Business Intelligence (BI) | Définition

Par ,

1 étoile2 étoiles3 étoiles4 étoiles5 étoiles (4 votes, average: 5,00 out of 5)
Loading...

Cette définition est-elle fiable ? (vous aussi laissez votre note !)

Cet article appartient à l'index Culture Web

La Business Intelligence (BI) ou l'informatique décisionnelle fait référence à la maîtrise des affaires. Elle englobe la compréhension d’une situation et des principes de base de gestion de la situation. Par extension, la BI est constituée d’un ensemble de moyens, d’outils et de méthodes qui permettront de collecter, de modéliser et de restituer des données spécifiques à la compréhension d’une situation. Cette fonction doit permettre de donner une vision globale et synthétique de l’activité d’une organisation, à l’aide de tableaux de bord et d'outils d'analyse. La BI est à destination à la fois des équipes métiers, de la gouvernance informatique (DSI) et de la direction générale. Elle utilise généralement un datawarehouse (entrepôt de données) pour stocker et traiter des données provenant de différentes sources.

Synonymes : [FRA] informatique décisionnelle, Business Analytics, Business Analyse

Un concept, une stratégie

Modélisation du processus de business intelligence (BI) / Informatique décisionnelle

La Business Intelligence (BI) fait référence à la maîtrise des affaires. Elle englobe la compréhension d’une situation et des principes de base de gestion de la situation.

La Business Intelligence prend en compte différentes dimensions :

  • La prise en compte de l’environnement : partenaires, relations d’affaires…
  • L’intégration du temps (périodicité)
  • L’intégration du risque et de l’incertitude
  • La maîtrise des processus opérationnels internes

On ne connait pas la valeur d’une donnée. C’est pourquoi on part de l’hypothèse qu’aucune donnée n’est inutile.

L’informatique décisionnelle conduit en entreprise au développement d’applications métiers et de tableaux de bords sur mesure. Pour optimiser ces données mises à disposition des différents acteurs de l’entreprise, il sera nécessaire de définir des indicateurs de performance (KPIs).

La business intelligence en entreprise

La BI est avant tout un outil d’aide à la décision qui permet d’avoir une vue d’ensemble des différentes activités de l’entreprise. Cette vision transversale nécessite de connaitre les différents métiers de l’entreprise. De nos jours, l’information prend de plus en plus d’importance, de telle sorte que la capacité à savoir tirer parti de ses données devient un enjeu concurrentiel majeur.

La business Intelligence correspond généralement au déploiement d’infrastructures techniques complexes permettant de supporter des traitements lourds d’une multitude de données à traiter. Le déploiement d’outils d’aide à la décision aura une structure fortement influencée par l’organisation de l’entreprise.

Traditionnellement, la business intelligence répond à des questions comptables (budget & rentabilité). Aujourd’hui, la BI s’est étendue à toutes les fonctions de l’entreprises pour permettre d’optimiser chaque activité et mesurer l’efficacité (et les résultats). Les trois destinataires de la BI en entreprise sont :

  • Les équipes métiers
  • La gouvernance informatique (DSI)
  • La direction générale

La business intelligence en entreprise est constituée de moyens, d’outils et de méthodes permettant de récolter des données qui serviront, une fois traitées, d’aide à la décision. Les objectifs de la BI sont vastes :

  • Amélioration de la prise de décisions
  • Optimisation des processus métiers internes
  • Augmentation de l’efficacité opérationnelle
  • Développement d’avantages concurrentiels
  • Analyse des résultats

Le déploiement de l’infrastructure nécessaire à la BI nécessite l’intervention de la DSI, ce qui renforce le rôle des équipes techniques dans la performance de l’entreprise.

L’infrastructure technique de la Business Intelligence : le système d’information décisionnel

La collecte :

La première étape de la business intelligence nécessite de collecter des données. La collecte des données sources se fait au travers de fichiers « plats » (CSV, formats excel, XML, AJAX, ASCII …) mais également de systèmes de base de données (export en SQL, mySQL, Oracle, PostgreSQL …). Ces fichiers hétérogènes vont devoir être homogénéisés lors de la phase d’intégration.

L’intégration :

Pour intégrer des données sources, on utilisera un outil ETL (Extract, Transform and Load), chargé d’extraire les données de différentes sources, de les filtrer et de les charger dans un entrepôt de données (datawarehouse). Cette couche de traitement va permettre de récupérer des données de différents systèmes externes ou internes, de les transformer (filtrage, homogénéisation, calculs …) et de les charger sur un serveur intermédiaire ou directement dans son datawarehouse.

Serveur Intermédiaire : les données peuvent être stockées sur un Operational Data Store (ODS), qui permettra de récupérer les données brutes pour effectuer un premier filtrage. Cette étape est essentielle dans le cas où les données ont la capacité d’évoluer sur une courte période. Lorsque les données sont rentrées dans le Datawarehouse, elles sont fixes et ne peuvent plus être modifiées. Les données seront stockées sur une courte période, le temps d’être traitées, modifiées et transformées avant d’être envoyées dans l’entrepôt de données. On pourra se passer de cette étape intermédiaire uniquement lorsque les données sources ne nécessitent pas de modification avant d’être intégrées au datawarehouse (pour les petites structures).

