Analytics Model

Qu’est-ce qu’un modèle d’analyse ?

Analytics Model est une plateforme d’IA générative destinée à l’analyse de données d’entreprise et à l’intelligence commerciale. Une fois connecté à une base de données ou à un système métier, l’utilisateur peut poser des questions en langage naturel ; le système génère alors des requêtes, des graphiques, des tableaux de bord et des insights exécutables.

Son objectif est de permettre aux professionnels non familiers avec SQL et les outils de BI traditionnels d’explorer les données, tout en offrant aux analystes des processus de visualisation et d’automatisation plus rapides. Les résultats de l’IA doivent néanmoins faire l’objet de vérifications concernant la définition des indicateurs, la logique des requêtes et l’intégrité des données.

Fonction principale

1. Données de requêtes en langage naturel

L’utilisateur peut décrire directement les questions qu’il souhaite connaître, comme les tendances de vente, la perte de clients, les variations de bénéfices ou les anomalies de stock. La plateforme convertit ces questions en requêtes de données et retourne les résultats, sans exiger que l’utilisateur rédige manuellement des SQL complexes.

• Utilisez du texte libre pour poser des questions d’analyse.
• Identification automatique des tables, champs et relations associés.
• Retourne des valeurs, des tendances et des explications.
• Continuer à poser des questions pour réduire la période, la région ou la gamme de produits.

Le langage naturel est sujet à des ambiguïtés ; des termes tels que le chiffre d’affaires, les utilisateurs actifs et le taux de conversion peuvent avoir plusieurs interprétations. Avant de rédiger un rapport officiel, il convient de s’assurer que les champs corrects, les conditions de filtrage et la zone horaire ont été utilisés.

2. Génération automatique de graphiques et de tableaux de bord

La plateforme peut générer un tableau de bord interactif complet à partir d’une seule description, y compris des graphiques, des KPI, des filtres et des descriptions. Les utilisateurs peuvent également effectuer des ajustements manuels en glissant-déposant des champs, en sélectionnant des méthodes d’agrégation et en changeant le type de graphique.

• Graphiques en barres, graphiques linéaires et autres visualisations courantes.
• Filtrer, trier et agréger les données par dimension.
• Combiner plusieurs indicateurs en tableau de bord métier.
• Générer des vues personnalisées autour d’un rôle ou d’une industrie.

Les graphiques sélectionnés automatiquement ne sont pas nécessairement ceux qui expriment le mieux les données. Les analystes doivent vérifier les axes de coordonnées, la plage de troncature, la taille de l’échantillon et la signification des couleurs, afin d’éviter des conclusions visuelles trompeuses.

3. Plus de 500 connexions de données

Le site officiel indique que la plateforme peut se connecter à plus de 500 sources de données, et cite des systèmes courants tels que BigQuery, MySQL, Redshift, Snowflake et Azure. La couche de connexion prend en charge le traitement des données en temps réel et par lots.

Le nombre d’entrées réellement consultables sur la page du catalogue des connecteurs publics peut différer de l’indication globale de « plus de 500 ». Les détails concernant les moteurs, les versions et les méthodes de certification doivent être confirmés au niveau du compte ou avant la vente.

4. Données en temps réel et alertes programmées

Les utilisateurs peuvent ajouter des requêtes fréquemment utilisées au Feed, en définissant le temps d’exécution et les conditions de déclenchement. Lorsque les indicateurs répondent aux conditions spécifiées, le système envoie une notification à la personne concernée.

1. Sélectionnez et connectez la source de données.
2. Formuler en langage naturel les questions à surveiller.
3. Ajouter la recherche au Feed.
4. Définir un cycle quotidien, hebdomadaire ou autre.
5. Définir les seuils ou les conditions de filtrage.
6. Spécifier les destinataires des notifications et tester les résultats.

Les systèmes d’alerte automatique doivent gérer les retards de données, les notifications multiples et les valeurs anormales. Les alertes opérationnelles clés doivent disposer de canaux de surveillance de secours, car on ne peut pas compter entièrement sur une seule plateforme d’IA.

5. Prévision, tendances et analyse des anomalies

La plateforme peut générer des analyses de tendances, des prévisions et des recommandations basées sur les données, et aider à identifier des anomalies ou des opportunités. Le site officiel présente les modes d’utilisation à travers des scénarios tels que la performance du produit, le retour sur publicité, les aspects financiers, la logistique et les indicateurs clients.

Les résultats des prévisions dépendent des données historiques, des hypothèses et des modèles ; ils ne permettent pas de déterminer l’avenir avec certitude. Les responsables commerciaux doivent examiner les intervalles de confiance, les variables externes et les conditions de défaillance du modèle.

6. Perspective pivotante et contrôle manuel

Lorsque l’IA ne parvient pas à comprendre correctement des structures complexes, l’utilisateur peut utiliser la fonction Pivot pour placer manuellement les champs sur l’axe horizontal et vertical, choisir les champs d’agrégation ainsi que le type de visualisation. Cela permet de basculer entre la génération automatique et l’analyse traditionnelle.

