SlideShare une entreprise Scribd logo
1  sur  55
Télécharger pour lire hors ligne
Business IntelligenceBusiness Intelligence
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
“ Because Data mattersBecause Data matters
11
Notre programmeNotre programme
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Intro BI
Outils / Methode de recup des données
BI entreprise / TCOM
Les étapes d’un projet BI
Outil décisionnel
Intelligence économique
22
IntroductionIntroduction
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
L'entrepriseL'entreprise
33
IntroductionIntroduction
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Les données de l'entrepriseLes données de l'entreprise
Données clients et utilisateurs
Données de présentation
Fichiers financiers Indicateurs de performance
Données geographiques Patrimoine fonctionnel
44
IntroductionIntroduction
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
L'organisationL'organisation prends des decisions en basant sur ces donnéesprends des decisions en basant sur ces données
55
IntroductionIntroduction
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Les propres données de l'entreprises sont essentiellesLes propres données de l'entreprises sont essentielles
Pour connaitre l'état de son marché
Afin de savoir comment elle va performer demain
Optimiser ses couts et dépenses
Mieux comprendre ses clients
66
IntroductionIntroduction
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Directeur Général
Nawrocki Corp.
Une entreprise de transactions
de Carte de crédit
Ses intérogationsSes intérogations
Combien de transactions par jour ?
Quel est son profit (comptable vs
commerciale)?
Combien de transaction avortées ?
Quel est l'origine de mes transactions ?
Quel est le type de transaction le plus
courant ?
​Qui sont mes concurrents ?
Comment il va pouvoir réduire ses
couts
77
IntroductionIntroduction
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Directeur Général
Nawrocki Corp.
Une entreprise de transactions
de Carte de crédit
BusinessBusiness
IntelligenceIntelligence
CompetitiveCompetitive
intelligenceintelligence
==++
Here and now
Future
88
IntroductionIntroduction
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Définition et introductionDéfinition et introduction
La BI est une solution informatique permet de collecter,
d'analyser et de traiter toutes les données de l'entreprise selon
des critères spécifiques ou externe
Les résultats de cette analyse permettent aux dirigeants d'obtenir
une vue globale sur leur activité, une meilleur compréhension du
comportement de leurs clients et une meilleure réactivité face au
marché
99
Business intelligence,Business intelligence,
son Histoire
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Aujourd'hui1965
Création d’un système d’exploitation
comportant un SGBD
Premier système où le logiciel et les
données sont séparées
Dick Pick
1976
Création de SAS
1989
"Big Data"
Croissance
exponentielle des
données a traité au
cours des dernières
années
Howard Dresner (Gartner),
popularise pour la première fois
le terme « Business
Intelligence »
Wal - Mart doit gérer 460 To de
données
1010
2005
Les Outils de BILes Outils de BI
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
E
T
L
Phase D'alimentation Phase de Modélisation Phase de restitution Phase d'analyse
SGBD/R
ERP
WEB
Call Center
DWH
Cubes
Datamarts
Bases dédiées
Achats
Ressources
Humaines
outils de restitution et
pilotage
outils d'analyse
et datamining
Entrepôt de
données
DataWareHouse
1111
Les Outils de BILes Outils de BI
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Phase D'alimentation
ETL
Datawarehouse
SGBD/ERP/PGI
CRM-SCM
bureautique, fichiers access,
excel ... et autre système
Chaque entreprise possède ses propres
systèmes, sa propre logique de
fonctionnement, sa propre culture. Un
ETL va essayer de prendre toutes les
données de l'entreprise et les mettre
dans un DW
1212
Les Outils de BILes Outils de BI
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Phase D'alimentation
L'ETL, une étape critique
Représente 70% d'un projet BI en moyenne
Coeur de l'outil: système complexe ne devant rien laisser s'échapper, sous peine d'avoir de mauvaise information
dans l'entrepôt, donc des données fausses, donc inutilisables..
But de l'outil :
- Dé-normalisées : dans un DWH (Data Warehouse), les données apparaissent là où elles doivent apparaître.
- Nettoyées : dans un système de production, les utilisateurs entrent les données. Les risques d'erreurs sont là. Il faut
pouvoir détecter et corriger ces erreurs.
- Contextualisées : Un entrepôt de données possède une vision universelle
- Chargées en DWH : il s'agit ici d'ajouter les nouvelles lignes, voir si des lignes ont été modifiées et faire une gestion
d'historique, voir si des lignes ont été supprimées et le mentionner dans l'entrepôt, tout en faisant attention de ne pas
charger des données en double.
Tout est critique et sujet à contrôle dans un ETL!
1313
Les Outils de BILes Outils de BI
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Phase D'alimentation
TransformationExtraction Chargement
3 méthodes :
Push : "pousse" les données vers
le Staging. Si le système est
occupé, il ne poussera jamais les
données.
Pull : "tire" les données de la
source vers le Staging. peut
surcharger le système s'il est en
cours d'utilisation.
Push-Pull : le mélange des deux
méthodes. La source prépare les
données à envoyer et prévient le
Staging qu'elle est prête. Le
Staging va récupérer les données.
Si la source est occupée, le
Staging fera une autre demande
plus tard.
Travail a effectuer :
Quels sont les champs les plus
sujets à erreurs ?
Ai-je les moyens de corriger les
erreurs automatiquement ?
Comment permettre à un
utilisateur de corriger les erreurs
?
Quelle politique vais-je utiliser
pour le traitement des erreurs
(fichier log, table dans BD) ?
Comment montrer à l'utilisateur
final que des données n'ont pas
été totalement chargées à cause
d'erreurs ?
Travail a effectuer :
Que faire si un chargement échoue ?
Ai-je les moyens de revenir à l'état
avant le chargement ?
Puis-je revenir dans le temps d'un
chargement donné ?
Comment valider mon chargement,
comment détecter les erreurs ?
1414
Les Outils de BILes Outils de BI
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Seconde phase : La modélisation
Le Data Warehouse
Centre de stockage, "l'entrepôt" du système.
Récupère l'information, la stocke, l'enregistre et la
mets à disposition des utilisateurs avancés
Centralise et uniformise les données
Séparation des parties opérationelles (base de donnée)
et décisionnelles (outils de reporting)
Performance d'un DW sur plusieurs critères:
redondance, sauvegarde, reprise sur incidents...
1515
Les Outils de BILes Outils de BI
