Lab 048 : Work IQ — Analytique d'impact Copilot & Power BI

Niveau : L300 Parcours : Tous les parcours Durée : ~90 min 💰 Coût : Gratuit — Utilise des jeux de données simulés inclus (Viva Insights en production nécessite une licence M365 Copilot)

Ce que vous apprendrez

• Comment fonctionne l'attribution d'impact — relier l'utilisation de Copilot aux résultats business
• Calculer la valeur monétaire du temps économisé (ROI) à partir des données d'adoption de Copilot
• Utiliser la corrélation de Pearson pour mesurer la relation entre utilisation et KPI
• Analyser les tendances d'adoption mois par mois pour identifier les schémas de croissance
• Rédiger un récit d'impact exécutif qui raconte une histoire fondée sur les données
• Comprendre comment ces analyses correspondent aux tableaux de bord Power BI et à Viva Insights Advanced Reporting

Prérequis

Complétez d'abord le Lab 047 : Work IQ — Analytique d'adoption de Copilot. Ce lab s'appuie sur les concepts d'analyse d'adoption et le scénario OutdoorGear Inc. du Lab 047.

Introduction

Dans le Lab 047, vous avez répondu à « Qui utilise Copilot ? ». Maintenant, les dirigeants veulent une réponse à la question plus difficile : « Quelle valeur Copilot crée-t-il ? »

L'attribution d'impact relie l'utilisation des outils IA aux résultats business concrets — croissance du chiffre d'affaires, temps de réponse plus rapides, satisfaction des employés et livraison des projets. C'est l'analyse qui sécurise la poursuite de l'investissement IA.

Le scénario

Trois mois se sont écoulés depuis le déploiement de M365 Copilot chez OutdoorGear Inc. Vous disposez maintenant de :

1. Données d'utilisation Copilot — 3 mois de métriques agrégées par département (utilisateurs actifs, utilisation des fonctionnalités, temps économisé)
2. KPI de résultats business — variation du chiffre d'affaires, taux de résolution des tickets, temps de réponse, scores de satisfaction, livraison des projets

Votre mission : prouver (ou réfuter) que Copilot génère une amélioration business mesurable — et présenter vos résultats au conseil d'administration.

Corrélation ≠ Causalité

Ce lab vous apprend à trouver des corrélations entre utilisation et résultats. La corrélation ne PROUVE PAS que Copilot a causé l'amélioration — d'autres facteurs (nouvelles embauches, changements de processus, saisonnalité) pourraient y contribuer. Présentez toujours vos résultats comme « les départements avec une utilisation plus élevée de Copilot tendent à montrer de meilleurs résultats » plutôt que « Copilot a causé l'amélioration ».

---

📦 Fichiers d'accompagnement

Téléchargez ces fichiers avant de commencer le lab

Enregistrez tous les fichiers dans un dossier lab-048/ dans votre répertoire de travail.

Fichier	Description	Télécharger
broken_roi_calculator.py	Exercice de correction de bugs (3 bugs + auto-tests)	📥 Télécharger
business_outcomes.csv	Jeu de données	📥 Télécharger
copilot_quarterly_summary.csv	Jeu de données	📥 Télécharger
impact_analyzer.py	Script de démarrage avec TODOs	📥 Télécharger

---

Étape 1 : Comprendre l'analytique d'impact

Avant de coder, comprenez les trois piliers de l'analytique d'impact :

Pilier	Ce qu'il mesure	Exemple
ROI (Retour sur investissement)	Valeur monétaire du temps économisé vs. coût des licences	188 heures économisées × 50 $/h = 9 400 $
Corrélation	Relation statistique entre utilisation et résultats	r = 0,97 entre jours actifs et satisfaction
Analyse de tendances	Comment l'adoption et les résultats évoluent dans le temps	60 % de croissance des utilisateurs actifs sur 3 mois

Viva Insights Advanced Reporting

Dans un environnement M365 en production, Viva Insights Advanced Reporting vous offre :

• Plus de 100 métriques Copilot découpées par département, rôle, manager et localisation
• Import de données organisationnelles pour ajouter des attributs personnalisés (centre de coûts, date d'embauche, etc.)
• Contrôles de confidentialité : taille de groupe minimale de 5, agrégation des données, accès basé sur les rôles
• Modèles Power BI pour des tableaux de bord préconstruits

Dans ce lab, nous simulons ces capacités avec Python et des exports CSV.

