business intelligence | state of the art

55
Business Intelligence Business Intelligence Shubham SHARMA Shubham SHARMA Kévin Gomes Kévin Gomes Maximilien Acier Maximilien Acier Because Data matters Because Data matters 1

Upload: shubham-sharma

Post on 19-Jul-2015

423 views

Category:

Technology


2 download

TRANSCRIPT

Page 1: Business intelligence | State of the art

Business IntelligenceBusiness Intelligence

Shubham SHARMAShubham SHARMAKévin GomesKévin GomesMaximilien AcierMaximilien Acier

“ Because Data mattersBecause Data matters

11

Page 2: Business intelligence | State of the art

Notre programmeNotre programme

Shubham SHARMAShubham SHARMAKévin GomesKévin GomesMaximilien AcierMaximilien Acier

Intro BI

Outils / Methode de recup des données

BI entreprise / TCOM

Les étapes d’un projet BI

Outil décisionnel

Intelligence économique

22

Page 3: Business intelligence | State of the art

IntroductionIntroduction

Shubham SHARMAShubham SHARMAKévin GomesKévin GomesMaximilien AcierMaximilien Acier

L'entrepriseL'entreprise

33

Page 4: Business intelligence | State of the art

IntroductionIntroduction

Shubham SHARMAShubham SHARMAKévin GomesKévin GomesMaximilien AcierMaximilien Acier

Les données de l'entrepriseLes données de l'entreprise

Données clients et utilisateurs

Données de présentation

Fichiers financiers Indicateurs de performance

Données geographiques Patrimoine fonctionnel

44

Page 5: Business intelligence | State of the art

IntroductionIntroduction

Shubham SHARMAShubham SHARMAKévin GomesKévin GomesMaximilien AcierMaximilien Acier

L'organisationL'organisation prends des decisions en basant sur ces données prends des decisions en basant sur ces données

55

Page 6: Business intelligence | State of the art

IntroductionIntroduction

Shubham SHARMAShubham SHARMAKévin GomesKévin GomesMaximilien AcierMaximilien Acier

Les propres données de l'entreprises sont essentielles Les propres données de l'entreprises sont essentielles

Pour connaitre l'état de son marché

Afin de savoir comment elle va performer demain

Optimiser ses couts et dépenses

Mieux comprendre ses clients

66

Page 7: Business intelligence | State of the art

IntroductionIntroduction

Shubham SHARMAShubham SHARMAKévin GomesKévin GomesMaximilien AcierMaximilien Acier

Directeur GénéralNawrocki Corp.

Une entreprise de transactions

de Carte de crédit

Ses intérogationsSes intérogations

Combien de transactions par jour ?

Quel est son profit (comptable vs

commerciale)?

Combien de transaction avortées ?

Quel est l'origine de mes transactions ?

Quel est le type de transaction le plus

courant ?

Qui sont mes concurrents ?

Comment il va pouvoir réduire ses

couts

77

Page 8: Business intelligence | State of the art

IntroductionIntroduction

Shubham SHARMAShubham SHARMAKévin GomesKévin GomesMaximilien AcierMaximilien Acier

Directeur GénéralNawrocki Corp.

Une entreprise de transactions

de Carte de crédit

BusinessBusinessIntelligenceIntelligence

CompetitiveCompetitiveintelligenceintelligence

==++

Here and now

Future

88

Page 9: Business intelligence | State of the art

IntroductionIntroduction

Shubham SHARMAShubham SHARMAKévin GomesKévin GomesMaximilien AcierMaximilien Acier

Définition et introductionDéfinition et introduction

La BI est une solution informatique permet de collecter,d'analyser et de traiter toutes les données de l'entreprise selondes critères spécifiques ou externeLes résultats de cette analyse permettent aux dirigeants d'obtenirune vue globale sur leur activité, une meilleur compréhension ducomportement de leurs clients et une meilleure réactivité face aumarché