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Seconde phase : La modélisation
Le Data Warehouse : données
Seule la lecture est possible: pas de perte de données
(non volatile)
Intégration de données hétérogènes depuis l'ETL
Toutes les données sont conservées,archivées et
historisées: à la différence des SGBD qui supprime et
remplace les données
1616
Les Outils de BILes Outils de BI
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Seconde phase : La modélisation
Le Data Warehouse : Architecture
Trois types d’architecture technique de DW: SMP, MPP et
CLUSTER (SPP)
Symetric Multi-Processing (SMP)
Une seule "grosse" machine
Multiples processeurs mis en parallèle avec partage de
mémoire
Recommandé pour les "petits" DW (inférieur à 50To)
1717
Les Outils de BILes Outils de BI
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Seconde phase : La modélisation
Le Data Warehouse : architecture
1818
Les Outils de BILes Outils de BI
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Seconde phase : La modélisation
Massively Parallel Processing (MPP):
Plusieurs machines physiques
Grand nombre de processeurs disposant de leur
propre mémoire
Idéal pour les gros DW, calculs poussés
Le Data Warehouse : architecture
1919
Les Outils de BILes Outils de BI
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Seconde phase : La modélisation
Le Data Warehouse : architecture
2020
Les Outils de BILes Outils de BI
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Seconde phase : La modélisation
Le Data Warehouse : architecture
CLUSTER ou Scalable Parallel Processing (SPP)
Ensemble de machines organisées en grappes,
interconnectées en Ethernet
Haute extensibilité (scalability)
Haute disponibilité
2121
Les Outils de BILes Outils de BI
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Seconde phase : La modélisation
2222
Les Outils de BILes Outils de BI
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Seconde phase : La modélisation
Les DataMarts
Un DataMart (magasin de données) est un sous-ensemble du
DataWarehouse déstiné à une branche métier spécifique de
l'entreprise (RH, marketing, commerciale, comptable...)
Les données des DW sont dites "brutes", car non traités (log, tableau
d'évènements...). Réservé aux utilisateurs avancés
Performances des DM améliorée car seules les données utiles sont
présentées
Intégrité conservé par synchronisation entre DM et DW
2323
Les Outils de BILes Outils de BI
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Seconde phase : La modélisation
Le cube OLAP
OLAP = On Line Analytical Processing, défini en 1993.
Représentation multidimensionnelle de données
Agrégation de données
Précalcul d'agrégats => Rapidité des requête
Chargement des données des cubes à partir d'un DM
Stockage spécifique, non réalisable sur tout type de
données
2424
Les Outils de BILes Outils de BI
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Seconde phase : La modélisation
Le cube OLAP : Exemple
2525
Les Outils de BILes Outils de BI
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Seconde phase : La modélisation
Le cube OLAP : Différents cubes
Multidimentional On Line Analytical Processing (MOLAP)
Relational On Line Analytical Processing
Hybrid On Line Analytical Processing
Desktop On Line Analytical Processing
2626
Les Outils de BILes Outils de BI
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Seconde phase : La modélisation
Le cube OLAP : Différents cubes
Multidimentional On Line Analytical Processing (MOLAP)
Mode de stockage propriétaire
Language MDX (Multi Dimensional eXpressions)
Précalculs de requêtes
Temps de réponse rapide
Language accessible
Coûts importants (licences)
2727
Les Outils de BILes Outils de BI
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Seconde phase : La modélisation
Le cube OLAP : Différents cubes
Relational On Line Analytical Processing (ROLAP)
Données extraites des jointures de tables
Language SQL
Faible coûts
Gros volumes de données
Temps de réponse long
(sollicitation de la base de
donnée à chaque requête)
2828
Les Outils de BILes Outils de BI
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Seconde phase : La modélisation
Le cube OLAP : Différents cubes
Hybrid On Line Analytical Processing (HOLAP)
Couplage de ROLAP et MOLAP
Données requêtées souvent ou détailée en MOLAP
Données autres en ROLAP
Compromis entre les + et -
de ROLAP et MOLAP
Nombreux croisements de
donnée
Méthode complexe
2929
Les Outils de BILes Outils de BI
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Seconde phase : La modélisation
Le cube OLAP : Différents cubes
Desktop On Line Analytical Processing (DOLAP)
Téléchargement de "sous-cubes" sur les postes
Décentralisation des données
Travailler hors connexion
Puissance de calcul des
postes limitée
3030
Les Outils de BILes Outils de BI
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Seconde phase : La modélisation
Les modèles de données
Deux types de modèles :
Modèle en flocons : orientée autours de plusieurs tables de
dimensions, représentant la donnée sous différents niveau de
granularité (du moins au plus fin)
Modèle en étoile : orientée autour de plusieurs tables de
dimensions, représentant la donnée sous différents axes
(géographiques, catégorie, temporel...)
3131
Les Outils de BILes Outils de BI
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Seconde phase : La modélisation
Les modèles de données : flocon
3232
Les Outils de BILes Outils de BI
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Seconde phase : La modélisation
Les modèles de données : étoile
3333
Les Outils de BILes Outils de BI
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
La phase de reporting
Restitution des données sous forme de rapport.
Reporting de masse
Rapports crées automatiquement
Besoins récurrents (résultats mensuels...)
Reporting ad-hoc
Rapport personnalisé pour l'utilisateur
Choix des données "à la demande"
Interface de sélection des données
3434
Les Outils de BILes Outils de BI
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
La phase de reporting
3535
Les Outils de BILes Outils de BI
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Le datamining et les outils d'analyse
Datamining: utilisation d'outils statistiques ou algorithmiques sur des données pour
prédire, éxpliquer ou classer des informations
Industrie
Résolution de panne par description des symptomes
Prévision de pics de consommation d'un réseau
Optimiser une chaîne de montage
Finance
Gestion des risques dans les établissements financiers
Marketing
Définir un public cible désiré pour certaines offres
3636
BI dans les EntreprisesBI dans les Entreprises
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Le projet BI dépends beaucoup de la structure de l'entreprise.
On distingue 3 types d'organisation:
