Introduction à la Business Intelligence

-
5
 m de lecture
-
business intelligence

La Business Intelligence (BI) ou l’Informatique Décisionnelle permet à tous les acteurs d’une entreprise d’avoir une vision globale sur leurs activités pour les aider dans leurs prises de décisions.

Grâce aux outils de Business Intelligence, il est possible de créer des analyses sur des données historiques, actuelles ou même prédictives. Avec l’utilisation du Big Data et de la Data science, la BI peut traiter un très grand volume de données, rapidement et complexes. Les décisions qui découlent des analyses de données peuvent être aussi bien opérationnelles que stratégiques.

La mise en place

Nous allons détailler les quatre différentes étapes essentielles à l’informatique décisionnelle, quelles sont-elles ? Comment elles peuvent être mises en place ?

Découvrez les 4 étapes clés de la BI en une vidéo : 

Source de données

Les données d’une entreprise sont réparties dans plusieurs systèmes d’informations, CRM (Customer Relationship Management), ERP (Enterprise Resource Planning), bases de données, fichiers plats etc. Grâce à la BI, il est possible d’extraire et de consolider ces données pour les restituer à travers des tableaux de bord et permettre aux utilisateurs de réaliser des analyses détaillées. Afin d’approfondir encore plus les analyses, il est possible de consolider les données à la fois internes et externes comme les réseaux sociaux ou Gartner par exemple.

Toutes ces données, bien qu’elles soient disponibles et accessibles, il faut pouvoir les récupérer, les transformer pour les nettoyer et les arranger mais aussi pour les stocker. Et c’est à l’aide d’un ETL (nous verrons ci-dessous son fonctionnement ) que nous pouvons réaliser cela. Toutes les données pourraient être récupérées et stockées. Dans l’idéal, l’identification des données essentielles au besoin exprimé permet de réduire les coûts et d’améliorer les performances globales.

Data source

ETL (Extract Transform Load)

L’objectif d’un ETL pour Extract-Transform-Load est de récupérer des données de différentes sources en entrée et d’avoir en sortie des données propres, exploitables par différentes fonctions analytiques. Pour cela, nous distinguons trois étapes.

Extraction, les sources de données d’une entreprise sont multiples, il est nécessaire pour l’ETL d’avoir de nombreux connecteurs pour récupérer les données intéressantes. L’ETL va ainsi se connecter aux différentes sources pour extraire les données ou selon les systèmes, attendre que les données soient envoyées.

Transformation, cette étape est primordiale car elle permet de nettoyer, trier, organiser les données entrantes en fonction des besoins. Lors de la transformation, plusieurs règles s’appliquent comme la standardisation, la déduplication ou encore la vérification.

Chargement, dernière étape du processus qui consiste à charger les données extraites puis transformées dans le Data Warehouse.

Tout ce processus se lance de manière générale de façon automatisée. L’ETL prend en compte notamment la gestion des exceptions.

Cette étape dans la Business Intelligence est primordiale. La bonne mise en place d’un ETL permet d’obtenir des données qualitatives, exploitables et analysables. Avec les outils de reporting sur le marché, nous verrons que cette étape peut être intégrée directement dans ces outils. Cependant il faut garder en mémoire que ce n’est pas optimal de fonctionner ainsi. Pour des processus plus robustes et surtout plus performants, l’utilisation d’un ETL est très recommandée.

Extract – Transform - Load

Note : Lorsque de très grands volumes de données sont traités à l’aide des solutions de Big Data, à la place d’un ETL, nous utiliserons plutôt des ELT (Extract – Load – Transform). Dans ce cas, toutes les données sont récupérées, stockées sans traitement généralement dans un Data Lake, puis elles seront transformées en fonction des besoins.

Data Warehouse (DWH)

Nous avons vu quelles données peuvent être récupérées et comment cela s’opère. L’étape suivante est de stocker ces données, en général, nous utilisons des entrepôts de données. Il s’agit d’un ensemble de bases de données qui contient une partie ou l’intégralité des données fonctionnelles d’une entreprise. Grâce au travail réalisé avec l’ETL, les données sont déjà bien structurées et propres.

Les entrepôts de données permettent un stockage de données important, mais pas uniquement. Ces entrepôts sont aussi utilisés pour historiser les données. Ainsi, aucune donnée n’est supprimée ou remplacée, mais historisée au fil du temps. Cela permet de construire des analyses avec un suivi dans le temps de certains indicateurs. Nous avons vu que l’ETL effectuait une transformation des données avant de les charger. Il est aussi envisageable de stocker les données brutes en plus des données transformées. Elles pourront être utilisées pour de futurs besoins.

UNE CARRIÈRE DANS LA DATA VOUS TEND LES BRAS !

