BI orientée métier : le grand guide de la Data Discovery

Introduction

La donnée brute n'est pas d'une grande utilité pour l'entreprise. Elle nécessite d'être raffinée avec des outils spécifiques capables de l'ingérer et de la transformer pour en tirer des enseignements (des « insights »).

La Data Discovery se donne cette mission. Sous-partie de la Business Intelligence (et de la BI en self-service), ces outils permettent aux métiers et aux opérationnels de trouver par eux-mêmes des schémas récurrents, des corrélations et des points spécifiques dans les jeux de données, qu'ils soient issus de sources internes ou externes.

La Data Discovery utilise et repose en grande partie sur la Data Visualisation (DataViz, visualisation de données) qui représente graphiquement, de manière simple et la plus compréhensible possible pour des utilisateurs lambda, les enseignements tirés des données. La DataViz les modélise sous forme de tableaux de bords, de jauges, de cartes, de camembert et autres nuages de points ou de mots.

La Data Discovery se caractérise également par sa simplicité d'utilisation - en tout cas sur le papier - qui permet aux décisionnaires métiers de générer eux-mêmes leurs rapports sans passer par la case IT et DSI.

Cela ne signifie pas pour autant que l'IT n'a pas de rôle à jouer. Bien au contraire, les considérations de gouvernance de la donnée, de sécurité, de confidentialité, de silos restent des problématiques incontournables que seule l'IT peut (et doit) gérer. Sans quoi, tout le bénéfice escompté de la Data Discovery se dilapidera rapidement, voire n'arrivera jamais.

Mis à part le prix et ces considérations techniques, choisir le bon outil de Data Discovery commence par identifier les besoins métiers en matière d'analytique. Les solutions de Data Discovery offrent chacune des DataViz différentes.
Des entreprises dans la finance ou l'assurance n'auront pas les mêmes exigences que celles spécialistes du marketing, qui elles-mêmes auront des besoins analytiques différents du secteur de la distribution, de la pharmacologie ou de l'aéronautique. Certaines industries ont besoin d'analyses prédictives très poussées (et choisiront donc une solution peut-être un peu moins simple) . D'autres demanderont des rapports en temps réels (et se tourneront avantageusement vers le In-Memory). D'autres encore voudront tirer des tendances ou faire de l'analyse de sentiment à partir de données massivement externes, comme les réseaux sociaux (et regarderont attentivement les capacités natives d'intégrations de sources tierces).

Autre usage, plus transverse celui-là, les métiers pourront tirer parti de la Data Discovery pour se conformer au RGPD. Les opérationnels peuvent en effet utiliser ces outils pour « découvrir » les « données », au sens le plus littéral de l'expression, qui ont un caractère personnel et peuvent se cacher aux quatre coins de l'entreprise ou d'un service (dans les mails, les présentations, etc.).

Ce guide se propose de revenir sur ces différents points, de définir ce qu'est une (bonne) Data Discovery, de lister ses fonctionnalités clefs et de vous donner quelques conseils pour en tirer le plus de bénéfices.

1Comprendre-

Contexte

2Choisir-

Analyses

3Conseils-

Gérer

4Retours d'expérience-

Témoignages