Les étapes de mise en place d’un Système d’Information Décisionnel

Fév 17, 2022 | BI/dataviz

Les enjeux d’exploitation et de mise à disposition des données aux directions métiers deviennent clé pour les organisations. Ces problématiques impliquent de repenser son Système d’Information Décisionnel afin qu’il soit en capacité d’accueillir les challenges de demain. L’avantage d’un Système d’Information Décisionnel consiste à centraliser, unifier les données afin de disposer d’une vision globale et agrégée pour orienter et améliorer les prises de décisions.

Nouveau call-to-action

Le Système d’Information Décisionnel, cœur de la stratégie data

Un Système d’Information Décisionnel, ou plateforme data, se définit par un ensemble d’outils, de processus et de ressources qui permet de collecter, exploiter, restituer et partager les données à des fins de pilotage et d’aide à la prise de décision.

L’architecture, fondement du Système d’Information Décisionnel, doit prendre en considération de multiples axes comme :

  • Les besoins métiers courts, moyen et éventuellement long terme (pour limiter sa reconstruction dans le futur),
  • Les contraintes techniques de l’entreprise en termes de choix d’outils (IaaS, PaaS, SaaS), de sécurité, etc.
  • Les SLA (disponibilité).

Le Système d’Information Décisionnel permet aux organisations de disposer d’une vue agrégée et unifiée des données, afin d’avoir une vision précise de l’activité. Ce pilotage par la donnée permet d’analyser finement les événements passés pour mieux éclairer les décisions à venir. A titre d’exemple, une entreprise disposant de points de vente peut optimiser sa chaîne logistique et sa gestion des ressources humaines en réalisant des analyses à travers plusieurs axes d’études internes (catégorie de produit, période, points de vente, zone géographique, etc) et externes (météo, événements locaux, trafic routier, concurrence, etc).

Exemple d’architecture d’un Système d’Information Décisionnel

L’architecture d’un Système d’Information Décisionnel varie d’une organisation à l’autre. Il se compose d’un ensemble d’outils ayant chacun un rôle bien défini. Classiquement, les Systèmes d’Informations Décisionnels sont composés d’outils d’extraction et de collecte des données depuis les systèmes sources existants, d’un entrepôt central (data warehouse, data lake ou data hub) pour mettre à disposition la donnée dans un environnement commun, et d’outils de valorisation des données (data visualisation, data analyse, data science et machine learning).

Alors que le panel d’outils de gestion des données était jusqu’alors relativement limité il y a encore quelques années, on observe une multiplication du nombre de solutions qui permettent de répondre à des besoins spécifiques en matière de données (data catalog, data quality, MDM, data integration, data discovery, etc). Cette extension d’offres enrichit les possibilités des décideurs informatiques, mais complexifie la construction d’une roadmap technologique réaliste. En tant que cabinet de conseil data, nous observons une hausse des sollicitations en lien avec le cadrage, la définition de roadmap, l’audit et l’aide au choix d’outils.

Certaines organisations ne disposent pas de Système d’Information Décisionnel qui permettent d’unifier et valoriser leurs données. La data reste alors cloisonnée dans les outils et applications existants et ne sont limitées qu’à un seul et même usage.

D’autres disposent d’un Système d’Information Décisionnel basé sur des technologies obsolètes qu’ils souhaitent migrer vers une plateforme plus souple, ouverte et évolutive. Leurs objectifs étant de développer de nouveaux usages et de profiter des avantages liés aux technologies récentes.

Les étapes de mise en place d’un Système d’Information Décisionnel 

Inclure et acculturer les équipes métiers

La première étape consiste à installer une dynamique générale autour du projet de transformation data, à travers un dispositif d’acculturation. Cela permet de sensibiliser l’ensemble des parties prenantes au projet et de les projeter vers de nouveaux usages à forte valeur ajoutée. Cette étape à réaliser dès le début du projet permet de faire adhérer les futurs utilisateurs et de lever les résistances au fur et à mesure de l’avancée du projet.

La data étant un actif valorisable uniquement par l’usage, il est crucial de faire porter le projet SI décisionnel par les directions métiers, et non uniquement par la direction informatique. En intégrant un plan de transformation basé sur des « quick win » (nouveaux usages à expérimenter, reporting à réaliser rapidement), il est plus aisé d’installer une dynamique auprès des métiers.

