Système d'Information Décisionnel - Le blog de Michel Bruley

Il n’y a pas de jugement possible, pas d’appréciation saine de la réalité sans repère. Si l’on veut avoir une réflexion stratégique par exemple, il est préférable de l’inscrire dans une période longue et de se fonder sur des références solides pour projeter les différents avenirs possibles. Les entreprises gèrent des volumes considérables de données opérationnelles, mais sans un système d’information décisionnel correctement agencé, les responsables ou les opérationnels n’auront pas facilement accès aux données nécessaires pour réagir rapidement notamment aux situations non prévues.

Si nous regardons les entreprises qui ont un système d’information décisionnel performant, nous pouvons constater le grand nombre de solutions technologiques spécifiques au domaine du décisionnel qu’elles emploient (matériels, bases de données, modèles, outils et applications). En effet de très nombreuses solutions propres au monde du décisionnel ont été développées en parallèle du monde opérationnel pour couvrir les besoins particuliers qui ne pouvaient pas être pris en charge par des solutions standards. Il est ici amusant de se rappeler, que pendant longtemps certains fournisseurs de matériels, de base de données ou d’ERP, ont cherché à faire croire que leurs solutions standards permettaient de mettre en place des entrepôts de données ou des applications BI de qualité, mais depuis ils ont renoncés et les plus grands ont même rachetés des sociétés spécialisées pour se constituer une offre à la hauteur de leurs ambitions. Le domaine du décisionnel requiert des solutions technologiques spécifiques et pas seulement pour faire de la fouille de données.

Il est certain qu’un système décisionnel ne peut pas être trouvé tout fait prêt à l’emploi sur l’étagère d’un fournisseur, il faut obligatoirement le construire, l’agencer en fonction des besoins particuliers de l’entreprise. Si l’on excepte quelques rares domaines particuliers d’analyse plus matures que les autres pouvant faire l’objet de data marts, il n’existe pas encore de « progiciel décisionnel d’entreprise ». En matière de construction d’un système décisionnel, même si globalement la démarche obéit aux règles générales de conduite des projets informatiques, il convient cependant de ne pas sous estimer l’importance des caractéristiques spécifiques au domaine du décisionnel, et donc de privilégier le recours à des personnes expérimentées. Par exemple déterminer les modalités de transformation de données en information pour répondre à certains besoins métier d’une entreprise, n’est absolument pas trivial et nécessite de l’expérience.

Enfin il convient aussi de noter que si certaines solutions spécifiques au décisionnel sont clairement reconnues et largement mises en œuvre c’est le cas de l’olap, des modèles en étoiles ou en flocon par exemple, d’autres restent très confidentielles, comme les serveurs spécialisés massivement parallèles qui ont été jusqu’à très récemment avec l’arrivée des appliances pratiquement ignorés, malgré leur domination dans les très grandes entreprises.

Pour aller plus loin sur ce sujet vous pouvez utilement consulter mes articles ci-dessous :

Mettre les appliances à leur juste place

De la virtualisation & des entrepôts de données

De la Sécurité du Système d’Information et des Entrepôts de Données

Protéger votre entreprise contre le coût des temps d’arrêt informatique

Pour toutes les sociétés, la qualité des données est une question importante. A mesure que de nouveaux domaines thématiques sont ajoutés dans un entrepôt de données, la valeur des informations se multiplie. Malheureusement, l’impact des erreurs se multiplie également. Le but d’une équipe de gestion de la qualité des données, est de développer des règles communes et une terminologie cohérente, qui seront utilisées par les diverses unités de l’entreprise. Un programme de gestion de la qualité des données permet de promouvoir l’instauration d’une information exploitable dans l’ensemble de l’entreprise, afin que celle-ci mette le cap sur la rentabilité.

Selon le Data Warehousing Institute, la médiocre qualité des données coûte chaque année des milliards d’euros aux entreprises. Dans une récente enquête, près de la moitié des personnes interrogées considère que les données de leur organisation sont «pires que ce qu’ils pouvaient imaginer». Dans ces conditions l’amélioration de la qualité des données, même à petite échelle, peut considérablement influencer la prise de décision dans les entreprises, favorisant ainsi une augmentation des bénéfices. Malheureusement, de nombreuses initiatives en matière de qualité des données ne voient jamais le jour, car la tâche est toujours perçue comme difficile. Ainsi la plupart des entreprises se focalisent principalement sur la rentabilisation à court terme de leur système d’information décisionnel, et n’investissent pas dans la qualité des données.