Les tableaux de bord peuvent encore présenter des agrégations erronées en raison de doublons, de valeurs manquantes et de relations many-to-many. Il convient de procéder à un contrôle de la qualité des données avant d’interpréter les graphiques.

7. Analytics Model API

L’API officielle permet de générer des graphiques et des tableaux de bord complets à partir de prompts, en sélectionnant automatiquement les données pertinentes et en renvoyant les résultats d’analyse. Elle prend également en charge la consultation de métadonnées, telles que les schémas, la structure des tables et les relations entre les données.

• Intégrer l’analyse du langage naturel dans les systèmes internes.
• Création automatique de tableaux de bord interactifs.
• Se connecter à des sources de données en temps réel ou par lots.
• Personnaliser la sélection et la visualisation des données en fonction des indications métier.
• Fournir des connexions de données vers d’autres plateformes d’IA via une couche MCP unifiée.

Les méthodes d’authentification de l’API, les limites de vitesse et les prix spécifiques ne sont pas affichés en détail sur la page publique. Avant de s’y connecter, les entreprises doivent demander les documents techniques, le sandbox et les garanties de service.

8. Multiples agents et couche de connexion MCP

La présentation du produit Analytics Model en 2026 met l’accent sur l’IA générative, l’intelligence multi-agents et les capacités de connexion MCP. Son objectif est de permettre à différents modèles ou agents d’accéder aux données de l’entreprise via une couche unifiée et d’exécuter des analyses.

La connexion MCP élargit l’étendue des données accessibles ; il est donc nécessaire de définir pour le proxy des droits en lecture seule, un masquage des champs et une isolation des locataires. Toute écriture ou déclenchement d’une opération métier doit faire l’objet d’une approbation supplémentaire.

À qui s’adresse-t-il ?

• Dirigeants d’entreprise qui ont besoin de consulter rapidement les KPI et les tendances.
• Équipe commerciale chargée d’analyser les données de ventes, de marketing et de clients.
• Analyste de données pour la création de visualisations et de rapports.
• Personnel financier chargé de surveiller les risques financiers et les anomalies opérationnelles.
• Développeurs souhaitant intégrer l’analyse du langage naturel dans leurs produits.
• Clients entreprises qui ont besoin de contrôler le séjour des données et les droits d’accès.

Comment commencer à l’utiliser ?

1. Inscrivez-vous pour une version d’essai ou choisissez un mode d’achat sur AWS Marketplace.
2. Connectez d’abord la base de données ou le système métier qui ne contient que des données de test.
3. Définir les méthodologies des indicateurs clés tels que le chiffre d’affaires, les clients, les commandes et le temps.
4. Formulez une question simple en langage naturel qui puisse être vérifiée manuellement.
5. Vérifier les tables, champs, filtres et méthodes d’agrégation sélectionnés par le système.
6. Créer des graphiques ou des tableaux de bord, et ajuster manuellement la manière d’affichage.
7. En cas de besoin, enregistrer dans le Feed et définir les conditions d’alerte.
8. Élargir l’échantillon de données et le nombre d’utilisateurs après validation à l’aide d’échantillons de transactions réelles.

Prix et version de déploiement

Au 26 août 2026, AWS Marketplace propose officiellement deux forfaits mensuels : Professional Data Visualization et On Premise AWS EC2 Deployment, avec une version d’essai gratuite. La page du contrat de 12 mois indique des économies allant jusqu’à 17 %, mais les résultats obtenus par capture publique ne montrent pas le prix total annuel complet.

Les coûts d’infrastructure AWS peuvent être facturés séparément ; la mise en œuvre des solutions locales, leur maintenance ainsi que les ressources nécessaires aux modèles doivent également être précisées dans le contrat. Les prix ci-dessus sont valables au 26 août 2026 ; le montant final sera déterminé selon les options d’achat d’AWS, la page de facturation et le contrat.

Remboursements et points importants concernant le contrat

La page AWS Marketplace indique que les fournisseurs ne remboursent généralement pas les services pour lesquels une demande a déjà été faite ; seuls quelques cas où aucune demande n’a été soumise permettent de demander un remboursement. Les conditions relatives à la fin de la période d’essai, aux abonnements mensuels et aux contrats annuels doivent être vérifiées avant l’achat.

• Vérifier comment 500 messages sont définis et si les requêtes échouées sont comptabilisées.
• Demander s’il y a interruption du service ou des frais supplémentaires en cas de dépassement.
• Vérifier les coûts de calcul, de stockage, de trafic et de modèles d’AWS.
• Vérifier les remises sur le contrat annuel, les résiliations anticipées et les modalités de renouvellement.
• Conservez des preuves de l’essai, de l’annulation et du remboursement sans demande.

