4-705-96 Syst mes d information en gestion

1. 4-705-96Systèmes d’information en gestion Séance 9 : L'intelligence d'affaires(BI) et les entrepôts de données (DW)

2. Lien avec les séances antérieures

3. Lien avec les séances antérieures

4. Lien avec les séances antérieures

5. Plan du cours

6. Lien avec les séances antérieures Après l’optimisation et l’intégration de processus, nous examinerons les applications plus importantes pour les organisations contemporaines. Pour commencer, les applications d’intelligence d’affaires.

7. La Banque de Montréal (BMO) (155 milliards de dollars US) a décidé de miser sur les clients plutôt que sur les produits. Pour ce faire, elle a besoin d’avoir accès à des informations qui sont normalement distribuées à travers de nombreux départements. BMO a déployé un outil d’exploration de données (« data mining ») en temps réel qui permet de classifier un client selon sa profitabilité, ses préférences pour acheter certains produits ou même sa tendance à changer de banque. Cet outil explore une base de données d’environ 8 terabytes (18 millions de comptes à travers 32 différentes lignes d’affaires). MBO a conclu que, malgré le coût, cette initiative était nécessaire pour se maintenir en bonne position par rapport à ses concurrents. Source: Bank Systems & Technology, 2001. Situation 1

8. Pizza Hut a bâti un entrepôt de données avec des millions de données sur les clients (40 millions de maisons). Pendant 6 ans, des analystes ont utilisé un petit échantillon de données. Ils ont conclu qu’ils ne pouvaient pas faire de prédictions ou d’analyses précises. Il y avait beaucoup d’erreurs et d’inconsistances. Dans la première année d’utilisation d’une « vraie » solution d’intelligence d’affaires, ils ont récupéré le coût d’investissement et de formation. Maintenant, Pizza Hut peut envoyer le meilleur coupon à chaque maison, segmenter les clients selon leurs comportements d’achat et préférences et prédire le succès de chaque campagne. Source: Computing Canada, 2003. Situation 2

9. Desjardins, avec 600 caisses et 1000 centres de service, a décidé de réduire les outils « maisons » et d’investir dans un outil commun pour l’ensemble du réseau. Desjardins voulait supporter la prise de décision des dirigeants et des gestionnaires avec un outil de surveillance et de détection de problèmes, capable de démontrer la progression de la caisse face à ses résultats et de présenter l’information dans un environnement dynamique. Le projet d’intelligence d’affaires a commencé en 2002 avec une approche progressive. Maintenant Desjardins a environ 2000 utilisateurs de tableaux de bord dans plus de 700 sites. Source: Information de Gestion, 2004. Situation 3

10. Qu’est-ce que ces trois situations ont en commun?

11. Plan de la séance La définition d'intelligence d'affaires et d'entrepôt de données Le cycle d'intelligence d'affaires Comment identifier, collecter et analyser les indicateurs de performance. Les enjeux pour mettre en place une solution d'intelligence d'affaires.   Les différents approches : l'approche "française" et l'approche  du tableau de bord équilibré ("Balanced Scorecard"). Complémentaire : le marché de BI et les principaux éditeurs.

12. Extraire de l’imposante masse de données tous les secrets qui s’y cachent et dont la connaissance servirait entre autres à appuyer la prise de décision au niveau stratégique et tactique, juste à temps et reposant sur des informations fiables. Voilà ce qui constitue l’objet d’étude de l’intelligence d’affaire, ou BI (« business intelligence ») : une réponse aux besoins actuels d’information pour la prise de décision par l’utilisation intensive des technologies de l’information. L’objectif de l’intelligence d’affaires

13. Définition d’intelligence d’affaires L’intelligence d’affaires (BI) est un processus qui permet d’analyser les données de l’organisation et de l’environnement afin de prendre des décisions pertinentes. Il s’agit d’un ensemble de méthodologies pour la définition des informations, des métriques et des indicateurs de performance corporatifs … Tableaux de bord prospectifs (« balanced scorecard ») … et aussi d’une variété de logiciels et de bases de données pour soutenir la collecte, la consolidation, l’analyse et la dissémination de ces informations.

14. Les systèmes d’entreprise en silo

15. La notion de « bases de données »

16. Les systèmes de gestion intégrés

17. Progiciel de gestion intégré

18. Intelligence d’affaires ou BI (business intelligence)

19. Intelligence d’affaires ou BI (business intelligence)

20. Pourquoi la base de données unique des ERP n’est pas suffisante?

21. La notion de « données analytiques »

22. Structure informatique dans laquelle est centralisé un volume important de données consolidées à partir des différentes sources de renseignements d'une entreprise (notamment les bases de données internes) et qui est conçue de manière que les personnes intéressées aient accès rapidement à l'information stratégique dont elles ont besoin.  Entrepôt de donnéesData warehouse

