Dans un environnement devenu de plus en plus incertain et complexe, la mise au point d’une stratégie susceptible pour mieux atteindre les objectifs, l’élaboration des plans d’action, la vérification des écarts avec la prédiction initiale, et l’adaptation incessante des politiques, ne peuvent être imaginés sans le recours des gestionnaires des prises de décision aux technologies de l’information.

Les systèmes d’information les plus répandus sont les systèmes basés sur l’informatique décisionnelle appelés « les systèmes d’aide à la décision » ou encore «Business Intelligence». L’informatique décisionnelle prend une place en constante croissance dans les systèmes d'information (SI) depuis son apparition, dans les années quatre-vingt-dix.

Elle permet une sélection des informations opérationnelles pertinentes pour l'entreprise. Celles-ci sont ensuite normalisées pour alimenter un entrepôt de données. De ce concept est née la notion de modélisation dimensionnelle. Cette dernière est fondamentale pour répondre aux exigences de rapidité et de facilité d'analyse. Elle permet, en outre, de rendre les données d'un entrepôt cohérentes, lisibles, intelligibles et faciles d'accès.

L'informatique décisionnelle doit produire des indicateurs et des rapports à l'attention des analystes. Elle doit également proposer des outils de navigation, d'interrogation et de visualisation de l'entrepôt.

bi finalQuels champs sont couverts par la BI ?

Traditionnellement centré sur les questions comptables, (consolidation et planification budgétaire), le champ de la BI s'est petit à petit étendu à l'ensemble des grands domaines de l'entreprise, de la gestion de la relation client à la gestion de la chaîne logistique en passant par les ressources humaines.

Comment fonctionne une plate-forme décisionnelle ?

En amont, des mécanismes d'extraction, de transfert et de consolidation (ETL) assurent la centralisation des données en provenance des différentes sources de l'entreprise au sein d'une base particulière : l'entrepôt de données (ou datawarehouse). Ces informations sont ensuite structurées, historisées et organisées. Elles sont éventuellement rangées au sein de datamarts, c'est-à-dire de sous-référentiels de données ou vues par métier de l'entreprise (service client, etc.). Ces divers traitements permettent aux outils d'analyse d'accéder ensuite au datawarehouse plus facilement.

En bout de course, les applications analytiques se chargent de recueillir les requêtes de l'utilisateur dans le langage de ce dernier puis de les communiquer à l'entrepôt, avant de produire les indicateurs de performance voulus. Au final, les résultats issus de ce traitement sont restitués et diffusés par le biais d'outils de reporting.

Analyse multidimensionnelle et prédictive : quelles différences ?

Il s'agit des deux grands types de traitement avancé mis en œuvre par les systèmes de BI. L'analyse multidimensionnelle consiste à modéliser des données selon plusieurs axes. L'exemple le plus classique : le calcul du chiffre d'affaires par catégorie de client sur une gamme de produit donnée combine trois axes (le chiffre réalisé, la catégorie de clients et la ligne de produits). De nombreux autres axes supplémentaires peuvent être définis : zone géographique ou équipe commerciale en charge des opérations par exemple. Le cube "OLAP" (pour Online analyticalprocessing) désigne la technologie analytique qui s'applique à ce modèle de représentation.

Quant à l'analyse prédictive (ou data mining), elle exploite un ensemble d'événements observés et historisés pour tenter de prévoir l'évolution d'une activité en dessinant des courbes de projection. Cette méthode peut s'appliquer à la gestion de la relation client pour prédire le comportement d'un client. L'objectif est par exemple de déterminer les profils d'individus présentant une probabilité importante d'achat ou encore de prévoir à partir de quel moment un client deviendra infidèle.