Sécurité des données et vie privée

Les conditions de service stipulent que le client est propriétaire des données clients, et que la plateforme n’accède ou n’utilise ces données qu’afin de fournir des services, en cas d’exigences légales ou sur instruction du client. Les données peuvent être traitées et stockées aux États-Unis ou dans d’autres pays où se trouvent les installations du prestataire de services.

L’administrateur des clients peut accéder aux données des utilisateurs finaux et les gérer, et est responsable d’obtenir les consentements nécessaires. Les informations de santé protégées par des règlements tels que HIPAA ne peuvent pas être téléchargées sans un accord écrit officiel et l’accord correspondant.

Déploiement localisé

La solution On Premise est déployée dans l’environnement AWS EC2 du client lui-même ; selon le fournisseur, les données et le traitement ne sont pas envoyés vers une infrastructure externe. Le client peut contrôler la puissance de calcul, le stockage des données, la gestion des identités ainsi que les permissions des rôles.

La « localisation » ne signifie pas automatiquement une version complète hors ligne ou la livraison du code source. Les entreprises doivent vérifier les exigences réseau en matière de mises à jour logicielles, de vérification des licences, de télémétrie, d’appel de modèles et de support technique.

Le modèle d’analyse est-il open source ?

Le modèle d’analyse est un produit SaaS commercial et déployé par des entreprises ; à ce jour, aucun code source complet officiellement publié, aucun modèle ni aucune version pouvant être hébergée librement n’a été mis à disposition. Le déploiement sur AWS EC2 offre un contrôle de l’environnement, mais cela ne revient pas à une licence open source.

La plateforme offre des capacités de connexion API et MCP, mais cela ne permet pas de la qualifier de logiciel open source. Lorsque des droits de hébergement du code source, de développement ultérieur ou de reprise après sinistre sont nécessaires, ils doivent être stipulés séparément dans le contrat d’entreprise.

Restrictions d'utilisation et précautions

• Les requêtes d’IA peuvent choisir par erreur la table, le champ, la relation ou le mode d’agrégation.
• Dans le langage naturel, des définitions unifiées des indicateurs métier doivent d’abord être établies.
• Les prédictions, les recommandations et la détection d’anomalies ne garantissent pas une précision absolue.
• Les connexions à plusieurs sources de données augmentent les risques en matière de droits d’accès et de confidentialité.
• La version professionnelle a une limite de 500 messages par mois.
• Les conditions de service limitent la portée de la responsabilité ; les décisions à haut risque nécessitent une vérification indépendante.

Avantages du produit

• Réduire les barrières à la consultation et à la visualisation des données grâce au langage naturel.
• Prend en charge plus de 500 sources de données ainsi que des connexions en temps réel et par lots.
• Il est possible de générer automatiquement des tableaux de bord complets et des alertes programmées.
• Fournit en même temps une plateforme web, des API, MCP et un déploiement sur AWS.
• Conserver les contrôles d’analyse manuelle tels que Pivot et le filtrage.

Limites du produit

• La quantité de messages dans la version professionnelle est clairement définie, mais le prix indépendant de l’API reste opaque.
• Il est nécessaire de confirmer le nombre total de connecteurs publics et les critères de présentation du catalogue.
• Les résultats de l’IA doivent encore être vérifiés par des personnes familières avec les données métier.
• Les solutions de localisation sont coûteuses, et les frais AWS peuvent être facturés séparément.
• Aucune version open source officielle n’a été trouvée.

Questions fréquentes

Le modèle d’analyse nécessite-t-il de connaître SQL ?

Pas nécessairement. Les utilisateurs peuvent effectuer des recherches en langage naturel et générer des visualisations, mais comprendre les structures de données et les définitions des indicateurs reste utile pour évaluer les résultats.

À quels sources de données peut-on se connecter ?

Le site officiel indique qu’il prend en charge plus de 500 sources, et cite des systèmes tels que BigQuery, MySQL, Redshift, Snowflake et Azure ; les connecteurs spécifiques doivent être vérifiés dans le compte.

Combien coûte le forfait professionnel ?

Le prix public actuel d’AWS Marketplace est de 99 dollars par mois, et il inclut jusqu’à 500 messages ainsi que des fonctionnalités de visualisation avancées, plusieurs connecteurs et des filtres.

Peut-on le déployer sur son propre AWS ?

Oui. La solution AWS EC2 On Premise coûte 5000 dollars par mois ; selon le fournisseur, il n’y a pas de limite de nombre d’utilisateurs ou d’utilisation de la plateforme, et le client contrôle les données ainsi que l’environnement de traitement.

L’analyse générée par l’IA peut-elle être utilisée directement pour la prise de décision ?

Il n’est pas recommandé de l’utiliser directement. Il convient de vérifier la qualité des données, la logique SQL, les définitions des indicateurs, les graphiques et les hypothèses de prédiction ; les décisions importantes nécessitent également une vérification manuelle.

Le modèle d’analyse est-il open source ?

Non. Il s’agit d’un produit SaaS commercial et déployé par les entreprises ; les API, MCP et le déploiement par le client sur AWS ne correspondent pas à du code open source.