Système d'Information Décisionnel - Le blog de Michel Bruley

Aujourd’hui dans les entreprises on utilise beaucoup de modèles qui permettent de formaliser une représentation simplifiée de l’environnement et des activités. Ces modèles créent pour les collaborateurs des cadres communs de référence, ils permettent de structurer les raisonnements sur les situations existantes, sur les enjeux (financiers, humains, techniques) et sur les scénarios du futur. In fine tout cela aide à la communication des expériences, des réflexions de tous et crée ainsi une situation favorable à la prise des décisions.

Cependant il ne faut pas confondre solution analytique d’un problème et modèle numérique. La première est fondée sur une fonction mathématique connue qui couvre parfaitement le problème, alors que le modèle numérique est une approximation à l’aide de calcul de la solution réelle dont on n’a pas de description mathématique rigoureuse.

Un modèle est toujours une interprétation de la réalité qui est construite en fonction d’un objectif qui détermine le choix des paramètres et privilégie un point de vue. Un modèle n’est donc jamais totalement représentatif de la réalité. Lorsque l’on veut obtenir une représentation de données historiques, on construit un modèle descriptif qui permet d’intégrer au mieux la masse des informations ... disponibles. Lorsque l’on veut anticiper les événements, estimer des potentiels, on construit un modèle prédictif pour lequel on a sélectionné des variables dites explicatives pour déterminer les variables inconnues recherchées.

Les principales exigences de qualité d’un modèle sont qu’il couvre bien le champ du problème concerné, qu’il permette d’obtenir le résultat recherché et tout cela selon un processus maîtrisé. L’exigence importante complémentaire est la durée de vie d’un modèle. En effet, construire un modèle nécessite généralement un investissement conséquent que l’on cherche à amortir par des usages multiples. Mais la réalité est complexe et évolutive, les modèles ont donc régulièrement besoin d’être actualisés pour palier leur dérive naturelle dans le temps.

Pour aller plus loin, vous pouvez consulter mes articles sur le thème des approches analytiques de pointe, data mining ou fouille de données : cliquez ici

Les postes d’analystes de données se multiplient dans les entreprises, dans toutes les grandes fonctions, du fait de l’importance croissante accordée aux approches quantitatives pour éclairer les décisions. L’apport de ces analystes aux processus de décision est généralement apprécié mais il convient cependant de prendre quelques précautions.

L’analyse de données quantitatives n’est pas toujours un exercice facile et de plus souvent nécessite des temps d’apprentissages. Une première erreur ici à ne pas commettre, est d’engager un débutant. Il faut en fait beaucoup de compétences pour appréhender les nuances de la réalité des affaires, et les juniors n’évitent pas toujours les pièges des questions secondaires et perdent souvent la trace de l’essentiel des objectifs qui leur ont été assignés.

Si les compétences statistiques sont nécessaires, le sens des affaires est encore plus important, l’une des clés étant de savoir poser les bonnes questions et d’établir un vrai dialogue avec les responsables métiers. Il ne s’agit pas seulement d’être perspicace mais d’être conséquent et d’anticiper les impacts notamment politiques. Quand des éléments sont trouvés, il faut savoir les présenter et les analystes doivent être aussi sélectionnés sur leurs capacités à communiquer.

Si certaines séries d’analyses peuvent être réalisées rapidement, l’interprétation des résultats par les responsables métier est souvent un processus lent et non linéaire. Il faut donc laisser du temps aux métiers pour répondre et l’analyste doit s’adapter à la vitesse de travail, de réflexion de ses interlocuteurs.

L'analyse des données peut être comme un parcours dans un labyrinthe, quand on arrive dans une impasse il faut revenir en arrière et recommencer. De plus souvent les résultats ne sont pas suffisamment contrastés pour permettre de réaliser des actions percutantes et donc le processus d’analyse se révèle improductif. Si les analystes sont habitués à ce type de difficulté, leurs interlocuteurs peuvent en être perturbés.

Il est probablement difficile de trouver des analystes expérimentés mais c’est absolument indispensable pour réellement tirer profit de son système d’information décisionnel. Pour aller plus loin sur ce dernier thème, vous pouvez consulter mon article sur la constitution d’un centre de compétence BI : cliquez ici