Cependant, une procédure simple consiste à pointer les principaux problèmes de qualité des données, à créer des règles pour isoler, réparer les erreurs et utiliser ensuite un tableau de bord, pour contrôler et évaluer les zones de qualité des données de manière constante. Un tableau de bord de la qualité des données bien conçu, aide les entreprises à mieux comprendre les problèmes de qualité des données, à évaluer les possibilités d'amélioration et à mesurer le progrès au fil du temps. Il est possible d’élaborer un tableau de bord de la qualité des données, et d'autres rapports de gestion des données en seulement trois semaines. Le tableau de bord peut être implémenté à l’aide d’un portail ou à l’aide de l'outil de reporting qu’utilise déjà l’entreprise.

Bien qu'un plan d'action de qualité des données soit impératif pour toutes les entreprises, cette approche est plus facile à mettre en œuvre dans les entreprises qui commencent à mettre en place leur entrepôt de données. En abordant très tôt les problèmes de qualité des données, les actions importantes nécessaires au succès sont plus faciles à organiser que lorsqu’il faut revenir sur des réalisations déjà mises en production. Il convient aussi dans le cadre du système d’information décisionnel, d’industrialiser le processus technique des contrôles et des rejets, et donc de mettre en place un outil générique pour les contrôles et les rapprochements.

Enfin, la qualité des données n’étant pas qu’une problématique technique, et comme elle touche avant tout les utilisateurs métiers de l’entreprise, il faut impérativement responsabiliser les propriétaires des sources et faciliter le processus de validation fonctionnelle des données. Pour cela il convient d’organiser une structure de gouvernance viable, en particulier de définir des gestionnaires de données.

Pour aller plus loin sur ce sujet vous pouvez utilement consulter mes articles ci-dessous :

Cap sur la qualité des données

Maîtriser la qualité des données : une tâche pour Sisyphe ?

Impact de la qualité des données sur les résultats des compagnies d’assurances

Les Directions générales voient habituellement assez bien les dépenses liées à l’informatique, mais beaucoup moins clairement les bénéfices apportés. Dans la majorité des entreprises, seuls les grands projets font l'objet d'une évaluation des bénéfices. Mais, même dans ce cas, seul un projet sur deux bénéficie d'un suivi ou d'une analyse de rentabilité.

En fait, les maîtrises d’ouvrages ont du mal à justifier leurs projets, alors que les directions générales attendent une implication forte des directions métier, celles-ci ne répondent pas vraiment à leur demande. C'est sans doute là que se situe le principal problème des directions informatiques, qui n'ont pas assez le soutien des directions métier, et qui peinent à démontrer la valeur ajoutée des dépenses informatiques, les 3/4 sont convaincues d´amener à leur organisation une valeur ajoutée supérieure aux dépenses engendrées, mais près de 90 % d´entre-elles avouent être dans l´incapacité de le démontrer à leur direction générale.

Il n’y a pas de fatalité, une gouvernance des investissements informatiques est possible et pour être effective, elle exige que les directions informatiques maîtrisent les engagements de dépenses, établissent la valeur des investissements et des résultats livrés par les projets informatiques. Ceci peut se faire à travers des processus d’alignement stratégique et de planification (schéma directeur, étude d’opportunité, urbanisation, plan d’évolution), d’une gestion de portefeuille de projets, d’une gestion budgétaire, d’une gestion des projets informatiques et de leur mise en place focalisée sur la prise en main par les utilisateurs et la réalisation des bénéfices.

Normalement la mise en place d’un nouvel applicatif doit permettre à une maîtrise d’ouvrage de faire évoluer ses résultats métier, mais pour cela il convient de comprendre la logique de production des résultats, de définir une stratégie de réalisation des bénéfices, afin de les piloter et de livrer les meilleurs résultats possibles (résultats recherchés, à éviter, indicateurs utilisés, photo avant / photo après). La conduite du changement doit être fondée sur une démarche proactive de production des résultats.

