Tag Archives: OLAP

À chaque catégorie d’utilisateur son outil de Business Intelligence

ATTENTION : Le blog BITRENDS a été migré sur technodecision.com. SVP suivez ce lien pour lire cet article.

Le Business Intelligence (BI) s’est beaucoup démocratisé au cours de la dernière décennie. Le BI n’est plus réservé qu’aux décideurs de la haute direction, responsables des décisions stratégiques et tactiques de l’entreprise. Le BI est de plus en plus incorporé directement dans les opérations et il est devenu un outil indispensable pour plusieurs employés de première ligne.

Pour mettre en place une solution BI, on dispose aujourd’hui d’une grande variété d’outils destinés aux utilisateurs finaux. Chacun de ces outils répond aux besoins particuliers de catégories d’utilisateurs spécifiques. On peut distinguer plusieurs catégories d’utilisateurs, chacun ayant des besoins distinctifs et surtout des habilités distinctives. Certains ont des connaissances techniques, d’autres non. Certains connaissent bien les données à exploiter, d’autres sont plus orientés vers les processus d’affaires.

Déployer un outil unique et uniforme à toutes les catégories d’utilisateurs est une erreur qui pourrait conduire tout projet de BI à l’échec. Imposer le même outil à tous pourrait ne satisfaire qu’une seule catégorie d’utilisateurs. Trouver un compromis pourrait avoir une conséquence encore plus désastreuse et ne répondre aux besoins de personne.

J’ai assisté il y a quelques jours à un atelier donné par Cindi Howson à la TDWI World Conference à Chicago. Avec sa permission, je présente un diagramme fort intéressant. Ce diagramme identifie les principales catégories d’utilisateurs du BI au sein des organisations et distingue, pour chacune de ces catégories, les outils BI les plus adaptés.

Le diagramme ci-dessous comporte plusieurs arcs, chacun représentant une catégorie d’utilisateurs. Plus l’arc est large, plus le nombre d’utilisateurs dans cette catégorie est important au sein d’une organisation typique.  À partir du centre (demi-cercle), on retrouve les statisticiens, les développeurs informatiques, les analystes et professionnels de l’information, les cadres et gestionnaires, les travailleurs de première ligne et, au-delà des frontières de l’organisation, les clients, les fournisseurs et différents organismes comme les autorités administratives indépendantes.

Ce diagramme est réutilisé avec la permission de Cindi Howson de la firme BIScorecard

Chaque point noir dans ce diagramme présente un type d’outil BI. Chaque point est positionné sur l’arc représentant la catégorie d’utilisateurs qu’il dessert le mieux. Sans nous attarder à l’ensemble des outils présentés, on peut tout de même faire quelques observations intéressantes.

Les cadres et gestionnaires sont mieux desservis par les tableaux de bord et les scorecards. Rien d’étonnant puisque cette catégorie d’utilisateur n’a pas nécessairement de bagage technique et n’a pas une connaissance approfondie des modèles de données de l’organisation. Les cadres et gestionnaires ont par contre une excellente connaissance des rouages de l’organisation et de leur métier. Ils ont besoin de consulter des indicateurs de performance normalisés en phase avec des cadres structurels. Ils n’ont pas beaucoup de temps, ils suivent donc des indicateurs de haut niveau en lien avec des plans stratégiques et des objectifs organisationnels.

Les analystes et professionnels de l’information, en revanche, ont besoin de manipuler de l’information plus détaillée. Ils utilisent des feuilles de calculs (Spreadsheets) orientées BI et des requêteurs orientés business. Ce type de requêteur exploite une couche de donnée d’affaires (couche sémantique) en opposition aux requêteurs classiques qui nécessitent une connaissance des modèles physiques de données. Évidemment une couche sémantique doit être mise en place. Cette catégorie d’utilisateur est aussi de plus en plus intéressée par les outils de visualisation avancée (visual discovery). Ces outils permettent de manipuler l’information de manière visuelle (cartes géographiques thématiques, heat maps, etc.) pour découvrir des corrélations, des tendances ou encore pour tester des hypothèses. Ce sont aussi les utilisateurs du classique OLAP. Le OLAP (Online Analytical Processing) permet d’analyser la donnée sous plusieurs axes et d’effectuer du forage dans la donnée (par exemple forer des années vers les mois ou des départements vers les employés).

Les travailleurs de première ligne représentent une très grande part des utilisateurs du BI dans les grandes organisations. Leurs besoins sont opérationnels. Ils souhaitent être informés des pistes de solution pour chaque problème rencontré et être assistés dans l’exécution de leurs décisions. Ils n’ont pas nécessairement de connaissance technique approfondie ni de connaissance des modèles de données. Ils ont besoin de rapports interactifs taillés sur mesure et adaptés à leurs processus opérationnels.

Les développeurs de rapports (les gens des TI) souhaitent avoir accès à des outils de programmation très flexibles, nécessitant une connaissance technique pointue. Ils ne sont pas considérés comme des utilisateurs du BI mais comme des producteurs de rapports. Les statisticiens analysent la donnée avec des outils spécialisés. Une connaissance pointue de la donnée et des techniques statistiques est primordiale pour cette catégorie d’utilisateurs.