Connexion Power BI

Si vous avez Power BI Desktop installé, vous pouvez charger les deux CSV directement dans Power BI pour créer des tableaux de bord interactifs. Toute l'analyse que nous faisons en Python correspond 1:1 aux visuels Power BI : tables → matrice, corrélations → nuages de points, tendances → graphiques en courbes.

---

Étape 2 : Charger et fusionner les jeux de données

Vous avez deux jeux de données à utiliser :

📥 copilot_quarterly_summary.csv — Données d'utilisation agrégées (21 lignes : 7 départements × 3 mois)

Colonne	Description
department	Nom du département
month	Mois (2026-01, 2026-02, 2026-03)
licensed / enabled / active_users	Nombre d'utilisateurs
avg_active_days	Moyenne de jours actifs parmi les utilisateurs actifs
total_meetings / total_emails / total_docs / total_chats	Totaux par fonctionnalité
total_time_saved_min	Minutes estimées économisées

📥 business_outcomes.csv — KPI départementaux (21 lignes : 7 départements × 3 mois)

Colonne	Description
revenue_change_pct	Variation du chiffre d'affaires vs. année précédente (%)
tickets_resolved_per_person	Tickets de support résolus par personne
avg_response_hours	Temps de réponse moyen (heures)
employee_satisfaction	Score de satisfaction (0-100)
projects_on_time_pct	Projets livrés dans les délais (%)

Chargez-les et fusionnez-les :

import pandas as pd

usage = pd.read_csv("lab-048/copilot_quarterly_summary.csv")
outcomes = pd.read_csv("lab-048/business_outcomes.csv")

# Merge on department + month
merged = pd.merge(usage, outcomes, on=["department", "month"])
print(f"Merged: {len(merged)} rows × {len(merged.columns)} columns")
print(merged.head())

Attendu : 21 lignes × 17 colonnes.

---

Étape 3 : Calculer le ROI — Valeur monétaire du temps économisé

La métrique ROI la plus simple : combien vaut le temps économisé ?

HOURLY_RATE = 50  # Average fully-loaded cost per employee-hour

total_minutes = usage["total_time_saved_min"].sum()
total_hours = total_minutes / 60
dollar_value = total_hours * HOURLY_RATE

print(f"Total time saved: {total_minutes:,} minutes")
print(f"                = {total_hours:.1f} hours")
print(f"Dollar value:    = ${dollar_value:,.0f} (at ${HOURLY_RATE}/hr)")

Sortie attendue :

Total time saved: 11,280 minutes
                = 188.0 hours
Dollar value:    = $9,400 (at $50/hr)

Ventilation du ROI par département

dept_roi = usage.groupby("department")["total_time_saved_min"].sum().reset_index()
dept_roi["hours"] = dept_roi["total_time_saved_min"] / 60
dept_roi["dollar_value"] = dept_roi["hours"] * HOURLY_RATE
dept_roi = dept_roi.sort_values("dollar_value", ascending=False)
print(dept_roi[["department", "hours", "dollar_value"]].to_string(index=False))

Sortie attendue :

Département	Heures	Valeur monétaire
Engineering	65,2	3 262 $
Finance	45,9	2 296 $
Marketing	34,3	1 713 $
Operations	19,6	979 $
Sales	15,5	775 $
HR	6,4	321 $
Legal	1,1	54 $

Observation

Engineering génère le plus de valeur absolue (3 262 $) car il a le plus d'utilisateurs. Mais Finance a le ROI par utilisateur le plus élevé — 6 utilisateurs générant 2 296 $ contre 12 utilisateurs chez Engineering générant 3 262 $. La valeur par utilisateur de Finance est de 383 $ contre 272 $ pour Engineering.

---

Étape 4 : Corréler l'utilisation avec les résultats business

Maintenant la question cruciale : une utilisation plus élevée de Copilot est-elle corrélée à de meilleurs résultats business ?

# Pearson correlation between average active days and employee satisfaction
correlation = merged["avg_active_days"].corr(merged["employee_satisfaction"])
print(f"Correlation (active_days ↔ satisfaction): {correlation:.3f}")

Sortie attendue :

Correlation (active_days ↔ satisfaction): 0.970

Une corrélation de 0,970 est extrêmement forte. Les départements avec une moyenne de jours actifs plus élevée montrent systématiquement une satisfaction des employés plus élevée.