Chaque projet doit faire l’objet d’une évaluation selon quatre critères : alignement stratégique (clarté et précision de la contribution), contribution métier (crédibilité des résultats annoncés), risques et enfin valeur financière calculable (clarté et crédibilité du ROI).

Pour aller plus loin sur le thème du retour sur investissement, vous pouvez utilement consulter mes articles ci-dessous :

Faut-il et si oui, comment, se préoccuper du retour sur investissement des projets NTIC ?

Anticiper, formaliser, concrétiser le ROI des projets informatiques, une nouvelle quête du Graal

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

La mise en place d’un entrepôt de données a toujours pour objectif d’améliorer la compétitivité, en facilitant l’optimisation du fonctionnement et l’innovation. Parmi les fonctions de l’entreprise, après la fonction financière c’est celle de la relation client qui a fait le plus l’objet d’investissements en systèmes d’aide à la décision. Cependant depuis quelques temps les entreprises manufacturières ne se contentent plus de bien intégrer les données clients pour alimenter leur CRM, mais s’intéressent aussi aux données relatives aux produits, de façon à pouvoir les suivre globalement à travers les domaines de la conception, des achats, des stocks, de la production, de la qualité, des ventes, des transports, des services, de la maintenance, etc.

Concrètement, elles cherchent à réaliser un entrepôt de données d’entreprise qui intègre les données concernant les produits principalement issues du PLM, du SCM, du CRM et du MRO, de façon à optimiser la prise en compte exhaustive des contraintes de production et de support dès la conception, de maîtriser la chaîne d’approvisionnement, de réduire les coûts et les cycles de production, d’améliorer la qualité, de réduire les stocks, d’augmenter la satisfaction clients, de maîtriser les coûts de garantie et les processus de rappel, etc.... Les enjeux sont colossaux et en maîtrisant sa complexité, l’entreprise peut espérer au-delà d’une excellence opérationnelle, être réactive face aux exigences du marché et être à même de réaliser des innovations de rupture.

La vision 360° des produits est une cible qui ne peut être atteinte rapidement, et au niveau de la trajectoire il convient de définir des étapes porteuses de résultats. Lorsque l’on regarde les expériences de certains utilisateurs de solutions Teradata, on constate qu’ils ont toujours commencé par chercher à résoudre un de leurs problématiques spécifiques, comme 3M (optimisation de la planification de la production), Ford (vision de la situation de plus de 2000 fournisseurs), Ping (accélération du traitement des commandes), TSMC (contrôle de la chaîne d’approvisionnement à travers une batterie de KPI), Vector SCM (optimisation des transports), Wesco (amélioration de la vision de la disponibilité des produits), Western Digital (réduction du temps de traitement des problèmes de qualité), Whirlpool (réduction des coûts de garantie).

Teradata a formalisé les principaux thèmes d’amélioration qu’une organisation peut espérer couvrir avec un entrepôt de données d’entreprise (voir les thèmes pour les entreprises manufacturières. Chacun des thèmes listés peut faire l’objet d’une étape intermédiaire dans le chemin qui mène à la cible de la vision 360° des clients et des produits.

Pour aller plus loin, vous pouvez utilement consulter mes autres articles ci-dessous :

Un entrepôt de données pour la fonction Achat

Système d’analyse de la qualité chez Daimler AG

PGI, entrepôt de données d’entreprise et gestion des garanties

De l’importance des données détaillées pour les opérations de maintenance

Pour un système unique d’aide aux décisions de MRO

Dans le contexte de globalisation d’aujourd’hui, les exigences en matière d’approvisionnement des grandes entreprises sont extrêmement élevées, au point que des sociétés spécialisées voient le jour comme Vector SCM, qui gère 12 000 sources d’approvisionnement, 1200 transporteurs, charge 8 millions de véhicules par an, dessert 12 500 points de livraison et permet à de nombreuses entreprises de remplir les exigences logistiques de leurs grands donneurs d’ordres.