99

Page 10: Business intelligence | State of the art

Business intelligence, Business intelligence,son Histoire

Shubham SHARMAShubham SHARMAKévin GomesKévin GomesMaximilien AcierMaximilien Acier

Aujourd'hui1965

Création d’un système d’exploitation

comportant un SGBD

Premier système où le logiciel et les

données sont séparées

Dick Pick

1976

Création de SAS

1989

"Big Data"

Croissance

exponentielle des

données a traité au

cours des dernières

années

Howard Dresner (Gartner),

popularise pour la première fois

le terme « Business

Intelligence »

Wal - Mart doit gérer 460 To de

données

1010

2005

Page 11: Business intelligence | State of the art

Les Outils de BILes Outils de BI

Shubham SHARMAShubham SHARMAKévin GomesKévin GomesMaximilien AcierMaximilien Acier

ETL

Phase D'alimentation Phase de Modélisation Phase de restitution Phase d'analyse

SGBD/R

ERP

WEB

Call Center

DWH

Cubes

Datamarts

Bases dédiées

Achats

Ressources

Humaines

outils de restitution et

pilotage

outils d'analyse

et datamining

Entrepôt de

données

DataWareHouse

1111

Page 12: Business intelligence | State of the art

Les Outils de BILes Outils de BI

Shubham SHARMAShubham SHARMAKévin GomesKévin GomesMaximilien AcierMaximilien Acier

Phase D'alimentationETL

Datawarehouse

SGBD/ERP/PGI

CRM-SCM

bureautique, fichiers access,excel ... et autre système

Chaque entreprise possède ses propres

systèmes, sa propre logique de

fonctionnement, sa propre culture. Un

ETL va essayer de prendre toutes les

données de l'entreprise et les mettre

dans un DW

1212

Page 13: Business intelligence | State of the art

Les Outils de BILes Outils de BI

Shubham SHARMAShubham SHARMAKévin GomesKévin GomesMaximilien AcierMaximilien Acier

Phase D'alimentation

L'ETL, une étape critiqueReprésente 70% d'un projet BI en moyenne

Coeur de l'outil : système complexe ne devant rien laisser s'échapper, sous peine d'avoir de mauvaise informationdans l'entrepôt, donc des données fausses, donc inutilisables..

But de l'outil :- Dé-normalisées : dans un DWH (Data Warehouse), les données apparaissent là où elles doivent apparaître.- Nettoyées : dans un système de production, les utilisateurs entrent les données. Les risques d'erreurs sont là. Il fautpouvoir détecter et corriger ces erreurs.- Contextualisées : Un entrepôt de données possède une vision universelle - Chargées en DWH : il s'agit ici d'ajouter les nouvelles lignes, voir si des lignes ont été modifiées et faire une gestiond'historique, voir si des lignes ont été supprimées et le mentionner dans l'entrepôt, tout en faisant attention de ne pascharger des données en double.

Tout est critique et sujet à contrôle dans un ETL!

1313

Page 14: Business intelligence | State of the art

Les Outils de BILes Outils de BI

Shubham SHARMAShubham SHARMAKévin GomesKévin GomesMaximilien AcierMaximilien Acier

Phase D'alimentation

TransformationExtraction Chargement3 méthodes :

Push : "pousse" les données versle Staging. Si le système estoccupé, il ne poussera jamais lesdonnées.

Pull : "tire" les données de lasource vers le Staging. peutsurcharger le système s'il est encours d'utilisation.

Push-Pull : le mélange des deuxméthodes. La source prépare lesdonnées à envoyer et prévient leStaging qu'elle est prête. LeStaging va récupérer les données.Si la source est occupée, leStaging fera une autre demandeplus tard.

Travail a effectuer :

Quels sont les champs les plussujets à erreurs ?

Ai-je les moyens de corriger leserreurs automatiquement ?

Comment permettre à unutilisateur de corriger les erreurs?

Quelle politique vais-je utiliserpour le traitement des erreurs(fichier log, table dans BD) ?

