Décisionnel : du reporting
à l'analyse prédictive

Du Décisionnel au Big Data, le cœur de l’évolution des systèmes décisionnels

• Rappels historiques : replacer dans leur contexte les «  révolutions  » du décisionnel.
• Économie des données et transformation numérique.
• L’impact de l’économie des données sur le système décisionnel : une opportunité extraordinaire de créer de la valeur.
• Les axes d’évolution du Décisionnel vers le Big Data.
• Faut-il faire évoluer l’architecture du Système d’Information Décisionnel pour intégrer les fonctions Big Data ? Comment la faire évoluer ?
• Data Warehouse, Data Lake et Big Data : objectifs et rôles respectifs au sein du SID.
• Les complémentarités entre SI Opérationnel, Décisionnel et Big Data.
• Données «  non structurées  », Prédictif, Prescriptif : quels besoins et quelles solutions ?
• De la BI à la Data Science : données In-Memory, temps réel, Embedded BI, NoSQL, Hadoop…
• Big Data : évolution ou révolution ?

Etudes de cas

• Présentation de systèmes décisionnels nouvelle génération dans de nombreuses industries.
• Explication de la valeur créée et de l’impact sur les modèles d’affaires.

La nouvelle architecture du Système d’Information décisionnel, du reporting à l’analyse prédictive

Du reporting à la Business Process Intelligence

• L’évolution des exigences des utilisateurs en termes d’aide à la décision.
• Les complémentarités entre pilotage opérationnel et Business Intelligence.
• Comment valoriser les données pour optimiser les processus métier.
• Comment concrètement intégrer les objectifs stratégiques dans le projet décisionnel.
• Comment faire évoluer les Data Marts existants vers un Système Décisionnel centralisé.
• Comment intégrer la confidentialité des données personnelles et les contraintes du RGPD.

Les modèles de mise en œuvre

• Data Marts indépendants ou dépendants, Système Décisionnel unifié ?
• Peut-on construire une architecture couvrant l’ensemble des besoins : reporting, analyse, pilotage, Big Data ?
• Les facteurs clés pour garantir la capacité d’évolution : volume, utilisateurs, périmètre fonctionnel.
• Rôles et fonctions des modules d’alimentation : réplication, extraction, normalisation, intégration et visualisation.
• Le projet décisionnel : quel impact sur les systèmes informatiques de gestion et sur les référentiels métiers ?

La gestion des flux de données

• Le système de collecte des données opérationnelles.
• Les flux de normalisation des informations référentielles.
• Les flux d’intégration des informations décisionnelles.
• Les flux d’interface avec les systèmes consommateurs.
• Comment assurer la cohérence des données du Data Warehouse.
• Changed Data Capture : besoins fonctionnels et solutions réalistes.
• Comment éviter les pièges de la restitution ad hoc et préserver l’autonomie des utilisateurs.

La plateforme Data Warehouse / Data Lake

Le Système de Gestion de Base de Données

• Fonctionnalités et positionnement du système de gestion de Base de Données dans l’architecture décisionnelle.
• Comment choisir et faire évoluer la machine et la Base de Données dédiées au Data Warehouse.
• Pourquoi et comment faire cohabiter les bases relationnelles (SGBDR) et multidimensionnelles (OLAP) ?
• SGBD In-Memory : comment faire profiter les utilisateurs de cette rupture technologique ?
• Panorama des offres : Oracle, IBM, Teradata, SAP, Microsoft et les nouveaux entrants.

Le Système de Gestion des Données non Structurées ou Multi-structurées

• Différence et complémentarité entre Data Lake et Data Warehouse.
• Les bases de données NoSQL : Panorama.
• Les bases de données graph : usages et technologies.
• Hadoop / MapReduce : usages et technologies.

Les outils d’intégration de données

• Fonctionnalités attendues d’un logiciel ETL (Extract, Transform, Load).
• Comment modéliser les flux des données et leur ordonnancement.
• Positionnement des offres ETL : Informatica, ODI, BODS, SSIS, Talend, etc.
• Les nouveaux outils de préparation de données (Talend, Tableau, Qlik, Trifacta…)

Les outils de restitution

• Outils traditionnels.

- Query et Reporting, Ad Hoc Analysis, Cubes MOLAP, etc. : quels domaines d’application privilégiés ?

- Quels outils et quelles fonctionnalités pour quelles catégories d’utilisateurs ?

- Comment éviter le foisonnement des rapports et des traitements de restitution.

- Positionnement des offres : SAP Business Objects, IBM Cognos, MicroStrategy, Information Builders…

- Ergonomie et autonomie de l’utilisateur : comment éviter le rejet de la solution de restitution.

Les nouveaux outils de BI agile

• Positionnement des offres : Tableau, Qlik, TIBCO Spotfire, Microsoft PowerBI…
• Concilier indépendances utilisateurs et respect des procédures internes.
• Evolution du rôle du département informatique.
• Mise en place d’un CCBI (Centre de Compétences en BI).
• Comment industrialiser une solution de BI agile.

