OUMNIA SCHOOL OF BUSINESS AND TECHNOLOGY

Informatique décisionnelle
Pr . ABARAGH Samia

Année universitaire 2024-2025

Qu’est-ce que l’informatique décisionnelle ?
Le terme Business Intelligence (BI), ou informatique décisionnelle, désigne les
applications, les infrastructures, les outils et les pratiques offrant l’accès à
l’information. La BI permet d’analyser l’information pour améliorer et optimiser les
décisions et les performances d’une entreprise. En d’autres termes, elle constitue le
processus d’analyse des données piloté par la technologie pour découvrir des
informations exploitables. Celles-ci aident les chefs d’entreprise et les autres
utilisateurs finaux à prendre des décisions plus éclairées.
En tant que telle, la BI englobe une grande variété d’outils, d’applications et de
méthodologies. Elle permet de collecter des données à partir de systèmes internes
et externes, de les préparer à l’analyse, de les développer. Ces outils créent ensuite
des rapports, des tableaux de bord et des visualisations de données pour mettre les
résultats à la disposition des décideurs.
Particularité de la BI
Parfois, la BI rassemble une grande quantité de données brutes
qui peuvent sembler écrasantes. En particulier si celles-ci ne
sont pas représentées dans un contexte qui justifie leur
utilisation. Les données ne servent alors à rien et peuvent
même conduire à des erreurs.

Afin d’avoir une vue d’ensemble claire et ordonnée de ces

informations, il faut les organiser dans un tableau de bord. Le
but du tableau de bord consiste à rendre toutes ces données
brutes accessibles et compréhensibles.

Ces données se présentent sous la forme de tableaux ou de

graphiques qui permettent de les hiérarchiser. Ainsi, la prise de
décision gagne en rapidité et en efficacité.
Bi : origine du terme
L’utilisation sporadique du terme Business Intelligence remonte aux
années 1860. Toutefois, le consultant Howard Dresner est considéré
comme le premier à avoir utilisé ce terme. En 1989, il l’a utilisé
pour décrire l’utilisation de techniques d’analyse de données pour la
prise de décision dans les entreprises. Les technologies BI sont
toutefois plus anciennes. De temps à autre, le terme de business
intelligence est remplacé par celui de business analytics. Ce dernier
désigne plus généralement les technologies analytiques avancées,
mais peut aussi inclure la business intelligence.
Business Intelligence : quels bénéfices pour les
entreprises ?

Les programmes de business intelligence peuvent avoir de

nombreux bénéfices pour l’entreprise. Ils permettent :
• Accélérer et améliorer la prise de décision
• Optimiser les processus internes
• Augmenter l’efficience d’exploitation
• Générer de nouveaux revenus
• Prendre l’avantage sur la concurrence
Les systèmes BI aident également les entreprises à identifier les
tendances du marché et à repérer les problèmes qui doivent être
résolus.
Business Intelligence : quels bénéfices pour les
entreprises ?

• Les données de business intelligence peuvent inclure des

informations historiques, mais aussi de nouvelles données en
provenance de systèmes sources, collectées dès qu’elles sont
générées. Ainsi, les analyses BI permettent de prendre aussi
bien des décisions tactiques que des décisions stratégiques.
• Initialement, les outils BI étaient principalement utilisés par les
analystes de données et les professionnels informatiques qui se
chargeaient d’analyser les données et de produire des rapports.
Toutefois, aujourd’hui, de plus en plus d’exécutifs et
d’employés utilisent les logiciels BI eux-mêmes, notamment
grâce à l’essor du self-service BI et des outils de découverte de
données.
Business Intelligence : quels sont les outils
d’informatique décisionnelle ?