Un des défis que doivent relever les grandes organisations est donc de trouver une solution qui réponde à l’ensemble de ces besoins. Est-ce possible? Est-ce qu’aujourd’hui un des fournisseurs de plateformes BI couvre tout le spectre des besoins? Il faudrait probablement se tourner vers un des grands éditeurs de logiciels que sont Oracle, Microsoft, IBM, SAP ou SAS pour trouver une solution relativement complète. Chaque plateforme BI proposée par ces grands éditeurs de logiciels a toutefois ses avantages et inconvénients. Les organisations devront donc faire le choix entre une plateforme unique et un amalgame d’outils de plusieurs éditeurs (best of breed). En effet, les petits joueurs du marché, plus nichés, offrent souvent des outils beaucoup plus novateurs. Encore là, il faudra être prudent et faire des choix éclairés puisque chaque approche a ses avantages et ses inconvénients.

Mais en conclusion retenez une chose : chaque catégorie d’utilisateur doit être le mieux servi possible car c’est le succès de votre projet BI qui est en jeu!

Le Big Data Analytics vient compléter les approches bien établies du Business Intelligence

ATTENTION : Le blog BITRENDS a été migré sur technodecision.com. SVP suivez ce lien pour lire cet article.

Le Big Data est tellement en vogue que la maison blanche vient d’annoncer une initiative nationale autour du Big Data. Pour Philippe Nieuwbourg, analyste chez Decideo, cette initiative nous propulse dans l’ère la science des données (Data Science).

Côté Business Intelligence (BI), on parle beaucoup du Big Data Analytics. L’avènement du Big Data Analytics vient bousculer notre conception du BI. En effet, le BI, depuis longtemps dominé par le traitement de données structurées, voit de nouvelles approches et de nouveaux outils émerger.

Mais l‘approche bien établie du BI, incarnée par les entrepôts de données et le OLAP (On Line Analytical Processing), fondée sur une excellente compréhension de la donnée à traiter, sur le calcul minutieux d’indicateurs de performance et sur l’organisation des données sous une forme multidimensionnelle est-elle vraiment remise en question? Non! Le Big Data Analytics vient enrichir une boîte à outils déjà bien fournie. Et la croissance rapide du Big Data Analytics ne menace en rien les approches bien établies et pour lesquelles les entreprises réitèrent leur fort engagement.  

Avant de nous pencher sur ce qu’est le Big Data Analytics, tentons d’abord de comprendre le concept de Big Data. Ce qui qualifie le Big Data, c’est bien plus que le volume, c’est aussi la variété et la vélocité. Ce sont les trois « V » du Big Data.

  • Le volume, ça veut dire des téraoctets de données (voire des pétaoctets), des milliards d’enregistrements dans une BD.
  • La vélocité, c’est la rapidité, la durée de vie de la donnée et sa fréquence de capture; les logs d’utilisation sur un site WEB achalandé, les vidéos des caméras de surveillance, les discussions dans les médias sociaux sont des exemples de Big Data à forte vélocité.
  • La variété, c’est que la donnée peut avoir plusieurs formes : de la donnée structurée (des transactions de vente), non structurée (la transcription d’une conversation dans un centre d’appel, voire même l’enregistrement sonore), des fils RSS, de la donnée géo localisée, des vidéos, etc.

On sait maintenant un peu mieux ce qu’on entend par Big Data. Le Big Data Analytics, c’est donc l’analyse de cette donnée variée, à forte vélocité et à fort volume.

Les besoins analytiques du Big Data nous forcent à actualiser des concepts et techniques que nous connaissons depuis longtemps en BI, comme l’intelligence artificielle, le data mining, l’analyse prédictive, la reconnaissance de texte et l’analyse sémantique.

On qualifie souvent l’analyse du Big Data « d’analyse avancée » (advanced analytics). Philip Russom est plus précis à mon avis quand il la qualifie de Discovery Analytics (analyse en mode découverte). Cette appellation est très révélatrice : on fouille dans la donnée pour trouver quelque chose. Cette notion peut être mise en opposition au BI traditionnel où on suit des indicateurs de performance conventionnés, bien établis et bien mesurés. Avec le Big Data on tente de trouver des tendances ou des corrélations insoupçonnées. L’utilisateur du Discovery Analytics, c’est un analyste d’affaires, quelqu’un qui veut (et peut) fouiller l’information pour trouver la perle rare, l’indice qu’il pourra transformer en avantage concurrentiel. Une des études de Russom est d’ailleurs révélatrice : le principal frein à l’adoption du Big Data Analytics dans les organisations, c’est l’absence d’analyste d’affaires avec les bonnes compétences. Avec le Big Data Analytics, on adresse donc des besoins différents du BI traditionnel taillé sur mesure pour faciliter le travail de la haute gestion, des décideurs, voire des employés plus « opérationnels ».

Les applications concrètes du Big Data Analytics

Mais quelles sont les applications concrètes du Big Data Analytics? L’analyse de Russom révèle que la principale utilisation du Big Data Analytics concerne tout ce qui touche l’analyse du comportement des consommateurs : mieux cibler les produits, trouver de nouvelles opportunités de marché, analyser le comportement des consommateurs sur des sites marchands, détecter des fraudes, pour ne nommer que ces exemples. On le retrouve dans les domaines de la vente au détail, de l’assurance, de la télécommunication. Mais il reste que le potentiel est énorme dans plusieurs autres domaines comme en médecine, dans la lutte contre la criminalité, en climatologie, etc.

Depuis plusieurs années, nous constatons que plusieurs de nos clients ne savent pas quoi faire d’une grande partie de leurs données. Au-delà des indicateurs de performance conventionnés et liés à des objectifs d’entreprise, c’est toute une partie des données qui reste inexploitée. L’avènement du Big Data Analytics amène son lot de nouveaux concepts, de nouvelles technologies et nouveaux produits. Ils sont probablement des pistes solution pour nos clients. Mais au-delà des outils, il faut affronter le travail colossal de compréhension de ces masses de données. Du pain sur la planche!