L'intelligence décisionnelle : la meilleure voie à suivre – 2e partie

Partie 2 : Vous avez besoin de données modulaires et d'outils d'analyse

Dans mon premier article de blog consacré à l’intelligence décisionnelle, j’ai expliqué en quoi consiste ce concept et pourquoi il est indispensable, puis j’ai développé la recommandation de Gartner visant à associer les outils d’intelligence décisionnelle à une infrastructure de données commune. Mais Gartner a formulé un deuxième conseil : vous aurez besoin de données et d’analyses modulables. C’est le sujet que j’aborde aujourd’hui.

Qu'est-ce que le concept de données et d'analyses modulaires ?

La composabilité consiste à utiliser des composants qui fonctionnent ensemble, même s'ils proviennent de diverses solutions de données, d'analyse et d'IA.* Selon Gartner, en combinant ces composants, vous pouvez créer une expérience flexible, utilisateur et utilisateur. Il existe de nombreux types d'outils d'analyse, dont l'objectif et la valeur ajoutée varient considérablement. La composabilité vous permet d'assembler leurs résultats pour obtenir de nouvelles informations pertinentes et exploitables.

4 façons dont un entrepôt de données moderne peut mieux Support les données Support et l'analyse

Un entrepôt de données moderne doit offrir une plateforme permettant à tous les utilisateurs de l'entreprise d'analyser n'importe quelle donnée, n'importe où et à tout moment, en utilisant la combinaison de composants de leur choix. Voici quelques conseils pour bien organiser votre environnement.

1. Étendre l'entrepôt de données grâce à Fonctionnalités de traitement des données transactionnelles et des données en périphérie

Historiquement, il existait une distinction claire entre une base de données transactionnelle et un entrepôt de données. Une base de données transactionnelle enregistre et traite les transactions commerciales. Un entrepôt de données, en revanche, analyse les données historiques. Cependant, les besoins actuels en matière informations en temps réel rapproché ces deux domaines autrefois distincts, au point qu’il existe aujourd’hui une forte demande pour des charges de travail mixtes combinant traitement transactionnel et analyse. On le constate dans toute une série de cas d'utilisation, allant des offres e-commerce personnalisées et automatisées aux devis d'assurance en temps réel, en passant par l'approbation de crédit et la gestion de portefeuille, pour n'en citer que quelques-uns.

De même, les décideurs cherchent des moyens d'agir plus rapidement en exploitant les données issues de leurs milliards d'appareils mobiles connectés et d'appareils de l'Internet des objets (IoT). La maintenance prédictive, la gestion des stocks en temps réel, l'efficacité de la production et la prestation de services ne sont que quelques-uns des nombreux domaines dans lesquels analyses des données en temps réel données IoT peut aider une entreprise à réduire ses coûts et à générer des revenus supplémentaires.

L'analyse transactionnelle en temps réel et les informations issues des données de l'IoT grâce à l'intelligence artificielle sont appelées à jouer un rôle de plus en plus important dans de nombreuses entreprises. Ce que nous observons aujourd'hui n'est que le début avantage . La capacité d'une entreprise à tirer pleinement parti de ces avantages dépendra de sa capacité à fournir des données variées aux solutions d'intelligence décisionnelle.

2. Importez n'importe quelle source de données, à tout moment

Les exigences en temps réel de l'intelligence décisionnelle impliquent que les outils analytiques ne peuvent plus se contenter de s'appuyer uniquement sur des données historiques pour dégager des informations pertinentes. Les décideurs souhaitent toujours disposer d'un accès à la demande aux données issues des sources traditionnelles de traitement par lots, mais ils veulent également pouvoir agir en fonction des tendances actuelles et des comportements observés en temps réel. Cela nécessite une orchestration, une planification et une gestion fluides streaming données en temps réel provenant des systèmes de l'ensemble de l'organisation et d'Internet qui les génèrent en continu.

Dans un monde en constante évolution, les données doivent être accessibles à des fins d'analyse, quel que soit leur emplacement. Étant donné que la plupart des entreprises combinent sur site dans le cloud et sur site , l'entrepôt de données doit s'intégrer aux systèmes des deux environnements. Il doit également être capable de traiter tout type de données présentes dans l'environnement. Les décideurs qui peuvent tirer des enseignements de l'analyse en temps réel de données semi-structurées et non structurées, par exemple, peuvent être en mesure de saisir les opportunités plus efficacement et d'augmenter les chances de réussite des initiatives stratégiques.**

3. Tirez parti des gains d'efficacité offerts par la conteneurisation

Une approche conteneurisée rend Fonctionnalités analytiques Fonctionnalités modulables, ce qui permet de les intégrer de manière plus flexible dans les applications. Toutefois, cet avantage est d'autant plus marqué que l'architecture de l'entrepôt de données prend elle-même en charge les conteneurs. Support essentielle pour permettre à une organisation de répondre aux besoins en ressources liés à l'intelligence artificielle, à l'apprentissage automatique, à streaming et à d'autres traitements de décision intelligents gourmands en ressources. Ces charges de travail mettent à rude épreuve les architectures d'entrepôts de données traditionnelles.

déploiement par conteneurs déploiement une méthode plus portable et plus économe en ressources pour virtualiser l'infrastructure informatique que déploiement par machines virtuelles. Étant donné que les conteneurs virtualisent le système d'exploitation plutôt que le matériel sous-jacent, les applications nécessitent moins de machines virtuelles et de systèmes d'exploitation pour fonctionner.

4. Compatible avec tous les outils

C'est très bien qu'un entrepôt de données propose ses propres outils analytiques, à condition qu'il puisse facilement s'adapter à tout autre outil que vous souhaiteriez utiliser. Comme je l'ai mentionné au début, l'objectif et la valeur apportée par les différents types d'outils analytiques varient considérablement, et les différents utilisateurs — notamment les ingénieurs de données, data scientists, les analystes métier et les utilisateurs métier — ont besoin d'outils différents. Recherchez la flexibilité nécessaire pour intégrer facilement l'intelligence décisionnelle à l'entrepôt de données. Ou, si vous avez des besoins spécifiques qui vous obligent à créer des applications personnalisées, examinez les outils de développement pris en charge par la plateforme afin de bénéficier de la composabilité requise par un environnement analytique moderne.

En savoir plus

Si ce sujet vous a intéressé, vous pourriez être tenté de consulter certains de ces blogs consacrés aux avantages que vous pouvez tirer d'une plus grande modularité en matière d'intelligence décisionnelle :