Organisation centralisée autour du groupe
Organisation décentralisée sur plusieurs site avec une
vision groupe consolidée
Organisation décentralisée avec gouvernance centralisée
3737
Contexte centraliséContexte centralisé
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier 3838
Contexte décentraliséContexte décentralisé
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Dans ce modèle, deux besoins en BI:
Le BI groupe qui sert les besoins corporate
Le BI d'entiés opérationelles (filiales) qui sert les besoisn de ses entité
Fréquemment utilisé en présence de besoin d'outils décisionnels
spécifique. Mode d'organisation le plus fréquent en cas de fusion-
acquisition d'entreprise
3939
Contexte décentralisé avec gouvernanceContexte décentralisé avec gouvernance
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Avantage pour les entités de pouvoir travailler sur des
bases et des référentiels communs avec des solutions
identiques.
Cas d'entreprise avec des filiales à besoins locaux
identiques mais avec un besoin de cohérence globale
sur la gouvernance IT au niveau groupe
4040
Budgets TELECOMBudgets TELECOM
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Les Télécoms sont le deuxième poste de dépense des
entreprises
=> Nécessité d'optimiser les services télécoms
On retrouve le BI dans les solutions de TEM (Telecom
Expense Management)
Alimentation des bases de données avec les factures
Rassemblement des différents facteurs de coûts (ligne
fixe, mobile, VoIP, services)
Analyse de la consommation
4141
Outils decisionnelOutils decisionnel
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Data warehouses Reporting
4242
Outils decisionnelOutils decisionnel
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Les leaders en DataLes leaders en Data
WarehouseWarehouse
4343
Outils decisionnelOutils decisionnel
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Les leaders en DataLes leaders en Data
WarehouseWarehouse
Devenu Partenaire d'HP
en Janvier 2013
Propose des appliances (Hardware,
software et services pré-configurés)
Software : Microsoft SQL Server 2014
Hardware : HP, Dell, IBM
Offre cloud : Windows Azure Virtual
Machine
Entreprise Allemande, connue pour ses
ERP
4 offres phare
Netweaver Business Warehouse
Netweaver Business Warehouse
Accelerator
HANA
Sybase IQ
Hardware : Dell, HP, IBM
4444
Outils decisionnelOutils decisionnel
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Les leaders en DataLes leaders en Data
WarehouseWarehouse
Base de données : DB2 et informix
Logiciel Data warehouse : Infosphere
Systemes Data Warehouse : PureData
Leader Historique des entrepôts de
données
Connu pour ses server MPP (Massively
parallel processing)
Le SGBDR Teradata a été conçu dès
l'origine pour le décisionnel
OS des machines : Open Suse, Microsoft
4545
Outils decisionnelOutils decisionnel
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Les leaders en DataLes leaders en Data
WarehouseWarehouse
Aplliances : Datable 11g, Exadata,
Database 12c, Partioning
Base de donnée : Oracle
Plateformes supportées : Lunix, Solaris,
Windows
4646
Outils decisionnelOutils decisionnel
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Les leaders en outilsLes leaders en outils
de reportingde reporting
4747
Outils decisionnelOutils decisionnel
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Éditeur de logiciel specialise en
informatique decisionnel
Prix license:
Analytics Pro : 8,7K $/an
Visual Data Discovery : 10,1K $/an
Logiciel de BI
Prix de license : 1,3K $/an
Les leaders en outilsLes leaders en outils
de reportingde reporting
4848
Outils decisionnelOutils decisionnel
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Logiciel d’exploration et visualisation
disposant d’un moteur in-memory
Les prix de Spotfire:
​Cloud work group: 2000$/an
Cloud personal : 300$/an
Les prix de Tableau :
Desktop professional : 1999$/an
Desktop personal : 999$/an
Les leaders en outilsLes leaders en outils
de reportingde reporting
4949
Outils decisionnelOutils decisionnel
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Trois type de tarif:
Entreprises de catégorie E3/E5 :
240$/an
Option de manière autonome :
480$/an
Office 365 ProPlus : 624$/an
​Quatre produits
​Power Pivot
Power Query
​Power Maps
Power View
Les leaders en outilsLes leaders en outils
de reportingde reporting
5050
Intelligence économiqueIntelligence économique
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Ceci est FAUX
5151
Intelligence économiqueIntelligence économique
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
BI au service de l' Intelligence economiqueBI au service de l' Intelligence economique
DéfinitionDéfinition
Une grande majorité des projets BI ont pour vocation de permettre aux managers de
bien connaître l’état de leur entreprise ou de leurs activités et ainsi prendre les «
bonnes » décisions.
A partir du moment où une application BI s’appuie sur des données plus globales que
celles internes à l’entreprise : par l’obtention de fichiers ou études externes (analyse
de marché, tarifs de la concurrence, …) , celle-ci peut permettre de faire de la veille
concurrentiel. On parlera alors de BI au service de l’intelligence économique.
5252
Intelligence économiqueIntelligence économique
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Cycle de l'Iintelligence économiqueCycle de l'Iintelligence économique
La BI est de plus en plus accessible
La quantité de données est en constante augementation
Apres la collecte, la maîtrise, la protection de l’information stratégique est
obligatoire.
Les entreprise commencent à ouvrir de plus en plus de cellule d'IE
BIBI Collecte Diffusion
Passé Future
Chiffres Strategie
information normalisée Information d'influence
Données interne
IEIE
Acteurs + Données externe
5353
ConclusionConclusion
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier
Pas assez exploitéUne nécessité Nous sommes à l'aube
Toute entreprise technologique à
aujourd'hui besoin de stocker ses
données, les stocker sans meme
avoir une vision globale est un
frein à l'expansion de l'entreprise
Nous avons vu qu'il est très difficile
de mettre en place un projet de BI
dans une entreprise. La non
normalisation de donnée ou encore
le coté retissant des employés ne
permettent pas a la BI d'utiliser tout
son potentiel
Les humain ne sont pas assez rapide
pour pouvoir analyser ses donnée et
d'en produire des decisions. Donc les
tableau de bords deviendrons
seulement un outils de monitoring et
non de prise de decision, le data-
mining ou encore
l'intelligence économique ouvre
un avenir a peine découvert à la BI
“ La BI permet d'avoir une vue global et d'être plus réactif face au marché
5454
ConclusionConclusion
Shubham SHARMAShubham SHARMA
Kévin GomesKévin Gomes
Maximilien AcierMaximilien Acier 5555

