Le Datamining dans le business décisionnel

Le Datamining dans le business décisionnel Introduction

Dans un monde de plus en plus compétitif, on peut constaté que les entreprises tentent de se différencier par une meilleure maîtrise de leur système d’information.

Dans un premier temps, il a été impératif de mettre en place les systèmes opérationnels liés au coeur de métier des sociétés. Dans un second temps, la problématique s’est positionnée sur l’accès à l’information pour l’intégrer dans les différents processus d’aide à la décision. Cela correspond à la mise oeuvre des infocentres. Dans un troisième temps, se dégage la nécessité d’un point de vue global afin d’augmenter l’efficacité analytique - un "business process"- ne peut se faire d’une manière isolée, il faut prendre en compte les autres "business process" de l’entreprise. Les solutions passent alors par le concept de DataWarehouse De fait, le DataWarehouse(cf glossaire) se positionne en tant qu’architecture de solution aux problématiques de qualité et d’intégration de données hétérogènes. Parmi les domaines de progrès, la capacité d’analyser et de convertir les données en informations pertinentes constitue l’un des enjeux majeurs du système d’information de pilotage. A l’intérieur de ce schéma, le DataMining tente précisément de fournir à l’utilisateur du DataWarehouse cette capacité de convertir les données en informations « intelligentes ». L’enjeu majeur consiste alors à intégrer le DataMining dans une démarche institutionnelle accessible par différents niveaux d’utilisateurs et ne pas considérer ce type de technologie comme un phénomène de mode ou une technique marginale mais comme un outil à valeur ajoutée, partie intégrante de l’architecture de pilotage. D’après, le Gartner Group, plus de 50% des plus grandes entreprises envisageraient d’exploiter effectivement les données transactionnelles de l’entreprise dans le but d’en tirer un avantage compétitif. Ainsi, il apparaît intéressant d’anticiper les potentiels liés à cette technologie tout en analysant plus précisément le contexte de développement dans lequel elle se situe actuellement. 1/ Le DataMining, pourquoi ? Aujourd’hui, les entreprises doivent savoir anticiper pour mieux réagir, essayer de décrypter le moindre écart de comportement sur les différents axes d’analyses dont elles disposent afin de consolider leur avantage compétitif. La prise de conscience du fait que les données, qui font partie de leurs transactions quotidiennes, ont une valeur stratégique fondamentale qui augmentent et permettent d’orienter les axes de recherche.

Parmi les axes d’analyses, on retrouve régulièrement le client, le centre de profit, les produits, ou le temps auxquels sont associés tout un ensemble de paramètres associés. Le DataMining prend une ampleur réelle et stratégique par rapport à un ensemble de facteurs convergents et notamment : 1. Les progrès technologiques spectaculaires dans le domaine du DataMining, proprement dit. 2. L’installation de plus en plus répandue des DataWarehouse ainsi que l’augmentation exponentielle du nombre de données. De fait, on trouve dans le DataWarehouse de plus en plus de données aussi bien externes qu’internes. 3. Les évolutions technologiques du hardware et du software soutiennent l’orientation des possibilités d’analyses performantes sur des volumes de données de plus en plus importantes. 4. La maturité technologique et commerciale des outils OLAP (On-line Analytical Process) qui automatisent les reportings et facilite l’analyse des données multidimensionnelles. 5. La généralisation des besoins d’intelligence métier pour les différents niveaux d’utilisateurs. 6. Le besoin de rapprocher des sources de données hétérogènes nombreuses pour analyser une problématique de l’entreprise. De plus, il y a de toute évidence un effet marketing dans le développement des outils du DataMining, mais il est associé à un effet tangible qui est une synthèse : •

de la chronologie des concepts décisionnels, c’est-à-dire, il fallait que la collecte des données soit maîtrisée, que l’accès aux données soit facilité et enfin que le DataWarehouse se positionne pour que le DataMining commence à s’imposer.

