Ankaa Pmo®

Articles

Qu’est-ce que le data mining ?

Le data mining est le processus d’extraction d’informations utiles à partir d’une accumulation de données, souvent à partir d’un data warehouse (entrepôt de données) ou d’une collection d’ensembles de données liés. Les outils de data mining incluent de puissantes fonctionnalités statistiques, mathématiques et analytiques dont l’objectif principal est de passer au crible de vastes ensembles de données pour identifier les tendances, les modèles et les relations, pour des prises de décisions et une planification éclairées.

Souvent associé aux demandes du service marketing, le data mining est considéré par de nombreux dirigeants comme un moyen de mieux comprendre la demande et de voir l’impact des modifications apportées aux produits, des prix ou des promotions sur les ventes. Mais le data mining présente également des avantages considérables pour d’autres domaines d’activité. Les ingénieurs et les concepteurs peuvent analyser l’efficacité des modifications de produit et rechercher les causes possibles de la réussite ou de l’échec d’un produit en fonction de la manière, du moment et du lieu d’utilisation des produits. Le MRO (entretien, réparation et fonctionnement) est en mesure de mieux planifier le stock de pièces et l’affectation du personnel. Les entreprises de services professionnels peuvent utiliser le data mining pour identifier les nouvelles opportunités liées à l’évolution des tendances économiques et aux changements démographiques.

Le data mining s’avère davantage utile et précieux maintenant que l’on se retrouve avec des ensembles de données plus volumineux et une expérience utilisateur accrue. Logiquement, plus il y a de données, plus elles cachent d’informations et de renseignements. Par ailleurs, plus les utilisateurs se familiarisent avec les outils et comprennent la base de données, plus ils deviennent créatifs vis-à-vis des explorations et des analyses.

Pourquoi utiliser le data mining ?

Le principal avantage du data mining est sa capacité à repérer des modèles et des relations dans de grands volumes de données provenant de plusieurs sources. Avec de plus en plus de données disponibles, provenant de sources aussi variées que les réseaux sociaux, les capteurs à distance et les rapports de plus en plus détaillés sur les mouvements de produits et l’activité du marché, le data mining offre les outils nécessaires pour exploiter pleinement le Big Data et le transformer en renseignements exploitables. De plus, il peut aider à « sortir des sentiers battus ».

Le processus de data mining peut détecter des relations et des modèles surprenants et intrigants dans des fragments d’informations apparemment non liées. Comme les informations tendent à être compartimentées, il a toujours été difficile, voire impossible, de les analyser dans leur ensemble. Toutefois, il peut exister une relation entre les facteurs externes (démographiques ou économiques, par exemple) et la performance des produits d’une entreprise. Les dirigeants, qui examinent régulièrement les chiffres des ventes par territoire, ligne de produits, canal de distribution et région, manquent souvent de contexte externe pour ces informations. Leur analyse souligne « ce qui s’est passé », mais ne détaille pas vraiment « pourquoi cela s’est passé de cette manière ». Le data mining peut apporter une solution.

Le data mining peut rechercher des corrélations avec des facteurs externes. Si la corrélation n’indique pas toujours la causalité, ces tendances peuvent être des indicateurs précieux pour guider les décisions relatives aux produits, aux canaux et à la production. La même analyse peut être bénéfique pour d’autres domaines de l’activité, de la conception de produit à l’efficacité opérationnelle, en passant par la prestation de services.

Historique du data mining

Nous collectons et analysons des données depuis des milliers d’années et, à bien des égards, le processus est resté le même : identifier les informations nécessaires, trouver des sources de données de qualité, collecter et combiner les données, utiliser les outils les plus efficaces pour analyser les données, et tirer parti des enseignements appris. À mesure que l’informatique et les systèmes basés sur les données se sont développés, il en a été de même pour les outils de gestion et d’analyse des données. Le véritable point d’inflexion est venu dans les années 1960 avec le développement de la technologie de base de données relationnelle et des outils de requête en langage naturel orienté utilisateur, tels que Structured Query Language (SQL). Les données n’étaient plus disponibles uniquement via des programmes codés personnalisés. Grâce à cette avancée, les utilisateurs pouvaient explorer leurs données de manière interactive et en extraire les « joyaux cachés ».

Le data mining est traditionnellement un ensemble de compétences spécialisées dans la science des données. Cependant, chaque nouvelle génération d’outils analytiques nécessite dans un premier temps des compétences techniques avancées, mais évolue rapidement pour devenir accessible aux utilisateurs. L’interactivité, c’est-à-dire la possibilité de laisser les données vous parler, est la principale avancée. Posez une question et visualisez la réponse. En fonction de ce que vous apprenez, posez une autre question. Ce type d’itinérance non structurée à travers les données permet à l’utilisateur d’aller au-delà des limites de la conception de bases de données spécifiques à une application et permet de découvrir des relations qui dépassent les limites fonctionnelles et organisationnelles.

Le data mining est une composante clé de la Business Intelligence. Les outils d’exploration de données sont créés dans les tableaux de bord décisionnels, en extrayant des informations du Big Data, y compris les données des réseaux sociaux, des flux de capteurs IoT, des appareils de localisation, du texte non structuré, des vidéos, etc. Le data mining moderne s’appuie sur le Cloud, l’informatique virtuel et les bases de données in-memory pour gérer les données de diverses sources de manière rentable et s’adapter à la demande.

Comment cela fonctionne ?

Il y a environ autant d’approches du data mining qu’il y a d’explorateurs de données. L’approche dépend du type de questions posées, du contenu et de l’organisation de la base de données ou des ensembles de données fournissant la matière première pour la recherche et l’analyse. Cela dit, certaines étapes organisationnelles et préparatoires doivent être accomplies pour préparer les données, les outils et les utilisateurs :

Comprendre le problème, ou du moins le domaine d’enquête.Le décideur, qui doit prendre les commandes de cette grande aventure de data mining, a besoin d’une compréhension générale du domaine dans lequel il travaillera, à savoir les types de données internes et externes qui doivent faire partie de cette exploration. On suppose qu’il a une connaissance approfondie de l’entreprise et des domaines fonctionnels impliqués.
Collecte de données. Commencez par vos systèmes et bases de données internes. Liez-les à l’aide de leurs modèles de données et de divers outils relationnels, ou rassemblez les données dans un entrepôt de données (data warehouse). Cela inclut toutes les données provenant de sources externes qui font partie de vos opérations, telles que les données de force de vente et/ou de service, les données IoT ou des réseaux sociaux. Recherchez et acquérez auprès des associations professionnelles et des gouvernements les droits sur les données externes, notamment les données démographiques, économiques et relatives au marché, telles que les tendances du secteur et les indices financiers. Intégrez-les dans le périmètre du kit d’outils (intégrez-les dans votre data warehouse ou reliez-les à l’environnement de data mining).
Préparation et compréhension des données.Faites appel aux experts en la matière pour définir, catégoriser et organiser les données. Cette partie du processus est parfois appelée « remaniement des données ». Certaines données peuvent nécessiter un nettoyage pour supprimer les doublons, les incohérences, les enregistrements incomplets ou les formats obsolètes. La préparation et le nettoyage des données peuvent se poursuivre à mesure que de nouveaux projets ou des données provenant de nouveaux champs d’enquête deviennent intéressants.
Formation des utilisateurs.Vous ne donneriez pas à votre adolescent les clés de la Ferrari sans qu’il n’ait appris à conduire ou qu’il n’ait pratiqué la conduite sur route avec un moniteur. Par conséquent, veillez à dispenser une formation formelle à vos futurs explorateurs de données et à les familiariser avec ces outils puissants. La formation continue est également bienvenue une fois qu’ils maîtrisent les bases et qu’ils peuvent passer à des techniques plus avancées.

Techniques de data mining

Gardez à l’esprit que l’exploration de données est basée sur un kit d’outils plutôt que sur une routine ou un processus fixe. Les techniques spécifiques de data mining citées ici ne sont que des exemples d’utilisation des outils par les organisations afin d’explorer leurs données et rechercher des tendances, des corrélations et des renseignements.

D’une manière générale, les approches de data mining peuvent être catégorisées comme étant orientées (vers un résultat spécifique souhaité) ou non orientées, comme un simple processus de découverte. D’autres explorations peuvent être destinées au tri ou à la classification des données, telles que le regroupement des clients potentiels en fonction d’attributs commerciaux comme le secteur, les produits, la taille et le lieu géographique. De même, la détection de cas particuliers ou d’anomalies est une méthode automatisée de reconnaissance des anomalies réelles (plutôt que simple variabilité) dans un ensemble de données qui affiche des modèles identifiables.

Association

Un autre objectif intéressant est l’association, qui relie deux événements ou activités apparemment non liés. Il existe un récit bien connu des débuts de l’analyse et du data mining, peut-être fictif, selon lequel une chaîne de magasins découvrait une corrélation entre les ventes de bière et de couches. Il avait été supposé que les nouveaux papas stressés qui sortaient tard le soir pour acheter des couches pouvaient aussi prendre un pack de 6 bières dans la foulée. Les magasins ont alors placé la bière et les couches à proximité, ce qui a augmenté les ventes de bière.

Clustering

Cette approche vise à regrouper les données par similitudes plutôt que par hypothèses prédéfinies. Par exemple, lorsque vous explorez vos informations commerciales clients combinées à des données externes démographiques et de crédit à la consommation, vous pourriez découvrir que vos clients les plus rentables vivent dans des villes de taille moyenne.

La majorité du temps, le data mining est exécuté en soutien à la prévision. Plus vous comprenez les modèles et les comportements, mieux vous pouvez prévoir les actions futures liées aux causes ou aux corrélations.

Régression

L’une des techniques mathématiques proposées dans les kits d’outils de data mining est l’analyse de régression, qui prédit un nombre en fonction de modèles historiques projetés dans le futur. Divers autres algorithmes de détection et de suivi des modèles fournissent des outils flexibles pour aider les utilisateurs à mieux comprendre les données et le comportement qu’elles représentent.

Ce ne sont là que quelques-uns des outils et des techniques disponibles dans les kits d’outils de data mining. Le choix de l’outil ou de la technique est en quelque sorte automatisé en ce sens que les techniques seront appliquées en fonction de la manière dont la question est posée. Auparavant, l’exploration de données revenait à « découper en tranches » la base de données, mais la pratique est aujourd’hui plus sophistiquée et les termes comme association, clustering et régression sont monnaie courante.

Exemples de cas d’utilisation

Le data mining est essentiel à l’analyse des sentiments, à l’optimisation des prix, au marketing de bases de données, à la gestion des risques de crédit, à la formation et à l’assistance, à la détection des fraudes, aux diagnostics médicaux, à l’évaluation des risques, aux systèmes de recommandation (à savoir, « les clients qui ont acheté ceci ont également aimé… »), et bien plus encore. Elle peut être un outil efficace dans pratiquement n’importe quel secteur, y compris la distribution de détail, la distribution de gros, les services, la fabrication, les télécommunications, les communications, les assurances, l’éducation, la santé, la banque, la science, l’ingénierie et le marketing en ligne ou les réseaux sociaux.

