introduction à l’intelligence d ... - cours.etsmtl.ca · mti820− entrepôts de données et...

MTI820 −Entrepôtsdedonnéesetintelligenced’affaires

Introduction àl’intelligenced’affairesetauxentrepôtsdedonnées

C.Desrosiers

DépartementdegénielogicieletdesTI MTI820Hiver2011– ©S.Chafki,C.Desrosiers 1

Questions• Quelles sontvos expériences avecl’intelligence

d’affaires?

• Quelle est selon vous ladéfinition dece concept?

Avantdecommencer…1. Quelestlelienentrelescouchesetlabière?

2. PourquoilesservicesdeGoogle(Gmail,Calendar,Groups)sont-ilsgratuits?

Lelienentrelescouchesetlabière• Observations:

– Lesventesdebièressontparticulièrement importanteslesvendredisendébutdesoirée;

– Lesclientsquiachètentdelabièredurantcettepériodeonttendanceàacheterégalementdes… couches !

• Marketing:– Enplaçantcesdeuxproduitsprèsl’undel’autre,lesépiceriesaugmentent leursventesetleursprofits(stratégiedeventecroisée).

LeprincipeGoogle:• Touteinformationaunprix;• Google utilisesesservicespouracquérirgratuitementde

l’informationsursesusagers:– Analysedutextedescourriels(Gmail);– Profiletlistedescontacts(Google Groups);– Emploidutemps(GoogleCalendar);– etc.

• Cetteinformationestutiliséepourenvoyerdelapublicitécibléeauxusagers.

Exploitationdel’information

« Lesentreprisesquigèrentleursdonnéescommeuneressource stratégiqueetinvestissentdanslaqualité decelles-cisontenavancesurleurscompétiteurs,auniveaudelaréputationetdeprofitabilité »

−SondagePricewaterhouseCoopersGlobalDataManagement (2001)

• Métro/Loblaws /SuperC:– Entreprisesquivendent delanourritureOU;– Entreprisesquiexploitentdesconnaissancessur:

• Lespréférencesdesclients;• Lesbiaisgéographiques;• Lachaînelogistique;• Lecycledeviedesproduits;• Lesinformationssurlesventesdescompétiteurs.

Question• Enquoil’information diffère-t-elle desressources

matérielles ethumaines?

Caractéristiquesdel’information• Temporelle:

– Lavaleurdiminueavecletemps;– Ex:actionsenbourse,achatsdesclients,etc.

• Partageable:– Peutêtrecopiéeetdistribuéefacilement;– Ex:réseauxsociaux,leWeb, lesmédias,etc.

• Valeuraugmenteavecl’usage:– Nesedégradepascommed’autresressources(ex:unevoiture);

– Ex:algorithmePageRank deGoogle.

Caractéristiquesdel’information• Valeuraugmenteaveclaqualité:

– Uneinformationerronéeouimprécisepeutnuire;– Ex:opérationsmilitaires.

• Valeuraugmenteaveclafusion:– Uneinformationpeutavoirdelavaleurquesielleestcombinée

avecd’autresinformations;– Ex:ventes+inventaire=planification.

• Valeurmesurable:– Historique:combienacoutél’acquisitiondecetteinformation?– Marché:combienunepersonneserait-elleprêteàpayerpour

obtenircetteinformation;– Utilité:quelle valeurpeut-onespérerobtenirdecette

information?

Question• Est-cequestockerbeaucoupdedonnéesestsuffisant

pouraiderlaprisededécisiond’uneentreprise?

Donnéesvsinformationsvsconnaissances

• Données:– Collectiond’élémentsdevaleurbruteoudefaitsservantà

calculer,raisonneretmesurer;– Peuventêtrecollectées,stockéesoutraitées;– Nepossèdentpasdecontextenidesens.

• Informations:– Proviennentdel’organisationdesdonnées,mettantenvaleur

lesrelationsentrelesdifférentsélémentsdecesdonnées;– Fournissentuncontexteetunsensauxdonnées.

• Connaissances:– Viennentdelacompréhensiondel’informationdansson

contexte;– Sontutilesauprocessusdedécision.

Question

• Exemplesdedonnées, informationsetconnaissancesdansledomainedelavente(ex:Amazon)?

Dedonnéesàstratégies

• Pyramided’abstraction:

Connaissancesetintelligence

Informations

Données

Tailledesdonnées

Niveaud’abstractio

Intelligenced’affaires:Ensembledeprocessus,detechnologiesetd’outils servantàtransformer:• Lesdonnéeseninformations;• Lesinformationsenconnaissances;• Lesconnaissancesenstratégies

menantàdesactionsprofitablesàl’entreprise.

