisation prédictive appliquée aux ventes sert à prédire des préférences, détecter des clients à risque via l’attrition, et ajuster stocks et promotions selon la demande prévue.
• L’étude de cas à réaliser doit présenter l’entreprise, les solutions IA utilisées, les impacts obtenus, les limites/défis rencontrés et des perspectives d’amélioration possibles.
• La restitution d’équipe se fait en exposé oral avec support visuel, avec un temps annoncé de 3 minutes chrono.
• Les secteurs proposés pour choisir l’entreprise incluent notamment retail e-commerce, mode & luxe, automobile, grande distribution & alimentation, voyage & tourisme, banque & assurance.

💡 Astuce mémo

Collaboratif = clients semblables, Contenu = produits semblables ; Attrition = clients qui “partent”, donc action avant la perte.

📖 12. Marketing automatisé et relation client

🔑 Notions clés & Définitions

• Emails de relance personnalisés : Les emails de relance personnalisés sont des messages générés automatiquement selon le comportement du prospect afin d’augmenter la pertinence.
• Chatbot : Un chatbot est un agent conversationnel capable de répondre aux questions et d’accompagner le client dans son parcours d’achat, souvent 24/7.
• Analyse des réactions publicitaires : L’analyse des réactions publicitaires consiste à exploiter les données issues des campagnes pour comprendre comment le public réagit et ajuster les actions marketing.

📝 Points essentiels

• Le scoring de leads s’appuie sur des signaux comme visites web, emails ouverts et clics pour prioriser les prospects selon leur probabilité de conversion.
• Des relances et emails personnalisés peuvent être déclenchés à partir du comportement du prospect, via des outils du type HubSpot, Salesforce Einstein ou Drift.
• Des chatbots peuvent répondre aux questions des clients 24/7, prendre des rendez-vous et guider le parcours d’achat.
• Coca-Cola utilise l’IA pour analyser les réactions des consommateurs à ses publicités afin d’ajuster les campagnes et optimiser les budgets.
• Une IA performante exige des données propres et structurées, et une intégration compatible avec les systèmes existants.
• L’usage doit respecter des contraintes d’éthique et de confidentialité, avec un équilibre entre personnalisation et protection de la vie privée.

📅 Repères chronologiques

📊 Tableaux de synthèse

BI vs Business Analytics (BA)

⚠️ Pièges & confusions fréquents

1. Confondre corrélation et causalité : un graphique peut montrer un lien sans prouver l’effet.
2. Croire que l’IA prédictive « prédit l’avenir avec certitude absolue », alors qu’elle dépend des modèles et de la qualité des données.
3. Mélanger Machine learning et deep learning : le deep learning a besoin d’un volume de données considérable et identifie les caractéristiques discriminantes.
4. Réduire le Big Data aux « volumes » en oubliant la variété, la vélocité, la véracité et la valeur (les 5V).
5. Oublier la véracité : des erreurs ou fake news peuvent fausser l’analyse marketing et les décisions.
6. Penser que la BI remplace entièrement les décisions humaines : elle assiste, mais la prise de décision reste du ressort des décideurs.

✅ Checklist Examen

1. Définir le Big Data et justifier pourquoi les outils traditionnels ne suffisent pas face au volume/à la vitesse/à la complexité.
2. Citer les 5V du Big Data (Volume, Variété, Vélocité, Véracité, Valeur) et donner le rôle de chacun.
3. Expliquer l’unité zettaoctet et sa relation avec 10^21 octets.
4. Donner des sources du Big Data (au moins deux) et préciser ce que mesure la véracité.
5. Définir la Business Intelligence (BI) : collecte, gestion, analyse, aide à la décision.
6. Relier BI et Data Visualisation : utilité (compréhensibilité/accès aux insights) et risques (corrélation ≠ causalité, biais).
7. Expliquer l’opposition fonctionnelle BI vs BA : « quoi/comment » (descriptif) vs « pourquoi » (prédictif).
8. Lister et distinguer les types d’IA vus (machine learning, deep learning, IA prédictive, IA extractive, IA générative, IA agentique) avec l’idée de base pour chacun.
9. Décrire le principe d’un grand modèle de langage (GPT/Transformer) et la « prédiction du mot suivant » liée au contexte d’apprentissage.
10. Expliquer comment l’IA et la BI soutiennent les ventes : prévision des ventes, systèmes de recommandation, segmentation/scoring de leads.
11. Présenter deux approches de recommandation (filtrage collaboratif et filtrage par contenu) et le rôle de l’attrition.
12. Citer des usages business de la BI au service client (chatbots/relances/emailing) et rappeler la contrainte éthique/confidentialité.