Comment montrer à l'utilisateurfinal que des données n'ont pasété totalement chargées à caused'erreurs ?

Travail a effectuer :

Que faire si un chargement échoue ?Ai-je les moyens de revenir à l'état

avant le chargement ?Puis-je revenir dans le temps d'un

chargement donné ?Comment valider mon chargement,

comment détecter les erreurs ?

1414

Page 15: Business intelligence | State of the art

Les Outils de BILes Outils de BI

Shubham SHARMAShubham SHARMAKévin GomesKévin GomesMaximilien AcierMaximilien Acier

Seconde phase : La modélisation

Le Data Warehouse

Centre de stockage, "l'entrepôt" du système.Récupère l'information, la stocke, l'enregistre et lamets à disposition des utilisateurs avancésCentralise et uniformise les donnéesSéparation des parties opérationelles (base de donnée)et décisionnelles (outils de reporting)Performance d'un DW sur plusieurs critères:redondance, sauvegarde, reprise sur incidents...

1515

Page 16: Business intelligence | State of the art

Les Outils de BILes Outils de BI

Shubham SHARMAShubham SHARMAKévin GomesKévin GomesMaximilien AcierMaximilien Acier

Seconde phase : La modélisation

Le Data Warehouse : données

Seule la lecture est possible: pas de perte de données(non volatile)Intégration de données hétérogènes depuis l'ETLToutes les données sont conservées,archivées ethistorisées: à la différence des SGBD qui supprime etremplace les données

1616

Page 17: Business intelligence | State of the art

Les Outils de BILes Outils de BI

Shubham SHARMAShubham SHARMA

Kévin GomesKévin Gomes

Maximilien AcierMaximilien Acier

Seconde phase : La modélisation

Le Data Warehouse : Architecture

Trois types d’architecture technique de DW: SMP, MPP etCLUSTER (SPP)

Symetric Multi-Processing (SMP)

Une seule "grosse" machineMultiples processeurs mis en parallèle avec partage demémoireRecommandé pour les "petits" DW (inférieur à 50To)

1717

Page 18: Business intelligence | State of the art

Les Outils de BILes Outils de BI

Shubham SHARMAShubham SHARMAKévin GomesKévin GomesMaximilien AcierMaximilien Acier

Seconde phase : La modélisation

Le Data Warehouse : architecture

1818

Page 19: Business intelligence | State of the art

Les Outils de BILes Outils de BI

Shubham SHARMAShubham SHARMA

Kévin GomesKévin Gomes

Maximilien AcierMaximilien Acier

Seconde phase : La modélisation

Massively Parallel Processing (MPP):

Plusieurs machines physiquesGrand nombre de processeurs disposant de leurpropre mémoireIdéal pour les gros DW, calculs poussés

Le Data Warehouse : architecture

1919

Page 20: Business intelligence | State of the art

Les Outils de BILes Outils de BI

Shubham SHARMAShubham SHARMA

Kévin GomesKévin Gomes

Maximilien AcierMaximilien Acier

Seconde phase : La modélisation

Le Data Warehouse : architecture

2020

Page 21: Business intelligence | State of the art

Les Outils de BILes Outils de BI

Shubham SHARMAShubham SHARMA

Kévin GomesKévin Gomes

Maximilien AcierMaximilien Acier

Seconde phase : La modélisation

Le Data Warehouse : architecture

CLUSTER ou Scalable Parallel Processing (SPP)

Ensemble de machines organisées en grappes,interconnectées en EthernetHaute extensibilité (scalability)Haute disponibilité

2121

Page 22: Business intelligence | State of the art

Les Outils de BILes Outils de BI

Shubham SHARMAShubham SHARMA

Kévin GomesKévin Gomes

Maximilien AcierMaximilien Acier

Seconde phase : La modélisation

2222

Page 23: Business intelligence | State of the art

Les Outils de BILes Outils de BI

Shubham SHARMAShubham SHARMAKévin GomesKévin GomesMaximilien AcierMaximilien Acier

Seconde phase : La modélisation

Les DataMarts

Un DataMart (magasin de données) est un sous-ensemble du

DataWarehouse déstiné à une branche métier spécifique de

l'entreprise (RH, marketing, commerciale, comptable...)