• La Business Intelligence rassemble de nombreuses applications

d’analyse de données, de reporting, de traitement analytique
en ligne (OLAP), de mobile BI, de BI en temps réel, de BI
d’exploitation, de logiciels en tant que service (SaaS), et de BI
open source.
• Les technologies BI incluent également des logiciels de data
visualisation permettant de dessiner des graphiques et autres
infographies, ou des outils permettant de créer des tableaux de
bord et des cartes de performance pour afficher les données
visualisées sous forme d’indicateurs de performances et de
métriques d’entreprise. Ces applications peuvent être achetées
séparément auprès de différents vendeurs ou sous la forme
d’une plateforme unifiée auprès d’un seul vendeur.
Business Intelligence : quels sont les outils
d’informatique décisionnelle ?

• Les programmes BI peuvent également incorporer des formes

d’analyses avancées comme le data mining, les analyses
prédictives, le forage de texte, les analyses statistiques ou les
analyses Big Data. Dans la plupart des cas, toutefois, les projets
analytiques avancés sont menés par des équipes séparées de
data scientists, de statisticiens, de modeleurs prédictifs, ou
autres analystes professionnels expérimentés. Les équipes BI se
chargent généralement de projets plus simples.
Business Intelligence ou informatique décisionnelle :
qu’est-ce que la chaîne décisionnelle ?
Première étape : la collecte de données

• Il s’agit d’extraire les données en provenance des

différentes sources de l’entreprise (systèmes de
production), de les transformer, et de les charger vers
la base de données. C’est ce qu’on appelle le
processus » ETL » (Extract, Transform, Load), qui
permet d’adapter les données à un usage décisionnel.
Business Intelligence ou informatique décisionnelle :
qu’est-ce que la chaîne décisionnelle ?
Deuxième étape : stockage des données

• Appelée également modélisation des données, cette

étape consiste à centraliser les données structurées et
traitées afin qu’elles soient disponibles pour l’usage
décisionnel, faciles à analyser. Pour ce faire, on
entrepose les données dans un Data Warehouse ou un
Data Mart : une base de données spécialisée adaptée
aux requêtes décisionnelles.
Business Intelligence ou informatique décisionnelle :
qu’est-ce que la chaîne décisionnelle ?
Troisième étape : la distribution ou restitution des données

• Elle consiste à utiliser différents outils afin de restituer

l’information sous une forme exploitable pour la prise
de décision. On va notamment utiliser des outils de
reporting, des portails d’accès à des tableaux de bord,
des outils de navigation dans des cubes, ou des outils
de statistiques. Des portails décisionnels comme l’EIP
Enterprise Information Portal permettent aussi de
distribuer l’information à l’ensemble des partenaires.
Business Intelligence ou informatique décisionnelle :
qu’est-ce que la chaîne décisionnelle ?
Quatrième étape : exploitation des données

• Les données nettoyées, consolidées, accessibles et

stockées sont désormais prêtes à être analysées par les
utilisateurs finaux ou les spécialistes de l’analyse. Pour
ce faire, on utilise différents outils tels que les cubes
OLAP (pour les analyses multidimensionnelles), le Data
Mining (pour chercher des corrélations), ou encore des
tableaux de bord présentant les indicateurs clés.
En quoi la BI diffère-t-elle de l’ERP ?
• La BI et l’ERP sont fréquemment confondus. En fait, ils
fonctionnent ensemble et leurs définitions de base suggèrent un
certain degré de chevauchement, pourtant ils diffèrent
considérablement.

• L’ERP collecte les données de l’entreprise tandis que la Business

Intelligence les analyse. Cette dernière utilise des tableaux de
bord et d’autres interfaces pour présenter ces données de
manière à les rendre facilement compréhensibles.