•

de l’évolution technologique et des coûts qui font qu’on peut envisager de mettre en place aujourd’hui un projet DataMining à un coût intéressant.

•

de l’aspect OLAP, la base multidimensionnelle qui a permis à l’utilisateur de se familiariser dans l’exploration et l’utilisation des données décisionnelles sous un format multidimensionnel.

•

de la maturité des algorithmes de DataMining qui ont acquis une fiabilité et une diversité qui justifient une réelle valeur ajoutée par rapport aux anciennes méthodes statistiques.

En résumé, la présence concrète du DataMining actuellement est due à la conjonction d’une maturité technologie, d’une présence des systèmes stabilisés qui répondent à une maturité et une curiosité de la part des utilisateurs. 2/ Qu'est ce que le DataMining ?

Le DataMining dans son sens le plus large veut dire la recherche des liens schématiques dans une base d’informations volumineuse ou complexe dans le but de les transformer en connaissance. Ce que l’on désigne comme outils du DataMining dans cette étude sera plus précisément des outils automatisés du DataMining, c’est-à-dire, la découverte de la connaissance en utilisant une combinaison des techniques inspirées des statistiques traditionnelles, de l’intelligence artificielle et des graphiques. Le DataMining s’assimile ainsi à une recherche perpétuelle des schémas utiles dans les données. Cette recherche peut être automatisée ou guidée manuellement. L’inconvénient d’un système guidé manuellement (OLAP, outils de Reporting & de Query) est que l’utilisateur doit créer lui-même les types de schémas à utiliser et il se peut que dans la foulée, il ne s’aperçoive pas ou néglige des schémas moins évidents. Le DataMining est une méthode de recherche automatisée dans la mesure où même si l’utilisateur doit fournir une certaine quantité de données au système, il ne les orchestre pas lui-même pour trouver les schémas exploitables. Le DataMining permet de donner un sens aux informations dont dispose l’entreprise. Cet outil relève essentiellement de la sémantique. Le DataMining a vu le jour dans les années 80, quand les professionnels ont commencé à se soucier des grands volumes de données informatiques inutilisables tels quels par les entreprises. Le DataMining d'alors consistait essentiellement à extraire de l'information de gigantesques bases de données de la manière la plus automatisée possible; contrairement à aujourd'hui où le DataMining consiste à l'analyse qui suit l'extraction des données. Le dataMining s'est donc dissocé du Datawarehouse. 3/ Les objectifs du DataMining Dans un premier temps, les entreprises ont été appelées à constituer des bases opérationnelles pour permettre de récupérer des données. Dans un deuxième temps, les entreprises ont essayé de valider ces données par des outils de pilotage comme l’EIS et le DataWarehouse. Elles se sont mises à transformer des données en informations afin de prendre une décision. C’est ainsi qu’on a pu découvrir l’émergence du système décisionnel. A ce stade du processus, l’utilisateur est amené à donner une "intelligence" à l’information, par conséquent, la problématique n’est plus seulement d’accéder à l’information mais de faire en sorte que cette information soit interprétée selon des règles de statistique ou d’intelligence artificielle pour lui donner toute sa valeur. Les principales actions du DataMining sont :

3.1

EXPLIQUER un événement ou un incident indiscernable

Par la consultation des données grâce à des outils de tableaux de bord papier ou électronique, on peut etre en mesure de formuler la question suivante : Comment se fait-il que l’on perd des clients sur tel segment dans telle région ? En scrutant les données automatiquement l’outil de DataMining va essayer de trouver un certain nombre d’explications à cette question en se basant sur des données connectées ou des mises en signification de paramètres liés. Le DataMining va aider à trouver des hypothèses d’explications.