Développement de produit	Les entreprises qui conçoivent, fabriquent ou distribuent des produits physiques peuvent identifier des opportunités pour mieux cibler leurs produits en analysant les habitudes d’achat conjuguées aux données économiques et démographiques. Leurs concepteurs et ingénieurs peuvent également recouper les commentaires des clients et des utilisateurs, les données de réparation et d’autres données pour identifier les opportunités d’amélioration des produits.
Production	Les fabricants peuvent suivre les tendances de qualité, les données de réparation, les taux de production et les données de performance des produits sur le terrain pour identifier les problèmes de production. Ils peuvent également détecter les améliorations pouvant être apportées aux processus afin d’accroître la qualité, gagner du temps, réduire les coûts, améliorer la performance des produits et/ou repérer tout besoin de renouvellement d’équipements.
Industries des services	Dans le secteur des services, les utilisateurs peuvent trouver des opportunités similaires d’amélioration des produits en comparant les commentaires des clients (directs ou publiés sur les réseaux sociaux ou d’autres sources) et les données relatives aux services, canaux, performance des pairs, régions, tarifs, ou encore les données démographiques ou économiques.

Enfin, toutes ces découvertes doivent être transposées dans les prévisions et la planification afin que l’ensemble de l’entreprise soit en phase avec les changements de la demande anticipés grâce à une connaissance plus approfondie du client, et soit ainsi mieux positionnée pour exploiter les opportunités venant d’être identifiées.

Défis liés au data mining

Big Data : la génération de données est de plus en plus rapide, ce qui offre de plus en plus d’opportunités pour le data mining. Cependant, des outils d’exploration de données modernes sont nécessaires pour extraire une signification du Big Data, compte tenu du volume élevé, de la grande rapidité et de la grande variété des structures de données, ainsi que du volume croissant de données non structurées. De nombreux systèmes existants ont du mal à gérer, à stocker et à utiliser ce grand flux d’intrants.
Compétence de l’utilisateur : les outils d’exploration et d’analyses des données sont conçus pour aider les utilisateurs et les décideurs à comprendre et à obtenir des informations à partir de grands volumes de données. Bien que hautement techniques, ces outils puissants offrent désormais une excellente expérience utilisateur, de sorte que pratiquement tous les utilisateurs sont en mesure d’utiliser ces outils avec un minimum de formation. Toutefois, pour tirer pleinement profit des avantages, l’utilisateur doit comprendre les données disponibles et le contexte commercial des informations qu’il recherche. Il doit également savoir, au moins de manière générale, comment fonctionnent les outils et ce qu’ils peuvent faire. Ces outils ne sont pas hors de portée du responsable ou dirigeant moyen, mais nécessitent un apprentissage, raison pour laquelle les utilisateurs doivent consacrer du temps au développement de cette nouvelle compétence.
Qualité et disponibilité des données : avec ces énormes quantités de nouvelles données, il existe également des masses de données incomplètes, incorrectes, trompeuses, frauduleuses, endommagées ou simplement inutiles. Les outils peuvent contribuer à résoudre ce problème, mais les utilisateurs doivent constamment tenir compte de la source des données et de sa crédibilité et fiabilité. Les préoccupations en matière de confidentialité sont également importantes, tant en ce qui concerne l’acquisition des données que la prise en charge et la gestion une fois qu’elles sont en votre possession.

Renforcez votre expertise en matière de gestion des données

Comprenez le processus de gestion des données et les avantages qu’il peut apporter à votre organisation.

FAQ sur le data mining

Quelle est la différence entre le machine learning et le data mining ?

Le data mining consiste à utiliser des outils analytiques avancés pour extraire des informations utiles d’une accumulation de données. Le machine learning est un type d’intelligence artificielle (IA) qui permet aux systèmes d’apprendre par l’expérience. L’exploration de données peut utiliser le machine learning lorsque les programmes analytiques ont la possibilité d’adapter leurs fonctionnalités en fonction de l’analyse de données qu’ils effectuent.

Existe-t-il une différence entre le data mining et l’analyse de données ?

L’analyse des données est un terme général pour le large éventail de pratiques visant à identifier les informations utiles, à les évaluer et à fournir des réponses spécifiques. Le data mining est un type d’analyse des données qui se concentre sur l’exploration de grands ensembles de données combinés pour découvrir des modèles, des tendances et des relations susceptibles de générer des informations et des prévisions.

Le data mining est-il identique à la science des données ?

La science des données est un terme qui inclut de nombreuses technologies de l’information, y compris les statistiques, les mathématiques et les techniques de calcul sophistiquées appliquées aux données. Le data mining est un cas d’utilisation de la science des données centré sur l’analyse de grands ensembles de données provenant d’un large éventail de sources.

Le data mining est-il identique au data warehouse ?

Un data warehouse est un ensemble de données, généralement provenant de sources multiples (ERP, CRM, par exemple) qu’une entreprise rassemblera dans l’entrepôt à des fins d’archivage et d’analyse à grande échelle, comme le data mining.

The post Qu’est-ce que le data mining ? appeared first on SAP France News.

Source de l’article sur sap.com

17 mai 2021/par Service comm.

Qu’est-ce que la modélisation des données ?

Actualités, ERP & Applications, SAP

La modélisation des données correspond au processus de création de diagrammes de flux de données. Lors de la création d’une structure de base de données, qu’elle soit nouvelle ou non, le concepteur commence par élaborer un diagramme illustrant la façon dont les données entreront et sortiront de la base de données. Ce diagramme est utilisé pour définir les caractéristiques des formats et structures de données, ainsi que des fonctions de gestion de base de données, afin de répondre efficacement aux exigences des flux de données. Une fois la base de données créée et déployée, le modèle de données servira de documentation expliquant les motifs de création de la base de données ainsi que la manière dont les flux de données ont été conçus.

Le modèle de données résultant de ce processus établit une structure de relations entre les éléments de données dans une base de données et sert de guide d’utilisation des données. Les modèles de données sont un élément fondamental du développement et de l’analyse de logiciels. Ils fournissent une méthode standardisée pour définir et mettre en forme les contenus de base de données de manière cohérente dans les systèmes, ce qui permet à diverses applications de partager les mêmes données.

Pourquoi la modélisation des données est-elle importante ?

Un modèle de données complet et optimisé permet de créer une base de données logique et simplifiée qui élimine la redondance, réduit les besoins en stockage et permet une récupération efficace. Elle dote également tous les systèmes de ce que l’on appelle une « source unique de la vérité », ce qui est essentiel pour assurer des opérations efficaces et garantir une conformité vérifiable aux réglementations et exigences réglementaires. La modélisation des données est une étape clé dans deux fonctions vitales d’une entreprise numérique.

Projets de développement logiciel (nouveaux ou personnalisations) mis en place par le service informatique

Avant de concevoir et de créer un projet logiciel, il doit exister une vision documentée de ce à quoi ressemblera le produit final et de son comportement. Une grande partie de cette vision concerne l’ensemble de règles de gestion qui régissent les fonctionnalités souhaitées. L’autre partie est la description des données : les flux de données (ou le modèle de données) et la conception de la base de données qui les prendra en charge.

La modélisation des données est une trace de cette vision et fournit une feuille de route pour les concepteurs de logiciels. Grâce à la définition et à la documentation complètes des flux de données et de la base de données, ainsi qu’au développement des systèmes conformément à ces spécifications, les systèmes devraient être en mesure de fournir les fonctionnalités attendues requises pour garantir l’exactitude des données (en supposant que les procédures ont été correctement suivies).

Analyses et visualisation (ou Business Intelligence) : un outil de prise de décision clé pour les utilisateurs

Avec l’augmentation des volumes de données et le nombre croissant d’utilisateurs, les entreprises ont besoin de transformer les données brutes en informations exploitables pour prendre des décisions. Sans surprise, la demande en analyse des données a augmenté de façon spectaculaire. La visualisation des données rend les données encore plus accessibles aux utilisateurs en les présentant sous forme graphique.

Les modèles de données actuels transforment les données brutes en informations utiles qui peuvent être transposées dans des visualisations dynamiques. La modélisation des données prépare les données pour l’analyse : nettoyage des données, définition des mesures et des dimensions, amélioration des données par l’établissement de hiérarchies, la définition d’unités et de devises et l’ajout de formules.

Quels sont les types de modélisation des données ?

Les trois types de modèles de données clés sont le modèle relationnel, le modèle dimensionnel et le modèle entité-association. Il en existe d’autres qui ne sont pas communément utilisés, notamment les types hiérarchique, réseau, orienté objet et à plusieurs valeurs. Le type de modèle définit la structure logique, à savoir comment les données sont stockées, organisées et extraites.

Type relationnel : bien qu’« ancien » dans son approche, le modèle de base de données le plus couramment utilisé aujourd’hui est le relationnel, qui stocke les données dans des enregistrements au format fixe et organise les données dans des tables avec des lignes et des colonnes. Le type de modèle de données le plus basique comporte deux éléments : des mesures et des dimensions. Les mesures sont des valeurs numériques, telles que les quantités et le chiffre d’affaires, utilisées dans les calculs mathématiques comme la somme ou la moyenne. Les dimensions peuvent correspondre à des valeurs numériques ou textuelles. Elles ne sont pas utilisées dans les calculs et incluent des descriptions ou des emplacements. Les données brutes sont définies comme une mesure ou une dimension. Autres termes utilisés dans la conception de base de données relationnelle : « relations » (la table comportant des lignes et des colonnes), « attributs » (colonnes), « nuplets » (lignes) et « domaine » (ensemble de valeurs autorisées dans une colonne). Bien qu’il existe d’autres termes et exigences structurelles qui définissent une base de données relationnelle, le facteur essentiel concerne les relations définies dans cette structure. Les éléments de données communs (ou clés) relient les tables et les ensembles de données. Les tables peuvent également être explicitement liées, comme une relation parent/enfant, y compris les relations dites un-à-un (one-to-one), un-à-plusieurs (one-to-many) ou plusieurs-à-plusieurs (many-to-many).
Type dimensionnel : moins rigide et structurée, l’approche dimensionnelle privilégie une structure de données contextuelle davantage liée à l’utilisation professionnelle ou au contexte. Cette structure de base de données est optimisée pour les requêtes en ligne et les outils d’entreposage de données. Les éléments de données critiques, comme une quantité de transaction par exemple, sont appelés « faits » et sont accompagnés d’informations de référence appelées « dimensions », telles que l’ID de produit, le prix unitaire ou la date de la transaction. Une table de faits est une table primaire dans un modèle dimensionnel. La récupération peut être rapide et efficace (avec des données pour un type d’activité spécifique stockées ensemble), mais l’absence de relations peut compliquer l’extraction analytique et l’utilisation des données. Étant donné que la structure des données est liée à la fonction qui produit et utilise les données, la combinaison de données produites par divers systèmes (dans un entrepôt de données, par exemple) peut poser des problèmes.
Modèle entité-association (modèle E-R) : un modèle E-R représente une structure de données métier sous forme graphique contenant d’une part des boîtes de différentes formes pour représenter des activités, des fonctions ou des « entités », et d’autre part des lignes qui représentent des dépendances, des relations ou des « associations ». Le modèle E-R est ensuite utilisé pour créer une base de données relationnelle dans laquelle chaque ligne représente une entité et comporte des zones qui contiennent des attributs. Comme dans toutes les bases de données relationnelles, les éléments de données « clés » sont utilisés pour relier les tables entre elles.