• Le bon système ERP va rendre votre entreprise plus organisée et

rationaliser radicalement vos fonctions administratives.
L’application des bons outils BI à ces données pour l’analyse des
données, les tendances et les prévisions rend cette combinaison
inestimable.
En quoi la BI diffère-t-elle de l’ERP ?
• Il est clair que l’ERP et le système de BI ne sont pas les mêmes.
Au contraire, ils travaillent ensemble pour convertir vos
données en informations et en connaissances sur votre
entreprise. Cette approche transforme votre entreprise en un
moteur de croissance basé sur les données.
Quelles différences entre Business Intelligence et
Data Science ?
• La Data Science, ou science des données, consiste de son côté à
extraire des informations et des connaissance à partir des
données. Elle utilise différentes méthodes scientifiques,
algorithmes et processus. Il s’agit donc d’une combinaison entre
divers outils mathématiques, algorithmes, statistiques et
techniques de Machine Learning. Cela permet de trouver des
tendances historiques cachées dans les données pour
comprendre les tendances actuelles et futures.

• Ces deux domaines sont donc similaires, mais présentent aussi

des différences notables. La Data Science utilise des outils
statistiques et mathématiques pour découvrir des tendances
dans les données, tandis que la Business Intelligence est un
ensemble de technologies, d’applications et de processus
utilisées par les entreprises pour l’analyse de données métier.
 Qu’est-ce que
le Big Data ?
La définition du Big Data est
la suivante : des données
plus variées, arrivant dans
des volumes croissants et à
une vitesse plus élevée.
C’est ce que l’on appelle les
trois « V ».
Business Intelligence vs Big Data : quelle est la
différence ?

• La notion de Business Intelligence englobe une large variété de

données, y compris de vastes bases de données en ligne pouvant
être considérées comme le Big Data. En revanche, le terme de
Big Data désigne uniquement ces larges ensembles de données.
• Les outils de Big Data et de Business Intelligence diffèrent
également. Les logiciels de BI permettent de traiter des sources
de données standards, mais ne sont pas adaptés à la gestion du
Big Data. Il est nécessaire de se tourner vers de systèmes
spécialisés pour le traitement du Big Data.
Conception d’un entrepôt de
données (DataWarehouse)
Plan
➢ Introduction
➢ Représentationmultidimensionnelle
➢ Implémentation d’un Datawarehouse
• Modélisation : étoile et flocon
• Conception d’un DataWarehouse
Objectifs BI

➢ Transformer un système d’information orienté

production en un système décisionnel
➢ Exemples : opérations orientées production
• Gestion des commandes
• Gestion de stocks
• Gestion des clients et fournisseurs
• Gestion des ressources humaines
• ……
Objectifs BI
➢ Transformer un système d’information orienté production en un système décisionnel
➢ Exemples : opérations orientées production
• Gestion des commandes
• Gestion de stocks
• Gestion des clients et fournisseurs
• Gestion des ressources humaines
• ……
➢ Exemples: Opérations orientées décision
• Meilleur client par région dans une période
• Evolution de la part du marché d’un produit
• Nombre d’employés d’une entreprise par grade, par classe d'âge, par sexe, par affectation, par
spécialité
• Identification du profil des employés les plus performants
Entrepôt de données
(Datawarehouse)
➢ Définition de Bill Inmon (1996)
« Le Data Warehouse est une collection de données orientées sujet,
intégrées, non volatiles et historisées, organisées pour le support d’un
processus d’aide à la décision . »
❑ Orientées sujet : thèmes par activités majeures
❑ Intégrées : divers sources de données
❑ Non volatiles: ne pas supprimer les données du DW
❑ Historisées : trace des données, suivre l’évolution des indicateurs.
Entrepôt de données
(Datawarehouse)
❑ Orientées sujet : thèmes par activités majeures
❑ Intégrées : divers sources de données
❑ Non volatiles: ne pas supprimer les données du DW
❑ Historisées : trace des données, suivre l’évolution des indicateurs.
Base de données transactionnelle VS Entrepôt de
données
• Sachant qu’un Data Warehouse est généralement une base de données
Base de données transactionnelle VS Entrepôt de
données
• Les systèmes OLTP fournissent des données comme
sources pour les DataWarehouse, tandis que les systèmes
OLAP aident à les analyser.
• On peut diviser les systèmes informatiques en
transactionnel OLTP et analytique OLAP
OLTP
VS
OLAP
 Modélisation du Data Warehouse

