Qu'est-ce que la business intelligence ? Quelle différence avec le processus décisionnel ?
Terme anglais signifiant "intelligence d'affaires", la business intelligence couvre l'ensemble des technologies permettant en bout de chaîne d'apporter une aide à la décision. De fil en aiguille, le mot "décisionnel" correspond simplement à la traduction française du terme "business intelligence". Pour être aidé dans ses choix, le décideur a besoin d'une information exacte lui permettant de jauger son activité à l'aide d'indicateurs de performance clefs. Sans cette démarche critique, les décisions perdent de leur acuité ou prennent beaucoup plus de temps. Or, le décideur de la nouvelle économie dispose d'un temps de plus en plus réduit.
- Etape 1 : extraction des données. Pour produire les indicateurs voulus, il convient d'aller chercher les données où elles se trouvent. Connecté aux différentes applications et bases de données, l'outil d'ETL se charge de récupérer ces données et de les centraliser dans une base de données particulière, l'entrepôt de données.
- Etape 2 : consolidation. Une fois les données centralisées, celles-ci doivent être structurées au sein de l'entrepôt de données. Il s'agit d'un prétraitement permettant aux outils d'analyse d'y accéder plus facilement, sachant que ces entrepôts ne sont pas nourris à la main.
- Etape 3 : traitement. En fonction d'une question plus ou moins complexe posée à l'aide d'un formulaire, l'outil d'analyse recueille la requête et confronte les données correspondantes, de façon à produire les indicateurs voulus.
- Etape 4 : restitution. Egalement appelée reporting, cette étape se charge de diffuser et de présenter les informations à valeur ajoutée de telle sorte qu'elles apparaissent de la façon la plus lisible possible pour le décideur.
Qu'est ce qu'un ETL ? Et quelle différence avec l'EAI ?
Pour en extraire les données utiles, l'outil d'ETL (Extraction transfer loading) doit pouvoir se connecter aux sources, qu'il s'agisse des applications ou des bases en production. En ce sens, il joue un rôle d'intégration au niveau des données. De son côté, l'EAI (Enterprise application integration) est un domaine général qui regroupe toutes les formes d'intégration entre des applications, des processus ou/et des interfaces. Par voie de conséquence, l'ETL est donc un sous-ensemble de l'EAI positionné sur l'intégration des données.
Pourquoi choisir un datawarehouse plutôt qu'un datamart, et vice-versa ? Quelles sont les principales différences entre les deux ?
D'un point de vue technologique, il n'y a a priori que très peu de différences entre les deux, qui sont des entrepôts de données à part entière. Mais sur son utilisation, le datawarehouse s'avère complètement centralisé, et regroupe des informations en provenance d'applications transversales ou disséminées à travers l'entreprise, en vue de produire une vision plus globale lors de l'étape de restitution. De l'autre côté, le datamart est plus spécialisé suivant une fonction ou un domaine vertical de l'entreprise. Et l'on trouve, par exemple, des datamarts spécifiques reliés aux centres d'appels afin d'analyser le service client.
Pourquoi parle-t-on d'analyse multi-dimensionnelle ?
Pour pouvoir analyser des données représentant l'activité d'une entreprise, il faut pouvoir les modéliser suivant des axes. Ainsi, pour prendre l'exemple le plus courant, le chiffre d'affaires par catégorie de client sur un produit donné se décline en trois axes au minimum : chiffre d'affaires, catégorie de clients, et produit. De nombreux autres axes peuvent être définis, notamment en fonction de la zone géographique, du prix, ou d'un commercial de l'équipe en charge des opérations.
A quoi sert un cube OLAP ?
Ici, le cube est une vue de l'esprit car il comporte en général plus de trois dimensions. Le "cube" en question représente les axes de l'entreprise évoqués dans la question précédente. Ensuite, OLAP (Online analytical processing) qualifie la méthode analytique en tant que telle, qui s'applique à ce modèle multi-dimensionnel.
Existe-t-il d'autres formes d'analyse, comme le data mining ? Quel est son usage ?
En général plus anciens que les algorithmes d'analyse multi-dimensionnelle, ceux de data mining emploient une approche statistique pour dessiner des courbes dans le temps. A partir d'un certains nombre d'événements observés et historisés, il est parfois possible de prévoir selon les critères entrés au préalable comment la courbe va évoluer. Par exemple, le data mining est souvent utilisé par les opérateurs pour prévenir le "churn", c'est à dire le moment même où les abonnés d'un réseau de télécommunication vont devenir infidèles. Dans ce cadre, seule une historisation du comportement de l'utilisateur (achat de services, degré d'utilisation...) permet de définir des probabilités en fonction de critères tirés d'observations préalables.
A quel besoin répondent les applications analytiques ? Permettent-elles d'effectuer du reporting de masse ?
Parmi les outils d'analyse et de restitution, certains s'adressent à un petit nombre d'utilisateurs, qui sont des décideurs à haut niveau. Leur besoin se tourne vers une analyse poussée, qu'il est possible d'affiner en reformulant différemment la requête. Ces logiciels, qui constituent la spécialité d'éditeurs comme Business Objects, sont regroupés derrière le vocable "applications analytiques". A l'inverse, ceux qui permettent de diffuser les indicateurs vers un périmètre très large d'utilisateurs dans l'entreprise entrent dans le cadre du reporting de masse. Le plus souvent, les requêtes sont pré-paramétrées et ne peuvent pas être affinées, l'objectif étant de réduire au maximum la charge.
A consulter:
Visiter Mon Blog :
http://pages.usherbrooke.ca/yhassibou/
Aucun commentaire:
Enregistrer un commentaire