Une reconversion dans le big data vous intéresse, mais vous ne savez pas par où commencer ? Découvrez nos formations en Data Science.

UNE CARRIÈRE DANS LA DATA VOUS TEND LES BRAS !

Une reconversion dans le big data vous intéresse, mais vous ne savez pas par où commencer

Découvrez nos formations en Data Science.

Nous allons nous concentrer sur la partie nous permettant d’analyser les données. Pour cela, il y a des bonnes pratiques et des règles à respecter afin d’avoir une structure de données cohérente et performante dans un contexte BI. Le modèle de données le plus commun est le schéma en étoile. Dans ce schéma nous avons 2 types de tables :

Tables de faits, contiennent les mesures type kpi, prix, quantité ;

Tables de dimensions, contiennent les concepts d’entreprise tels que client, usine, temps.

Data Warehouse
Data Warehouse

Désormais, nous avons récupéré les données depuis différentes sources, elles ont été transformées et stockées dans le Data Warehouse qui a été structuré de telle sorte à nous simplifier la construction de nos analyses. Dernière étape, créer des tableaux de bord à l’aide des outils de reporting.

Reporting grâce à la Business Intelligence

L’objectif de ces outils est de raconter une histoire avec les données que nous avons récupérées. Une grille avec des données brutes est très souvent difficile à analyser et pas efficace. C’est pourquoi l’utilisation de graphiques, selon le type de données et l’objectif visé, est indispensable.

Ces outils se décomposent en général en 4 parties :

  • Récupération des données stockées dans le Data Warehouse ;
  • Modélisation logique des données ;
  • Construction des tableaux de bord ;
  • Partage et diffusion.
Reporting et diffusion
Reporting et diffusion

Les utilisations de la Business Intelligence

De nombreux secteurs différents ont adopté la BI plus tôt que d’habitude, notamment les soins de santé, les technologies de l’information et l’éducation. Toutes les organisations peuvent utiliser les données pour transformer leurs opérations.

Des sociétés de services financiers utilisent déjà la BI pour obtenir une vue complète de toutes leurs succursales afin de mesurer leur performance et d’identifier les opportunités. L’accès à une plate-forme centrale de veille stratégique a permis à certaines d’entre elles de rassembler toutes les données de leurs succursales dans un seul tableau de bord.

Les décideurs dans ces entreprises peuvent désormais identifier les clients dont les besoins en matière d’investissement pourraient changer. Ils peuvent également savoir si les performances d’une région sont supérieures ou inférieures à la moyenne et voir quelles branches sont le moteur des performances dans cette région. Il en résulte davantage de possibilités d’optimisation et un meilleur service pour les clients.

Le futur de la Business Intelligence

Le secteur du renseignement évolue constamment en fonction des besoins des entreprises et de la technologie. Il est aussi clair que l’intelligence artificielle et l’apprentissage automatique continueront de croître et que les entreprises peuvent intégrer les connaissances de l’IA dans leur stratégie BI. À mesure qu’elles s’efforcent de s’orienter davantage sur le Big Data, il y aura plus de partage des données et de collaboration. La visualisation des données sera encore plus indispensable pour travailler ensemble en équipes et entre départements.

La BI offre des capacités de suivi des ventes en temps quasi réel, permet aux entreprises de découvrir des informations sur le comportement des clients, de faire des prévisions de revenus, etc. Diverses industries telles que la vente au détail, l’assurance et le pétrole ont adopté la BI. De plus en plus se joignent chaque année. Les plate-formes BI s’adaptent aux nouvelles technologies et à l’innovation de leurs utilisateurs. 

Nous avons vu toutes les étapes clés pour construire un processus performant et respectant les principes fondamentaux de la Business Intelligence. Depuis les sources de données aux partages et diffusions des tableaux de bord nous avons parcouru l’intégralité de la chaîne décisionnelle.

La BI est un domaine transverse qui lie la donnée aux métiers. En s’appuyant sur de nombreuses technologies liées à la Data Science, Data Engineering et Data Analysis, il est possible d’apporter beaucoup d’informations à tous les métiers d’une entreprise. Si vous souhaitez en savoir plus sur l’informatique décisionnelle, nous avons développé le cursus Data Analyst abordant ce sujet.

Facebook
Twitter
LinkedIn

DataScientest News

Inscrivez-vous à notre Newsletter pour recevoir nos guides, tutoriels, et les dernières actualités data directement dans votre boîte mail.

Vous souhaitez être alerté des nouveaux contenus en data science et intelligence artificielle ?

Laissez-nous votre e-mail, pour que nous puissions vous envoyer vos nouveaux articles au moment de leur publication !

Newsletter icone

S'inscrire à la JPO :

icon newsletter

DataNews

Vous souhaitez recevoir notre
newsletter Data hebdomadaire ?