Quels sont les trois niveaux d’abstraction des données ?

Il existe de nombreux types de modèles de données, avec différents types de mises en forme possibles. La communauté du traitement des données identifie trois types de modélisation permettant de représenter les niveaux de pensée au fur et à mesure que les modèles sont développés.

Modèle de données conceptuel

Ce modèle constitue une « vue d’ensemble » et représente la structure globale et le contenu, mais pas le détail du plan de données. Il s’agit du point de départ standard de la modélisation des données qui permet d’identifier les différents ensembles de données et flux de données dans l’organisation. Le modèle conceptuel dessine les grandes lignes pour le développement des modèles logiques et physiques, et constitue une part importante de la documentation relative à l’architecture des données.

Modèle de données logique

Le deuxième niveau de détail est le modèle de données logique. Il est étroitement lié à la définition générale du « modèle de données » en ce sens qu’il décrit le flux de données et le contenu de la base de données. Le modèle logique ajoute des détails à la structure globale du modèle conceptuel, mais n’inclut pas de spécifications pour la base de données en elle-même, car le modèle peut être appliqué à diverses technologies et divers produits de base de données. (Notez qu’il peut ne pas exister de modèle conceptuel si le projet est lié à une application unique ou à un autre système limité).

Modèle de données physique

Le modèle de base de données physique décrit comment le modèle logique sera réalisé. Il doit contenir suffisamment de détails pour permettre aux techniciens de créer la structure de base de données dans les matériels et les logiciels pour prendre en charge les applications qui l’utiliseront. Il va sans dire que le modèle physique est spécifique à un système logiciel de base de données en particulier. Il peut exister plusieurs modèles physiques dérivés d’un seul et même modèle logique si plusieurs systèmes de base de données seront utilisés.

Processus et techniques de modélisation des données

La modélisation des données est par essence un processus descendant qui débute par l’élaboration du modèle conceptuel pour établir la vision globale, puis se poursuit avec le modèle logique pour s’achever par la conception détaillée contenue dans le modèle physique.

L’élaboration du modèle conceptuel consiste principalement à mettre des idées sous la forme d’un graphique qui ressemble au diagramme des flux de données conçu par un développeur.

Les outils de modélisation des données modernes peuvent vous aider à définir et à créer vos modèles de données logiques et physiques et vos bases de données. Voici quelques techniques et étapes classiques de modélisation des données :

Déterminez les entités et créez un diagramme entité-association. Les entités sont considérées comme des « éléments de données qui intéressent votre entreprise ». Par exemple, « client » serait une entité. « Vente » en serait une autre. Dans un diagramme entité-association, vous documentez la manière dont ces différentes entités sont liées les unes aux autres dans votre entreprise, et les connexions qui existent entre elles.
Définissez vos faits, mesures et dimensions. Un fait est la partie de vos données qui indique une occurrence ou une transaction spécifique, comme la vente d’un produit. Vos mesures sont quantitatives, comme la quantité, le chiffre d’affaires, les coûts, etc. Vos dimensions sont des mesures qualitatives, telles que les descriptions, les lieux et les dates.
Créez un lien de vue de données à l’aide d’un outil graphique ou via des requêtes SQL. Si vous ne maîtrisez pas SQL, l’option la plus intuitive sera l’outil graphique : il vous permet de faire glisser des éléments dans votre modèle et de créer visuellement vos connexions. Lors de la création d’une vue, vous avez la possibilité de combiner des tables et d’autres vues dans une sortie unique. Lorsque vous sélectionnez une source dans la vue graphique et que vous la faites glisser dans une source déjà associée à la sortie, vous pouvez soit la joindre, soit créer une union de ces tables.

Les solutions analytiques modernes peuvent également vous aider à sélectionner, filtrer et connecter des sources de données à l’aide d’un affichage graphique de type glisser-déposer. Des outils avancés sont disponibles pour les experts en données qui travaillent généralement au sein des équipes informatiques. Toutefois, les utilisateurs peuvent également créer leurs propres présentations en créant visuellement un modèle de données et en organisant des tables, des graphiques, des cartes et d’autres objets pour élaborer une présentation basée sur des analyses de données.

Exemples de modélisation des données

Pour toute application, qu’elle soit professionnelle, de divertissement, personnelle ou autre, la modélisation des données est une étape préalable nécessaire à la conception du système et à la définition de l’infrastructure nécessaire à sa mise en œuvre. Cela concerne tout type de système transactionnel, de suite d’applications de traitement des données, ou tout autre système qui collecte, crée ou utilise des données.

La modélisation des données est essentielle pour l’entreposage de données car un entrepôt de données est un référentiel de données provenant de plusieurs sources, qui contiennent probablement des données similaires ou liées, mais disponibles sous des formats différents. Il est nécessaire de mapper en premier lieu les formats et la structure de l’entrepôt afin de déterminer comment manipuler chaque ensemble de données entrant pour répondre aux besoins de la conception de l’entrepôt, afin que les données soient utiles pour l’analyse et l’exploration de données. Le modèle de données est alors un catalyseur important pour les outils analytiques, les systèmes d’information pour dirigeants (tableaux de bord), l’exploration de données et l’intégration à tous les systèmes et applications de données.

Dans les premières étapes de conception de n’importe quel système, la modélisation des données est une condition préalable essentielle dont dépendent toutes les autres étapes pour établir la base sur laquelle reposent tous les programmes, fonctions et outils. Le modèle de données est comparable à un langage commun permettant aux systèmes de communiquer selon leur compréhension et leur acceptation des données, comme décrit dans le modèle. Dans le monde actuel de Big Data, d’apprentissage automatique, d’intelligence artificielle, de connectivité Cloud, d’IdO et de systèmes distribués, dont l’informatique en périphérie, la modélisation des données s’avère plus importante que jamais.

Évolution de la modélisation des données

De façon très concrète, la modélisation des données est apparue en même temps que le traitement des données, le stockage de données et la programmation informatique, bien que le terme lui-même n’ait probablement été utilisé qu’au moment où les systèmes de gestion de base de données ont commencé à évoluer dans les années 1960. Il n’y a rien de nouveau ou d’innovant dans le concept de planification et d’architecture d’une nouvelle structure. La modélisation des données elle-même est devenue plus structurée et formalisée au fur et à mesure que davantage de données, de bases de données et de variétés de données sont apparues.

Aujourd’hui, la modélisation des données est plus essentielle que jamais, étant donné que les techniciens se retrouvent face à de nouvelles sources de données (capteurs IdO, appareils de localisation, flux de clics, réseaux sociaux) et à une montée des données non structurées (texte, audio, vidéo, sorties de capteurs brutes), à des volumes et à une vitesse qui dépassent les capacités des systèmes traditionnels. Il existe désormais une demande constante de nouveaux systèmes, de nouvelles structures et techniques innovantes de bases de données, et de nouveaux modèles de données pour rassembler ces nouveaux efforts de développement.

Quelle est la prochaine étape de la modélisation des données ?

La connectivité des informations et les grandes quantités de données provenant de nombreuses sources disparates (capteurs, voix, vidéo, emails, etc.) étendent le champ d’application des projets de modélisation pour les professionnels de l’informatique. Internet est, bien sûr, l’un des moteurs de cette évolution. Le Cloud est en grand partie la solution car il s’agit de la seule infrastructure informatique suffisamment grande, évolutive et agile pour répondre aux exigences actuelles et futures dans un monde hyperconnecté.

Les options de conception de base de données évoluent également. Il y a dix ans, la structure dominante de la base de données était relationnelle, orientée lignes et utilisait la technologie traditionnelle de l’espace disque. Les données du grand livre ou de la gestion des stocks d’un système ERP standard étaient stockées dans des dizaines de tables différentes qui doivent être mises à jour et modélisées. Aujourd’hui, les solutions ERP modernes stockent des données actives dans la mémoire à l’aide d’une conception en colonnes, ce qui réduit considérablement le nombre de tables et accroît la vitesse et l’efficacité.

Pour les professionnels du secteur, les nouveaux outils en libre-service disponibles aujourd’hui continueront à s’améliorer. De nouveaux outils seront également introduits pour rendre la modélisation et la visualisation des données encore plus simples et plus collaboratives.

Synthèse

Un modèle de données bien pensé et complet est la clé du développement d’une base de données véritablement fonctionnelle, utile, sécurisée et exacte. Commencez par le modèle conceptuel pour présenter tous les composants et fonctions du modèle de données. Affinez ensuite ces plans dans un modèle de données logique qui décrit les flux de données et définit clairement les données nécessaires et la manière dont elles seront acquises, traitées, stockées et distribuées. Le modèle de données logique donne lieu au modèle de données physique spécifique à un produit de base de données et constitue le document de conception détaillé qui guide la création de la base de données et du logiciel d’application.

Une bonne modélisation des données et une bonne conception de base de données sont essentielles au développement de bases de données et de systèmes d’application fonctionnels, fiables et sécurisés, qui fonctionnent bien avec les entrepôts de données et les outils analytiques, et facilitent l’échange de données entre les partenaires et entre les suites d’application. Des modèles de données bien pensés aident à garantir l’intégrité des données, ce qui rend les données de votre entreprise encore plus précieuses et fiables.

Découvrez les outils modernes de modélisation des données de SAP Data Warehouse Cloud

The post Qu’est-ce que la modélisation des données ? appeared first on SAP France News.

Source de l’article sur sap.com

6 mai 2021/par Service comm.

No-Code: »It’s a Trap! »

Actualités, Méthodes et organisation des process IT

Gartner predicts that by 2023, over 50% of medium to large enterprises will have adopted a Low-code/No-code application as part of their platform development.

The proliferation of Low-code/No-code tooling can be partially attributed to the COVID-19 pandemic, which has put pressure on businesses around the world to rapidly implement digital solutions. However, adoption of these tools — while indeed accelerated by the pandemic — would have occurred either way.

Even before the pandemic, the largest, richest companies had already formed an oligopsony around the best tech talent and most advanced development tools. Low-Code/No-code, therefore, is an attractive solution for small and mid-sized organizations to level the playing field, and it does so by giving these smaller players the power to do more with their existing resources.

While these benefits are often realized in the short term, the long-term effect of these tools is often shockingly different. The promise of faster and cheaper delivery is the catch — or lure — inside this organizational mousetrap, whereas backlogs, vendor contracts, technical debts, and constant updates are the hammer.

So, what exactly is the No-Code trap, and how can we avoid it?

What is a No-Code Tool?

First, let’s make sure we clear up any confusion regarding naming. So far I have referred Low-Code and No-Code as if they were one term. It’s certainly easy to confuse them — even large analyst firms seem to have a hard time differentiating between the two — and in the broader context of this article, both can lead to the same set of development pitfalls.

Under the magnifying glass, however, there are lots of small details and capabilities that differentiate Low-code and No-code solutions. Most of them aren’t apparent at the UI level, leading to much of the confusion between where the two come from.

In this section, I will spend a little bit of time exploring the important differences between those two, but only to show that when it comes to the central premise of this article they are virtually equivalent.