Les données des DW sont dites "brutes", car non traités (log, tableau

d'évènements...). Réservé aux utilisateurs avancés

Performances des DM améliorée car seules les données utiles sont

présentées

Intégrité conservé par synchronisation entre DM et DW

2323

Page 24: Business intelligence | State of the art

Les Outils de BILes Outils de BI

Shubham SHARMAShubham SHARMAKévin GomesKévin GomesMaximilien AcierMaximilien Acier

Seconde phase : La modélisation

Le cube OLAP

OLAP = On Line Analytical Processing, défini en 1993.Représentation multidimensionnelle de données

Agrégation de donnéesPrécalcul d'agrégats => Rapidité des requêteChargement des données des cubes à partir d'un DMStockage spécifique, non réalisable sur tout type dedonnées

2424

Page 25: Business intelligence | State of the art

Les Outils de BILes Outils de BI

Shubham SHARMAShubham SHARMA

Kévin GomesKévin Gomes

Maximilien AcierMaximilien Acier

Seconde phase : La modélisation

Le cube OLAP : Exemple

2525

Page 26: Business intelligence | State of the art

Les Outils de BILes Outils de BI

Shubham SHARMAShubham SHARMA

Kévin GomesKévin Gomes

Maximilien AcierMaximilien Acier

Seconde phase : La modélisation

Le cube OLAP : Différents cubes

Multidimentional On Line Analytical Processing (MOLAP)

Relational On Line Analytical Processing

Hybrid On Line Analytical Processing

Desktop On Line Analytical Processing

2626

Page 27: Business intelligence | State of the art

Les Outils de BILes Outils de BI

Shubham SHARMAShubham SHARMA

Kévin GomesKévin Gomes

Maximilien AcierMaximilien Acier

Seconde phase : La modélisation

Le cube OLAP : Différents cubes

Multidimentional On Line Analytical Processing (MOLAP)

Mode de stockage propriétaireLanguage MDX (Multi Dimensional eXpressions)Précalculs de requêtes

Temps de réponse rapide

Language accessibleCoûts importants (licences)

2727

Page 28: Business intelligence | State of the art

Les Outils de BILes Outils de BI

Shubham SHARMAShubham SHARMA

Kévin GomesKévin Gomes

Maximilien AcierMaximilien Acier

Seconde phase : La modélisation

Le cube OLAP : Différents cubes

Relational On Line Analytical Processing (ROLAP)

Données extraites des jointures de tablesLanguage SQL

Faible coûts

Gros volumes de données

Temps de réponse long(sollicitation de la base dedonnée à chaque requête)

2828

Page 29: Business intelligence | State of the art

Les Outils de BILes Outils de BI

Shubham SHARMAShubham SHARMA

Kévin GomesKévin Gomes

Maximilien AcierMaximilien Acier

Seconde phase : La modélisation

Le cube OLAP : Différents cubes

Hybrid On Line Analytical Processing (HOLAP)

Couplage de ROLAP et MOLAPDonnées requêtées souvent ou détailée en MOLAPDonnées autres en ROLAP

Compromis entre les + et -

de ROLAP et MOLAP

Nombreux croisements dedonnée

Méthode complexe

2929

Page 30: Business intelligence | State of the art

Les Outils de BILes Outils de BI

Shubham SHARMAShubham SHARMA

Kévin GomesKévin Gomes

Maximilien AcierMaximilien Acier

Seconde phase : La modélisation

Le cube OLAP : Différents cubes

Desktop On Line Analytical Processing (DOLAP)

Téléchargement de "sous-cubes" sur les postesDécentralisation des données

Travailler hors connexionPuissance de calcul despostes limitée

3030

Page 31: Business intelligence | State of the art

Les Outils de BILes Outils de BI

Shubham SHARMAShubham SHARMA

Kévin GomesKévin Gomes

Maximilien AcierMaximilien Acier

Seconde phase : La modélisation

Les modèles de données

Deux types de modèles :

Modèle en flocons : orientée autours de plusieurs tables de

dimensions, représentant la donnée sous différents niveau de

granularité (du moins au plus fin)

Modèle en étoile : orientée autour de plusieurs tables de

dimensions, représentant la donnée sous différents axes

(géographiques, catégorie, temporel...)