Matrice de corrélation

Vérifiez plusieurs métriques de résultats en une fois :

usage_cols = ["avg_active_days", "active_users"]
outcome_cols = ["employee_satisfaction", "revenue_change_pct",
                "projects_on_time_pct", "avg_response_hours"]

corr_matrix = merged[usage_cols + outcome_cols].corr()
print("\nCorrelation with avg_active_days:")
for col in outcome_cols:
    r = corr_matrix.loc["avg_active_days", col]
    direction = "↑ positive" if r > 0 else "↓ negative"
    print(f"  {col:>30s}: r = {r:+.3f}  ({direction})")

Vous devriez voir :

• employee_satisfaction : forte positive (~0,97)
• revenue_change_pct : forte positive
• projects_on_time_pct : forte positive
• avg_response_hours : forte négative (utilisation plus élevée → temps de réponse plus bas = plus rapide)

Rappel : Corrélation ≠ Causalité

Une corrélation de 0,97 est impressionnante, mais elle ne prouve pas que Copilot a causé l'augmentation de la satisfaction. Les départements performants ont peut-être adopté Copilot plus rapidement parce qu'ils sont déjà efficaces. Présentez cela comme une preuve d'une relation, pas comme une preuve de causalité.

---

Étape 5 : Analyse de tendances — Croissance mois par mois

Suivez comment l'adoption progresse dans le temps :

monthly = usage.groupby("month")["active_users"].sum().reset_index()
monthly.columns = ["Month", "Active Users"]
print(monthly.to_string(index=False))

jan = monthly[monthly["Month"] == "2026-01"]["Active Users"].values[0]
mar = monthly[monthly["Month"] == "2026-03"]["Active Users"].values[0]
growth = (mar - jan) / jan * 100
print(f"\nGrowth (Jan → Mar): {jan} → {mar} = {growth:.1f}%")

Sortie attendue :

   Month  Active Users
 2026-01            20
 2026-02            28
 2026-03            32

Growth (Jan → Mar): 20 → 32 = 60.0%

Tendances au niveau départemental

print("\nDepartment-level growth (Jan → Mar):")
for dept in usage["department"].unique():
    d = usage[usage["department"] == dept]
    j = d[d["month"] == "2026-01"]["active_users"].values[0]
    m = d[d["month"] == "2026-03"]["active_users"].values[0]
    g = ((m - j) / j * 100) if j > 0 else float("inf")
    arrow = "📈" if g > 50 else "📊" if g > 0 else "⚠️"
    print(f"  {arrow} {dept}: {j} → {m} ({g:+.0f}%)")

Amélioration de la satisfaction par département

print("\nSatisfaction improvement (Jan → Mar):")
for dept in outcomes["department"].unique():
    d = outcomes[outcomes["department"] == dept]
    j = d[d["month"] == "2026-01"]["employee_satisfaction"].values[0]
    m = d[d["month"] == "2026-03"]["employee_satisfaction"].values[0]
    delta = m - j
    print(f"  {dept:>15s}: {j} → {m}  (Δ = {delta:+d})")

Sortie attendue :

Département	Jan	Mar	Δ
Finance	75	88	+13 ← le plus élevé
Engineering	72	84	+12
Marketing	70	80	+10
Operations	68	76	+8
HR	62	68	+6
Sales	65	70	+5
Legal	58	62	+4 ← le plus faible

L'histoire s'écrit d'elle-même

Finance (adoption Copilot la plus élevée à 100 %) montre la plus grande amélioration de satisfaction (+13). Legal (adoption la plus faible à 50 %) montre la plus petite amélioration (+4). C'est l'histoire de corrélation que vous présenterez au conseil d'administration.

---

Étape 6 : Construire le récit d'impact

Combinez tous les résultats en un document prêt pour la direction :

narrative = f"""# 📋 OutdoorGear Inc. — Copilot Impact Report
## Q1 2026 (January – March)

### Executive Summary

Over Q1 2026, Microsoft 365 Copilot adoption at OutdoorGear Inc. grew
**{growth:.0f}%** (from {jan} to {mar} active users). The estimated value of
time saved is **${dollar_value:,.0f}** ({total_hours:.0f} hours at $50/hr).