Low-Code vs. No-Code Tools

The goal behind Low-Code is to minimize the amount of coding necessary for complex tasks through a visual interface (such as Drag ‘N’ Drop) that integrates existing blocks of code into a workflow.

Skilled professionals have the potential to work smarter and faster with Low-Code tools because repetitive coding or duplicating work is streamlined. Through this, they can spend less time on the 80% of work that builds the foundation and focuses more on optimizing the 20% that makes it different. It, therefore, takes on the role of an entry-level employee doing the grunt work for more senior developers/engineers.

No-Code has a very similar look and feel to Low-Code, but is different in one very important dimension. Where Low-Code is meant to optimize the productivity of developers or engineers that already know how to code (even if just a little), No-Code is built for business and product managers that may not know any actual programming languages. It is meant to equip non-technical workers with the tools they need to create applications without formal development training.

No-Code applications need to be self-contained and everything the No-Code vendor thinks the user may need is already built into the tool.

As a result, No-Code applications create a lot of restrictions for the long-term in exchange for quick results in the short-term. This is a great example of a ‘deliberate-prudent’ scenario in the context of the Technical Debt Quadrant, but more on this later.

Advantages of No-Code Solutions

The appeal of both Low-Code and No-Code is pretty obvious. By removing code organizations can remove those that write it — developers — because they are expensive, in short supply, and fundamentally don’t produce things quickly.

The benefits of these two forms of applications in their best forms can be pretty substantial:

Resources: Human Capital is becoming increasingly scarce — and therefore expensive. This can stop a lot of ambitious projects dead in their tracks. Low-Code and No-Code tools minimize the amount of specialized technical skills needed to get an application of the ground, which means things can get done more quickly and at a lower cost.
Low R isk/H igh ROI: Security processes, data integrations, and cross-platform support are all built into Low-Code and No-Code tools, meaning less risk and more time to focus on your business goals.
Moving to Production: Similarly, for both types of tools a single click is all it takes to send or deploy a model or application you built to production.

Looking at these advantages, it is no wonder that both Low-Code and No-Code have been taking industries by storm recently. While being distinctly different in terms of users, they serve the same goal — that is to say, faster, safer and cheaper deployment. Given these similarities, both terms will be grouped together under the ‘No-Code’ term for the rest of this article unless otherwise specified.

List of No-Code Data Tools

So far, we have covered the applications of No-Code in a very general way, but for the rest of this article, I would like to focus on data modeling. No-Code tools are prevalent in software development, but have also, in particular, started to take hold in this space, and some applications even claim to be an alternative to SQL and other querying languages (crazy, right?!). My reasons for focusing on this are two-fold:

Firstly, there is a lot of existing analysis around this problem for software development and very little for data modeling. Secondly, this is also the area in which I have the most expertise.

Now let’s take a look at some of the vendors that provide No-Code solutions in this space. These in no way constitute a complete list and are, for the most part, not exclusively built for data modeling.

1. No-Code Data Modeling in Power BI

Power BI was created by Microsoft and aims to provide interactive visualizations and business intelligence capabilities to all types of business users. Their simple interface is meant to allow end-users to create their own reports and dashboards through a number of features, including data mapping, transformation, and visualization through dashboards. Power BI does support some R coding capabilities for visualization, but when it comes to data modeling, it is a true No-Code tool.

2. Alteryx as a Low-Code Alternative

Alteryx is meant to make advanced analytics accessible to any data worker. To achieve this, it offers several data analytics solutions. Alteryx specializes in self-service analytics with an intuitive UI. Their offerings can be used as Extract, Transform, Load (ETL) Tools within their own framework. Alteryx allows data workers to organize their data pipelines through their custom features and SQL code blocks. As such, they are easily identified as a Low-Code solution.

3. Is Tableau a No-Code Data Modeling Solution?

Tableau is a visual analytics platform and a direct competitor to Power BI. They were recently acquired by Salesforce which is now hoping to ‘transform the way we use data to solve problems—empowering people and organizations to make the most of their data.’ It is also a pretty obvious No-Code platform that is supposed to appeal to all types of end-users. As of now, it offers fewer tools for data modeling than Power BI, but that is likely to change in the future.

4. Looker is a No-Code Alternative to SQL

Looker is a business intelligence software and big data analytics platform that promises to help you explore, analyze, and share real-time business analytics easily. Very much in line with Tableau and Power BI, it aims to make non-technical end-users proficient in a variety of data tasks such as transformation, modeling, and visualization.

You might be wondering why I am including so many BI/Visualization platforms when talking about potential alternatives to SQL. After all, these tools are only set up to address an organization’s reporting needs, which constitute only one of the use cases for data queries and SQL. This is certainly a valid point, so allow me to clarify my reasoning a bit more.

While it is true that reporting is only one of many potential uses for SQL, it is nevertheless an extremely important one. There is a good reason why there are so many No-Code BI tools in the market—to address heightening demand from enterprises around the world — and therefore, it is worth taking a closer look at their almost inevitable shortcomings.

Source de l’article sur DZONE

23 avril 2021/par Service comm.

Qu’est-ce qu’un Data Warehouse ?

Actualités, ERP & Applications, SAP

Un data warehouse (entrepôt de données) est un système de stockage numérique qui connecte et harmonise de grandes quantités de données provenant de nombreuses sources différentes. Il a pour but d’alimenter la Business Intelligence (BI), le reporting et l’analyse, ainsi que soutenir la conformité aux exigences réglementaires afin que les entreprises puissent exploiter leurs données et prendre des décisions intelligentes fondées sur les données. Les data warehouse stockent les données actuelles et historiques dans un seul et même endroit et constituent ainsi une source unique de vérité pour une organisation.

Les données sont envoyées vers un data warehouse à partir de systèmes opérationnels (tels qu’un système ERP ou CRM), de bases de données et de sources externes comme les systèmes partenaires, les appareils IoT, les applications météo ou les réseaux sociaux, généralement de manière régulière. L’émergence du cloud computing a changé la donne. Ces dernières années, le stockage des données a été déplacé de l’infrastructure sur site traditionnelle vers de multiples emplacements, y compris sur site, dans le Cloud privé et dans le Cloud public.

Les data warehouse modernes sont conçus pour gérer à la fois les données structurées et les données non structurées, comme les vidéos, les fichiers image et les données de capteurs. Certains utilisent les outils analytiques intégrés et la technologie de base de données in-memory (qui conserve l’ensemble de données dans la mémoire de l’ordinateur plutôt que dans l’espace disque) pour fournir un accès en temps réel à des données fiables et favoriser une prise de décision en toute confiance. Sans entreposage de données, il est très difficile de combiner des données provenant de sources hétérogènes, de s’assurer qu’elles sont au bon format pour les analyses et d’obtenir une vue des données sur le court terme et sur le long terme.

Schéma qui montre ce qu'est un data warehouse

Avantages de l’entreposage de données

Un data warehouse bien conçu constitue la base de tout programme de BI ou d’analyse réussi. Son principal objectif est d’alimenter les rapports, les tableaux de bord et les outils analytiques devenus indispensables aux entreprises d’aujourd’hui. Un entrepôt de données fournit les informations dont vous avez besoin pour prendre des décisions basées sur les données et vous aide à faire les bons choix, que ce soit pour le développement de nouveaux produits ou la gestion des niveaux de stock. Un data warehouse présente de nombreux avantages. En voici quelques-uns :

Un meilleur reporting analytique : grâce à l’entreposage de données, les décideurs ont accès à des données provenant de plusieurs sources et n’ont plus besoin de prendre des décisions basées sur des informations incomplètes.
Des requêtes plus rapides : les data warehouse sont spécialement conçus pour permettre l’extraction et l’analyse rapides des données. Avec un entrepôt de données, vous pouvez très rapidement demander de grandes quantités de données consolidées avec peu ou pas d’aide du service informatique.
Une amélioration de la qualité des données : avant de charger les données dans l’entrepôt de données le système met en place des nettoyages de données afin de garantir que les données sont converties dans un seul et même format dans le but de faciliter les analyses (et les décisions), qui reposent alors sur des données précises et de haute qualité.
Une visibilité sur les données historiques : en stockant de nombreuses données historiques, un data warehouse permet aux décideurs d’analyser les tendances et les défis passés, de faire des prévisions et d’améliorer l’organisation au quotidien.

Capture d'écran de la solution SAP Data Warehouse Cloud

Que peut stocker un data warehouse ?

Lorsque les data warehouse sont devenus populaires à la fin des années 1980, ils étaient conçus pour stocker des informations sur les personnes, les produits et les transactions. Ces données, appelées données structurées, étaient bien organisées et mises en forme pour en favoriser l’accès. Cependant, les entreprises ont rapidement voulu stocker, récupérer et analyser des données non structurées, comme des documents, des images, des vidéos, des e-mails, des publications sur les réseaux sociaux et des données brutes issues de capteurs.

Un entrepôt de données moderne peut contenir des données structurées et des données non structurées. En fusionnant ces types de données et en éliminant les silos qui les séparent, les entreprises peuvent obtenir une vue complète et globale sur les informations les plus précieuses.

Termes clés

Il est essentiel de bien comprendre un certain nombre de termes en lien avec les data warehouse. Les plus importants ont été définis ci-dessous. Découvrez d’autres termes et notre FAQ dans notre glossaire.

Data warehouse et base de données

Les bases de données et les data warehouse sont tous deux des systèmes de stockage de données, mais diffèrent de par leurs objectifs. Une base de données stocke généralement des données relatives à un domaine d’activité particulier. Un entrepôt de données stocke les données actuelles et historiques de l’ensemble de l’entreprise et alimente la BI et les outils analytiques. Les data warehouse utilisent un serveur de base de données pour extraire les données présentes dans les bases de données d’une organisation et disposent de fonctionnalités supplémentaires pour la modélisation des données, la gestion du cycle de vie des données, l’intégration des sources de données, etc.

Data warehouse et lac de données

Les data warehouse et les lacs de données sont utilisés pour stocker le Big Data, mais sont des systèmes de stockage très différents. Un data warehouse stocke des données qui ont été formatées dans un but spécifique, tandis qu’un lac de données stocke les données dans leur état brut, non traité, dont l’objectif n’a pas encore été défini. Les entrepôts de données et les lacs de données se complètent souvent. Par exemple, lorsque des données brutes stockées dans un lac s’avèrent utiles pour répondre à une question, elles peuvent être extraites, nettoyées, transformées et utilisées dans un data warehouse à des fins d’analyse. Le volume de données, les performances de la base de données et les coûts du stockage jouent un rôle important dans le choix de la solution de stockage adaptée.

Diagramme qui montre la différence entre un data warehouse et un lac de données

Data warehouse et datamart

Un datamart est une sous-section d’un data warehouse, partitionné spécifiquement pour un service ou un secteur d’activité, comme les ventes, le marketing ou la finance. Certains datamarts sont également créés à des fins opérationnelles autonomes. Alors qu’un data warehouse sert de magasin de données central pour l’ensemble de l’entreprise, un datamart utilise des données pertinentes à un groupe d’utilisateurs désigné. Ces utilisateurs peuvent alors accéder plus facilement aux données, accélérer leurs analyses et contrôler leurs propres données. Plusieurs datamarts sont souvent déployés dans un data warehouse.

