Un bon système d’information décisionnel permet de développer la capacité de réflexion et d’action de l’entreprise (décider avant le concurrent, décider en temps réel, tirer parti d’un avantage concurrentiel, réaliser des économies grâce à l’identification des bonnes méthodes, ...). Mais l’information n’existe pas en soit, c’est un « produit » élaboré par un processus de transformation itératif, interactif à partir de données élémentaires relatives aux différents acteurs et aux évènements qu’ils vivent. Par exemple les données clients et les événements gérés par de nombreux services (commercial, service client, facturation, réclamations, sav, ...).
Historiquement les premiers systèmes décisionnels ont été développés pour répondre aux besoins en information d’une organisation fonctionnelle en particulier (marketing, comptabilité, ventes, ...) ignorant les besoins des autres entités et s’adressant à un nombre limité d’utilisateurs. Mais ces systèmes qui gèraient des données dupliquées et redondantes, offraient de multiples vues de la réalité, de multiples perspectives fonctionnelles. Faute d’une intégration des données dans un modèle unique d’entreprise, chaque organisation élaborait l’information selon sa perception, il n’y avait pas de vue globale, pas de vérité d’entreprise. Cela cloisonnait la connaissance, contrariait la mise en place de processus transversaux et limitait la prise de décision au niveau global.
Les entrepôts de données qui sont aujourd’hui mis en place sont notamment conçus pour pallier aux inconvénients décrits ci-dessus. Ils gèrent des données identiques, partagées entre toutes les organisations, orientées par sujet ou par thème, qui ne sont plus cantonnées à une seule sphère fonctionnelle mais valent pour l’entreprise toute entière. Ils offrent une vue unique des données, une information plus complète, plus précise qui facilite d’autant la prise de décision.
Il s’agit donc d’organiser les données intéressantes dans des structures cohérentes, en éliminant les redondances de données inutiles, et en définissant des relations entre les structures de données qui ont des rapports entre elles. Dans une première phase du projet de développement de l’entrepôt de données, il convient de réaliser un modèle conceptuel de données (MCD), puis celui-ci est affiné en un modèle logique de données (MLD) qui est dépendant du système de gestion de base de données utilisés. Par exemple dans un SGBDR (Système de Gestion de Bases de Données Relationnelles), les données sont enregistrées dans des tableaux à deux dimensions (lignes et colonnes). Enfin le MLD est traduit en un modèle physique de données (MPD), c'est-à-dire écrit dans un langage de définition de données, généralement le SQL.
Pour aller plus loin sur le sujet vous utilement lire mes autres propos ci-dessous :
Comment modéliser un entrepôt de données pour satisfaire les utilisateurs ?
Modèle Logique de Données : ou comment fonder ses connaissances sans jargon.
Construire un entrepôt de données pour saisir des opportunités.
Modèles de données et opportunités BI
Historiquement les premiers systèmes décisionnels ont été développés pour répondre aux besoins en information d’une organisation fonctionnelle en particulier (marketing, comptabilité, ventes, ...) ignorant les besoins des autres entités et s’adressant à un nombre limité d’utilisateurs. Mais ces systèmes qui gèraient des données dupliquées et redondantes, offraient de multiples vues de la réalité, de multiples perspectives fonctionnelles. Faute d’une intégration des données dans un modèle unique d’entreprise, chaque organisation élaborait l’information selon sa perception, il n’y avait pas de vue globale, pas de vérité d’entreprise. Cela cloisonnait la connaissance, contrariait la mise en place de processus transversaux et limitait la prise de décision au niveau global.
Les entrepôts de données qui sont aujourd’hui mis en place sont notamment conçus pour pallier aux inconvénients décrits ci-dessus. Ils gèrent des données identiques, partagées entre toutes les organisations, orientées par sujet ou par thème, qui ne sont plus cantonnées à une seule sphère fonctionnelle mais valent pour l’entreprise toute entière. Ils offrent une vue unique des données, une information plus complète, plus précise qui facilite d’autant la prise de décision.
Il s’agit donc d’organiser les données intéressantes dans des structures cohérentes, en éliminant les redondances de données inutiles, et en définissant des relations entre les structures de données qui ont des rapports entre elles. Dans une première phase du projet de développement de l’entrepôt de données, il convient de réaliser un modèle conceptuel de données (MCD), puis celui-ci est affiné en un modèle logique de données (MLD) qui est dépendant du système de gestion de base de données utilisés. Par exemple dans un SGBDR (Système de Gestion de Bases de Données Relationnelles), les données sont enregistrées dans des tableaux à deux dimensions (lignes et colonnes). Enfin le MLD est traduit en un modèle physique de données (MPD), c'est-à-dire écrit dans un langage de définition de données, généralement le SQL.
Pour aller plus loin sur le sujet vous utilement lire mes autres propos ci-dessous :
Comment modéliser un entrepôt de données pour satisfaire les utilisateurs ?
Modèle Logique de Données : ou comment fonder ses connaissances sans jargon.
Construire un entrepôt de données pour saisir des opportunités.
Modèles de données et opportunités BI
Rédigé par Michel Bruley le Lundi 1 Mars 2010 à 08:11
|
Permalien
|
{0}
> A LIRE EN CE MOMENT SUR DECIDEO
-
Gouverner l’intelligence artificielle : un passage obligé afin d’en sécuriser les bénéfices pour l’entreprise (1ère partie)
-
Etude Panasonic : la vision par ordinateur sera le fer de lance de la productivité de l'IA en 2024
-
Étude Salesforce : Le manque de stratégie data entrave l'avancement de l'IA dans le secteur du Retail
-
LF AI & Data Foundation lance Open Platform for Enterprise AI (OPEA) pour une collaboration innovante en matière d'IA d'entreprise
-
SAP Labs France inaugure son premier Centre d’Expérience client dédié à l’IA, à Sophia Antipolis
-
Databricks annonce une croissance annualisée de plus de 70 % dans la région EMEA, alimentée par la demande des entreprises en matière d'IA
-
Selon une étude TEI réalisée par le cabinet Forrester, la solution Qlik Cloud Analytics assure un retour sur investissement de 209 %
-
Big data et sécurité intérieure : l’éditeur français Blueway, toujours au 1er rang pour remplacer l’américain Palantir, auprès de la DGSI
-
Publication du rapport de Stanford University : Artificial Intelligence Index Report 2024
-
Plaidoyer pour une adoption raisonnée de l’IA : en France, seulement 20 % des décideurs privilégient l’esprit critique de leurs employés, malgré un usage massif des outils d’IA
Profil
Michel Bruley
Liste de liens
Dernières notes
Meilleurs vœux aux parents pour 2024
10/01/2024
RECETTE DE LA DINDE AU WHISKY
27/01/2023
Le 1 to 1 marketing a bientôt trente ans
24/09/2022
À propos de l’intelligence économique
23/07/2022
Galerie
Archives
Rubriques
Rubriques