Contenu connexe

Tendances

Chp1 - Introduction à l'Informatique Décisionnelle
Chp1 - Introduction à l'Informatique DécisionnelleChp1 - Introduction à l'Informatique Décisionnelle
Chp1 - Introduction à l'Informatique DécisionnelleLilia Sfaxi
 
DataWarehouse
DataWarehouseDataWarehouse
DataWarehousenzuguem
 
Projet BI - 1 - Analyse des besoins
Projet BI - 1 - Analyse des besoinsProjet BI - 1 - Analyse des besoins
Projet BI - 1 - Analyse des besoinsJean-Marc Dupont
 
Projet BI - 2 - Conception base de données
Projet BI - 2 - Conception base de donnéesProjet BI - 2 - Conception base de données
Projet BI - 2 - Conception base de donnéesJean-Marc Dupont
 
Business Intelligence
Business IntelligenceBusiness Intelligence
Business Intelligences.poles
 
Chp3 - Modélisation Multidimensionnelle
Chp3 - Modélisation MultidimensionnelleChp3 - Modélisation Multidimensionnelle
Chp3 - Modélisation MultidimensionnelleLilia Sfaxi
 
Integration de donnees_etl
Integration de donnees_etlIntegration de donnees_etl
Integration de donnees_etlhoracio lassey
 
Projet Bi - 3 - Alimentation des données
Projet Bi - 3 - Alimentation des donnéesProjet Bi - 3 - Alimentation des données
Projet Bi - 3 - Alimentation des donnéesJean-Marc Dupont
 
Business Intelligence : introduction to datawarehouse
Business Intelligence : introduction to datawarehouseBusiness Intelligence : introduction to datawarehouse
Business Intelligence : introduction to datawarehouseAlexandre Equoy
 
Cours data warehouse
Cours data warehouseCours data warehouse
Cours data warehousekhlifi z
 
Introduction à la Business Intelligence
Introduction à la Business Intelligence Introduction à la Business Intelligence
Introduction à la Business Intelligence Cynapsys It Hotspot
 
Chp2 - Les Entrepôts de Données
Chp2 - Les Entrepôts de DonnéesChp2 - Les Entrepôts de Données
Chp2 - Les Entrepôts de DonnéesLilia Sfaxi
 
Projet décisionnel
Projet décisionnelProjet décisionnel
Projet décisionnelSiham JABRI
 

Tendances (20)

Chp1 - Introduction à l'Informatique Décisionnelle
Chp1 - Introduction à l'Informatique DécisionnelleChp1 - Introduction à l'Informatique Décisionnelle
Chp1 - Introduction à l'Informatique Décisionnelle
 
Présentation bi 1.0
Présentation bi 1.0Présentation bi 1.0
Présentation bi 1.0
 
DataWarehouse
DataWarehouseDataWarehouse
DataWarehouse
 
Projet BI - 1 - Analyse des besoins
Projet BI - 1 - Analyse des besoinsProjet BI - 1 - Analyse des besoins
Projet BI - 1 - Analyse des besoins
 
Projet BI - 2 - Conception base de données
Projet BI - 2 - Conception base de donnéesProjet BI - 2 - Conception base de données
Projet BI - 2 - Conception base de données
 
Business Intelligence
Business IntelligenceBusiness Intelligence
Business Intelligence
 
Chp3 - Modélisation Multidimensionnelle
Chp3 - Modélisation MultidimensionnelleChp3 - Modélisation Multidimensionnelle
Chp3 - Modélisation Multidimensionnelle
 
Integration de donnees_etl
Integration de donnees_etlIntegration de donnees_etl
Integration de donnees_etl
 
Projet Bi - 3 - Alimentation des données
Projet Bi - 3 - Alimentation des donnéesProjet Bi - 3 - Alimentation des données
Projet Bi - 3 - Alimentation des données
 
Bi
BiBi
Bi
 
Business Intelligence : introduction to datawarehouse
Business Intelligence : introduction to datawarehouseBusiness Intelligence : introduction to datawarehouse
Business Intelligence : introduction to datawarehouse
 
Cours data warehouse
Cours data warehouseCours data warehouse
Cours data warehouse
 
Partie2BI-DW2019
Partie2BI-DW2019Partie2BI-DW2019
Partie2BI-DW2019
 
Introduction à la Business Intelligence
Introduction à la Business Intelligence Introduction à la Business Intelligence
Introduction à la Business Intelligence
 
Gestion documentaire AFNOR
Gestion documentaire AFNORGestion documentaire AFNOR
Gestion documentaire AFNOR
 
Chp2 - Les Entrepôts de Données
Chp2 - Les Entrepôts de DonnéesChp2 - Les Entrepôts de Données
Chp2 - Les Entrepôts de Données
 
Qu'est-ce qu'un ETL ?
Qu'est-ce qu'un ETL ?Qu'est-ce qu'un ETL ?
Qu'est-ce qu'un ETL ?
 
Introduction au BIG DATA
Introduction au BIG DATAIntroduction au BIG DATA
Introduction au BIG DATA
 
Projet décisionnel
Projet décisionnelProjet décisionnel
Projet décisionnel
 
Le processus ETL (Extraction, Transformation, Chargement)
Le processus ETL (Extraction, Transformation, Chargement)Le processus ETL (Extraction, Transformation, Chargement)
Le processus ETL (Extraction, Transformation, Chargement)
 

Similaire à Business intelligence | State of the art

Atelier PIM - All For Content 2021
Atelier PIM - All For Content 2021Atelier PIM - All For Content 2021
Atelier PIM - All For Content 2021Activo Consulting
 
UN ÉLÉPHANT QUI SE BALANÇAIT … Comment mettre en musique les big data et valo...
UN ÉLÉPHANT QUI SE BALANÇAIT … Comment mettre en musique les big data et valo...UN ÉLÉPHANT QUI SE BALANÇAIT … Comment mettre en musique les big data et valo...
UN ÉLÉPHANT QUI SE BALANÇAIT … Comment mettre en musique les big data et valo...OCTO Technology
 
UN ÉLÉPHANT QUI SE BALANÇAIT … Comment mettre en musique les big data et valo...
UN ÉLÉPHANT QUI SE BALANÇAIT … Comment mettre en musique les big data et valo...UN ÉLÉPHANT QUI SE BALANÇAIT … Comment mettre en musique les big data et valo...
UN ÉLÉPHANT QUI SE BALANÇAIT … Comment mettre en musique les big data et valo...OCTO Technology
 
WEBINAIRE DAM 2020 Analyse - Tendances - Technologie - FR
WEBINAIRE DAM 2020 Analyse - Tendances - Technologie - FRWEBINAIRE DAM 2020 Analyse - Tendances - Technologie - FR
WEBINAIRE DAM 2020 Analyse - Tendances - Technologie - FRActivo Consulting
 
