L'un des plus gros défis dans le déploiement d'analyses est que la connaissance reste cachée dans les outils qui sont utilisés pour construire les analyses. Une fois que la connaissance est emprisonnée dans l'un de ces outils, il devient difficile de partager cette logique de prise de décision avec les utilisateurs qui pourraient utiliser différents outils de requêtage et de reporting.
Je définis la connaissance comme les meilleures pratiques de l'entreprise pour une activité métier bien définie. Par exemple, quel est le meilleur moyen d'analyser l'introduction d'une nouvelle extension à une ligne de produit comme un nouveau gout pour un dentifrice, sur le marché des biens de consommation? Cela n'inclus pas seulement les données et les mesures, mais aussi ce qui constitue la performance normale pour chacun des métriques de support. Toute performance en dehors de 2 ou 3 déviations standard de la base pourrait être considéré comme exceptionnel. Je voudrais ensuite essayer de comprendre quel sont les mesures principales comme les écarts de prix par rapport à la concurrence, les ventes, la quantité et la qualité d'un support de vente, toute mesure de sortie de stock ou de distribution, d'inventaire, d'affichage, de coupons qui étaient en dehors des valeurs acceptables.
Les entreprises qui réussissent apprennent à intégrer leur connaissance dans leur entrepôt de données grâce à des techniques de la modélisation dimensionnelle au lieu de l'enfermer dans les outils. Et ces organisations tirent profit des cinq étapes du cycle de vie analytique (fournir des rapports, identifier les exceptions, déterminer les causes, modéliser les alternatives, suivre les actions) dans le processus des besoins métiers pour démêler leurs besoins de connaissance.
A la première étape, fournir des rapports, la base de la connaissance commence par s'assurer que vous avez les bonnes données avec le bon grain. Cette étape est critique pour définir la base de l'entrepôt de données avec des mesures standards, des dimensions conformes, des attributs communs, et la granularité la plus atomique pour fournir un vocabulaire commun à toute l'entreprise. Les techniques de modélisation dimensionnelle qui sont utiles dans l'étape de publication des rapports inclus les hiérarchies nommées qui supportent le reporting classique sur l'état actuel du business ainsi que les partitions de temps pour les besoins d'analyse en temps réel.
Dans l'étape des exceptions, la connaissance montre la richesse et la solidité des dimensions. Par exemple, disons que vous essayez d'identifier les entités métiers qui sont à l'origine de problèmes de performance. Les techniques de modélisation dimensionnelle comme la possibilité de creuser jusqu'au grain le plus fin, et de navigation qu'offre l'architecture de bus décisionnel, permet aux utilisateurs d'identifier les zones qui sont à l'origine de performances remarquables.
Dans l'étape d'identification des causes, les techniques de modélisation dimensionnelle comme les data-marts consolidés et les instantanés cumulés aident à comprendre les causes de ces performances exceptionnelles. Par exemple, disons que nous essayons de comprendre les goulots d'étranglements dans les activités comme le processus de retrait ou le suivi des commandes. Une application peut être construite avec un outil d'analyse de données pour retrouver les dates clés et calculer les écarts. Mais au lieu de cela, nous recommandons de concevoir cette logique dans l'entrepôt de données en utilisant la technique de l'instantané cumulé, ainsi les utilisateurs peuvent voir le déroulement du processus dans une seule base de données, sans tenir compte de l'outil qu'ils utilisent.
Dans les étapes d'évaluation des alternatives et de suivi des actions, les techniques de modélisation dimensionnelle comme les mini dimensions jouent un rôle pour capturer et utiliser les résultats des analyses. Par exemple, disons que votre processus d'analyse récolte les scores des clients en fonction des ventes, des ventes croisées, des achats de marque privée, la fraude par carte de crédit, visites de sites Web, des réponses par courriel et la perte de clientèle. Nous pourrions vouloir suivre ces résultats à travers le temps afin d'analyser l'impact d'une campagne marketing sur ces clients. Nous pouvons faire cela facilement pour suivre et partager cette connaissance en concevant ces scores dans l'entrepôt de données en utilisant des mini dimensions démographiques au lieu de les enfermer dans des endroits imprévisibles du schéma. Nous pouvons aussi utiliser les techniques architecturales comme un cache pour fournir rapidement les résultats .
Il y a de nombreuses techniques de modélisation dimensionnelle qui peuvent être utilisées pour s'assurer que la connaissance issue du cycle de vie analytique puisse être capturée dans l'entrepôt de données au lieu de l'enfermer dans les outils utilisés pour les analyses. Cela améliore les aptitudes de l'entreprise à capturer, partager et réutiliser leur connaissance.
Source originale: www.kimballgroup.com
Article original "Kimball Design Tip #45: Techniques for modeling intellectual capital", publié le 28 mars 2003.
Aucun commentaire:
Enregistrer un commentaire