La DSI est une pièce maîtresse dans un projet de Système d’Information Décisionnel, notamment lorsqu’il s’agit des arbitrages technologiques et de l’intégration au SI existant. L’identification des représentants à chaque point d’entrée des systèmes sources du projet permet de faciliter la récupération d’informations pour mieux accélérer la mise en œuvre.

Choix d’architecture et dimensionnement de la plateforme

L’architecture est le socle de votre projet décisionnel. Le choix de départ conditionne la mise en production des futurs cas d’usage. Cet arbitrage se fait généralement à travers des ateliers avec les équipes techniques et métiers afin de dimensionner la plateforme en fonction des besoins réels. En guise d’exemple, disons qu’il n’est pas utile de disposer d’un environnement hautement disponible (redondance des éléments d’architecture) pour répondre à des besoins de reporting 4 à 5 fois par jour pour 50 utilisateurs : le coût n’est pas en adéquation avec l’usage.

Pour choisir et construire l’architecture, il est important de disposer d’une vision globale et de cerner les cas d’usage attendus et connaitre les contraintes de l’entreprise. Cette macroanalyse des besoins, réalisée à travers une série d’ateliers, permet de délimiter le périmètre du projet d’un point de vue fonctionnel (besoins d’analyse, volumétrie de données, utilisation par les métiers…) et technique (partage des données, sécurité des accès, niveau de disponibilité de la plateforme…).

A titre d’exemple, une entreprise qui projette à moyen terme de développer des cas d’usage dans un contexte Big Data incluant des objets connectés aura besoin d’une architecture flexible qui pourra être renforcée par un datalake plus complexe. Ce besoin devrait être pris en considération dès la construction de l’architecture pour limiter de tout reconstruire dans 6 mois / 1 an.

Accélération du cloud

Les data centers étant dorénavant hébergés en France, les organisations se trouvent plus enclines à migrer leurs outils et données sur le cloud. On observe d’ailleurs une hausse fulgurante des migrations cloud dans de nombreuses organisations de tout secteur, privé comme public.

Les bénéfices du cloud et les offres packagées proposées par les fournisseurs ouvrent de nouvelles perspectives aux organisations qui souhaitent s’affranchir des lourds inconvénients du modèle on-premise (gestion des services infras, mises à jour, maintenance, etc). Le cloud permet de réaliser des économies de temps et de coûts, afin de se concentrer sur les missions essentielles à leur activité. C’est à la fois plus pratique et plus sécurisé.

Valider et retravailler la qualité de la donnée

La fiabilité des analyses et des prises de décision dépend étroitement de la qualité des données manipulées. Pour s’assurer que le Système d’Information Décisionnel soit un succès, il faut que les utilisateurs aient confiance en son contenu.

Cette confiance en la donnée passe par notamment par :

  • La création d’un dictionnaire de données pour partager à l’ensemble des utilisateurs les informations des données contenues dans le SID avec une définition unique et claire,
  • Les critères de bonne qualité de donnée mise à disposition :
    • Données conformes (format, standardisation…),
    • Données complètes (fort taux de renseignement),
    • Données cohérentes (pas de conflit entre données, pas de doublon),
    • Données exactes et justes (i.e. non périmées ou incorrectes).

Le travail d’amélioration de la qualité des données implique une démarche collaborative avec les utilisateurs finaux, les responsables des SI sources et les équipes de développement.

Des outils de data quality spécifiques existent sur le marché pour accélérer l’optimisation de la qualité des données. Les entreprises dont la dimension ne permet pas de budgétiser un tel outil peuvent utiliser le module d’analyse de ces outils, souvent gratuite, et traiter l’amélioration de la qualité des données avec l’ETL ; cela évite un surcout d’outillage mais rajoute un coût de développement plus important.

Nouveau call-to-action

Par Jérôme Fournier
Manager BI chez DataValue Consulting

 

La rédaction vous conseille

> Bonnes pratiques pour intégrer sa plateforme data au SI existant

> Data warehouse, data lake, data hub : quelles différences ?

 

Livre Blanc

Mise en œuvre d'une stratégie 
de qualité des données 

Livre Blanc

Feuille de route d'une stratégie
de Data Management 

Baromètre annuel de la data

Les priorités des décideurs
data en 2022 

Share This