Questions• Commentlemarchéd’aujourd’huidiffère-t-il d’il ya10,

20ou 30ans?• Pourquoi avons-nousbesoin del’intelligenced’affaires?

Questions• Commentlemarchéd’aujourd’huidiffère-t-il d’il ya10,

20ou 30ans?• Pourquoi avons-nousbesoin del’intelligenced’affaires?

• Tauxd’échecdeprojets:

• Causesfréquentesd’échecs:– Considérer troppeudescénarios/scénariospeuréalistes;– Êtreincapabled’anticiperlesactionsd’uncompétiteur;– Ignorerleschangementséconomiquesousociaux;– Prévoirincorrectementlademande.

Échecsdanslesprojets

Catégorie Tauxapprox.

Film(Hollywood) 60%

Acquisition/fusion 60%

TI 70%

Produitalimentaire 80%

Produit pharmaceutique 90%Source:Slywotzky etWeber(2007). TheUpside:The7StrategiesforTurningBigThreatsintoGrowthBreakthroughs

L’environnementd’affaires• L’environnement d’affairesestenconstanteévolution et

devientdeplusenpluscomplexe;

• Lesentreprisessontsouspression:ellesdoiventrépondrerapidement auxchangementsetinnoverdansleursmanièresd’opérer;

• Laprisededécisionsstratégiquesetopérationnellescomplexesrequiertunequantitéconsidérablededonnées etdeconnaissances;

• Lesdonnéesnécessairesàlaprisededécisionproviennentdesourcesdiversesethétérogènes;

• L’informationdecesdonnéesdoitêtretraitéetrèsrapidement.

Intelligenced’affaires• Businessintelligence (BI):

– Unensembledeconcepts,deméthodologiesetd’applicationspourrassembler,stocker,analyser,etpermettred’accéderdesdonnées, danslebutd’aiderlesutilisateursd’entreprisesdansleurprocessusdedécision.

• Inclut:– L’entreposage dedonnées;– Lesrequêtesetlereporting;– L’analysemultidimensionnelle (OLAP);– L’analysestatistique;– Laprédiction(forecasting);– Leforagededonnées(datamining).

Pourquoil’intelligenced’affaires?• Profitabilitéaccruedel’entreprise;• Diminutiondescoûts;• Meilleuregestiondesrelationsavecleclient(CRM);• Diminutiondesrisques;• etc.

Question• Qu’est-cequ’un entreprôtdedonnées etenquoicette

technologie diffère-t-elle desbasesdedonnéestransactionnelles?

OLTPvsOLAP• OnLine TransactionProcessing (OLTP):

– Traitement rapided’ungrandnombredecourtestransactionsfaitesen-ligne (ex:INSERT,UPDATE,DELETE)

– Intégritédesdonnéesdansunenvironnementconcurrentiel(c.-à-d.plusieursrequêtessimultanées).

• OnLineAnalytical Processing (OLAP):– Traitement rapidederequêtescomplexes(multiplestables,agrégationdedonnées,etc.)

– Objectif:assisterdanslaprisededécision.

Question• SystèmeOLTPouOLAP?:

a) Sertàcontrôleretexécuterlestâchesquotidiennes etfondamentales del’entreprise;

b) Renfermedesdonnéeshistoriquesconsolidées;c) Donneunportrait instantanédesprocessusd’affairesde

l’entreprise;d) Faitdesrequêtescomplexesimpliquantsouventplusieurs

tablesetfaisantl’agrégationdevaleurs;e) Donnéesmodéliséesàl’aided’ungrandnombrede

tableshautementnormalisées.

OLTPvsOLAPCritère OLTP OLAPBut Contrôleretexécuterlestâches

quotidiennesetfondamentalesdel’entreprise

Assisterdanslaplanification,larésolutiondeproblèmeetlaprisededécision

Typesdedonnées Donnéesopérationnelles(transactions)

Donnéeshistoriques consolidées

Sourcesdedonnées BD transactionnelles Entrepôtsdedonnéesoumagasinsdedonnées

Cequemontrelesdonnées

Portraitinstantanédesprocessusd’affairesdel’entreprise

Vuemultidimensionnelledeplusieursactivités d’affairesdel’entreprise

Insertionsetmises-à-jour Courtesrequêtes d’insertionetdemise-à-jourlancéesparlesusagersfinaux

Longs traitementsenlotservantàrafraichirlesdonnées

Requêtes Simplesrequêtesretournantquelques enregistrements(lignes)delaBD

Requêtescomplexes impliquantsouventplusieurstablesetfaisantl’agrégationdevaleurs

Tempsderéponses Instantané Quelquessecondesà1minutemax.