De la DB à la DB-as-a-Service : avantages, limites et étapes pour franchir l...
De la DB à la DB-as-a-Service : avantages, limites et étapes pour franchir l...De la DB à la DB-as-a-Service : avantages, limites et étapes pour franchir l...
De la DB à la DB-as-a-Service : avantages, limites et étapes pour franchir l...Scaleway
 
Cours 5 - CELSA - La cocréation
Cours 5 - CELSA - La cocréationCours 5 - CELSA - La cocréation
Cours 5 - CELSA - La cocréationgchampeau
 
Cy4509 formation-big-data-on-aws-amazon-web-services
Cy4509 formation-big-data-on-aws-amazon-web-servicesCy4509 formation-big-data-on-aws-amazon-web-services
Cy4509 formation-big-data-on-aws-amazon-web-servicesCERTyou Formation
 
Comarch Online Distribution : le livre blanc pour optimiser ses réseaux de di...
Comarch Online Distribution : le livre blanc pour optimiser ses réseaux de di...Comarch Online Distribution : le livre blanc pour optimiser ses réseaux de di...
Comarch Online Distribution : le livre blanc pour optimiser ses réseaux de di...Comarch France
 
Offrir de l'analytique en temps réel en un clic
Offrir de l'analytique en temps réel en un clicOffrir de l'analytique en temps réel en un clic
Offrir de l'analytique en temps réel en un clicJean-Michel Franco
 
9 u05g formation-ibm-campaign-9-x-administration
9 u05g formation-ibm-campaign-9-x-administration9 u05g formation-ibm-campaign-9-x-administration
9 u05g formation-ibm-campaign-9-x-administrationCERTyou Formation
 
La PMI du futur dès maintenant avec le Club Alliances
La PMI du futur dès maintenant avec le Club AlliancesLa PMI du futur dès maintenant avec le Club Alliances
La PMI du futur dès maintenant avec le Club AlliancesLoic Simon
 
WEBINAR - Enjeux du DAM PIM CMS en 2020, comment choisir la meilleure solution ?
WEBINAR - Enjeux du DAM PIM CMS en 2020, comment choisir la meilleure solution ?WEBINAR - Enjeux du DAM PIM CMS en 2020, comment choisir la meilleure solution ?
WEBINAR - Enjeux du DAM PIM CMS en 2020, comment choisir la meilleure solution ?Activo Consulting
 
Le club de foot Dynamo Dresde optimise la gestion de ses points de vente avec...
Le club de foot Dynamo Dresde optimise la gestion de ses points de vente avec...Le club de foot Dynamo Dresde optimise la gestion de ses points de vente avec...
Le club de foot Dynamo Dresde optimise la gestion de ses points de vente avec...Comarch France
 

Similaire à Business intelligence | State of the art (20)

Business intelligence QLIKVIEW
Business intelligence QLIKVIEWBusiness intelligence QLIKVIEW
Business intelligence QLIKVIEW
 
Atelier PIM - All For Content 2021
Atelier PIM - All For Content 2021Atelier PIM - All For Content 2021
Atelier PIM - All For Content 2021
 
Plaquette BI
Plaquette BIPlaquette BI
Plaquette BI
 
UN ÉLÉPHANT QUI SE BALANÇAIT … Comment mettre en musique les big data et valo...
UN ÉLÉPHANT QUI SE BALANÇAIT … Comment mettre en musique les big data et valo...UN ÉLÉPHANT QUI SE BALANÇAIT … Comment mettre en musique les big data et valo...
UN ÉLÉPHANT QUI SE BALANÇAIT … Comment mettre en musique les big data et valo...
 
UN ÉLÉPHANT QUI SE BALANÇAIT … Comment mettre en musique les big data et valo...
UN ÉLÉPHANT QUI SE BALANÇAIT … Comment mettre en musique les big data et valo...UN ÉLÉPHANT QUI SE BALANÇAIT … Comment mettre en musique les big data et valo...
UN ÉLÉPHANT QUI SE BALANÇAIT … Comment mettre en musique les big data et valo...
 
WEBINAIRE DAM 2020 Analyse - Tendances - Technologie - FR
WEBINAIRE DAM 2020 Analyse - Tendances - Technologie - FRWEBINAIRE DAM 2020 Analyse - Tendances - Technologie - FR
WEBINAIRE DAM 2020 Analyse - Tendances - Technologie - FR
 
De la DB à la DB-as-a-Service : avantages, limites et étapes pour franchir l...
De la DB à la DB-as-a-Service : avantages, limites et étapes pour franchir l...De la DB à la DB-as-a-Service : avantages, limites et étapes pour franchir l...
De la DB à la DB-as-a-Service : avantages, limites et étapes pour franchir l...
 
Sld Approche Mkg
Sld Approche MkgSld Approche Mkg
Sld Approche Mkg
 
Sfd auto erp
Sfd auto erpSfd auto erp
Sfd auto erp
 
Cours 5 - CELSA - La cocréation
Cours 5 - CELSA - La cocréationCours 5 - CELSA - La cocréation
Cours 5 - CELSA - La cocréation
 
Cy4509 formation-big-data-on-aws-amazon-web-services
Cy4509 formation-big-data-on-aws-amazon-web-servicesCy4509 formation-big-data-on-aws-amazon-web-services
Cy4509 formation-big-data-on-aws-amazon-web-services
 
cours-MES.pdf
cours-MES.pdfcours-MES.pdf
cours-MES.pdf
 
Comarch Online Distribution : le livre blanc pour optimiser ses réseaux de di...
Comarch Online Distribution : le livre blanc pour optimiser ses réseaux de di...Comarch Online Distribution : le livre blanc pour optimiser ses réseaux de di...
Comarch Online Distribution : le livre blanc pour optimiser ses réseaux de di...
 
IBM Data lake
IBM Data lakeIBM Data lake
IBM Data lake
 
Offrir de l'analytique en temps réel en un clic
Offrir de l'analytique en temps réel en un clicOffrir de l'analytique en temps réel en un clic
Offrir de l'analytique en temps réel en un clic
 
9 u05g formation-ibm-campaign-9-x-administration
9 u05g formation-ibm-campaign-9-x-administration9 u05g formation-ibm-campaign-9-x-administration
9 u05g formation-ibm-campaign-9-x-administration
 
Introduction aux ERP
Introduction aux ERPIntroduction aux ERP
Introduction aux ERP
 
La PMI du futur dès maintenant avec le Club Alliances
La PMI du futur dès maintenant avec le Club AlliancesLa PMI du futur dès maintenant avec le Club Alliances
La PMI du futur dès maintenant avec le Club Alliances
 
WEBINAR - Enjeux du DAM PIM CMS en 2020, comment choisir la meilleure solution ?
WEBINAR - Enjeux du DAM PIM CMS en 2020, comment choisir la meilleure solution ?WEBINAR - Enjeux du DAM PIM CMS en 2020, comment choisir la meilleure solution ?
WEBINAR - Enjeux du DAM PIM CMS en 2020, comment choisir la meilleure solution ?
 