L’organisation :

Une fois arrivées dans le datawarehouse, les données sont figées ne doivent plus être modifiées. Ces données sont datées et possèdent des métadonnées qui leur permettront de renseigner différentes dimensions rattachées à une donnée spécifique. Ces données sont généralement dé-normalisées, afin de permettre d’être récupérées facilement par des outils de type OLAP (Online Analytics Processing) au travers d’une base de données multidimensionnelle. Celle-ci permettra de récupérer les données afin de les classer en fonction d’axes d’analyse et de dimensions paramétrées. Ces données stockées vont être utilisées pour faire des calculs, mettre en place des indicateurs et des tableaux de bord …

Lorsque les données sont arrivées dans l’entrepôt de données, elles pourront être attribuées à des magasins de données appelées « datamarts », même concept qu’un entrepôt de données, mais dédiées à une fonction de l’entreprise. Cela va permettre de rendre accessible ces données par différents services de l’entreprise. Généralement, ces magasins ont des données équivalentes à celles présentes dans le datawarehouse, mais elles seront adaptées aux différents métiers de l’entreprise. (Par exemple, on va créer un datamart spécifique au service marketing pour lui permettre d’avoir un accès sur mesure aux données stockées. Le datamart pourra avoir une implémentation physique (cube) ou alors être une vue logique (multiprovider).

La restitution :

Pour restituer les données stockées, différents types d’outils pourront être utilisés en fonction de l’usage :

Les outils d’analyse (OLAP) permettent de récupérer les données et les afficher sous forme de cubes multi-dimentionnelles. Ces outils permettront de naviguer dans les différentes dimensions, et d’afficher plusieurs représentations des données demandées.

Les outils de reporting et de requêtes permettent de générer automatiquement des rapports périodiques et préformatés et paramétrables. Ces outils permettent de sortir des données traitées à destination des opérationnels. Ces données auront un très fort taux d’abstraction pour faciliter la création de rapports et la lecture des données par les équipes données.

Les outils de datamining offrent une capacité d’analyse plus poussée des données répertoriées, qui vont servir à découvrir des nouvelles connexions et grilles de lectures des données. Corrélations, tendances, typologies, segmentations … ces outils serviront à élaborer de analyses multidimentionnelles nouvelles afin d’optimiser le système existant. Grâce à ces applications, data miners et data scientists seront capables de développer des modèles prédictifs qui permettront d’anticiper les tendances d’évolution (avantage concurrentiel).

Des fonctionnalités transverses :

Les meta-données : ont pour fonction d’ajouter des informations relatives à chaque donnée. Cette couche supplémentaire a pour objectif de pouvoir retrouver et décrire les données.

Les outils d’administration : permettent de suivre l’ensemble des actions menées sur les outils : droits d’utilisation et de restriction, sauvegardes, suivi de l’utilisation et des performances…

Technologies et évolutions

La business intelligence apparaît à la fin des années 1970 avec l’apparition des info-centres. Ces systèmes envoyaient des données directement dans les serveurs de production ce qui pouvait entraîner de graves problèmes de sécurité. L’apparition des bases de données relationnelles et d’interfaces client / serveur permettent d’isoler l’informatique de production des dispositifs décisionnels. De nouvelles infrastructures permettent de concevoir des couches d’analyses de données destinées aux équipes métiers. Dans les années 90, les infrastructures BI sont constituées d’un entrepôt de données qui récoltera des informations de sources variées. A partir des années 2000, Des mécanismes d’extraction, de transfert et de consolidations (ETL) permettront aux outils d’analyse et aux tableaux de bords d’aller chercher des données spécifiques.

Depuis quelques années, les bases de données NoSQL permettent de traiter directement un ensemble de données non structurées. Les logiciels d’extraction et de visualisation des données sont également plus puissants grâce à l’émergence des architectures 64 bits, du multi-cœur et du traitement en mémoire vive.

Du coté des applications web, l’évolution des technologies (HTML 5, interfaces graphiques, AJAX …) ont permis l’émergence de nouveaux acteurs proposant des solutions disponibles en mode SaaS (cloud computing).

Liste des Outils & Solutions de Business Intelligences

De nombreuses solutions relativement complètes existent sur le marché afin de fournir des outils performants d’analyse et de reporting des données, tant propriétaires qu’open source.

(liste non renseignée)

Sources

Partager l'article :

Placez un extrait de l'article sur votre site

Copier-coller le code HTML suivant sur votre site web !

<div style="border: solid 1px #72df72; padding: 10px;"><p>Définition - <a href="https://wiki-geek.xyz/culture_web/business-intelligence-bi-informatique-decisionnelle/" target="_blank">Business Intelligence (BI)</a> : 

La Business Intelligence (BI) ou l’informatique décisionnelle fait référence à la maîtrise des affaires. Elle englobe la compréhension d’une situation et des principes de base de gestion de la situation. Par extension, la BI est constituée d’un ensemble de moyens, d’outils et de méthodes qui permettront de collecter, de modéliser et de restituer des données spécifiques à la compréhension d’une situation. Cette fonction doit permettre de donner une vision globale et synthétique de l’activité d’une organisation, à l’aide de tableaux de bord et d’outils d’analyse. La BI est à destination à la fois des équipes métiers, de la gouvernance informatique (DSI) et de la direction générale. Elle utilise généralement un datawarehouse (entrepôt de données) pour stocker et traiter des données provenant de différentes sources.

</p><p style="text-align: right;"><a href="https://wiki-geek.xyz/culture_web/business-intelligence-bi-informatique-decisionnelle/" target="_blank"> Lire la suite sur le Wiki Geek ! </a></p></div>

Poster un Commentaire

Pour poster un commentaire, connectez-vous avec votre pseudo

Soumettre des modifications

Connectez-vous pour envoyer des modifications et faire partie des contributeurs de cet article !