L’optimisation des chaînes d’approvisionnement est un enjeu dans la recherche d’avantages concurrentiels. Par exemple dans le secteur de la distribution une entreprise comme Wal-Mart a en partie construit son succès sur la création d’une chaîne d’approvisionnement particulièrement remarquable, qui entre autre a su remplacer des stocks par de l’information : plus vite les magasins envoient des informations sur ce que les clients achètent, plus vite l’information peut être transmise aux fabricants et aux concepteurs, plus vite la chaîne d’approvisionnement peut réagir.

Mais la plupart du temps dans les entreprises, la chaîne d’approvisionnement souffre de cloisonnements, car l’intégration et la synchronisation des flux physiques, des flux d’informations et des flux financiers n’est pas optimale. Or la réduction des stocks et l’optimisation de la chaîne d’approvisionnement ne peuvent se concevoir sans une bonne gestion de l’information, mais au-delà des traditionnels systèmes opérationnels qui permettent d’automatiser les processus, il convient sans aucun doute de s’appuyer sur un système décisionnel adapté. Ce dernier doit être fondé sur un entrepôt de données qui a pour vocation d’intégrer toutes les données logistiques internes ou externes, et offrir à toutes les parties prenantes les visions historiques, opérationnelles, prévisionnelles ou de simulation dont elles ont besoin.

Le système décisionnel doit intégrer des données de toutes les applications opérationnelles concernées, à savoir de façon non limitative, des données de : CRM – Customer Relation Management, DP&F – Demand Planning and Forecasting, SRM – Supplier Relation Management, APS – Advanced Planning & Scheduling, ERP – Enterprise Resources Planning, TMS – Transportation Management System, WMS – Warehouse Management System, DCS – Distributed Controlled System, MES – Manufacturing Execution System, etc.

Pour aller plus loin sur ce sujet vous pouvez utilement lire mes articles ci-dessous :

Tableaux de bord logistique et entrepôt de données d’entreprise

Optimisation des approvisionnements & entrepôt de données

Un entrepôt de données pour améliorer la distribution des pièces détachées chez Ford

ERP & entrepôt de données d’entreprise pour les entreprises manufacturières

Dossier : Gérer votre chaîne d’approvisionnement

L’analyse est un processus structuré de construction, traitement et production d’informations. L’information, est à la fois matière première et produit généré. La pertinence de l’analyse dépend en partie de la qualité et parfois de la quantité des informations prisent en compte. Mais par-dessus tout l’analyse nécessite une sérieuse dose de rigueur (démarche méthodique). Cependant il ne faut pas tomber dans un excès de rigueur, dans des analyses trop pointillistes interdisant une vue d’ensemble et amenant à ne pouvoir conclure, ou qu’avec des propositions précises mais très limitées, en refusant celles qui seraient globale mais imparfaitement vraies.

L’analyste ne doit pas se laisser submerger de données multiples, disparates, contradictoires parfois, et savoir identifier les informations cruciales, synthétiques, bien construites et suffisamment fiables. Cependant il faut avoir conscience que les données chiffrées et plus encore monétaires, même lorsqu’elles sont fausses avec précision - exemple comptabilité analytique avec critères de répartition obsolètes -, tendent à s’imposer aux données qualitatives, qui pourraient n’être qu’approximativement exactes. Les informations complètes, fines, certaines et rétrospectives sont généralement plus valorisées, que des informations partielles, agrégées, incertaines, tournées vers le futur.

Suivant leur (dé)formation d’origine, les analystes ont tendance à accorder trop de poids à certains facteurs. Les économistes privilégient les variables d’environnement au détriment de celles d’organisation ou de gestion. Les responsables des ressources humaines voient très systématiquement dans les jeux des acteurs, les blocages internes ou les qualifications des individus, les causes fondamentales des difficultés. Enfin les financiers cèdent régulièrement aux délices de l’analyse des flux de fonds, du bilan et du compte de résultat, pour y rechercher des déséquilibres qui ne font que traduire des dysfonctionnements stratégiques, organisationnels ou de gestion. Cependant, l’un des défis majeurs pour les analystes consiste à éviter les écueils dans les raisonnements : multiplication des perceptions, parcellisation des perceptions, éparpillement analytique, diversion-distraction et approfondissement du faux problème.