Diagramme d'un data mart et de son fonctionnement

Quels sont les composants clés d’un data warehouse ?

Un data warehouse classique comporte quatre composants principaux : une base de données centrale, des outils ETL (extraction, transformation, chargement), des métadonnées et des outils d’accès. Tous ces composants sont conçus pour être rapides afin de vous assurer d’obtenir rapidement des résultats et vous permettre d’analyser les données à la volée.

Diagramme montrant les composants d'un data warehouse

Base de données centrale : une base de données sert de fondement à votre data warehouse. Depuis le départ, on utilisait essentiellement des bases de données relationnelles standard exécutées sur site ou dans le Cloud. Mais en raison du Big Data, du besoin d’une véritable performance en temps réel et d’une réduction drastique des coûts de la RAM, les bases de données in-memory sont en train de monter en puissance.
Intégration des données : les données sont extraites des systèmes source et modifiées pour aligner les informations afin qu’elles puissent être rapidement utilisées à des fins analytiques à l’aide de différentes approches d’intégration des données telles que l’ETL (extraction, transformation, chargement) et les services de réplication de données en temps réel, de traitement en masse, de transformation des données et de qualité et d’enrichissement des données.
Métadonnées : les métadonnées sont des données relatives à vos données. Elles indiquent la source, l’utilisation, les valeurs et d’autres fonctionnalités des ensembles de données présents dans votre data warehouse. Il existe des métadonnées de gestion, qui ajoutent du contexte à vos données, et des métadonnées techniques, qui décrivent comment accéder aux données, définissent leur emplacement ainsi que leur structure.
Outils d’accès du data warehouse : les outils d’accès permettent aux utilisateurs d’interagir avec les données de votre data warehouse. Exemples d’outils d’accès : outils de requête et de reporting, outils de développement d’applications, outils d’exploration de données et outils OLAP.

Architecture de data warehouse

Auparavant, les data warehouse fonctionnaient par couches, lesquelles correspondaient au flux des données de gestion.

Diagramme de l'architecture d'un data warehouse

Couche de données	Les données sont extraites de vos sources, puis transformées et chargées dans le niveau inférieur à l’aide des outils ETL. Le niveau inférieur comprend votre serveur de base de données, les datamarts et les lacs de données. Les métadonnées sont créées à ce niveau et les outils d’intégration des données, tels que la virtualisation des données, sont utilisés pour combiner et agréger les données en toute transparence.
Couche sémantique	Au niveau intermédiaire, les serveurs OLAP (Online Analytical Processing) et OLTP (Online Transaction Processing) restructurent les données pour favoriser des requêtes et des analyses rapides et complexes.
Couche analytique	Le niveau supérieur est la couche du client frontend. Il contient les outils d’accès du data warehouse qui permettent aux utilisateurs d’interagir avec les données, de créer des tableaux de bord et des rapports, de suivre les KPI, d’explorer et d’analyser les données, de créer des applications, etc. Ce niveau inclut souvent un workbench ou une zone de test pour l’exploration des données et le développement de nouveaux modèles de données.

Un data warehouse standard comprend les trois couches définies ci-dessus. Aujourd’hui, les entrepôts de données modernes combinent OLTP et OLAP dans un seul système.

Les data warehouse, conçus pour faciliter la prise de décision, ont été essentiellement créés et gérés par les équipes informatiques. Néanmoins, ces dernières années, ils ont évolué pour renforcer l’autonomie des utilisateurs fonctionnels, réduisant ainsi leur dépendance aux équipes informatiques pour accéder aux données et obtenir des informations exploitables. Parmi les fonctionnalités clés d’entreposage de données qui ont permis de renforcer l’autonomie des utilisateurs fonctionnels, on retrouve les suivantes :

La couche sémantique ou de gestion fournit des expressions en langage naturel et permet à tout le monde de comprendre instantanément les données, de définir des relations entre les éléments dans le modèle de données et d’enrichir les zones de données avec de nouvelles informations.
Les espaces de travail virtuels permettent aux équipes de regrouper les connexions et modèles de données dans un lieu sécurisé et géré, afin de mieux collaborer au sein d’un espace commun, avec un ensemble de données commun.
Le Cloud a encore amélioré la prise de décision en permettant aux employés de disposer d’un large éventail d’outils et de fonctionnalités pour effectuer facilement des tâches d’analyse des données. Ils peuvent connecter de nouvelles applications et de nouvelles sources de données sans avoir besoin de faire appel aux équipes informatiques.

The Future of Analytics Has Arrived

Click the button below to load the content from YouTube.

Always allow YouTube

Kate Wright, responsable de la Business Intelligence augmentée chez SAP, évoque la valeur d’un data warehouse Cloud moderne.

Les 7 principaux avantages d’un data warehouse Cloud

Les data warehouse Cloud gagnent en popularité, à juste titre. Ces entrepôts modernes offrent plusieurs avantages par rapport aux versions sur site traditionnelles. Voici les sept principaux avantages d’un data warehouse Cloud :

Déploiement rapide : grâce à l’entreposage de données Cloud, vous pouvez acquérir une puissance de calcul et un stockage de données presque illimités en quelques clics seulement, et créer votre propre data warehouse, datamarts et systèmes de test en quelques minutes.
Faible coût total de possession (TCO) : les modèles de tarification du data warehouse en tant que service (DWaaS) sont établis de sorte que vous payez uniquement les ressources dont vous avez besoin, lorsque vous en avez besoin. Vous n’avez pas besoin de prévoir vos besoins à long terme ou de payer pour d’autres traitements tout au long de l’année. Vous pouvez également éviter les coûts initiaux tels que le matériel coûteux, les salles de serveurs et le personnel de maintenance. Séparer les coûts du stockage des coûts informatiques vous permet également de réduire les dépenses.
Élasticité : un data warehouse Cloud vous permet d’ajuster vos capacités à la hausse ou à la baisse selon vos besoins. Le Cloud offre un environnement virtualisé et hautement distribué capable de gérer d’immenses volumes de données qui peuvent diminuer ou augmenter.
Sécurité et restauration après sinistre : dans de nombreux cas, les data warehouse Cloud apportent une sécurité des données et un chiffrage plus forts que les entrepôts sur site. Les données sont également automatiquement dupliquées et sauvegardées, ce qui vous permet de minimiser le risque de perte de données.
Technologies en temps réel : les data warehouse Cloud basés sur la technologie de base de données in-memory présentent des vitesses de traitement des données extrêmement rapides, offrant ainsi des données en temps réel et une connaissance instantanée de la situation.
Nouvelles technologies : les data warehouse Cloud vous permettent d’intégrer facilement de nouvelles technologies telles que l’apprentissage automatique, qui peuvent fournir une expérience guidée aux utilisateurs fonctionnels et une aide décisionnelle sous la forme de suggestions de questions à poser, par exemple.
Plus grande autonomie des utilisateurs fonctionnels : les data warehouse Cloud offrent aux employés, de manière globale et uniforme, une vue unique sur les données issues de nombreuses sources et un vaste ensemble d’outils et de fonctionnalités pour effectuer facilement des tâches d’analyse des données. Ils peuvent connecter de nouvelles applications et de nouvelles sources de données sans avoir besoin de faire appel aux équipes informatiques.

Capture d'écran de la solution SAP Data Warehouse Cloud — *L’entreposage de données prend en charge l’analyse complète des dépenses de l’entreprise par service, fournisseur, région et statut, pour n’en citer que quelques-unes.*

Meilleures pratiques concernant l’entreposage des données

Pour atteindre vos objectifs et économiser du temps et de l’argent, il est recommandé de suivre certaines étapes éprouvées lors de la création d’un data warehouse ou l’ajout de nouvelles applications à un entrepôt existant. Certaines sont axées sur votre activité tandis que d’autres s’inscrivent dans le cadre de votre programme informatique global. Vous pouvez commencer avec la liste de meilleures pratiques ci-dessous, mais vous en découvrirez d’autres au fil de vos collaborations avec vos partenaires technologiques et de services.

Meilleures pratiques métier	Meilleures pratiques informatiques
Définir les informations dont vous avez besoin. Une fois que vous aurez cerné vos besoins initiaux, vous serez en mesure de trouver les sources de données qui vous aideront à les combler. La plupart du temps, les groupes commerciaux, les clients et les fournisseurs auront des recommandations à vous faire.	Surveiller la performance et la sécurité. Les informations de votre data warehouse sont certes précieuses, mais elles doivent quand même être facilement accessibles pour apporter de la valeur à l’entreprise. Surveillez attentivement l’utilisation du système pour vous assurer que les niveaux de performance sont élevés.
Documenter l’emplacement, la structure et la qualité de vos données actuelles. Vous pouvez ensuite identifier les lacunes en matière de données et les règles de gestion pour transformer les données afin de répondre aux exigences de votre entrepôt.	Gérer les normes de qualité des données, les métadonnées, la structure et la gouvernance. De nouvelles sources de données précieuses sont régulièrement disponibles, mais nécessitent une gestion cohérente au sein d’un data warehouse. Suivez les procédures de nettoyage des données, de définition des métadonnées et de respect des normes de gouvernance.
Former une équipe. Cette équipe doit comprendre les dirigeants, les responsables et le personnel qui utiliseront et fourniront les informations. Par exemple, identifiez le reporting standard et les KPI dont ils ont besoin pour effectuer leurs tâches.	Fournir une architecture agile. Plus vos unités d’affaires et d’entreprise utiliseront les données, plus vos besoins en matière de datamarts et d’entrepôts augmenteront. Une plate-forme flexible s’avérera bien plus utile qu’un produit limité et restrictif.
Hiérarchiser vos applications de data warehouse. Sélectionnez un ou deux projets pilotes présentant des exigences raisonnables et une bonne valeur commerciale.	Automatiser les processus tels que la maintenance. Outre la valeur ajoutée apportée à la Business Intelligence, l’apprentissage automatique peut automatiser les fonctions de gestion technique du data warehouse pour maintenir la vitesse et réduire les coûts d’exploitation.
Choisir un partenaire technologique compétent pour l’entrepôt de données. Ce dernier doit offrir les services d’implémentation et l’expérience dont vous avez besoin pour la réalisation de vos projets. Assurez-vous qu’il puisse répondre à vos besoins en déploiement, y compris les services Cloud et les options sur site.	Utiliser le Cloud de manière stratégique. Les unités d’affaires et les services ont des besoins en déploiement différents. Utilisez des systèmes sur site si nécessaire et misez sur des data warehouse Cloud pour bénéficier d’une évolutivité, d’une réduction des coûts et d’un accès sur téléphone et tablette.
Développer un bon plan de projet. Travaillez avec votre équipe sur un plan et un calendrier réalistes qui rendent possible les communications et le reporting de statut.

En résumé

Les data warehouse modernes, et, de plus en plus, les data warehouse Cloud, constitueront un élément clé de toute initiative de transformation numérique pour les entreprises mères et leurs unités d’affaires. Les data warehouse exploitent les systèmes de gestion actuels, en particulier lorsque vous combinez des données issues de plusieurs systèmes internes avec de nouvelles informations importantes provenant d’organisations externes.

