Business Intelligence: extraire les substentifiques données

Les projets de Business Intelligence (BI), intelligence d'affaires ou informatique décisionnelle monopolisent de plus en plus de ressources dans l'entreprise.
Schématiquement, Ils englobent les outils informatiques permettant une aide à la décision à partir de rapports et tableaux de bord analytiques, mais aussi prospectifs.

Historiquement, les premiers infocentres sont apparus à la fin des années 70, il s'agissait de requêteurs qui interrogeaient directement les serveurs en production. Puis, dans les années 80 les bases de données relationnelles et le mode Client/serveur permirent de scinder l'outil informatique de production des outils d'aide à la décision. C'est à cette période que le marché s'est ouvert sur ce domaine, avec des spécialistes qui ont rapidement compris qu'il fallait contourner la complexité des données structurées au travers d'interfaces d'analyse "Métiers".
La BI est depuis directement accessible aux responsables fonctionnels, la couche technique n'étant que le levier facilitant l'exploitation des informations.
La BI, pour faire quoi ?
La diversité des métiers de l'entreprise et les différents outils mis en œuvre entraînent un éclatement des données: la BI a alors pour objet de consolider les informations disponibles dans les différentes bases de données.

Les domaines fonctionnels couverts par la BI
Au départ, seul le domaine comptable était couvert mais aujourd'hui tous les secteurs de l'entreprise sont concernés: CRM (relation clients), ressources humaines, Knowledge Management (KM: gestion des connaissances), Supply Chain Management (SCM: Gestion de la chaîne logistique), etc... C'est grâce à des indicateurs prédéfinis et proposés en bibliothèques d'objets par les éditeurs spécialisés que chaque responsable fonctionnel peut suivre à la demande ses activités propres.

Schématiquement, comment fonctionne une plate-forme décisionnelle ?
Un module d'extraction, de transfert et de consolidation (ETL: Extract-Transform-Load ) est déployé pour assurer la centralisation des données provenant des différentes bases de données, il les regroupe ensuite dans une base de données particulière: le datawarehouse (entrepôt de données).
Les informations sont ensuite structurées, organisées et historisées. Elles seront éventuellement dispatchées dans des datamarts (magasins de données) qui constituent des vues par métier de l'entreprise (service client, etc.).

Côté utilisateur, ce dernier formule des requêtes qui sont transmises au datawarehouse pour production des indicateurs souhaités, via les applications analytiques. Les résultats sont ensuite restitués et diffusés grâce à des outils de reporting.

Les principaux types d'analyse
L'analyse multidimensionnelle permet de modéliser des données selon plusieurs axes.
On cite classiquement le calcul de CA par type de client sur une gamme de produits: il combine 3 axes (le CA réalisé, le type de clients et la gamme de produits).
On peut ensuite définir d'autres axes (zone géographique, numéro d'équipe, ...) pour affiner les résultats en fonction des indicateurs souhaités.

L'analyse prédictive (plus communément connue sous le terme de data mining), exploite des événements observés et historisés pour dessiner des courbes de projection qui seront ensuite interprétées pour prévoir l'évolution d'une activité.
Le data Mining connaît depuis quelques années un franc succès dans le domaine du CRM: on cherche de plus en plus à prédire le comportement d'un client, lui même influencé par un nombre de vecteurs sans cesse croissants.

Un peu de vocabulaire complémentaire
Balanced Scorecard : méthodologies qui favorisent un alignement permanent de la stratégie de l´entreprise sur des objectifs financiers et non financiers.
Indicateur : statistique, suivie au fil du temps, qui présente les tendances d´une condition ou d'un phénomène, au-delà des propriétés de la statistique elle-même. Les indicateurs permettent d´obtenir de l´information supplémentaire. Ils offrent un moyen d´évaluer les progrès en vue d´un objectif.
OLAP : On-Line Analytical Processing. Procédé permettant de pré-calculer certains croisements de données afin d´optimiser les performances de l´application décisionnelle. Des variantes de l´OLAP existent. HOLAP (OLAP Hybride) : mixte de SQL et d´OLAP, l´un passant le relais à l´autre en fonction des opérations effectuées.

Nous développons chez ORIA une expertise pour l'application de ce type de projet à la gestion des centres de contacts.
Ces derniers étant presque toujours couplés à une solution CRM, Il s'agit d'agréger les informations provenant des deux sources de données - voire d'autres en plus - à des fins de pilotage d'activité de la plate-forme mais aussi de reporting à l'attention des directions Métiers du Back Office.

Contacts: jfpatebex(at)oria.fr, lschwartz(at)oria.fr