There is a **strong positive correlation (r = {correlation:.2f})** between
Copilot usage intensity and employee satisfaction — departments with higher
average active days consistently report higher satisfaction scores.

### Key Metrics

| Metric | Value |
|--------|-------|
| Active Users (March) | {mar} of 52 employees |
| Adoption Growth (Q1) | {growth:.0f}% |
| Total Time Saved | {total_hours:.0f} hours |
| Estimated ROI | ${dollar_value:,.0f} |
| Usage ↔ Satisfaction Correlation | r = {correlation:.2f} |

### Department Spotlight: Finance 🏆

Finance achieved **100% adoption** with all 6 employees actively using Copilot
an average of 20.5 days/month. They show the **largest satisfaction improvement
(+13 points)** and the **highest per-user ROI ($383/user)**.

### Top 3 Recommendations

1. **Enable the 7 users in the licensing gap** — Sales has 3 licensed users
   not yet enabled. This is the fastest path to increasing adoption.
2. **Replicate Finance's playbook** — interview the Finance team to understand
   what drove their 100% adoption and apply those practices org-wide.
3. **Targeted training for Legal and HR** — lowest adoption departments
   need hands-on enablement sessions, not just license assignment.
"""

print(narrative)

with open("lab-048/impact_narrative.md", "w") as f:
    f.write(narrative)
print("💾 Saved to lab-048/impact_narrative.md")

---

Étape 7 : Tableau de bord Power BI (Optionnel)

Si vous avez Power BI Desktop installé, vous pouvez créer une version interactive de cette analyse :

1. Ouvrez Power BI Desktop → Obtenir des données → Texte/CSV
2. Chargez copilot_quarterly_summary.csv et business_outcomes.csv
3. Dans la vue Modèle, créez une relation sur department + month
4. Créez ces visuels :

Type de visuel	Axe X	Axe Y	Objectif
Barres groupées	Department	active_users	Adoption par département
Graphique en courbes	Month	active_users	Tendance d'adoption
Nuage de points	avg_active_days	employee_satisfaction	Visualisation de la corrélation
Carte	—	dollar_value	Titre ROI
Matrice	Department × Month	Tous les KPI	Ventilation détaillée

Pas de Power BI ? Pas de problème

L'analyse Python ci-dessus produit des insights identiques. Power BI ajoute l'interactivité (filtrage, exploration, partage) mais les données et formules sous-jacentes sont les mêmes. Si vous avez matplotlib installé, vous pouvez aussi créer des graphiques en Python :

# pip install matplotlib
import matplotlib.pyplot as plt

fig, axes = plt.subplots(1, 2, figsize=(14, 5))

# Chart 1: Adoption trend
monthly.plot(x="Month", y="Active Users", kind="bar", ax=axes[0], color="#3b82f6")
axes[0].set_title("Copilot Adoption Growth")
axes[0].set_ylabel("Active Users")

# Chart 2: Correlation scatter
axes[1].scatter(merged["avg_active_days"], merged["employee_satisfaction"],
                c="#8b5cf6", s=60, alpha=0.7)
axes[1].set_xlabel("Avg Active Days")
axes[1].set_ylabel("Employee Satisfaction")
axes[1].set_title(f"Usage vs Satisfaction (r = {correlation:.2f})")

plt.tight_layout()
plt.savefig("lab-048/impact_charts.png", dpi=150)
plt.show()
print("📊 Charts saved to lab-048/impact_charts.png")

---

🐛 Exercice de correction de bugs

Le fichier lab-048/broken_roi_calculator.py contient 3 bugs qui produisent des analyses d'impact erronées. Exécutez les auto-tests :

python lab-048/broken_roi_calculator.py

Vous devriez voir 3 tests échoués :

Test	Ce qu'il vérifie	Indice
Test 1	Calcul du ROI	Vérifiez la conversion d'unités (minutes → heures)
Test 2	Colonne de corrélation	Quelle colonne mesure réellement l'utilisation ?
Test 3	Base du taux de croissance	Quel mois est le point de départ ?

Corrigez les 3 bugs et relancez jusqu'à voir 🎉 All 3 tests passed.

