Conseil 38: qu'est ce qu'une application analytique

Il y a de nombreuses discussions sur la nouvelle "coqueluche" de la communauté décisionnelle ... les applications analytiques. Les applications analytiques promettent de livrer une nouvelle valeur métier pour les organisations qui ont déjà fait d'importants investissements dans leur infrastructure et leurs compétences en matière d'entrepôt de données. Mais qu'entendons-nous quand nous disons "application analytique"? Et quelles sont les évolutions récentes dans l'industrie qui ont conduit à tout ce battage sur les applications analytiques?

Dans sa forme la plus simple, une application analytique n'est rien de plus que ce que la plupart des praticiens de l'entrepôt de données ont essayé de faire durant les deux dernières décennies avec les systèmes d'aide à la décision. Ces personnes diraient que l'application analytique est un processus de décision guidé et répétitif pour analyser la performance de l'entreprise. J'aimerais ajouter deux autres caractéristiques à cette définition; la collaboration, et une offre de valeur immédiate pour les métiers. Des exemples d'applications analytiques comprennent l'évaluation de la performance des vendeurs, l'analyse de la rentabilité des clients et l'analyse du pipeline de produits. Chacune de ces applications analytiques rassemble les éléments du besoin de l'entreprise, les processus de prise de décision immédiate, et les données. L'application permet ensuite de comprendre et d'impacter positivement la performance des entreprises.

Ainsi, le facteur sous-jacent pour les applications analytiques reste la demande de "gestion par les chiffres." Mais les applications analytiques sont devenus plus réalisables durant la dernière année. Il y a eu un certain nombre de développements qui attisent l'excitation, y compris:

• L'adoption généralisée de systèmes opérationnels intégrés pour la planification des ressources de l'entreprise (SAP, Oracle, PeopleSoft, Lawson, Great Plains), la gestion de la relation client (Siebel, Clarify, Onyx) et la gestion de la chaîne logistique (i2, Manugistics). Ceci a conduit à la normalisation de nombreux processus opérationnels. Ces systèmes intégrés fournissent une source de données opérationnelles immédiate, normée, relativement propre, et relativement accessible.
• La large acceptation de la modélisation dimensionnelle comme une discipline d'entrepôt de données raffiné, extensible, et centrée sur l'utilisateur.
• L'émergence de modèles dimensionnels intégrés pour les processus métier tels que les finances, les ressources humaines, la distribution, la fabrication, la vente, le service et le marketing. Ce sont en fait des packages d'applications analytiques pré-intégrés, destinés à des groupes d'utilisateurs finaux.
• L'intégration des liens entre sources et cibles pour les principaux systèmes opérationnels intégrés par des vendeurs comme Acta, Cognos, Informatica, PeopleSoft et SAP qui réduit le temps et les efforts nécessaires pour extraire et transformer les données de ces systèmes opérationnels et les charger les dans les modèles dimensionnels intégrés.
• Les efforts déployés par les organisations industrielles (FASB, SCOR, APICS) pour normaliser toute une gamme de mesures de la performance de l'entreprise. Cela facilite le développement de rapports pré-développés.
• L'homogénéisation des outils de requêtage et de reporting, et la capacité de ces outils à tirer parti des modèles dimensionnels. La plupart des outils offrent des fonctionnalités de avancées uniquement si les schémas sont des schémas dimensionnels.
• Les exigences d'entreprises étendues (clients et fournisseurs extérieurs à l'organisation) pour accéder à des indicateurs clés de l'entreprise en tant qu'élément fournissant un avantage concurrentiel.
• La prise de conscience croissante par les équipes des entrepôts de données que nous devons nous concentrer sur plus que l'extraction et l'organisation des données pour obtenir des résultats réels de l'entreprise. La gestion par les chiffres n'est pas limité à regarder simplement les chiffres.

Donc, j'espère que nous pourrons voir les nombreuses forces industrielles au travail pour nourrir l'acceptation et conduire la viabilité des applications analytiques. Mais pour profiter de ces développements, il est essentiel que nous comprenions la relation entre l'application analytique et ses utilisateurs et leurs préférences, les processus décisionnels et les données et exigences du modèle dimensionnel. Nous avons constaté que l'approche suivante nous aide à réunir tout cela:

1. Commencez par une définition et une compréhension claire de l'application analytique, y compris sa relation avec les initiatives fonctionnelles stratégiques de l'organisation et les leviers financiers.
2. Encadrez l'application analytique avec un processus de prise de décision dirigé qui est conçu pour guider les utilisateurs au delà des simples reporting  de gestion et opérationnels afin qu'ils utilisent l'application analytique pour la prise de décision immédiate.
3. Capturez les besoins des utilisateurs, les profils d'utilisation et les préférences, y compris les rôles, les responsabilités et les attentes.
4. Identifiez les besoins en données et modèles dimensionnels (faits, calculs, dimensions, attributs dimensionnels, grains, stratégie d'agrégation) nécessaires pour appuyer le processus décisionnel.
5. Comparez les listes de caractéristiques et les capacités des applications analytiques des divers fournisseurs afin de voir lequel d'entre eux répond à une règle 80-20 à la fois pour l'ETL et les rapports finaux de l'application. Idéalement 80% de vos besoins sont satisfaits sans développement spécifique, et les 20% restants peuvent être ajouté "gracieusement" à l'application.

Source originale: www.kimballgroup.com

Article original "Kimball Design Tip #38: Analytic application? what's that?", publié le 2 juillet 2002.