S’il doit se méfier de lui-même, l’analyste doit faire preuve de prudence à l’égard des personnes et des groupes avec lesquels il est en relation. L’analyste peut se laisser prendre en otage par une direction qui cherche plus à faire entériner son point de vue qu’à obtenir des conclusions neutres. L’analyse peut être un alibi, une caution morale pour légitimer certaines décisions douloureuses. La lucidité de l’analyste, son aptitude à découvrir les buts cachés éventuels assignés à son intervention, sont essentiels à la réussite de sa mission. D’un point de vue déontologique, les conclusions d’un analyste n’ont pas à être inféodées aux intérêts de celui qui les a demandées, mais se doivent de servir en priorité l’entreprise dans son ensemble. L’analyste peut être confronté à des processus de désinformation, soit en provenance des sources extérieures, soit même au sein de l’entreprise. Sans tomber dans la paranoïa, il convient donc que l’analyste garde sa lucidité et fasse des recoupements.

Enfin, probablement on pourrait appliquer aux analystes en général, la boutade qui dit : « Si vous voulez cinq avis sur un problème économique, faites discuter quatre économistes ».

Pour aller plus loin vous pouvez utilement consulter mes autres articles ci-dessous :

Méthode et stratégie de résolution de problème

Analyse de données, information et stratégie le modèle militaire

Décision, aide à la décision : un monde complexe

Au-delà de la décision, l’action

Les entreprises s’appuient sur de nombreux moyens informatiques pour fonctionner et réaliser leurs activités physiques (production, logistique, ...) ou de gestion (comptable, ressources humaines, ...). Ces moyens gèrent des données communes, par exemple les données d’identification des clients ou des produits, mais le plus souvent les définissent de façon hétérogènes. L’hétérogénéité des définitions a deux causes, d’une part les besoins des différents acteurs de l’entreprise ne sont pas exactement les mêmes et d’autre part les solutions informatiques sont différentes. Même les entreprises qui utilisent un progiciel de gestion intégré n’échappent pas à cette problématique, car leur PGI ne couvre généralement pas tous leurs besoins informatiques, et dans les grandes entreprises il est rare qu’elles en aient fait une mise en œuvre homogène.

La gestion des données de référence, en Anglais Master Data Management (MDM), a pour objet de répondre à cette problématique, elle consiste à gérer la qualité et la cohérence des données du système d’information de l’entreprise. Il s’agit de regrouper, l'ensemble des données permanentes ou dont la durée de vie est longue, dans un système qui a pour fonction de fournir la version standardisée d’une donnée, qui doit être systématiquement utilisée pour mettre à jour les différentes applications informatiques de l’entreprise. Concrètement ce référentiel contient l'ensemble des objets essentiels à la vie de l'entreprise, et décrit les liens qu'ils entretiennent entre eux, par exemple : numéro de référence clients, adresse de livraison, code produit, hiérarchie produit, plan de comptes, classification des postes, etc. Grâce à un référentiel et à des processus de contrôle et de validation, les données sont gérées de façon cohérente et les doublons évités.

Une bonne gestion des données de référence présente un grand intérêt dans de nombreux domaines. En matière de relation client par exemple, il est essentiel que tous les acteurs de l’entreprise puissent avoir les meilleures données possibles pour réaliser leurs activités. Des données incohérentes ou incomplètes peuvent conduire à une dégradation du service rendu ou à rater des opportunités de vente. Il y a d’autant plus besoin de bien gérer l’homogénéité, qu’il y a un grand nombre d’acteurs ou de systèmes en relation avec le client, c’est particulièrement le cas pour les industries qui vendent à travers de multiples canaux (internet, centre d’appel, borne automatique, point de vente, ...). Au-delà de la dimension opérationnelle et quelque soit le domaine fonctionnel, il est aussi intéressant d’avoir une bonne gestion des données de référence pour le système d’information décisionnel, par exemple pour les statistiques, les tableaux de bord et les prévisions.