Les tableaux de bord, les indicateurs de performance clés, les alertes et le reporting répondent aux exigences des cadres dirigeants, de la direction et du personnel, ainsi qu’aux besoins des clients et des fournisseurs importants. Les data warehouse fournissent également des outils d’exploration et d’analyse de données rapides et complexes, et n’ont pas d’impact sur les performances des autres systèmes de gestion.

Découvrez la solution SAP Data Warehouse Cloud

Unifiez vos données et analyses pour prendre des décisions avisées et obtenir la flexibilité nécessaire pour un contrôle efficace des coûts, notamment grâce à un paiement selon l’utilisation.

Publié en anglais sur insights.sap.com

The post Qu’est-ce qu’un Data Warehouse ? appeared first on SAP France News.

Source de l’article sur sap.com

22 avril 2021/par Service comm.

CI/CD Meets Oracle Transactional Business Intelligence

Actualités, Méthodes et organisation des process IT

Oracle Transactional Business Intelligence (OTBI) is built on the power of Oracle’s industry-leading business intelligence tool Oracle Business Intelligence Enterprise Edition (OBIEE). This allows users to build powerful data visualization with real-time data that highlights data patterns and encourages data exploration instead of delivering static flat reports. OTBI provides users a wide variety of data visualization options from standard graphs to advanced visuals such as trellis, treemaps, performance tiles, KPIs, and others.

Introducing a CI/CD Solution for OTBI

FlexDeploy has an innovative CI/CD solution for managing the build and deployment of OTBI WebCatalog objects across the pipeline. Using FlexDeploy’s partial deployment model, developers can assemble related catalog objects into packages, build them from source control or a development environment, and deploy them into the target environments.

Source de l’article sur DZONE

11 avril 2021/par Service comm.

Qu’est-ce que l’ERP Cloud ?

Actualités, ERP & Applications, SAP

Avant d’aborder le sujet de l’ERP Cloud, rappelons ce qu’est un ERP. Introduit dans les années 90, le progiciel de gestion intégré (ERP) est un logiciel qui automatise les processus, que ces derniers relèvent de la finance, distribution, production, etc. Initialement, les systèmes ERP étaient souvent implémentés chez les clients, dans leurs centres de données. Ils étaient alors axés sur l’automatisation et l’orchestration des activités et des ressources internes. Au fil du temps, ils ont évolué pour s’adapter aux nouveaux besoins.

Plus récemment, la technologie cloud computing est arrivée et les logiciels ont été davantage distribués sous forme de services, via internet. L’ERP, comme beaucoup d’autres applications, a migré dans le cloud. Logiciel en tant que service (SaaS), l’ERP Cloud est disponible par abonnement plutôt qu’à l’achat. Mais l’ERP Cloud ne se limite pas à un nouveau modèle de distribution et de tarification. S’il rencontre aujourd’hui un tel succès, c’est parce qu’il aide les entreprises à prospérer à l’ère du numérique.

Pourquoi l’ERP Cloud ?

Pendant plus de 25 ans, les systèmes ERP ont apporté de la valeur aux entreprises, en les aidant à augmenter leur productivité et à obtenir une visibilité accrue. Mais le monde (et la concurrence) a changé.

La façon dont les entreprises fonctionnent et créent de la valeur est différente aujourd’hui. Elles sont d’abord sous pression pour automatiser leurs opérations. Quand elles ont déjà une certaine maturité numérique, comme beaucoup de grandes entreprises, elles cherchent à optimiser et changer leurs processus. Ainsi que des opportunités pour continuer à croître et à s’étendre. Les entreprises travaillent également davantage en réseau. Elles s’appuient sur des partenaires pour la production, distribution, gestion des ventes, le service, le support… et même pour leurs activités principales.

Ce monde globalisé et connecté exige de nouvelles technologies et systèmes, capables de gérer les opérations internes et externes, ainsi que les réseaux d’entreprises dans le monde entier. Et l’ERP Cloud rend tout cela possible, permettant aux entreprises de tirer parti des changements et d’être plus agiles.

En parallèle, les clients, de plus en plus férus de numérique, sont plus exigeants. Ils veulent des livraisons plus rapides, des offres continuellement améliorées, une fiabilité accrue et des coûts réduits.

Les anciens ERP ne peuvent plus suivre le rythme. Pourquoi ? Parce qu’ils ne s’adaptent pas facilement au changement, reposent sur une technologie à la maintenance coûteuse. Et aussi parce qu’il est peu probable qu’ils aident les entreprises à se conformer aux nouvelles réglementations.

Résultat : la plupart des anciens systèmes ERP peinent à fournir la vitesse, la flexibilité et la business intelligence nécessaires à la transformation, croissance et compétitivité des entreprises.

Comment l’ERP SaaS a-t-il évolué ?

Au début des années 2000, les applications cloud étaient surtout des solutions autonomes. Des outils de gestion de la relation client (CRM), de marketing automation, de gestion des notes de frais et des déplacements, etc.

Au milieu des années 2000, les principaux éditeurs de logiciels ont lancé leurs solutions d’ERP Cloud. Beaucoup avaient des fonctionnalités limitées et n’avaient pas été fondamentalement conçues pour le « cloud ». Une grande partie de ces solutions ont été adoptées lentement. Parce qu’elles étaient trop rigides, ne pouvaient suivre la rapidité du changement ni apporter la profondeur de fonction requise. Elles ne pouvaient pas non plus s’intégrer ou se connecter à différents systèmes ou données, limitant de fait la portée du changement et la croissance des entreprises.

Les systèmes ERP d’aujourd’hui ont considérablement changé la donne. Tout comme la courbe d’acceptation et d’adoption de l’ERP Cloud. Pourtant, il reste important de distinguer les systèmes ERP conçus pour le cloud de ceux qui simplement opèrent sur le cloud.

Pourquoi l’ERP Cloud est-il aujourd’hui si important ?

Les entreprises à forte croissance se sont souvent imposées comme des spécialistes dans leurs secteurs, grâce à des relations étroites avec leurs clients et fournisseurs, davantage de processus automatisés, et un besoin constant d’optimiser l’efficacité de leurs ressources et de passer à l’étape suivante de leur croissance. Les nouveaux environnements ont également entraîné un besoin d’innovation plus rapide. Ce qui a souvent créé un créneau pour ces entreprises, qui deviennent des spécialistes travaillant dans un petit ensemble de marchés verticaux, tels que la production de métaux pour l’aérospatiale ou les services de distribution aux restaurants.

Pour croître plus rapidement, ces entreprises doivent se développer dans de nouveaux marchés, lancer de nouveaux produits et services, faire des acquisitions et réagir aux échecs de leurs concurrents. Répondre à ces changements et saisir les opportunités au moment opportun est crucial. Un ancien système ERP rigide et difficilement extensible limitera la croissance et les changements positifs.

De même, la coopération entre les services est essentielle. Mais les systèmes de reporting indépendants – souvent basés sur des fichiers Excel, extraits de données ou systèmes cloisonnés – compliquent l’échange d’informations. Ils entraînent aussi des retards et des erreurs dans les opérations. Or, le partage efficace d’informations est vital pour prendre rapidement de bonnes décisions.

Aussi, les dirigeants sont souvent très soucieux des coûts. Et la constitution de réserves au bilan pour développer l’entreprise exige un examen du fonds de roulement, des dépenses d’exploitation et des investissements. Pourtant, de nombreux systèmes comptables hérités peinent à gérer ces détails. Et peinent aussi à se connecter au système comptable élargi ou à l’ERP. Les anciens outils et systèmes ne répondent pas aux besoins actuels, ne contribuent pas à l’efficacité opérationnelle et ne sont pas structurés ou maintenus pour répondre aux nouvelles exigences.

Enfin, si les entreprises sont promptes à adopter des solutions technologiques qui améliorent leurs opérations, beaucoup ont investi dans des solutions déconnectées pour résoudre des problèmes spécifiques à un service ou à un secteur. Ils ont par exemple investi dans des systèmes de gestion de la production (MES), de gestion des services de terrain, ou des logiciels de centre d’appels. Cette approche peut conduire à des dépenses importantes. Mais aussi à une grande complexité, lorsque ces solutions se connectent difficilement au système ERP. L’ERP Cloud, avec ses nouvelles technologies et ses avantages, change tout cela et offre une intégration harmonieuse.

Les systèmes modernes d’ERP Cloud améliorent le flux de travail grâce à des processus rationalisés, ce qui aide les entreprises à fournir un meilleur service à la clientèle, à identifier les opportunités d’upselling et à améliorer le cycle « order to cash ».

Quels sont les 10 principaux avantages de l’ERP Cloud ?

Les entreprises qui sont passées à l’ERP Cloud l’ont fait pour les avantages suivants :

Réduction des coûts: en tant que service par abonnement, il n’y a pas de frais initiaux pour l’achat et l’installation du matériel et des logiciels. De plus, vous réduisez les coûts informatiques et les frais de personnel. En effet, les mises à niveau et la maintenance sont prises en charge par le fournisseur. Selon le modèle de déploiement de l’ERP Cloud que vous choisissez – cloud privé ou public – les économies peuvent être significatives. Le cloud public, en particulier, permet d’importantes économies financières et de temps dans la gestion de la maintenance.
Implémentation rapide et flexible : la mise en place d’un ERP Cloud est très rapide. Votre fournisseur SaaS s’occupe des installations de matériel et de logiciels et met à disposition un personnel spécialisé dans la gestion des centres de données. Tout comme les applications mobiles que nous connaissons tous, la même interface utilisateur intuitive et la même expérience sont disponibles dans les applications d’ERP Cloud. Cela vous permet de saisir les opportunités en gagnant rapidement en productivité. La maîtrise des applications est rapide, l’automatisation prévaut, et le lancement de nouveaux produits dans de nouveaux secteurs et environnements devient facile.
Amélioration des opérations : les fournisseurs d’ERP en mode SaaS gèrent et fournissent des mises à jour continues du système. Ils améliorent les opérations, changent les processus obsolètes, introduisent des innovations, technologies et fonctionnalités qui soutiennent les meilleures pratiques. L’ERP Cloud améliore et accélère, non seulement les pratiques financières et comptables, mais les opérations dans toute l’entreprise. Et peut même s’étendre aux partenaires et aux réseaux.
Simplicité et automatisation : les entreprises peuvent consolider d’anciennes applications autonomes, standardiser et intégrer toutes les applications existantes et nouvelles. Elles peuvent aussi éliminer l’utilisation de systèmes déconnectés et les solutions de contournement qui existent sur les feuilles de calcul Excel. Cette synchronisation aide à réduire la complexité.
Nouvelles fonctionnalités : les fournisseurs de SaaS gèrent le logiciel qui est partagé par toutes les entreprises qui l’utilisent. Cela permet aux fournisseurs de développer rapidement de nouvelles fonctions, améliorations. Et de les fournir à toutes les entreprises par le biais de mises à jour continues, ainsi que plusieurs nouvelles versions plus importantes par an. Comme les mises à jour sont livrées à tout le monde en même temps, vous ne manquez jamais une opportunité comme par le passé. Lorsque vous attendiez que votre fournisseur mette à jour votre système ERP personnalisé.
Visibilité accrue : obtenir des insights nécessite des données et des outils d’entreprise fiables pour extraire les informations pertinentes. Les ERP Cloud modernes ont été conçus pour déverrouiller le big data. Afin que vous puissiez accéder aux informations cachées dans des ensembles de données vastes et complexes. Les bons systèmes d’ERP Cloud sont construits sur des modèles de données plus récents qui permettent un traitement en mémoire à grande vitesse, avec une architecture de données simplifiée. Et si les anciens systèmes ERP fournissent des outils de reporting, les analyses approfondies et intégrées disponibles via le cloud améliorent la prise de décision et les bénéfices dans toute l’organisation. Voir les tendances, prévoir les changements et automatiser les processus améliorent l’utilisation des ressources et, finalement, le service à la clientèle.
Prise en charge de l’ERP mobile : Les produits ERP en mode SaaS garantissent que l’accès aux informations pour les collaborateurs, les sous-traitants, les fournisseurs et les clients est disponible et sécurisé sur les appareils mobiles, partout et à tout moment. La mobilité ne peut pas être pensée après coup. Accéder à des interfaces modernes, conçues pour s’adapter aux écrans mobiles, est important pour les utilisateurs.
Accès aux nouvelles technologies : Des technologies avancées et intelligentes sont intégrées dans les solutions ERP SaaS modernes pour améliorer la productivité. Ces technologies comprennent l’Intelligence Artificielle (IA), le Machine Learning, et l’Internet des Objets (IoT). Ce dernier permet notamment à des dispositifs (machines ou capteurs) d’envoyer des données à des applications via le cloud.
Une sécurité renforcée : Avec les systèmes ERP Cloud, la sécurité et les sauvegardes de données sont assurées par des experts en sécurité à plein temps. Les fournisseurs de cloud computing disposent généralement de la meilleure sécurité de données qui existe. Les failles de sécurité dans les grandes et moyennes entreprises se produisent généralement avec des systèmes sur site. Cependant, une chaîne n’est pas plus solide que son maillon le plus faible. Pour éviter la vulnérabilité aux points d’intégration, les systèmes ERP Cloud doivent être complets, connectés et collaboratifs.
Scalabilité : Comme la croissance peut être difficile à prévoir, la scalabilité est importante. Avec une solution SaaS, vous pouvez simplement ajouter une puissance de calcul ou une capacité de stockage de données supplémentaire. Ce qui vous évite d’engager des dépenses d’investissement importantes.