➢ SGBDR : Modélisation conceptuelle basée l’entité-association

➢ Systèmes décisionnels (DW) : Modélisation basées sur la notion de
dimensions-mesures-faits
- Mesures: valeurs numériques sur lesquelles portent les analyses
(ex: montant de ventes, quantités vendues, etc )
- Dimensions : vues depuis lesquels les mesures peuvent être
observées (ex : date, localisation, produit, etc)
- stockées dans les tables de dimensions
- Faits: valeurs des mesures, mesurées ou calculées, pour les
différentes dimensions
Les tables de dimension
➢ C’est quoi ?
• Un sujet, un thème, ou un axe (attributs)
• Exemple : Clients, Produits, Temps, Géo-localisation…
➢ Contiennent des membres organisés en hiérarchie:
• Granularités différentes
• Exemple : Dimension temps : année-semestre-mois-jour
➢ Identifiées par une clé primaire
Remarque
• Une dimension temps est obligatoire dans tout modèle
Les tables de faits
➢ Représentent les valeurs des mesures, mesurées ou calculées, pour
les différentes dimensions
• Elle est au centre des tables de dimensions
• La table de faits contient les indicateurs de performances
• Une table de fait contient un attribut numérique quantitatif
« Mesure »
• Les enregistrements de la table sont identifiés par une clé multiple
composée de la concaténation des clés des tables de dimensions
• Exemple :
Quantité vendue, chiffre d’affaires, coût, nombre de clients, nombre
d’appels
➢ Les types de faits
• Additif : quantité vendue, chiffre d’affaires
• Semi-additif: Niveau de stock, solde, nombre de transactions de clients
• Non-additif : Ratio, marge brute
Schémas de modélisation d’un DW
➢ Le schéma est une discription logique de la base de données
entière
➢ Une base de données relationnelle, utilise un modèle relationnel
entité/relation
➢ Pour un entrepôt de données (Data Wherehouse) on utilise des
modèles multidimensionnels de type :
➢ Étoile
➢ Flocon
➢ Constellation
Modèle en étoile
➢ Tables de dimension:
Dimensions sont directement reliées à la table de faits, qui
contient les données à analyser
➢ Table de fait :
• Contient des « mesures », des champs (numériques pour la
plupart) qui seront utilisés pour les analyses :
Exemples : Montant des ventes nettes, les quantités
vendues, les kilomètres parcourus, etc.
• Reliée aux dimensions par des relations (1,n)
Modèle en étoile
➢ Tables de dimension:
Remarques:
- Contiennent les éléments utilisés par les décideurs pour voir la table de
faits.
Par exemple :
• Extraire les montants des ventes par vendeur, par client
• Calculer le coût de revient d’un produit par rapport aux activités des
vendeurs, etc.
- Même granularité des tables de dimensions et de faits
- Chaque ligne de la table de faits doit avoir une relation avec chacune
des tables de dimensions
- Les dimensions ne sont Liées qu’aux tables de faites et vice-versa
- Les dimensions ne sont pas liées entre eux
Modèle en étoile
Modèle en étoile
Modèle en flocon de neige
➢ C’est quoi
• Une variante de la modélisation en étoile
• La modélisation en flocon est adoptée pour des raisons de
performances : en effet, des dimensions de plusieurs millions
de lignes peuvent poser des problèmes de lenteur lors de
l’exploitation des données.
➢ Principe :
- Le principe de la modélisation en flocon est de créer des
hiérarchies de dimensions, de telle manière à avoir moins de
ligne par dimensions
➢ Remarques :
- L’utiliser dans le cas ou on a la relation (1-1000)
Modèle en flocon de neige