Pour aller plus loin sur ce dernier sujet, vous pouvez utilement consulter mes autres propos ci-dessous :

Gérer l’ADN du système décisionnel;

Gérer le référentiel métier dans l’entrepôt de données

Gestion des données métier de référence (MDM) : où en sommes-nous ?

Solutions de gestion des données de référence (MDM)

Gestion des données de référence et entrepôt de données

Dans l’entreprise la notion de gouvernance fait souvent l’objet de commentaires critiques et de scepticisme. Au-delà du fait que les modes de direction évoluent plus ou moins vite selon les entreprises, le souhait d’une régulation fondée sur une plus grande implication des parties prenantes est lui par contre très partagé. Le système d’information est l’un des domaines où une plus grande participation aux décisions est recherchée. L’informatique a pris une telle importance pour toutes les activités d’une organisation, que de nombreux choix qui la concerne ont un impact majeur voir stratégique pour les grandes fonctions, et peuvent déterminer le devenir de l’entreprise. Pour les utilisateurs il ne s’agit donc pas simplement de veiller à ce que la direction informatique « aligne les technologies sur la stratégie d’entreprise », mais bien de travailler ensemble pour gérer la maison commune.

Partie importante du SI, les systèmes décisionnels font plus que d’autres l’objet d’une demande d’évolution de la gouvernance, et compte tenu de la complexité du domaine, les directions informatiques sont souvent plus facilement ouvertes à de nouvelles pratiques. Cependant, rares sont les entreprises qui ont radicalement transformé leur façon de diriger, d’administrer et de contrôler cette partie du SI, les directions informatiques très jalouse de leurs prérogatives, mettent toujours en avant les dimensions techniques des choix pour conserver tout leur pouvoir. Malgré tout il est fréquent de voir des avancées en matière de gouvernance de données et le cas de British Airways est en ce sens représentatif.

Bristish Airways a depuis longtemps mis en place son premier entrepôt de données et l’a depuis fait évoluer pour répondre aux besoins de l’ensemble de ses activités, cherchant à supporter aussi bien des décisions stratégiques, qu’opérationnelles, avec quinze domaines fonctionnels aujourd’hui couverts. Dans le cadre de ses développements successifs, British Airways a toujours eu en ligne de mire d’améliorer les relations avec ses clients en s’appuyant sur une bonne gestion de l’information et en particulier une bonne qualité des données. Pour cela la compagnie aérienne a engagé un projet conséquent de gouvernance des données.

La première phase de ce projet a consisté à identifier les différentes parties prenantes de cette problématique et à trouver des supports pour cette initiative de gouvernance, au plus haut niveau de la compagnie (direction générale, financière, commerciale, …). Cela s’est concrétisé par la mise en place d’un comité de direction spécifique incluant des utilisateurs, des informaticiens, et la désignation de quelqu’un du métier du transport aérien pour prendre la responsabilité à plein temps de ce programme de changement. A ce niveau ont été définis des principes de gouvernance des données et une organisation comprenant :
 18 responsables de grands ensembles de données (données clients, coupons de vol, contrôle de gestion, trafic, maintenance, …) s’appuyant sur 30 responsables métiers issus de toutes les directions métiers de l’entreprise et 12 responsables techniques issus de la DSI.
 Un programme de gestion proactive des données, incluant des processus de réponse aux besoins des utilisateurs et de gestion des projets de développement, des réunions régulières, des revues mensuelles, des indicateurs de suivi, etc.

Au-delà de l’implication, de la responsabilisation et de l’organisation de la prise en charge des problèmes quotidiens de gouvernance des données, ce projet a permis de traquer pro-activement des opportunités d’amélioration de la qualité des données, de la qualité des modèles, des technologies mis en œuvre, des architectures et des projets de développement. En termes de résultat, au niveau de l’utilisation des données cela s’est traduit par une meilleure compréhension des informations produites par les systèmes décisionnels, et le développement de nouveaux usages métier des gisements de données.

Sans rentrer dans tous les détails du fonctionnement de la gouvernance des données chez British Airways, le responsable de ce programme donne les conseils suivants aux personnes qui auraient la même mission que lui :
 Assurer vous que vous avez la bonne infrastructure de gestion des données en termes de modèle de données et de plateforme.
 Faites en sorte que le comité de direction vous supporte et vous fournisse le financement nécessaire au projet.
 Mettez en place une solide structure de gouvernance.
 Cherchez passionnément le succès.
 Soyez résilient.