Le club de foot Dynamo Dresde optimise la gestion de ses points de vente avec...
Le club de foot Dynamo Dresde optimise la gestion de ses points de vente avec...Le club de foot Dynamo Dresde optimise la gestion de ses points de vente avec...
Le club de foot Dynamo Dresde optimise la gestion de ses points de vente avec...
 

Business intelligence | State of the art

  • 1. Business IntelligenceBusiness Intelligence Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier “ Because Data mattersBecause Data matters 11
  • 2. Notre programmeNotre programme Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Intro BI Outils / Methode de recup des données BI entreprise / TCOM Les étapes d’un projet BI Outil décisionnel Intelligence économique 22
  • 3. IntroductionIntroduction Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier L'entrepriseL'entreprise 33
  • 4. IntroductionIntroduction Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Les données de l'entrepriseLes données de l'entreprise Données clients et utilisateurs Données de présentation Fichiers financiers Indicateurs de performance Données geographiques Patrimoine fonctionnel 44
  • 5. IntroductionIntroduction Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier L'organisationL'organisation prends des decisions en basant sur ces donnéesprends des decisions en basant sur ces données 55
  • 6. IntroductionIntroduction Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Les propres données de l'entreprises sont essentiellesLes propres données de l'entreprises sont essentielles Pour connaitre l'état de son marché Afin de savoir comment elle va performer demain Optimiser ses couts et dépenses Mieux comprendre ses clients 66
  • 7. IntroductionIntroduction Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Directeur Général Nawrocki Corp. Une entreprise de transactions de Carte de crédit Ses intérogationsSes intérogations Combien de transactions par jour ? Quel est son profit (comptable vs commerciale)? Combien de transaction avortées ? Quel est l'origine de mes transactions ? Quel est le type de transaction le plus courant ? ​Qui sont mes concurrents ? Comment il va pouvoir réduire ses couts 77
  • 8. IntroductionIntroduction Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Directeur Général Nawrocki Corp. Une entreprise de transactions de Carte de crédit BusinessBusiness IntelligenceIntelligence CompetitiveCompetitive intelligenceintelligence ==++ Here and now Future 88
  • 9. IntroductionIntroduction Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Définition et introductionDéfinition et introduction La BI est une solution informatique permet de collecter, d'analyser et de traiter toutes les données de l'entreprise selon des critères spécifiques ou externe Les résultats de cette analyse permettent aux dirigeants d'obtenir une vue globale sur leur activité, une meilleur compréhension du comportement de leurs clients et une meilleure réactivité face au marché 99
  • 10. Business intelligence,Business intelligence, son Histoire Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Aujourd'hui1965 Création d’un système d’exploitation comportant un SGBD Premier système où le logiciel et les données sont séparées Dick Pick 1976 Création de SAS 1989 "Big Data" Croissance exponentielle des données a traité au cours des dernières années Howard Dresner (Gartner), popularise pour la première fois le terme « Business Intelligence » Wal - Mart doit gérer 460 To de données 1010 2005
  • 11. Les Outils de BILes Outils de BI Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier E T L Phase D'alimentation Phase de Modélisation Phase de restitution Phase d'analyse SGBD/R ERP WEB Call Center DWH Cubes Datamarts Bases dédiées Achats Ressources Humaines outils de restitution et pilotage outils d'analyse et datamining Entrepôt de données DataWareHouse 1111
  • 12. Les Outils de BILes Outils de BI Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Phase D'alimentation ETL Datawarehouse SGBD/ERP/PGI CRM-SCM bureautique, fichiers access, excel ... et autre système Chaque entreprise possède ses propres systèmes, sa propre logique de fonctionnement, sa propre culture. Un ETL va essayer de prendre toutes les données de l'entreprise et les mettre dans un DW 1212
  • 13. Les Outils de BILes Outils de BI Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Phase D'alimentation L'ETL, une étape critique Représente 70% d'un projet BI en moyenne Coeur de l'outil: système complexe ne devant rien laisser s'échapper, sous peine d'avoir de mauvaise information dans l'entrepôt, donc des données fausses, donc inutilisables.. But de l'outil : - Dé-normalisées : dans un DWH (Data Warehouse), les données apparaissent là où elles doivent apparaître. - Nettoyées : dans un système de production, les utilisateurs entrent les données. Les risques d'erreurs sont là. Il faut pouvoir détecter et corriger ces erreurs. - Contextualisées : Un entrepôt de données possède une vision universelle - Chargées en DWH : il s'agit ici d'ajouter les nouvelles lignes, voir si des lignes ont été modifiées et faire une gestion d'historique, voir si des lignes ont été supprimées et le mentionner dans l'entrepôt, tout en faisant attention de ne pas charger des données en double. Tout est critique et sujet à contrôle dans un ETL! 1313
  • 14. Les Outils de BILes Outils de BI Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Phase D'alimentation TransformationExtraction Chargement 3 méthodes : Push : "pousse" les données vers le Staging. Si le système est occupé, il ne poussera jamais les données. Pull : "tire" les données de la source vers le Staging. peut surcharger le système s'il est en cours d'utilisation. Push-Pull : le mélange des deux méthodes. La source prépare les données à envoyer et prévient le Staging qu'elle est prête. Le Staging va récupérer les données. Si la source est occupée, le Staging fera une autre demande plus tard. Travail a effectuer : Quels sont les champs les plus sujets à erreurs ? Ai-je les moyens de corriger les erreurs automatiquement ? Comment permettre à un utilisateur de corriger les erreurs ? Quelle politique vais-je utiliser pour le traitement des erreurs (fichier log, table dans BD) ? Comment montrer à l'utilisateur final que des données n'ont pas été totalement chargées à cause d'erreurs ? Travail a effectuer : Que faire si un chargement échoue ? Ai-je les moyens de revenir à l'état avant le chargement ? Puis-je revenir dans le temps d'un chargement donné ? Comment valider mon chargement, comment détecter les erreurs ? 1414
  • 15. Les Outils de BILes Outils de BI Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Seconde phase : La modélisation Le Data Warehouse Centre de stockage, "l'entrepôt" du système. Récupère l'information, la stocke, l'enregistre et la mets à disposition des utilisateurs avancés Centralise et uniformise les données Séparation des parties opérationelles (base de donnée) et décisionnelles (outils de reporting) Performance d'un DW sur plusieurs critères: redondance, sauvegarde, reprise sur incidents... 1515
