Vision complète de l’informatique décisionnelle par SupInfo

Bien qu’il soit assez difficile de mesurer le retour sur investissement sur un type de projet BI, les gains de productivité et surtout les gains qualitatifs sont considérables. En effet, l’entrepôt de données permet aux personnels métiers d’utiliser, de créer leurs outils de pilotages et de ce fait mieux contrôler l’activité des délégués médicaux sur le terrain. J’ai bien compris que la BI peut servir dans un but précis comme mieux orienter l’activité commerciale d’une entreprise. (Ventes filiales internationales comme les ventes France).

L’intérêt est lui aussi considérable car on constate bien que l’on part de données brutes non significatives ou difficiles à exploiter. Elles sont d’abord mises pêles mêles dans des fichiers plats .txt ou .csv et les étapes vues précédemment vont permettre à ces données de les nettoyer, de les classer, de les normaliser et de les agréger. L’utilisation de ces dernières s’en trouve alors facilitées pour des analyses.

L’évolution des données dans le datawarehouse est maîtrisée par les processus d’alimentation de la chaine BI, autrement dit les statistiques des performances des ventes deviennent pertinentes de part ces différents processus mis en place.

(ETL ->outils d’analyse/restitution -> indicateurs de pilotage).

Cette initiation sur un cas concret et réel m’a permis de comprendre les concepts de la Business Intelligence, et plus particulièrement de faire la distinction entre les aspects architecture, modélisation des données dimensionnelles et outils de restitutions. En plus de mieux comprendre la théorie et les fondamentaux en BI, j’ai pu mettre en pratique une intégration de données complète qui passe par plusieurs ETL afin d’arriver à la phase d’analyse et de restitution par le biais d’un cube tabulaire. Les éditeurs de BI offrent des solutions couvrant l’ensemble du processus (de l’ETL jusqu’à la restitution) ce qui ne facilite pas toujours la compréhension des concepts, c’est le cas par exemple de Microsoft SQL Server que j’ai utilisé pour développer des requêtes et effectuer mes analyses.

De plus, la conception d’une base de donnée dans un entrepôt de données chez un client m’a permis de mesurer l’importance de transformer ces données en informations exploitables d’où cette importance de faire de la BI. Cela m’a permis de desseller l’information et d’en tirer la meilleure exploitation possible du contenu (données) dans ce contenant (DWH) ; d’où cette importance de normaliser, classer, agréger ces données de « promotion/ventes » pour en faire des datamarts qui auront cette finalité d’aide à la prise de décision en stratégie commerciale.

Enfin, la méthodologie utilisée : l’étude des concepts de manière approfondie sur un sujet que je ne maîtrisais pas m’a permis d’identifier les facteurs clés de succès : la construction et l’alimentation du DWH.

A plusieurs reprises concernant le T-SQL, le langage de requêtage dans les bases de données Microsoft SQL Server, j’ai rencontré des soucis avec les jointures entre mes tables. Je ne parvenais pas à faire de relations sans mettre des contraintes sur certaines colonnes car j’avais des doublons dans les fichiers d’origines. J’ai du créer un Identity ID qui regroupait souvent deux colonnes de tables pour ainsi respecter les dépendances relationnelles entre mes tables.

A deux fois je me suis repris à refaire une base de données propre pour retraiter les données et les faire correspondre avec les bonnes tables de destinations du DWH. Les données sources m’ont parues assez difficiles à traiter et à requalifier pour la suite et j’ai donc perdu un temps précieux à les comprendre. Ce qui au final me pénalise pour la partie reporting du fait que je ne puisse pas me consacrer plus à des rapports ou Dashboard Excel.