[SplashMadrid19] Prédictif et Machine learning : l’approche pragmatique de OneStream

Contenu
OneStream Splash Madrid 2019

 

Durant cette semaine événementielle dans le monde de l’EPM, les mots IA, Machine Learning ou Predictive Analysis ont tenu le devant de la scène, à Paris (pour Tagetik Days), à San Francisco (pour Oracle) ou à Madrid (pour OneStream).

Depuis quelques années, la proximité sémantique entre « prévision » et « prédiction » conduit les esprits à associer ces technologies innovantes et émergentes, au monde de la finance et donc de l’EPM

Sur le terrain, la réalité est plus nuancée et rares sont les projets où nous trouvons convergence entre ces deux mondes.

OneStream, lors d’une conférence animée par son CEO Tom Shea assisté de deux jeunes Data Scientist dont Drew Shea (oui fils de), a présenté sa vision pragmatique de ces sujets tout en avançant ses capacités d’intégration de ces technologies dans une logique de plateforme complète.

La conférence commença par une partie didactique pour expliquer les différences entre Prédictif et Machine Learning, utile pour dépasser les argumentaires purement marketing.

Machine Learning vs Predictive Analysis

Le « Predictif Analytic » arrive dans les solutions, en associant données historiques et interprétation mathématique. Elle permet de suggérer des forecasts et budgets automatiquement.

OneStream délivrera avant la fin d’année 2019 cette fonctionnalité Prédictive 1,2,3, en se concentrant sur l’aide à la décision sur l’échelle temporelle, principalement utile pour les notions de saisonnalité et de mensualisation.

La fonction se rapproche des fonctions existant dans PBCS depuis quelques années avec la touche « pragmatique » de OneStream alliant souplesse et traçabilité :

  • Choix (Setup) et comparaison des méthodes mathématiques, classées par acuité
  • Audit des actions par utilisateurs et par méthode
Setup Preview Audit

Le Machine Learning est à un autre niveau en terme de complexité. Les acteurs sont désormais connus (Microsoft Azure ML, IBM Watson ou AWS) et nous entrons là dans le monde des mathématiques complexes des « data scientist ».

OneStream assume une position de « mise en relation » autour des données et des projets, qui sont d’ampleur, avec les utilisateurs de la sphère Finance dans sa plateforme.

OneStream peut structurer la donnée autour de modèles relationnels volumineux, l’enrichir des données externes nécessaires (calendrier, météo, etc.) mais il va faire travailler les architectures spécialistes du marché, par échange de webservice pour l’interconnexion.

Les modèles ne peuvent être automatiques et nécessitent du temps ressource et humains pour s’adapter à chaque contexte. Aucune généralité n’est possible et ces contraintes de coûts réclament une analyse du ROI sur chaque besoin émis.

Feature engineering Data science Deployment

Cela donne une démonstration d’exemples concrets d’intégration de Microsoft Azure ML, partenaire technologique majeur de OneStream, pour la détermination de suggestion de mapping en fonction des contextes à partir de réseaux neuronaux.

Les modèles ne peuvent être automatiques et nécessitent du temps ressource et humains pour s’adapter à chaque contexte. Aucune généralité n’est possible et ces contraintes de coûts réclament une analyse du ROI sur chaque besoin émis.

À date, OneStream ouvre le dialogue avec ses clients pour travailler sur ces passerelles entre mondes EPM et du Machine Learning, avec une ouverture d’esprit et une équipe dédiée.

Les projets Machine Learning sont donc distincts. Un monde connexe à l’EPM que OneStream se propose de relier à l’avenir.

Une approche innovante mais pragmatique donc.

 

Bonus : Prochains articles à venir sur les innovations proposées par Tagetik et Oracle sur le sujet.