La modélisation des informations d’aide à la décision

Les objectifs de la modélisation

• Comment décrypter l’expression des besoins décisionnels.
• Comment définir et cadrer le périmètre du projet décisionnel.
• Agile Data Warehouse Design et «  Model Storming  ».
• La démarche de modélisation agile (BEAM).

La modélisation en étoile

• Faut-il re-modéliser les données des processus métier (BPR) ?
• Les composants de l’étoile : faits, indicateurs et référentiels.
• Comment éviter le foisonnement des agrégats et des indicateurs.
• Pourquoi faut-il éviter la modélisation des données «  en flocon  » ?

Les processus de pilotage

• Comment réconcilier MOA et MOE (BPI).

Comment garantir la fiabilité des consolidations (DQM).

• Les référentiels et la stabilité historique du périmètre (MDM).

La performance et l’évolutivité

• Quelles sont les réponses de la modélisation vectorielle ?
• La modélisation des évolutions dans les référentiels métiers.
• Comment garantir la cohérence des analyses transversales ou rétroactives.

Le portail décisionnel

Le Décisionnel et le Web

• Quelles «  interfaces  » aujourd’hui pour exposer l’information décisionnelle ?
• Comment profiter de l’ergonomie Web 2.0 : pour quels types de besoins et d’utilisateurs ?
• La Data Visualization : réalité des nouvelles interfaces pour le portail décisionnel.
• Comment choisir le bon compromis entre richesse fonctionnelle et simplicité d’utilisation.

Les composants du portail décisionnel

• Quelles sont les solutions aujourd’hui opérationnelles ?
• Quelles sont les contraintes liées à leur mise en œuvre ?
• Quels sont les apports réels de la Data Visualization pour le Décisionnel ?

L’intégration du portail décisionnel

• Les cibles Intranet, Extranet et Externet.
• Portail décisionnel et portail d’entreprise.
• Comment faire du Décisionnel une source de nouveaux services : le modèle de maturité de l’entreprise vers les DaaS (Data as a Service)

Ce que l’on appelle, à tort, l’Intelligence Artificielle

• Qu’est-ce que l’intelligence augmentée et l’automatisation des processus décisionnels.
• Explication des termes utilisés : machine learning, deep learning, predictive analytics…
• La démarche d’automatisation d’un modèle décisionnel.
• Construction de la matrice d’apprentissage.
• Choix des méthodes d’apprentissage.
• Boucle d’apprentissage.
• Présentation de cas pratiques d’automatisation de l’analyse de données.
• De l’apprentissage machine à la robotisation informationnelle.

La mise en œuvre du projet décisionnel

L’étude préalable

• Les facteurs clés du succès d’un Système d’Information Décisionnel.
• Comment mieux impliquer les directions générales et les utilisateurs.
• Quels sont les critères pour le lotissement du projet décisionnel ?
• Périmètre fonctionnel pilote : quelle définition optimum ?

Le groupe de projet

• Acteurs, rôles et livrables.
• Sous-traitance : quoi, quand, comment ?
• Les responsabilités MOA et MOE.
• Le rôle du DPO.

De l’expression des besoins à la modélisation

• Mise en place d’une démarche à deux niveaux : prototypage et industrialisation.
• Du Business Model Canvas (BMC) à l’industrialisation : les étapes concrètes.
• Jusqu’où aller dans l’expression des besoins ? Comment formaliser les besoins fonctionnels.
• Comment répartir les rôles entre maîtrises d’ouvrage et d’œuvre. Les livrables : objectifs et contenu.
• Modélisation vectorielle : quels vrais avantages ? Où sont les difficultés ?
• L’impact du RGPD.

L’approche spécifique de la recette

• Recette du Système Décisionnel : qui invoquer et comment ?
• Comment valider le retour sur investissement.
• Comment évaluer la qualité des données : que faire des données «  invalides  » ?
• Comment établir un cycle vertueux d’amélioration de la qualité des informations.
• Quels liens entre Système Décisionnel, Système Référentiel et Système informatique de Gestion ?

Le déploiement au-delà du projet pilote

• Extensions du projet décisionnel : domaine fonctionnel, historique, usages, données non structurées.
• Comment garantir la cohérence et la fiabilité des informations décisionnelles dans le temps.
• Quand et comment faire évoluer le cercle des utilisateurs du Système Décisionnel ?
• Comment passer d’une culture du Data Mart à un Système Décisionnel partagé.
• Comment gérer les impacts inévitables sur les Systèmes informatiques de Gestion.

MDM et Gouvernance : comment les intégrer dans le projet décisionnel

• Le projet Master Data Management : ce qu’il englobe.
• Quelles sont les conditions pour qu’une information devienne référentielle, et reste intègre ?
• Le Data Quality Management (DQM) et le Master Data Management (MDM) en prolongement du projet décisionnel.
• Etude de cas : Utiliser une base de données graphes pour cartographier les données de référence.
• La gouvernance des données : aperçu.
• La place du projet décisionnel dans le cadre de gouvernance.
• Le cas de la RGPD, et son impact sur le projet décisionnel, le MDM, et le cadre de gouvernance.