Pour aller plus loin sur ce sujet de la gouvernance des systèmes d’information décisionnels, vous pouvez utilement consulter mes autres articles ci-dessous :

De la gouvernance des systèmes décisionnels

Conseil pour une bonne gouvernance des systèmes décisionnels

Développeurs fantômes et centre de compétence BI : l’expérience de Belgacom Group

Système décisionnel : comment concilier industrialisation et capacité d’innovation

Dans les entreprises industrielles ou commerciales la mise en place d’un système d’information décisionnel, conduit systématiquement à mettre d’abord en place des tableaux de bord, qui permettent d’appréhender certains aspects de la situation des activités concernées. Rapidement cependant ces tableaux de bord suscitent beaucoup de questions qui restent sans réponse, et les utilisateurs souhaitent alors dépasser la simple description des situations, en faisant des analyses qui permettent de rechercher les causes des résultats qu’ils observent. Lorsqu’une organisation commence à identifier et comprendre les paramètres de ses activités, elle cherche alors à exploiter ses informations pour faire des prévisions, car la capacité de prévoir et d’anticiper le futur est toujours essentielle pour une gestion stratégique de l’entreprise.

La prévision économique est une discipline qui est aujourd’hui bien maîtrisée. La gamme des théories et des outils à la disposition des prévisionnistes est très étendue, et la pratique effective de la prévision a connu de nombreux développements dans les organisations. Il existe une grande diversité de techniques pour répondre à la variété des tâches de prévision des différentes fonctions des entreprises, et le progrès constant de l’informatique décisionnelle joue un rôle prépondérant dans la généralisation de la production d’informations prévisionnelles. Cependant la prévision économique est toujours incertaine, et aux estimations des valeurs futures sont toujours associés des intervalles de confiance, des incertitudes sur les décisions des acteurs concernés et les réactions en chaîne qui en découlent, tout cela rendant toute prévision périlleuse (voir le thème de la théorie des jeux).

Si les tableaux bord peuvent être utilisés par des milliers de personnes dans une grande entreprise, les analystes et les prévisionnistes sont toujours beaucoup moins nombreux. Mais si le nombre d’utilisateurs finaux qui applique des techniques avancées d’analyse et de prévision est dans une entreprise généralement limité, ce petit nombre de personnes est par contre générateur de beaucoup de valeur pour la conduite des activités. Les analystes et prévisionnistes sont aussi de grands consommateurs de ressources informatiques, et peuvent générer en pointe jusqu’à 50% de la charge de traitement d’un système d’information décisionnel. Cette lourde utilisation de ressources s’expliquant par la complexité du travail effectué et les volumes de données historiques à traiter, car l’élaboration de modèles implique généralement l’utilisation de métriques complexes dérivées de nombreuses observations.

Les systèmes d’information opérationnels représentent des mines d’informations élémentaires, qui permettent par leur traitement des anticipations efficaces et précises. Les champs d’application sont extrêmement étendus, qu’il s’agisse de l’optimisation de la gestion des contacts clients, de la gestion des risques (détection de fraude, lutte anti-blanchiment, lutte antiterrorisme), de merchandising, d’optimisation de la chaîne logistique et de la gestion de stock, d’optimisation des flux de matières, d’informations, d’optimisation de gestion de production, d’optimisation de l’emploi des ressources humaines, de service client, de gestion de configuration, etc. Pour répondre à ces besoins les systèmes décisionnels doivent gérer des informations plus ou moins fraîches, et pour certaines applications il est parfois nécessaire d’intégrer des données opérationnelles plusieurs fois par jour, voir en quasi temps réel.

Pour aller plus loin vous pouvez utilement consulter ci-dessous mes autres articles sur ce sujet :

De la prévision de la demande client

Entrepôt de données et prévision de la demande

Lablaw où comment réduire les ruptures de stock avec un bon système de prévision;

Overstock.com un entrepôt de données actif