OLTPvsOLAPCritère OLTP OLAPEspace requis Relativementpetitsiles

donnéeshistoriquessontarchivées

Granddueauxdonnéeshistoriquesetauxdonnéesd’agrégation

ModélisationdelaBD Ungrandnombredetableshautementnormalisées

Moinsdetables,tablestypiquementdénormalisées,schémasen étoileouflocon

Sauvegardeetrécupération Faitde façonrégulière, critiquepourl’entreprise

Fait defaçonirrégulière,peutrécupérerdesdonnéesOLTP

Reporting Routinierettrèsciblé Adhoc,multidimensionnel, àpluslargeportée

Ressources requises SimpleDBMSrelationnel DBMSspécialisémulti-processeurs etàgrandecapacité

Nombre d’utilisateurssimultanés

Grand Petit

Quelquesdéfinitions• Entreposagededonnées(datawarehousing):

– « Lacopiepériodique etcoordonnée dedonnéesprovenantdediversessources, internesetexternesàl’entreprise,dansunenvironnement optimisépourl’analyse »

Quelquesdéfinitions• Lesentrepôtsdedonnées(datawarehouse):

– Centralisent lesdonnéesdel’entreprise;– Sontcontenusdansunenvironnement biengéré;– Possèdent unprocessuscohérentetrépétablepourchargerlesdonnéesprovenantdesapplicationsdel’entreprise;

– Reposentsurunearchitectureouverteetextensiblepouvantaccommoderlacroissancedesdonnées;

– Fournissentdesoutilspermettant auxusagersdetransformer lesdonnéeseninformationutileàlaprisededécision.

Historiquedesentrepôtsdedonnées

Naissancedelarechercheenmarketing.

Mesuresdelaperformanced’uneentrepriseetdel’impactd’unestratégiedemarketing.

1910 1920 1970… 1980 1990

Productionderapportsautomatiséssurmicro-ordinateurs(pasd’intégration).

DispersiondesdonnéescauséeparlesPC;PremièresolutionTeradata (RDBMS).

ArthurNielsen

CharlesCoolidgeParlin

RalphKimball

Naissancedel’entreposagededonnées;

BillInmon

Oracle,IBM,Microsoft,SAP,etc.

GIS,réseauxsociaux,Websémantique,etc.

Caractéristiquesdesentrepôtsdedonnées• Orientéssujet:

– Lesdonnéessontorganiséesparsujet(ex:clients,produits,ventes,etc.).

• Intégrés:– Lesdonnées,quiproviennentdediversessourceshétérogènes,

sontconsolidéesetintégréesdansl’entrepôt.

• Historiques:– Lesdonnéesonttrèssouventunecomposantetemporelle (ex:

dateetheured’unetransaction).

• Non-volatiles:– Unefoisinséréesdansl’entrepôt,lesdonnéesnesontjamais

modifiéesoueffacées;ellesontconservéespourdesanalysesfutures.

Question• Quels sont lesavantages d’utiliser lesentrepôts de

données?

Bénéficesdesentrepôtsdedonnées• Bénéficesdirects:

– Permettent demenerdesanalysespousséessurdifférentssujetsd’affaires;

– Fournissentunevueconsolidéedesdonnéesdel’entreprise(uneseulevérité);

– Procurentdel’informationdequalité,plusrapidement;– Libèrentlesressources(ex:serveurs)dédiéesautraitement destransactionsdestâchesd’analyse;

– Simplifientl’accèsauxdonnées.

Bénéficesdesentrepôtsdedonnées• Bénéficesindirects:

– Augmentent lesavoirdel’entreprise;– Procurentunavantageconcurrentielàl’entreprise;– Améliorent lasatisfactiondesclients;– Permettent demieuxgérerlesressources;– etc.

Bénéficesdesentrepôtsdedonnées• Autresbénéfices:

– Meilleurecommunication/coopérationentrelesdifférentsintervenants/branches d’uneentreprise:• RapprochentlesintervenantsdudomainedesTIetceuxdudomainedesaffairesenleurdonnantunobjectifcommun;

• Permettentd’intégreretdeconsoliderlesdonnéesdesdifférentesbranches;

• Fournituneplateformeetdesoutilsd’analysecommuns.

