L'ingénierie décisionnelle : La meilleure façon d'avancer Partie 2

Partie 2 : Vous avez besoin de données et d'analyses composables

Dans mon premier blog sur l'ingénierie décisionnelle, j'ai expliqué ce que ce concept signifie et pourquoi vous en avez besoin, puis j'ai développé la recommandation de Gartner d'associer les outils d'intelligence décisionnelle à une structure de données commune. Mais il y avait un deuxième conseil de Gartner : Vous aurez besoin de données et d'analyses composables. C'est le sujet que j'aborde cette fois-ci.

Que sont les données et l'analyse composables ?

La composabilité consiste à utiliser des composants qui fonctionnent ensemble, même s'ils proviennent de diverses solutions de données, d'analyse et d'intelligence artificielle*. Il existe de nombreux types d'outils analytiques, dont l'objectif et la valeur varient considérablement. La composabilité vous permet d'assembler leurs résultats afin d'obtenir de nouvelles et puissantes informations.

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

Un entrepôt de données moderne doit fournir une plate-forme permettant à tous les utilisateurs de l'entreprise d'analyser n'importe quoi, n'importe où et n'importe quand, en utilisant n'importe quelle combinaison de composants. Voici quelques conseils d'organisation.

1. Extension de l'entrepôt de données avec des capacités de traitement des données transactionnelles et des données de périphérie

Historiquement, il existait une distinction claire entre une base de données transactionnelle et un entrepôt de données. Une base de données transactionnelle suivait et traitait les transactions commerciales. Un entrepôt de données, en revanche, analysait les données historiques. Cependant, les besoins modernes en informations en temps réel ont rapproché ces deux mondes autrefois distincts, au point qu'il existe aujourd'hui une forte demande pour des charges de travail mixtes qui combinent le traitement transactionnel et l'analyse. On le constate dans toute une série de cas d'utilisation, depuis les offres personnalisées automatisées de commerce électronique et les devis d'assurance en temps réel jusqu'à 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 utilisant les données provenant de leurs milliards d'appareils mobiles et de l'internet des objets (IoT) connectés. 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 l'analyses des données en temps réel sur les données IoT peut aider une entreprise à réduire ses coûts et à générer des revenus supplémentaires.

L'analyse transactionnelle en temps réel et l'intelligence artificielle à partir des données IoT sont susceptibles de jouer un rôle de plus en plus important dans de nombreuses organisations. Ce que nous voyons aujourd'hui n'est que le début des flux d'avantage à venir. La réalisation d'avantages plus importants dépendra de la capacité d'une organisation à fournir des données variées à des solutions d'intelligence décisionnelle.

2. Introduire n'importe quelle source de données, à n'importe quel moment

Les besoins en temps réel de l'intelligence décisionnelle impliquent que les outils d'analyse ne peuvent plus s'appuyer uniquement sur des données historiques pour obtenir des informations. Les décideurs veulent toujours un accès à la demande aux données provenant de sources traditionnelles de traitement par lots, mais ils veulent aussi pouvoir agir sur les tendances actuelles et les comportements en temps réel. Cela nécessite une orchestration, une programmation et une gestion transparentes des données streaming temps réel provenant des systèmes de l'entreprise et d'Internet qui les génèrent en permanence.

Dans un monde en constante évolution, les données doivent être disponibles pour l'analyse, quel que soit l'endroit où elles se trouvent. Étant donné que la plupart des entreprises disposent d'une combinaison d'applications en nuage et sur site , l'entrepôt de données doit s'intégrer aux systèmes dans les deux environnements. Il doit également être capable de travailler avec n'importe quel type de données dans l'environnement. Les décideurs qui peuvent tirer des enseignements de l'analyse en temps réel des données semi-structurées et non structurées, par exemple, peuvent être en mesure de saisir les opportunités plus efficacement et d'augmenter la probabilité que les initiatives stratégiques soient couronnées de succès.

3. Tirer parti des gains d'efficacité permis par la conteneurisation

Une approche conteneurisée rend les capacités d'analyse plus composables, de sorte qu'elles peuvent être combinées de manière plus souple dans les applications. Toutefois, cette approche est plus avantageuse si l'architecture de l'entrepôt de données elle-même prend en charge les conteneurs. Cette Support est essentielle pour permettre à une organisation de répondre aux demandes de ressources associées à l'intelligence artificielle, à l'apprentissage automatique, à l'analyse streaming et à d'autres traitements décisionnels à forte intensité de ressources. Ces charges de travail mettent à rude épreuve les architectures d'entrepôt de données existantes.

Le déploiement conteneurs représente un moyen plus portable et plus efficace en termes de ressources de virtualiser l'infrastructure informatique que le déploiement virtualisé. Comme 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. S'adapte à tous les outils

C'est une bonne chose qu'un entrepôt de données propose ses propres outils d'analyse, à condition qu'il puisse s'adapter facilement à tout autre outil que vous souhaiteriez utiliser. Comme je l'ai mentionné au début, l'objectif et la valeur des différents types d'outils analytiques varient considérablement, et les différents utilisateurs - y compris les ingénieurs des données, les scientifiques des données, les analystes commerciaux et les utilisateurs commerciaux - ont besoin d'outils différents. Recherchez la flexibilité nécessaire pour intégrer facilement l'informatique décisionnelle à l'entrepôt de données. Si vous avez des exigences particulières qui vous obligent à créer des applications personnalisées, examinez les outils de développement pris en charge par la plateforme afin d'obtenir la composabilité qu'exige un environnement analytique moderne.

En savoir plus

Si vous avez trouvé ce sujet intéressant, vous pouvez consulter certains de ces blogs relatifs aux avantages que vous pouvez tirer d'une plus grande composabilité de l'intelligence décisionnelle :

• Le Streamingtemps réel Streaminginformations Streamingfavorisent la réactivité de l'entreprise
• Il est temps que les historiens des données deviennent .... L'histoire
• Données semi-structurées : Qu'est-ce que c'est et pourquoi c'est important ?
• Les 10 principaux avantages d'un entrepôt de données opérationnel pour 2021

* Gartner Top 10 Data and Analytics Trends for 2021 (Les 10 tendances les plus importantes en matière de données et d'analyse pour 2021)

** Les données semi-structurées sont des informations qui ne résident pas dans une base de données relationnelle mais qui possèdent certaines propriétés organisationnelles qui facilitent leur analyse (comme les données XML). Les données non structurées ne sont pas organisées d'une manière prédéfinie ou n'ont pas de modèle de données prédéfini (par exemple, les fichiers Word, PDF et les fichiers texte, ainsi que les journaux des médias).

Cet article a été rédigé en collaboration avec Lewis Carr.

Professionnel chevronné des industries verticales stratégiques, des solutions horizontales, du marketing produit, de la gestion des produits et du développement commercial, spécialisé dans les logiciels d'entreprise, y compris la gestion des données et l'analytique, le mobile et l'IoT, et l'informatique dans le cloud distribuée informatique dans le cloud.

À propos de Teresa Wingfield

Teresa Wingfield est directrice du marketing produit chez Actian, où elle est chargée de faire connaître la valeur unique de la plateforme de données Actian , notamment l'intégration de données éprouvée, la gestion des données et l'analyse des données. Elle possède 20 ans d'enregistrement dans l'augmentation du chiffre d'affaires et de la notoriété des solutions d'analyse, de sécurité et d'informatique dématérialisée. Avant de rejoindre Actian, Teresa a géré le marketing des produits dans des entreprises de premier plan telles que Cisco, McAfee et VMware.