3131

Page 32: Business intelligence | State of the art

Les Outils de BILes Outils de BI

Shubham SHARMAShubham SHARMA

Kévin GomesKévin Gomes

Maximilien AcierMaximilien Acier

Seconde phase : La modélisation

Les modèles de données : flocon

3232

Page 33: Business intelligence | State of the art

Les Outils de BILes Outils de BI

Shubham SHARMAShubham SHARMA

Kévin GomesKévin Gomes

Maximilien AcierMaximilien Acier

Seconde phase : La modélisation

Les modèles de données : étoile

3333

Page 34: Business intelligence | State of the art

Les Outils de BILes Outils de BI

Shubham SHARMAShubham SHARMAKévin GomesKévin GomesMaximilien AcierMaximilien Acier

La phase de reporting

Restitution des données sous forme de rapport.

Reporting de masse

Rapports crées automatiquementBesoins récurrents (résultats mensuels...)

Reporting ad-hoc

Rapport personnalisé pour l'utilisateurChoix des données "à la demande"Interface de sélection des données

3434

Page 35: Business intelligence | State of the art

Les Outils de BILes Outils de BI

Shubham SHARMAShubham SHARMAKévin GomesKévin GomesMaximilien AcierMaximilien Acier

La phase de reporting

3535

Page 36: Business intelligence | State of the art

Les Outils de BILes Outils de BI

Shubham SHARMAShubham SHARMAKévin GomesKévin GomesMaximilien AcierMaximilien Acier

Le datamining et les outils d'analyse

Datamining: utilisation d'outils statistiques ou algorithmiques sur des données pour

prédire, éxpliquer ou classer des informations

Industrie

Résolution de panne par description des symptomes

Prévision de pics de consommation d'un réseau

Optimiser une chaîne de montage

Finance

Gestion des risques dans les établissements financiers

Marketing

Définir un public cible désiré pour certaines offres

3636

Page 37: Business intelligence | State of the art

BI dans les EntreprisesBI dans les Entreprises

Shubham SHARMAShubham SHARMAKévin GomesKévin GomesMaximilien AcierMaximilien Acier

Le projet BI dépends beaucoup de la structure de l'entreprise.

On distingue 3 types d'organisation:

Organisation centralisée autour du groupeOrganisation décentralisée sur plusieurs site avec unevision groupe consolidéeOrganisation décentralisée avec gouvernance centralisée

3737

Page 38: Business intelligence | State of the art

Contexte centraliséContexte centralisé

Shubham SHARMAShubham SHARMAKévin GomesKévin GomesMaximilien AcierMaximilien Acier 3838

Page 39: Business intelligence | State of the art

Contexte décentraliséContexte décentralisé

Shubham SHARMAShubham SHARMAKévin GomesKévin GomesMaximilien AcierMaximilien Acier

Dans ce modèle, deux besoins en BI:

Le BI groupe qui sert les besoins corporate

Le BI d'entiés opérationelles (filiales) qui sert les besoisn de ses entité

Fréquemment utilisé en présence de besoin d'outils décisionnels

spécifique. Mode d'organisation le plus fréquent en cas de fusion-

acquisition d'entreprise

3939

Page 40: Business intelligence | State of the art

Contexte décentralisé avec gouvernanceContexte décentralisé avec gouvernance

Shubham SHARMAShubham SHARMAKévin GomesKévin GomesMaximilien AcierMaximilien Acier

Avantage pour les entités de pouvoir travailler sur desbases et des référentiels communs avec des solutionsidentiques.