Architectured’unentrepôtdedonnées

Sélection

Sourcesdedonnées

ERP/CRM

Legacy

OLT/Web

Externes

ProcessusETL

Extraction

Transformation

Intégration

Chargement

Entrepôt dedonnées

Méta-données

Applications(visualisations)

Rapportsderoutine

Foragededonnées/textes

OLAP,tableauxdebord

Autres

Accès

Datamart(marketing)

Datamart(finances)

Datamart(clients)

Datamart(ventes)

API/In

tergiciels

Optionsansdatamart

Sourcesdedonnées• Enterpriseresource planning (ERP):

– Gèrentlesprocessusopérationnelsd'uneentreprise (ex:ressourceshumaines,finances,distribution,approvisionnement, etc.).

• Customerrelationship management (CRM):– Gèrentlesinteractionsd’uneentrepriseavecsesclients(ex:

marketing,ventes,après-vente,assistance technique,etc.).

• Systèmeslegacy:– Matérielsetlogicielsobsolètesmaisdifficilementremplaçables.

• Pointofsale(POS):– Matérielsetlogicielsutilisésdanslescaissesdesortiesd’unmagasin.

• Externes:– Ex:donnéesconcurrentiellesachetées,donnéesdémographiques.

Questions• À quoicorrespondleprocessus ETL?• Pourquoi ce processus est-il essentiel à l’entreposagede

données?

Intégrationdesdonnées• ProcessusExtract, Tranform, Load (ETL):

1. Extrairelesdonnéesdessourceshétérogènes:• Identifierlessourcesutiles;• Comprendre lesschémas.

2. Consoliderlesdonnées:• Donnéesredondantes/manquantes;• Différentsnoms/types;

3. Chargerlesdonnées intégréesdansl’entrepôt:• Modedifféré(batch);• Quasitemps-réel.

• Représentelapartielapluscomplexedel’entreposage.

Lesoutilsd’analysededonnées• Rapportsetrequêtessimples

– « Dismoicequis’estpassé ».

• AnalyseOLAP– « Dismoicequis’estpasséet pourquoi ».

• Tableauxdebordetscorecards– « Donnemoil’informationmaisnemefaitpastravaillerpourobtenirlesréponses ».

• Foragededonnées– « Dismoiquelquechosedenouveauetd’intéressantsansquej’ailleàledemander ».

Exempledetableaudebord(MSPowerpivot)

Casd’étude:PolicedeRichmond• Objectif:

– Réduirelecrimeenanticipantlesactivitéscriminelles.

• Données:– Donnéesactuellesethistoriquesd’appelsau911;– Informationsrelativesauxévénements delavilleetdesrégionslimitrophes;

– Conditionsmétéorologiques;– etc.

• Méthode:– Analyserlesinteractionsentrelesdonnéesactuellesethistoriques.

Casd’étude:PolicedeRichmond• Composantestechnologiques:

• Outildevisualisation:– Représentationdesindicateurssurlacartegraphiquedelaville.

Technologie Composante

Webfocus(InformationBuilders) Intégrationdesdonnées

SPSS(IBM) Analyseprédictive

ESRI Correspondancedynamiquedesinformationsgéographiques

Casd’étude:PolicedeRichmond

Casd’étude:PolicedeRichmond• Résultats:

– Affectationoptimaledesressourcespolicières;– Meilleureanticipationdesactivitéscriminelles;– Lecrimeaétéréduitde49%;– Moinsd’appelsau911.

introduction à l’intelligence d ... - cours.etsmtl.ca · mti820− entrepôts de données et...

Documents

mti820 entrepôts de données et intelligence d’affaires

conception des entrepôts et plates-formes logistiques

parcours étudiants à l’université du québec...

architecture des entrepôts de données

mti820 entrepôts de données et intelligence...

mti820 entrepôts de données et intelligence...

agrément des entrepôts d

normes construction entrepôts

l’intelligence territoriale

l’intelligence artificielle : potentiel et défis · le...

les entrepôts de données et l'analyse de données

l’intelligence d’un process

gestion des entrepôts

toutes les informations entrepôts magasins · 2015. 11....

conception des entrepôts et plates-formes logistiques...

chapitre préliminaire entrepôts de données

les entrepôts de données

entrepôts du commerce et de la grande distribution

accidents impliquant des entrepôts / 1ère partie

dtz property times france entrepôts t4 2013