---

🧠 Quiz de connaissances

Q1 (Choix multiple) : Que signifie « attribution d'impact » dans le contexte de Work IQ ?

• A) Compter combien d'utilisateurs ont une licence Copilot
• B) Relier l'utilisation des outils IA à des résultats business mesurables
• C) Suivre quel département a le plus d'utilisateurs actifs
• D) Mesurer le coût total des licences IA

✅ Révéler la réponse

Correct : B) Relier l'utilisation des outils IA à des résultats business mesurables

L'attribution d'impact va au-delà des métriques d'adoption (qui utilise Copilot ?) pour répondre à la question du ROI : l'utilisation de Copilot est-elle corrélée à de meilleurs résultats business comme la croissance du chiffre d'affaires, des temps de réponse plus rapides et une meilleure satisfaction des employés ?

Q2 (Choix multiple) : Pourquoi le principe « corrélation ≠ causalité » est-il essentiel lors de la présentation du ROI de Copilot à la direction ?

• A) Parce que les corrélations sont toujours peu fiables
• B) Parce que d'autres facteurs pourraient expliquer les améliorations business
• C) Parce que les données d'utilisation de Copilot ne sont pas précises
• D) Parce que la direction ne comprend pas les statistiques

✅ Révéler la réponse

Correct : B) Parce que d'autres facteurs pourraient expliquer les améliorations business

Les départements performants peuvent adopter les outils IA plus rapidement parce qu'ils sont déjà bien gérés — l'amélioration pourrait être due à la qualité du leadership, aux recrutements, aux changements de processus ou aux tendances saisonnières. Présentez toujours les résultats comme « les départements avec une utilisation plus élevée tendent à montrer de meilleurs résultats » plutôt que de revendiquer une causalité directe.

Q3 (Exécutez le lab) : Quelle est la valeur monétaire totale estimée du temps économisé dans tous les départements sur le T1 2026 (à 50 $/h) ?

Calculez : sommez toutes les valeurs total_time_saved_min, convertissez en heures, multipliez par 50 $.

✅ Révéler la réponse

9 400 $

Temps total économisé : 11 280 minutes ÷ 60 = 188,0 heures × 50 $/h = 9 400 $. Engineering contribue le plus en valeur absolue (3 262 $), mais Finance a le ROI par utilisateur le plus élevé (383 $/utilisateur).

Q4 (Exécutez le lab) : Quel département montre la plus grande amélioration de satisfaction des employés de janvier à mars 2026 ?

Comparez les scores employee_satisfaction de janvier et mars pour chaque département.

✅ Révéler la réponse

Finance (+13 points : 75 → 88)

Finance est passé de 75 à 88, un delta de +13. Cela correspond au fait que Finance a le taux d'adoption Copilot le plus élevé (100 %). Engineering est second avec +12 (72 → 84). Legal montre la plus petite amélioration (+4), en accord avec sa faible adoption.

Q5 (Exécutez le lab) : Quel est le taux de croissance global de l'adoption de janvier à mars 2026 ?

Sommez les active_users pour janvier et mars dans tous les départements, puis calculez le pourcentage de croissance.

✅ Révéler la réponse

60,0 %

Janvier : 6+4+2+1+4+0+3 = 20 utilisateurs actifs. Mars : 9+6+4+2+6+1+4 = 32 utilisateurs actifs. Croissance = (32 − 20) ÷ 20 × 100 = 60,0 %.

---

Résumé

Sujet	Ce que vous avez appris
Attribution d'impact	Relier les données d'utilisation aux KPI business
Calcul du ROI	Temps économisé → heures → valeur monétaire
Corrélation de Pearson	Mesurer les relations statistiques (r = 0,97)
Analyse de tendances	Croissance de l'adoption mois par mois (60 %)
Récit d'impact	Narration prête pour la direction avec des données
Correspondance Power BI	Comment l'analyse Python correspond aux visuels Power BI

---

Prochaines étapes

• Lab 033 — Observabilité des agents avec Application Insights (surveiller les agents personnalisés comme Viva surveille Copilot)
• Lab 038 — Optimisation des coûts IA (le volet financier du ROI pour les déploiements IA personnalisés)
• Lab 035 — Évaluation des agents avec le SDK Azure AI Eval (métriques de qualité, pas seulement d'adoption)