Cas d'entreprise avec des filiales à besoins locauxidentiques mais avec un besoin de cohérence globalesur la gouvernance IT au niveau groupe

4040

Page 41: Business intelligence | State of the art

Budgets TELECOMBudgets TELECOM

Shubham SHARMAShubham SHARMAKévin GomesKévin GomesMaximilien AcierMaximilien Acier

Les Télécoms sont le deuxième poste de dépense desentreprises

=> Nécessité d'optimiser les services télécoms

On retrouve le BI dans les solutions de TEM (TelecomExpense Management)

Alimentation des bases de données avec les facturesRassemblement des différents facteurs de coûts (lignefixe, mobile, VoIP, services)Analyse de la consommation

4141

Page 42: Business intelligence | State of the art

Outils decisionnelOutils decisionnel

Shubham SHARMAShubham SHARMAKévin GomesKévin GomesMaximilien AcierMaximilien Acier

Data warehouses Reporting

4242

Page 43: Business intelligence | State of the art

Outils decisionnelOutils decisionnel

Shubham SHARMAShubham SHARMAKévin GomesKévin GomesMaximilien AcierMaximilien Acier

Les leaders en DataLes leaders en DataWarehouseWarehouse

4343

Page 44: Business intelligence | State of the art

Outils decisionnelOutils decisionnel

Shubham SHARMAShubham SHARMAKévin GomesKévin GomesMaximilien AcierMaximilien Acier

Les leaders en DataLes leaders en DataWarehouseWarehouse

Devenu Partenaire d'HPen Janvier 2013

Propose des appliances (Hardware,software et services pré-configurés)

Software : Microsoft SQL Server 2014

Hardware : HP, Dell, IBM

Offre cloud : Windows Azure VirtualMachine

Entreprise Allemande, connue pour sesERP

4 offres phare

Netweaver Business Warehouse

Netweaver Business WarehouseAccelerator

HANA

Sybase IQ

Hardware : Dell, HP, IBM

4444

Page 45: Business intelligence | State of the art

Outils decisionnelOutils decisionnel

Shubham SHARMAShubham SHARMAKévin GomesKévin GomesMaximilien AcierMaximilien Acier

Les leaders en DataLes leaders en DataWarehouseWarehouse

Base de données : DB2 et informix

Logiciel Data warehouse : Infosphere

Systemes Data Warehouse : PureData

Leader Historique des entrepôts dedonnées

Connu pour ses server MPP (Massivelyparallel processing)

Le SGBDR Teradata a été conçu dèsl'origine pour le décisionnel

OS des machines : Open Suse, Microsoft

4545

Page 46: Business intelligence | State of the art

Outils decisionnelOutils decisionnel

Shubham SHARMAShubham SHARMAKévin GomesKévin GomesMaximilien AcierMaximilien Acier

Les leaders en DataLes leaders en DataWarehouseWarehouse

Aplliances : Datable 11g, Exadata,Database 12c, Partioning

Base de donnée : Oracle

Plateformes supportées : Lunix, Solaris,Windows

4646

Page 47: Business intelligence | State of the art

Outils decisionnelOutils decisionnel

Shubham SHARMAShubham SHARMAKévin GomesKévin GomesMaximilien AcierMaximilien Acier

Les leaders en outilsLes leaders en outilsde reportingde reporting

4747

Page 48: Business intelligence | State of the art

Outils decisionnelOutils decisionnel

Shubham SHARMAShubham SHARMAKévin GomesKévin GomesMaximilien AcierMaximilien Acier

Éditeur de logiciel specialise eninformatique decisionnelPrix license:

Analytics Pro : 8,7K $/anVisual Data Discovery : 10,1K $/an

Logiciel de BIPrix de license : 1,3K $/an

Les leaders en outilsLes leaders en outilsde reportingde reporting

4848

Page 49: Business intelligence | State of the art

Outils decisionnelOutils decisionnel

Shubham SHARMAShubham SHARMAKévin GomesKévin GomesMaximilien AcierMaximilien Acier

