Retrouvez la première partie de l’article ici.
Pourquoi avez-vous encore besoin d'un entrepôt de données, même avec l'implémentation Big Data ?
Choisir une solution Big Data n’élimine pas le besoin d’entreposer les données ; en effet si vous décidez de mettre en place un système d’aide à la décision, vous allez toujours envisager de mettre en place un entrepôt de données dans votre architecture Big Data, car cela permet d’organiser les données de manière à garantir la crédibilité et l’intégrité de l’entreprise4.
Selon Jarkeet al3, un entrepôt de données est un « ensemble de technologies visant à permettre au travailleur intellectuel (cadre, gestionnaire et analyste) de prendre des décisions plus rapides et plus efficaces. On s’attend à ce que les bonnes informations soient au bon endroit, au bon moment et au juste coût, afin de prendre la bonne décision ». Pour atteindre cet objectif, les systèmes doivent fournir un accès efficace à toutes sortes de données provenant de sources d’information différentes, y compris hétérogènes et autonomes.
En d’autres termes, et selon Bill Inmon4, une solution Big Data est une technologie tandis qu’un projet de stockage de données concerne une architecture. Ils sont différents de par leur nature, mais tous deux remplissent une vision et des objectifs business.
Les projets Big Data et les projets d'entrepôt de données répondent tous à une vision et à des objectifs business.
Au final, le but d’un projet d’entrepôt de données est d’aider une organisation à atteindre ses objectifs en fournissant des informations adéquates pendant le processus de décision. Lorsque cet objectif n’est pas atteint, le projet est considéré comme ayant échoué5.
McNulty6 a également préconisé que la vision d’entreprise soit une composante essentielle des projets Big Data. La Vision peut être ajoutée aux 7 composants déjà identifiés : Volume, Variety, Velocity, Value, Verification, Validation et Visibility. Un manque de vision réduira le retour sur investissement d’un projet Big Data et privera l’organisation de tous les avantages commerciaux potentiels et de l’augmentation de revenus.
Les composants sont, en effet, interdépendants (voir figure 1) : « La vision n’est rien d’autre que la valeur délivrée de manière cohérente à court et long terme. La valeur, à son tour, peut également influencer et façonner la vision. Comme les entreprises découvrent la valeur, parfois de manière inattendue ou dans des lieux inattendus, sous la forme de nouveaux revenus, de réductions de coûts, de nouveaux espaces de marché et de nouvelles découvertes, elles peuvent façonner et redéfinir la vision d’une organisation. »
Figure 1: Big Data et ses composants interdépendants
Le Volume, la Vitesse et la Variété dépendent de la nature des données, de leur utilisation et du problème que les données sont censées résoudre. Ces composants sont donc liés : ils varient d’un problème ou d’un projet à l’autre.
La Vérification et la Validation sont associés aux processus de nettoyage des données. « L’étendue et la qualité de la vérification et de la validation auxquelles un ensemble de données est soumis, dépendent de la nature du problème, des besoins des utilisateurs, des risques associés et des considérations de coût »1.
Le composant Visibilité est affecté par le plus grand nombre de facteurs : besoins des utilisateurs, sensibilité temporelle des données, demande du marché, valeur de l’utilitaire, etc. « Plus le jeu de données est grand, plus les outils et techniques de visualisation sophistiqués sont importants. »1
Comment aligner les objectifs du projet avec la vision stratégique de l’entreprise ?
L’analyse des besoins est une activité clé pour assurer le succès de tout projet de transformation digitale par les données. Sinon, il est impossible de comprendre le contexte business dans lequel le projet doit s’insérer. C’est une étape essentielle dans la mesure où tout projet de transformation vise à fournir des informations pour la prise de décision et à atteindre des objectifs business5.
Définir les objectifs des parties prenantes est la base du cahier des charges des entrepôts de données. Nous utilisons la même approche pour définir les objectifs business de tout projet de transformation digitale par les données. Dans cette approche, les objectifs business qu’un projet de transformation vise à atteindre peuvent se voir dans une hiérarchie d’objectifs imbriqués : les objectifs stratégiques, les objectifs de décision, puis les objectifs d’information5 :
- Objectifs stratégiques sont les principaux objectifs de l’organisation ; ils visent à engager l’organisation dans un voyage et sont liés à la vision définie ci-dessus.
- Objectifs de décision aident à atteindre les objectifs stratégiques ; ils ne se produisent que dans le cadre d’un objectif stratégique spécifique. Par exemple, objectif stratégique : “augmenter les ventes”, objectif de décision : “ouvrir de nouveaux magasins”.
- Objectifs d’information rassemblent les informations nécessaires pour prendre une décision et, par conséquent, atteindre un objectif de décision.
Dans la phase amont du projet de transformation des données, les objectifs stratégiques de l’entreprise doivent être mis en corrélation avec les objectifs du projet et vice versa : le projet doit avoir des objectifs qui répondent à certains des objectifs stratégiques de l’entreprise. Une fois que vous avez sélectionné les objectifs de l’entreprise qui auront un impact sur les objectifs du projet et répertorié les objectifs du projet correspondant, vous obtenez une liste hiérarchisée des objectifs du projet.
Cela permettra d’obtenir un retour sur investissement rapide.
Références :
- Gupta, U. G. & Gupta, A. Vision: A Missing Key Dimension in the 5V Big Data Framework. J. Int. Bus. Res. Mark. 1, 50–56 (2016).
- Wang, Y., Kung, L. & Byrd, T. A. Big data analytics: Understanding its capabilities and potential benefits for healthcare organizations. Technol. Forecast. Soc. Change 126, 3–13 (2018).
- Jarke, M., Lenzerini, M., Vassiliou, Y. & Vassiliadis, P. Fundamentals of Data Warehouses. (Springer Science & Business Media, 2013).
- Inmon, B. Big Data Implementation vs. Data Warehousing. b-eye-network (2013). Available at: http://www.b-eye-network.com/view/17017. (Accessed: 6th April 2018)
- Mazón, J.-N. Designing data warehouses: from business requirement analysis to multidimensional modeling. REBNITA (2005).
- McNulty, E. Understanding Big Data: The Seven V’s. Dataconomy (2014).
Anne-Sophie Merot
Consultante Senior, Hardis Group
Partager sur :
