Business Intelligence : pour mieux piloter

Définition de la notion de Business Intelligence 
 

Quel est l'objectif de la Business Intelligence ?
La Business Intelligence (BI), également "intelligence d'affaires" ou "informatique décisionnelle", englobe les solutions informatiques apportant une aide à la décision avec, en bout de chaîne, rapports et tableaux de bord de suivi à la fois analytiques et prospectifs. Le but est de consolider les informations disponibles au sein des bases de données de l'entreprise.

La notion de Business Intelligence est apparue à la fin des années 1970 avec les premiers infocentres. Des systèmes qui envoyaient des requêtes directement sur les serveurs de production, ce qui se révélait plutôt dangereux pour ces derniers. Dans les années 1980, l'arrivée des bases relationnelles et du mode client / serveur a permis d'isoler l'informatique de production des dispositifs décisionnels. Dans la foulée, des acteurs spécialisés se sont lancés dans la définition de couches d'analyse "métier", dans le but de masquer la complexité des structures de données. Depuis, la BI n'est plus l'apanage des équipes techniques, elle est directement accessible aux responsables opérationnels.

Quels 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.

Les SSII principales françaises spécialisées en Business Intelligence : - Business & Decision, - Homsys (groupe Viseo), - Keyrus, - Micropole-Univers, - Umanis.

Pour ce faire, les éditeurs spécialisés ont défini des bibliothèques d'indicateurs prêts-à-l'emploi permettant de suivre ces différentes activités.

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 oeuvre 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 analytical processing) 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.

Quelle différence entre BI et BAM ?
Ces deux domaines pourraient tendre à se rapprocher à l'avenir. Rappelons que le BAM (Business Activity Monitoring) consiste à suivre l'exécution des processus métier de l'entreprise (état d'avancement, performance, etc.) et des différents intervenants qu'ils impliquent. On constate que les acteurs du décisionnel s'intéressent depuis peu à cette nouvelle problématique. Mais la plupart des experts en BI doutent de la capacité des nouvelles offres à atteindre les mêmes niveaux que les technologies propres au domaine du BAM.

Quel est le rapport entre la Business Intelligence et les technologies d'exécution en mémoire (in-memory) ?
Avec la nécessité de disposer de rapports toujours plus frais et de tableaux de bord publiant des indicateurs en temps réel, la Business Intelligence s'est rapidement retrouvée devant des problématiques de performance. La complexité des bases multi-dimentionnelles (OLAP) et la croissance des historiques de données n'arrangeant rien à cette difficulté. Les technologies d'analyse en mémoire (ou in-memory) apportent un début de réponse à cette question. Elles consistes à stocker les données en mémoire vive en vue d'accélérer les temps de traitement. Elles peuvent aussi tirer parti des architectures processeurs en multi-cœurs, pour optimiser encore l'exécution des requêtes lancées sur les systèmes de base de données (SGBD).

Autre piste : avoir recours à des solutions décisionnelles en mode SaaS ou Cloud Computing, permettant d'adapter en permanence les ressources machines nécessaires au besoin de traitement.

Crédit photo : Sean Gladwell - Fotolia.com