  • 16. Les Outils de BILes Outils de BI Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Seconde phase : La modélisation Le Data Warehouse : données Seule la lecture est possible: pas de perte de données (non volatile) Intégration de données hétérogènes depuis l'ETL Toutes les données sont conservées,archivées et historisées: à la différence des SGBD qui supprime et remplace les données 1616
  • 17. Les Outils de BILes Outils de BI Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Seconde phase : La modélisation Le Data Warehouse : Architecture Trois types d’architecture technique de DW: SMP, MPP et CLUSTER (SPP) Symetric Multi-Processing (SMP) Une seule "grosse" machine Multiples processeurs mis en parallèle avec partage de mémoire Recommandé pour les "petits" DW (inférieur à 50To) 1717
  • 18. Les Outils de BILes Outils de BI Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Seconde phase : La modélisation Le Data Warehouse : architecture 1818
  • 19. Les Outils de BILes Outils de BI Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Seconde phase : La modélisation Massively Parallel Processing (MPP): Plusieurs machines physiques Grand nombre de processeurs disposant de leur propre mémoire Idéal pour les gros DW, calculs poussés Le Data Warehouse : architecture 1919
  • 20. Les Outils de BILes Outils de BI Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Seconde phase : La modélisation Le Data Warehouse : architecture 2020
  • 21. Les Outils de BILes Outils de BI Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Seconde phase : La modélisation Le Data Warehouse : architecture CLUSTER ou Scalable Parallel Processing (SPP) Ensemble de machines organisées en grappes, interconnectées en Ethernet Haute extensibilité (scalability) Haute disponibilité 2121
  • 22. Les Outils de BILes Outils de BI Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Seconde phase : La modélisation 2222
  • 23. Les Outils de BILes Outils de BI Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Seconde phase : La modélisation Les DataMarts Un DataMart (magasin de données) est un sous-ensemble du DataWarehouse déstiné à une branche métier spécifique de l'entreprise (RH, marketing, commerciale, comptable...) Les données des DW sont dites "brutes", car non traités (log, tableau d'évènements...). Réservé aux utilisateurs avancés Performances des DM améliorée car seules les données utiles sont présentées Intégrité conservé par synchronisation entre DM et DW 2323
  • 24. Les Outils de BILes Outils de BI Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Seconde phase : La modélisation Le cube OLAP OLAP = On Line Analytical Processing, défini en 1993. Représentation multidimensionnelle de données Agrégation de données Précalcul d'agrégats => Rapidité des requête Chargement des données des cubes à partir d'un DM Stockage spécifique, non réalisable sur tout type de données 2424
  • 25. Les Outils de BILes Outils de BI Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Seconde phase : La modélisation Le cube OLAP : Exemple 2525
  • 26. Les Outils de BILes Outils de BI Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Seconde phase : La modélisation Le cube OLAP : Différents cubes Multidimentional On Line Analytical Processing (MOLAP) Relational On Line Analytical Processing Hybrid On Line Analytical Processing Desktop On Line Analytical Processing 2626
  • 27. Les Outils de BILes Outils de BI Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Seconde phase : La modélisation Le cube OLAP : Différents cubes Multidimentional On Line Analytical Processing (MOLAP) Mode de stockage propriétaire Language MDX (Multi Dimensional eXpressions) Précalculs de requêtes Temps de réponse rapide Language accessible Coûts importants (licences) 2727
  • 28. Les Outils de BILes Outils de BI Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Seconde phase : La modélisation Le cube OLAP : Différents cubes Relational On Line Analytical Processing (ROLAP) Données extraites des jointures de tables Language SQL Faible coûts Gros volumes de données Temps de réponse long (sollicitation de la base de donnée à chaque requête) 2828
  • 29. Les Outils de BILes Outils de BI Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Seconde phase : La modélisation Le cube OLAP : Différents cubes Hybrid On Line Analytical Processing (HOLAP) Couplage de ROLAP et MOLAP Données requêtées souvent ou détailée en MOLAP Données autres en ROLAP Compromis entre les + et - de ROLAP et MOLAP Nombreux croisements de donnée Méthode complexe 2929
  • 30. Les Outils de BILes Outils de BI Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Seconde phase : La modélisation Le cube OLAP : Différents cubes Desktop On Line Analytical Processing (DOLAP) Téléchargement de "sous-cubes" sur les postes Décentralisation des données Travailler hors connexion Puissance de calcul des postes limitée 3030
  • 31. Les Outils de BILes Outils de BI Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Seconde phase : La modélisation Les modèles de données Deux types de modèles : Modèle en flocons : orientée autours de plusieurs tables de dimensions, représentant la donnée sous différents niveau de granularité (du moins au plus fin) Modèle en étoile : orientée autour de plusieurs tables de dimensions, représentant la donnée sous différents axes (géographiques, catégorie, temporel...) 3131
  • 32. Les Outils de BILes Outils de BI Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Seconde phase : La modélisation Les modèles de données : flocon 3232
  • 33. Les Outils de BILes Outils de BI Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Seconde phase : La modélisation Les modèles de données : étoile 3333
  • 34. Les Outils de BILes Outils de BI Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier La phase de reporting Restitution des données sous forme de rapport. Reporting de masse Rapports crées automatiquement Besoins récurrents (résultats mensuels...) Reporting ad-hoc Rapport personnalisé pour l'utilisateur Choix des données "à la demande" Interface de sélection des données 3434
  • 35. Les Outils de BILes Outils de BI Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier La phase de reporting 3535
  • 36. Les Outils de BILes Outils de BI Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Le datamining et les outils d'analyse Datamining: utilisation d'outils statistiques ou algorithmiques sur des données pour prédire, éxpliquer ou classer des informations Industrie Résolution de panne par description des symptomes Prévision de pics de consommation d'un réseau Optimiser une chaîne de montage Finance Gestion des risques dans les établissements financiers Marketing Définir un public cible désiré pour certaines offres 3636