BONUS : avec l’ERP Cloud, si les entreprises utilisatrices identifient des problèmes communs ou des besoins non satisfaits, elles peuvent pousser le fournisseur à apporter des changements. La volonté de la foule prévaut souvent. En conséquence, l’innovation est plus réactive et plus rapide.

L’ERP Cloud est-il sûr ?

Avec toutes les actualités concernant les violations de données et les virus, on peut se demander si l’ERP Cloud est sécurisé. De fait, aucun système n’est inviolable. Mais le degré de sécurité de votre système dépend de la manière dont il a été déployé et de qui le gère.

Voici quelques points clés à prendre en compte :

Vol de données : C’est probablement l’un des sujets les plus brûlants de l’actualité. De grandes entreprises ont vu leurs données volées et les informations privées de leurs clients compromises. Toutefois, l’examen des cas de violations de données montre que ces dernières étaient, le plus souvent, stockées dans les locaux de l’entreprise, et non dans le cloud.
Perte de données : Perdre des fichiers est une chose terrible. Mais cela peut arriver lors d’une catastrophe naturelle, d’un effacement de données par erreur ou d’une panne informatique. L’unique solution pour s’en prémunir est de faire des sauvegardes régulières. Avec l’ERP Cloud, les fournisseurs d’infrastructures effectuent des sauvegardes hors site régulières et de manière redondante. En cas de perte de données, il est facile de les restaurer pour que le système soit rapidement remis en marche.
Sécurité : il est de la plus haute importance d’avoir le bon niveau de sécurité. Les ETI disposent généralement d’un personnel informatique limité. Ce personnel s’occupe généralement de l’infrastructure, des mises à jour du système et des problèmes des utilisateurs. Les PME, quant à elles, disposent très rarement d’un personnel de sécurité informatique à plein temps. Avec un fournisseur d’ERP Cloud réputé, les PME/ETI ont automatiquement des experts en sécurité à plein temps. Disponibles 24 /24 et 7/7, ils s’assurent que toutes les mises à jour et procédures de sécurité sont réalisées.

Compte tenu de ce qui précède, l’ERP Cloud constitue une option plus sûre qu’un déploiement sur site.

Ne remettez pas à demain ce que vous pouvez faire aujourd’hui

L’ERP Cloud est une solution éprouvée et mature. Aujourd’hui utilisée par des milliers d’entreprises dans le monde, et probablement par bon nombre de vos concurrents.

Pour la majorité des ETI et grandes entreprises, la migration vers le « cloud » est une étape inévitable pour passer au niveau supérieur. Les avantages de processus accélérés, d’une visibilité accrue et d’un retour sur investissement plus rapide peuvent être vérifiés par des rapports d’analystes (de Gartner, Aberdeen, Forrester, etc.) et par des exemples de réussite de clients de votre secteur.

Publié en anglais sur SAP Insights

The post Qu’est-ce que l’ERP Cloud ? appeared first on SAP France News.

Source de l’article sur sap.com

5 mars 2021/par Service comm.

Qu’est-ce que la technologie cloud computing ?

Actualités, ERP & Applications, SAP

Vos utilisateurs et clients sont déjà habitués à utiliser leurs applications mobiles, comme Facebook ou Google Docs, pour interagir et travailler en toute flexibilité. Mais derrière le cloud computing, il y a bien plus qu’une simple interface web moderne. Le temps de réponse, le stockage des données, l’accès aux informations, la fiabilité et la sécurité sont autant d’éléments vitaux pour toute entreprise qui envisage une « migration dans le cloud ». Vos pairs vous auront sans doute parlé des avantages du cloud computing : accès aux technologies les plus récentes, flexibilité accrue et coûts IT réduits.

Qu’est-ce que la technologie cloud ?

Le cloud computing propose des services tels que le stockage des données, la sécurité, la mise en réseau, des applications logicielles et de la business intelligence, via internet et sur la base d’un abonnement.

En découvrant peu à peu le monde du cloud computing, vous voudrez sans doute vous familiariser avec certains des mots, définitions et choix qui s’offrent à vous. Vous trouverez ici un assortiment d’informations pertinentes, y compris des explications des termes SaaS, PaaS, IaaS, cloud public, cloud privé, cloud hybride et leurs différences. Le cloud offre de nombreux avantages que nous allons d’abord brièvement passer en revue.

Les avantages du cloud computing

Fiable : sûr, sécurisé et disponible. Bénéficiez d’un accès 24h/24 et 7j/7 au système de cloud computing de n’importe où et avec un excellent temps de réponse. Exécutez sur des serveurs sécurisés avec une équipe d’experts sécurité à temps plein. Vos données sont copiées et sauvegardées à distance.
Flexible: obtenez la puissance de calcul dont vous avez besoin, quand vous en avez besoin. Ajoutez ou enlevez des serveurs, du réseau, du stockage. Intégrez de nouveaux utilisateurs instantanément. Étendez vos activités à de nouvelles zones géographiques. Tout est fait rapidement et facilement.
Economique : Ne payez que pour ce dont vous avez besoin. Pas de frais initiaux pour le matériel ou les infrastructures. Réduisez le temps consacré par le personnel informatique à la maintenance et à la mise à jour des systèmes. Investissez plutôt vos ressources dans des projets qui génèrent des revenus.
Actualisé : ayez toujours la dernière version de la plateforme, base de données, des applications logicielles. De plus, profitez des technologies émergentes telles que le Machine Learning (ML), l’intelligence artificielle (AI), l’Internet des objets (IoT), et plus encore. Restez toujours au fait des dernières innovations.

Les différents types de services de cloud computing

Le cloud computing est divisé en trois grandes catégories de services : SaaS, PaaS et IaaS. Certains fournisseurs combinent ces services et d’autres les proposent séparément.

Qu’est-ce que le SaaS ?

Avec le SaaS (software-as-a-service), les logiciels sont hébergés sur un serveur distant et les clients peuvent y accéder partout et à tout moment, à partir d’un navigateur web ou d’une intégration web standard. Le fournisseur de SaaS se charge des sauvegardes, de la maintenance et des mises à jour. Les solutions SaaS comprennent l’enterprise resource planning (ERP), la gestion de la relation client (CRM), la gestion de projets, etc.

Qu’est-ce que le PaaS ?

La plateforme en tant que service (PaaS) est un environnement de développement d’applications basé sur le cloud qui fournit aux développeurs tout ce dont ils ont besoin pour créer et déployer des applications. Avec le PaaS, les développeurs peuvent choisir les fonctionnalités et services cloud qu’ils souhaitent sur la base d’un abonnement ou d’un paiement à l’utilisation.

Qu’est-ce que l’IaaS ?

L’IaaS (Infrastructure-as-a-service) permet aux entreprises de « louer » des ressources informatiques, telles que des serveurs, réseaux, du stockage et des systèmes d’exploitation, sur la base d’un paiement à l’utilisation. L’infrastructure est modulable et les clients n’ont pas à investir dans le matériel.

IaaS vs. PaaS vs. SaaS

Comparez le SaaS, le PaaS et l’IaaS et découvrez ce que vous pouvez attendre de chaque modèle « as-a-service ». La plupart des entreprises utilisent aujourd’hui un mélange des trois, et les limites entre les trois peuvent parfois s’estomper.

	SaaS	PaaS	IaaS
Qui l’utilise	Utilisateurs Business	Développeurs	Administrateurs système
Ce que vous obtenez	Applications logicielles	Plateforme de développement	Ressources informatiques
Objectif	Mener à bien des tâches business	Construire et déployer des applications	Accéder en ligne au stockage, aux réseaux, aux serveurs et à d’autres infrastructures
Contrôles du fournisseur cloud	Applications, données, runtime, middleware, O/S, virtualisation, serveurs, stockage, mise en réseau	Runtime, middleware, O/S, virtualisation, serveurs, stockage, mise en réseau	Virtualisation, serveurs, stockage, mise en réseau
Contrôles du client	N / A – tout est géré par le fournisseur	Applications, données	Applications, données, runtime, middleware, O/S

Types de déploiement cloud

Il existe trois types différents de déploiement cloud : public, privé et hybride. De nombreuses entreprises combinent plusieurs approches et mettent en place un environnement multi-cloud.

Cloud Public : les services sont fournis aux clients sur un réseau disponible pour les clients du fournisseur. Le cloud public est efficace, abordable et est souvent multilocataires, ce qui signifie que le fournisseur gère votre service dans un environnement partagé.
Cloud Privé : les services sont maintenus sur un réseau privé protégé par un pare-feu. Vous pouvez créer un cloud privé dans votre propre data center ou vous abonner à un cloud privé hébergé chez un fournisseur. Le cloud privé offre plus de sécurité et de contrôle.
Cloud Hybride : combinaison d’un cloud public, cloud privé et d’une infrastructure sur site. Le cloud hybride vous permet de conserver des informations sensibles dans un data center traditionnel ou un cloud privé, tout en profitant des ressources du cloud public.

Cloud public vs privé vs hybride

Comparez les trois différents types de déploiements cloud pour découvrir celui qui conviendrait le mieux à votre entreprise.

