Recherche avancée
Par formation
Par date
Par ville
logo HUB Formation
Organisme de Formation
aux Technologies et métiers de L'informatique
La pédagogie au service de la technologie
> > > Décisionnel : du reporting à l'analyse prédictive

Décisionnel : du reporting à l'analyse prédictive

Architectures, modélisation, outils, mise en œuvre pratique, évolution.

En trois journées denses et illustrées de nombreux exemples pratiques, ce séminaire dresse un état de l’art pragmatique du Décisionnel. Pour chacune des phases de construction du Système d’Information décisionnel, sont mis en évidence les options possibles, les difficultés de mise en œuvre et les enseignements en termes de bonnes pratiques.

Objectifs

  • Comment améliorer concrètement le suivi et le pilotage des activités d’une entreprise et optimiser ses processus métiers. Comment favoriser l’exécution de la stratégie de la direction générale.
  • Comment le décisionnel se place-t-il au cœur de la transformation numérique et de l’entreprise orientée données ?
  • Quelle architecture retenir pour le Système Décisionnel ? Pour quel type de projet ? Quel est le rôle du Data Warehouse au cœur du Système d’Information décisionnel ? Quels sont les scénarios potentiels d’évolution vers le Big Data, et la place du Data Lake ?
  • Comment architecturer les informations décisionnelles et construire le modèle de données métiers (modèle en étoile). Comment maîtriser les flux d’intégration des informations référentielles (Master Data Management), des données événementielles (Business Process Intelligence) et de restitution des indicateurs (Data Visualization).
  • Quels niveaux de décisionnel choisir : pilotage, analyse, suivi opérationnel ou temps réel ? Quels sont les points clés de la mise en œuvre ?
  • Comment passer des PoC (Proof of Concept) aux PoB (Proof of Business) ?
  • Quelle organisation de projet mettre en place ? Quels sont les rôles des différents acteurs de la maîtrise d’ouvrage et de la maîtrise d’œuvre dans un projet de Business Intelligence ? Comment pratiquer l’approche agile dans un projet décisionnel.

Public

  • Directeurs et chefs de projets décisionnels,
  • concepteurs,
  • ingénieurs d’études,
  • consultantsdirections informatiques et directions fonctionnelles,
  • maîtrise d’ouvrage et maîtrise d’oeuvre,
  • Product Owner.

Prérequis

  • Connaissances de base en Systèmes d’Information

Programme de la formation

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