Logiciel d’exploration et visualisationdisposant d’un moteur in-memory

Les prix de Spotfire:

Cloud work group: 2000$/an

Cloud personal : 300$/an

Les prix de Tableau :

Desktop professional : 1999$/an

Desktop personal : 999$/an

Les leaders en outilsLes leaders en outilsde reportingde reporting

4949

Page 50: Business intelligence | State of the art

Outils decisionnelOutils decisionnel

Shubham SHARMAShubham SHARMAKévin GomesKévin GomesMaximilien AcierMaximilien Acier

Trois type de tarif:

Entreprises de catégorie E3/E5 :240$/an Option de manière autonome :480$/anOffice 365 ProPlus : 624$/an

Quatre produits

Power PivotPower QueryPower MapsPower View

Les leaders en outilsLes leaders en outilsde reportingde reporting

5050

Page 51: Business intelligence | State of the art

Intelligence économiqueIntelligence économique

Shubham SHARMAShubham SHARMAKévin GomesKévin GomesMaximilien AcierMaximilien Acier

Ceci est FAUX

5151

Page 52: Business intelligence | State of the art

Intelligence économiqueIntelligence économique

Shubham SHARMAShubham SHARMAKévin GomesKévin GomesMaximilien AcierMaximilien Acier

BI au service de l' Intelligence economiqueBI au service de l' Intelligence economiqueDéfinitionDéfinition

Une grande majorité des projets BI ont pour vocation de permettre aux managers debien connaître l’état de leur entreprise ou de leurs activités et ainsi prendre les «bonnes » décisions. A partir du moment où une application BI s’appuie sur des données plus globales quecelles internes à l’entreprise : par l’obtention de fichiers ou études externes (analysede marché, tarifs de la concurrence, …) , celle-ci peut permettre de faire de la veilleconcurrentiel. On parlera alors de BI au service de l’intelligence économique.

5252

Page 53: Business intelligence | State of the art

Intelligence économiqueIntelligence économique

Shubham SHARMAShubham SHARMAKévin GomesKévin GomesMaximilien AcierMaximilien Acier

Cycle de l'Iintelligence économiqueCycle de l'Iintelligence économique

La BI est de plus en plus accessibleLa quantité de données est en constante augementationApres la collecte, la maîtrise, la protection de l’information stratégique estobligatoire.Les entreprise commencent à ouvrir de plus en plus de cellule d'IE

BIBICollecte Diffusion

Passé Future

Chiffres Strategie

information normalisée Information d'influence

Données interne

IEIE

Acteurs + Données externe

5353

Page 54: Business intelligence | State of the art

ConclusionConclusion

Shubham SHARMAShubham SHARMAKévin GomesKévin GomesMaximilien AcierMaximilien Acier

Pas assez exploitéUne nécessité Nous sommes à l'aube

Toute entreprise technologique àaujourd'hui besoin de stocker sesdonnées, les stocker sans memeavoir une vision globale est unfrein à l'expansion de l'entreprise

Nous avons vu qu'il est très difficilede mettre en place un projet de BIdans une entreprise. La nonnormalisation de donnée ou encorele coté retissant des employés nepermettent pas a la BI d'utiliser toutson potentiel

Les humain ne sont pas assez rapidepour pouvoir analyser ses donnée etd'en produire des decisions. Donc lestableau de bords deviendronsseulement un outils de monitoring etnon de prise de decision, le data-mining ou encorel'intelligence économique ouvreun avenir a peine découvert à la BI

“ La BI permet d'avoir une vue global et d'être plus réactif face au marché

5454

Page 55: Business intelligence | State of the art

ConclusionConclusion

Shubham SHARMAShubham SHARMAKévin GomesKévin GomesMaximilien AcierMaximilien Acier 5555