	Cloud public	Cloud privé	Cloud hybride
Environnement	Ressources informatiques publiques partagées	Ressources informatiques privées	Mix de ressources publiques et privées
Mise à l’échelle automatique	Élevé	Peut être limité	Élevé
Sécurité	Bonne – mais dépend de la sécurité du fournisseur	Plus sûr – toutes les données sont stockées dans un data center privé	Très sûr – les données sensibles sont stockées dans un data center privé
Fiabilité	Moyenne – dépend de la connectivité Internet et de la disponibilité du fournisseur de services	Élevée – tout l’équipement est installé dans les locaux ou hébergé chez un fournisseur de services en cloud privé dédié	Moyenne à élevée – une certaine dépendance à l’égard du fournisseur de services
Coût	Faible – modèle « payez pour ce dont vous avez besoin » et pas besoin de stockage et de ressources sur site	Modéré à élevé – peut nécessiter des ressources sur site telles qu’un data center, de l’électricité et du personnel informatique	Modéré – mélange de modèle « payez pour ce dont vous avez besoin » et de ressources sur site
Pour qui ?	Les entreprises qui souhaitent tirer parti des dernières applications SaaS et de l’IaaS flexible. tout en maintenant des coûts bas	Organismes gouvernementaux, prestataires de soins de santé, banques et toute entreprise qui gère un grand nombre de données sensibles	Les entreprises qui souhaitent préserver la confidentialité des applications et des données critiques – tout en utilisant les services de cloud public

La sécurité du cloud

Le cloud est-il vraiment sécurisé ? La sécurité du cloud dépend de la manière dont il a été déployé et des capacités du fournisseur. Mais il a été démontré que, dans la plupart des cas, le cloud offre plus de sécurité que les installations sur site. Il y a plusieurs raisons à cela :

Emplacement des données : avec un déploiement sur site, vos données se trouvent dans votre installation. Or la 1ère étape pour quelqu’un qui cherche à voler vos données est de savoir où elles se trouvent. Les grands fournisseurs de cloud computing ont de nombreux serveurs à différents endroits, il est donc difficile de savoir où se trouvent les données.
Sécurité : avec une installation sur site, votre personnel gère toutes les procédures de sécurité et mises à jour logicielles. Récemment, une grande compagnie d’assurance a été victime d’une faille de sécurité, et il s’est avéré que le service informatique n’avait pas installé de mises à jour de sécurité depuis de nombreux mois. Grâce à un fournisseur de cloud computing réputé, les entreprises disposent d’experts en sécurité à plein temps pour protéger leurs données.
Sauvegarde : dans le cadre d’une installation sur site, vous êtes responsable de la sauvegarde régulière de vos précieuses informations. Si votre entreprise adopte ce type de déploiement, il est nécessaire d’avoir des copies à jour stockées hors site.

Proposez de nouvelles technologies via le cloud

Les départements informatiques subissent une pression croissante pour passer du statut de centre de coûts à celui de créateur de valeur – et doivent maintenant mener la charge en matière d’innovation. Le cloud computing et le Platform-as-a-Service (PaaS) peuvent être un catalyseur pour les DSI qui souhaitent maintenir avec succès un environnement informatique bi-modal qui encourage l’innovation rapide tout en soutenant en toute sécurité le noyau stable et critique de l’entreprise.

The post Qu’est-ce que la technologie cloud computing ? appeared first on SAP France News.

Source de l’article sur sap.com

8 décembre 2020/par Service comm.

Dépoussiérez votre décisionnel avec SAP Analytics Cloud

Actualités, ERP & Applications, SAP

SAP Analytics Cloud concrétise la Business Intelligence de nouvelle génération, avec une ouverture totale, un plus large ensemble de fonctionnalités et l’intégration de technologies intelligentes, allant jusqu’au prédictif.

« Être une entreprise Intelligente, c’est rechercher au sein de l’ERP les voies d’automatisation, d’intégration et de fluidification des processus, explique Florian Hamon, Business Development Director, SAP Center of Excellence, SAP. SAP Analytics Cloud ou SAC participe à ce mouvement, avec son analytique temps réel et ses fonctionnalités avancées. »

SAP Analytics Cloud combine dans une unique offre cloud une solution de Business Intelligence avancée, des outils de planification et des capacités d’analyse augmentée. Des atouts clés pour accélérer le processus de décision.

Une solution conçue pour les défis d’aujourd’hui…

SAP Analytics Cloud est né d’un triple constat : un changement de paradigme en matière de BI, une très forte accélération des solutions cloud et la volonté d’accéder aux solutions métiers depuis tout type de support.

Concernant la Business Intelligence, SAP Analytics Cloud est capable de se connecter à toutes les sources de données grâce à des connecteurs SQL, BusinessObjects et SAP. La création de stories s’effectue à la souris, avec la possibilité de personnaliser les dashboards et d’insérer des éléments visuels évolués (par exemple de la cartographie). Des fonctions avancées de collaboration et de partage sont proposées. Enfin, une intégration native avec Excel est assuré, au travers d’Analysis for Office.

Sur le terrain du planning, SAP Analytics Cloud permet une planification dans l’instant, c’est-à-dire en live. Vous allez pouvoir ainsi analyser et restituer depuis le même outil. Mais aussi simuler, au travers de scénarios de type what-if, qui permettront d’explorer différentes options de décision. Là encore, le collaboratif (partage de plannings, délégation de tâches) est au cœur du module planning de SAC.

… et de demain

Le pilier Smart de SAP Analytics Cloud est primordial. Ses fonctionnalités intelligentes s’appuient massivement sur les algorithmes et le Machine Learning.

Découverte intelligente : SAC va proposer automatiquement et intelligemment des dashboards clés en main construits automatiquement à partir d’un jeu de données, sans préparation préalable. Des KPI variés sont proposés et les indicateurs clés influençant les données sont mis en valeur.
Interrogation des données : il est possible d’automatiser la génération de contenu en effectuant des recherches exprimées en langage naturel. Vous n’aurez plus besoin de passer par le service informatique pour disposer d’une restitution personnalisée.
Analyse intelligente : cette fonctionnalité permet de comprendre ce qui se cache derrière une donnée de base. Elle pourra également détecter des patterns dans les données ou donner la raison d’un point de données particulier.
Terminons par l’une des fonctionnalités les plus innovantes de SAP Analytics Cloud, les scénarios prédictifs : l’entrainement de modèles de Machine Learning avec des données existantes permettra par la suite de les utiliser sur de nouveaux jeux de données. Une technologie qui ouvre la voie à l’analyse prédictive !

The post Dépoussiérez votre décisionnel avec SAP Analytics Cloud appeared first on SAP France News.

Source de l’article sur sap.com

26 octobre 2020/par Service comm.

Agromousquetaires adopte SAP TM pour sa nouvelle filiale transport

Actualités, ERP & Applications, SAP, Supply-Chain

Dans le cadre de son plan A2P 2020, Agromousquetaires a créé une société dédiée à la logistique. AgroM Transport s’appuie sur SAP TM 9.5 pour assurer la planification et l’exécution des opérations de transport. Une solution mise en place par itelligence.

Agromousquetaires est le pôle agroalimentaire du groupe Mousquetaires. Avec 4,03 milliards d’euros de chiffre d’affaires annuel, 11.000 collaborateurs, 19.700 partenaires agricoles, 62 usines en France et 10 filières, Agromousquetaires est un poids lourd du secteur. La société est en effet le leader français des marques de distributeur, mais aussi le 4e groupe agroalimentaire et le 1er armateur de pêche de l’Hexagone.

Dans le cadre de son plan Agro Performance Plus 2020 (A2P 2020), Agromousquetaires souhaite réduire ses coûts de production au travers de l’innovation. La société passe d’un réseau de PME à une logique de filière, plus efficace. L’un des volets de ce plan prévoit la mise en place d’un pôle logistique dédié.

Le choix de SAP TM et itelligence

En avril 2017, Agromousquetaires a décidé de transférer l’activité logistique de ses filières bœuf et porc vers une nouvelle société, AgroM Transport. Avec comme date butoir le premier janvier 2019.

L’utilisation de SAP Transportation Management (SAP TM) est rapidement apparue comme une évidence pour le groupe. Car le SI d’AgroM Transport mise sur d’autres solutions SAP pour la comptabilité, la finance, le contrôle de gestion et les achats non marchands. Le choix de SAP TM va donc dans le sens d’une cohérence du SI de la nouvelle entreprise.

L’intégrateur itelligence a été choisi pour sa taille rassurante (plus de 7900 consultants présents dans 27 pays) et sa connaissance étendue des solutions SAP (activité 100 % SAP et 30 ans d’expertise). Il a su également convaincre avec sa méthodologie pragmatique, consistant à proposer une solution fonctionnelle le plus tôt possible. Les utilisateurs ont ainsi pu faire remonter leurs recommandations rapidement, l’objectif étant de bâtir une offre de transport moderne : cartographie, diagrammes de Gantt, échanges informatisés avec les partenaires transporteurs, suivi des camions, etc.

Un planning serré

Le projet a démarré en septembre 2017, le pilote devant impérativement être achevé un an plus tard, pour une mise en production le premier janvier 2019. Dans la pratique, le prototype de la solution SAP TM 9.5 a été mis en fonction en mai 2018, avec une phase de stabilisation se terminant en septembre 2018, puis un déploiement progressif jusqu’à la fin de l’année. SAP TM se charge de la planification et de l’exécution des opérations de transport, la gestion des données de base (fournisseurs, clients, articles…) et de la facturation étant prise en charge par S/4HANA Finance.

Le premier janvier 2019, la société AgroM Transport a été lancée avec 331 collaborateurs transférés, 331 cartes grises, 135 transporteurs partenaires, 17 sites gérés et 12 entrepôts frigorifiques. 130.000 ordres de fret sont prévus sur l’année, pour un chiffre d’affaires estimé à 72 millions d’euros. Une grosse volumétrie que SAP TM a su prendre en charge.

Une deuxième phase déjà démarrée

Les enjeux sont atteints à 100 % sur de nombreux critères :

mise en place d’un plan de transport efficace ;
optimisation du réseau de transport ;
exploitation centralisée ;
cartographie, GIS et diagrammes de Gantt ;
communication avec les partenaires par voie électronique ;
intégration avec l’ERP SAP…

Le tout pour un budget maitrisé.

À ce jour, Agromousquetaires n’a migré que deux de ses filières vers la nouvelle société. Une seconde phase programmée sur deux ans est toutefois annoncée. À terme, le choix de SAP TM permettra également de faire remonter des informations vers les outils de Business Intelligence (BI) d’Agromousquetaires.

The post Agromousquetaires adopte SAP TM pour sa nouvelle filiale transport appeared first on SAP France News.

Source de l’article sur sap.com

19 octobre 2020/par Service comm.

Power BI vs Tableau: Comparison Between Top Two BI Tools

Actualités, Méthodes et organisation des process IT

These statistics represent the universal interest and the importance of business intelligence software across the world.

The worldwide market size for business intelligence and analytics software applications is forecast to reach 16.5 billion in 2023
[Source: Statista]

Source de l’article sur DZONE

25 septembre 2020/par Service comm.