  • 37. BI dans les EntreprisesBI dans les Entreprises Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Le projet BI dépends beaucoup de la structure de l'entreprise. On distingue 3 types d'organisation: Organisation centralisée autour du groupe Organisation décentralisée sur plusieurs site avec une vision groupe consolidée Organisation décentralisée avec gouvernance centralisée 3737
  • 38. Contexte centraliséContexte centralisé Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier 3838
  • 39. Contexte décentraliséContexte décentralisé Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Dans ce modèle, deux besoins en BI: Le BI groupe qui sert les besoins corporate Le BI d'entiés opérationelles (filiales) qui sert les besoisn de ses entité Fréquemment utilisé en présence de besoin d'outils décisionnels spécifique. Mode d'organisation le plus fréquent en cas de fusion- acquisition d'entreprise 3939
  • 40. Contexte décentralisé avec gouvernanceContexte décentralisé avec gouvernance Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Avantage pour les entités de pouvoir travailler sur des bases et des référentiels communs avec des solutions identiques. Cas d'entreprise avec des filiales à besoins locaux identiques mais avec un besoin de cohérence globale sur la gouvernance IT au niveau groupe 4040
  • 41. Budgets TELECOMBudgets TELECOM Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Les Télécoms sont le deuxième poste de dépense des entreprises => Nécessité d'optimiser les services télécoms On retrouve le BI dans les solutions de TEM (Telecom Expense Management) Alimentation des bases de données avec les factures Rassemblement des différents facteurs de coûts (ligne fixe, mobile, VoIP, services) Analyse de la consommation 4141
  • 42. Outils decisionnelOutils decisionnel Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Data warehouses Reporting 4242
  • 43. Outils decisionnelOutils decisionnel Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Les leaders en DataLes leaders en Data WarehouseWarehouse 4343
  • 44. Outils decisionnelOutils decisionnel Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Les leaders en DataLes leaders en Data WarehouseWarehouse Devenu Partenaire d'HP en Janvier 2013 Propose des appliances (Hardware, software et services pré-configurés) Software : Microsoft SQL Server 2014 Hardware : HP, Dell, IBM Offre cloud : Windows Azure Virtual Machine Entreprise Allemande, connue pour ses ERP 4 offres phare Netweaver Business Warehouse Netweaver Business Warehouse Accelerator HANA Sybase IQ Hardware : Dell, HP, IBM 4444
  • 45. Outils decisionnelOutils decisionnel Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Les leaders en DataLes leaders en Data WarehouseWarehouse Base de données : DB2 et informix Logiciel Data warehouse : Infosphere Systemes Data Warehouse : PureData Leader Historique des entrepôts de données Connu pour ses server MPP (Massively parallel processing) Le SGBDR Teradata a été conçu dès l'origine pour le décisionnel OS des machines : Open Suse, Microsoft 4545
  • 46. Outils decisionnelOutils decisionnel Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Les leaders en DataLes leaders en Data WarehouseWarehouse Aplliances : Datable 11g, Exadata, Database 12c, Partioning Base de donnée : Oracle Plateformes supportées : Lunix, Solaris, Windows 4646
  • 47. Outils decisionnelOutils decisionnel Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Les leaders en outilsLes leaders en outils de reportingde reporting 4747
  • 48. Outils decisionnelOutils decisionnel Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Éditeur de logiciel specialise en informatique decisionnel Prix license: Analytics Pro : 8,7K $/an Visual Data Discovery : 10,1K $/an Logiciel de BI Prix de license : 1,3K $/an Les leaders en outilsLes leaders en outils de reportingde reporting 4848
  • 49. Outils decisionnelOutils decisionnel Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Logiciel d’exploration et visualisation disposant d’un moteur in-memory Les prix de Spotfire: ​Cloud work group: 2000$/an Cloud personal : 300$/an Les prix de Tableau : Desktop professional : 1999$/an Desktop personal : 999$/an Les leaders en outilsLes leaders en outils de reportingde reporting 4949
  • 50. Outils decisionnelOutils decisionnel Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Trois type de tarif: Entreprises de catégorie E3/E5 : 240$/an Option de manière autonome : 480$/an Office 365 ProPlus : 624$/an ​Quatre produits ​Power Pivot Power Query ​Power Maps Power View Les leaders en outilsLes leaders en outils de reportingde reporting 5050
  • 51. Intelligence économiqueIntelligence économique Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Ceci est FAUX 5151
  • 52. Intelligence économiqueIntelligence économique Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier BI au service de l' Intelligence economiqueBI au service de l' Intelligence economique DéfinitionDéfinition Une grande majorité des projets BI ont pour vocation de permettre aux managers de bien connaître l’état de leur entreprise ou de leurs activités et ainsi prendre les « bonnes » décisions. A partir du moment où une application BI s’appuie sur des données plus globales que celles internes à l’entreprise : par l’obtention de fichiers ou études externes (analyse de marché, tarifs de la concurrence, …) , celle-ci peut permettre de faire de la veille concurrentiel. On parlera alors de BI au service de l’intelligence économique. 5252
  • 53. Intelligence économiqueIntelligence économique Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Cycle de l'Iintelligence économiqueCycle de l'Iintelligence économique La BI est de plus en plus accessible La quantité de données est en constante augementation Apres la collecte, la maîtrise, la protection de l’information stratégique est obligatoire. Les entreprise commencent à ouvrir de plus en plus de cellule d'IE BIBI Collecte Diffusion Passé Future Chiffres Strategie information normalisée Information d'influence Données interne IEIE Acteurs + Données externe 5353
  • 54. ConclusionConclusion Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier Pas assez exploitéUne nécessité Nous sommes à l'aube Toute entreprise technologique à aujourd'hui besoin de stocker ses données, les stocker sans meme avoir une vision globale est un frein à l'expansion de l'entreprise Nous avons vu qu'il est très difficile de mettre en place un projet de BI dans une entreprise. La non normalisation de donnée ou encore le coté retissant des employés ne permettent pas a la BI d'utiliser tout son potentiel Les humain ne sont pas assez rapide pour pouvoir analyser ses donnée et d'en produire des decisions. Donc les tableau de bords deviendrons seulement un outils de monitoring et non de prise de decision, le data- mining ou encore l'intelligence économique ouvre un avenir a peine découvert à la BI “ La BI permet d'avoir une vue global et d'être plus réactif face au marché 5454
  • 55. ConclusionConclusion Shubham SHARMAShubham SHARMA Kévin GomesKévin Gomes Maximilien AcierMaximilien Acier 5555