23. Entrepôt de donnéesData warehouse

29. Les outils ETC (= ETL)

32. Exemples d’applications analytiques « BI »

35. Technique de recherche et d'analyse de données, qui permet de dénicher des tendances ou des corrélations cachées parmi des masses de données, ou encore de détecter des informations stratégiques ou de découvrir de nouvelles connaissances en s'appuyant sur des méthodes de traitement statistique. lle est utilisée dans le monde professionnel pour résoudre des problématiques très diverses, allant de la gestion de la relation client (CRM) à de la maintenance préventive, en passant par de la détection de fraudes ou encore de l'optimisation de sites web. Exploration des donnéesData mining

36. Data mining au sein de Bell Canada : APPLICATIONS

37. Exemples d’applications « BI »

38. Analyse OLAP (On Line Analytical Processing) Un outil OLAP est capable de fournir une information multidimensionnelle partagée pour l'analyse rapide. Traitement informatique qui permet d’extraire et de voir de manière sélective les données selon différents points de vue. Conjugué avec le forage de données, il permet de trouver des relations entre les données jusqu’ici inconnues

39. Données sur ventes de voitures Dimensions: Fabricant Couleur Année Analyse OLAP

40. Business Intelligence – (M)(R)OLAP(MicroStrategy)

42. Exemples d’applications « BI »

43. Tableaux de bord

44. Tableau de bord 

47. La méthode OVAR

48. Méthodologies pour définir les informations Méthode OVAR = Objectifs et variables d’action Méthode BSC = Tableau de bord équilibré ou Balanced Scorecard

49. La méthode OVAR

50. OVAR

51. Comment intégrer les informations de différents secteurs ? Étape I – Discussion de la vision et des objectifs globaux de l’entreprise Détermination des objectifs globaux de l’entreprise (Niveau N) Détermination des variables d’action de l’entreprise (Niveau N) Choix des indicateurs de l’entreprise (Niveau N) Étape II – Attribution des responsabilités Analyse de la délégation Étape III – Conception des grilles objectifs / variables d’action Les variables d’action de l’entreprise deviennent les objectifs des gestionnaires (Niveau N-1) Détermination des variables d’action des gestionnaires (Niveau N-1) Choix des indicateurs (Niveau N-1) Étape IV - Mise en forme du tableau de bord

52. Exemple de tableau de bord OVAR pour la production

53. Exemple de tableau de bord OVAR pour la production

56. BSC pas à pas Mission, valeurs, vision, stratégie (basées sur des interviews) Objectifs et Mesures (Où? Rapports, journaux, plans, etc.) Continuons-nous à nous améliorer et à générer de la valeur ? L’axe d’innovation et d’apprentissage Quels sont les processus dans lesquels nous devons exceller afin de créer de la valeur pour les clients ? L’axe processus interne Comment peut-on montrer que la stratégie est une réussite sur le plan financier ? L’axe financier Comment nos client nous considèrent-ils ? L’axe client

58. Tableau de bord prospectif (balanced scorecard)

59. Exemple de flux des causes et des effets

60.

61. Les 10 plus grands défis du BI Contraintes budgétaires Qualité des données Compréhension et gestion des attentes des utilisateurs Changement culturel nécessaire Temps nécessaire pour l’implantation Intégration des données Formation et entraînement Justification du retour sur investissement (ROI) Analyse des règles et des processus d’affaires Support de la direction

62. Des stratégies pour surmonter les défis

63. Lectures pour la Séance 10 O’Brien, J.A. and Marakas, G.M. “Management Information Systems”, Eighth edition, Mc Graw Hill, 2008. Chapitre 8 – pages 286-295; Chapitre 9 An Executive's Guide to CRM

64. Matériel complémentaire (pour consultation future)

69. Les composantes d’une solution BI

70. Les composantes d’une solution BI

71. Guide d’achat - intelligence d’affaires Les produits de « reporting »

72.

74. Les produits de « reporting » Les produits OLAP Les produits de forage de données (data mining) Les produits du type portail Les produits complets Oracle, IBM, Cognos, Microsoft, Holos (Seagate), Commander Decision (Comshare) Les produits orientés métiers (Hyperion – analyse financière) Les agents (Detect et Alert – Comshare)

76. Les composantes d’une solution BI

78. Les bases de données relationnels, multidimensionnels ou hydrides

79. http://dev.hyperion.com/resource_library/articles

81. Les composantes d’une solution BI

82.

84. Les choix des progiciels Questions à répondre : Où va-t-on ? Où souhaite aller l’entreprise ? Quelles sont les attentes des utilisateurs? Quels sont les moyens à votre disposition? Quelles sont les contraintes? Comment y aller ? (En termes de coûts, de moyens et de délais). Bâtir une échelle de critères. Réquisition de proposition (RFP). . .

85. Links:http://www.salonbi.com/fr/partenaires.htmlhttp://www.dmreview.com/rg/resources/demos.cfm?CFID=46334970&CFTOKEN=59579593

86. Métadonnées Définition : Données qui renseignent sur la nature de certaines autres données et qui permet ainsi leur utilisation pertinente Dictionnaire à propos des données destiné aux diverses catégories d'utilisateurs Documente l'origine et la nature des données stockées dans l'entrepôt, Présente comment les données sont structurées dans l’entrepôt (les différents modèles de données et les règles de gestion de ces données) Précise comment avoir accès aux données et comment les interpréter