3.2

CONFIRMER : un comportement ou une hypothèse

Par la consultation des données grâce à des outils de tableaux de bord papier ou électronique, on peut être en mesure de formuler la question suivante : Comment se fait-il que nous perdons des clients sur tel segment dans telle région ? Toujours par la consultation, on essai de trouver un certain nombre d’explications à cette question en se basant sur des données connectées ou des mises en signification de paramètres liés. En appliquant des méthodes statistiques ou d’intelligence artificielle, le DataMining va aider à valider les hypothèses d’explications que nous avons découvertes.

3.3

EXPLORER : les données pour découvrir un lien "inconnu" jusqu là.

Il n’y a pas d’idée sur une hypothèse ou sur un fait précis. Par conséquent, on demande au système de proposer des associations ou des corrélations qui pourraient aider à découvrir des événements marquants puis à découvrir des éléments d’explication. Il serait certainement exagéré de croire qu’un état de technologie puisse remplacer la réflexion; par contre, l’informatique décisionnelle par le biais du DataMining peut tout à fait suggérer des associations et des corrélations entre les données afin d’identifier des hypothèses et faire des propositions mais il reste toujours à l’homme-utilisateur de les vérifier et de les valider définitivement.

LE SCHEMA DU DATAMINING

La connaissance peut se définir comme une information enrichie d’un contexte et d’un savoir faire. •

Les données :les données sont des données brutes provenant des bases de données différentes comme celles de la comptabilité, des ventes, d’achats ou autres.

•

Les informations :

• X a un revenu supérieur à 200KF • X & Y vivent dans les banlieues A & B •

La connaissance :

abonné à la revue J

•

• les produits E

le produit B est acheté par des gens qui achètent

si S a un ordinateur, S est

•

La décision :

•

la technologie les types d’utilisateurs les sources de données les typologies d’analyse le métier ....

Mise en œuvre de l’outil choisi

La méthodologie d’exploitation de l’outil DataMining peut se définir en huit étapes comme décrit ci dessous :

L’une des caractéristiques principales de la méthodologie du DataMining s’appuie sur le fait qu’elle est itérative et qu’elle permet de récupérer les informations obtenues afin de les intégrer dans le système décisionnel de l’entreprise.

7/ Les techniques Derrière la terminologie du DataMining se positionnent des outils basés sur des techniques différentes. •

Découverte de règles

•

Arbres de décision

•

Signal Processing

•

7.1

Fractales

•

Réseaux neuronaux

•

Hybride

Découverte de règles

Valider ou proposer un schéma de fonctionnement des données à partir de règles connues ou inconnues.

Cette technique consiste à demander au système d’aller chercher dans les données une validation d’une règle connue ou de découvrir lui-même une règle. On essais ici de construire une logique procédurale dans les données.

7.2

Arbres de décision

Déterminer les critères significatifs dans un arbre de paramètres selon les poids statistiques des valeurs constatées.

Cette technique consiste à formaliser un arbre qui va procéder à une analyse critère par critère. L’outil DataMining va scanner différents critères possibles afin d’essayer d’y retrouver des propositions en arbre d’après les poids statistiques qui auront un sens et qui permettront ensuite de trouver des liens entre les chemins qui ont une signification par rapport à la problématique donnée.

7.3

Signal Processing

Filtrer les données afin de mettre en évidence des comportements de données. Cette technique consiste à positionner les données et les filtrer à travers une hypothèse pour essayer de faire apparaître un lien entre ces données.

7.4

Fractales

Composer des segmentations à partir de modèles mathématiques basés sur des regroupements irréguliers de données.

7.5

Réseaux neuronaux

Utiliser des technologies d’intelligence artificielle afin de découvrir par l’apprentissage du moteur des liens non procéduraux. Ces deux dernières techniques s’appuient sur des algorithmes mathématiques (Fractales) et d’intelligence artificielle (Réseaux neuronaux) et tentent à travers des méthodes d’apprentissage de constituer des logiques non procédurales. 8/ Les outils du DataMining

Editeur

Outil

Technique utilisée

Angoss

Knowledgeseeker

Arbres de décision

Forecast Pro

Prévision

F-DBMS

Fractales

Business Forecast Systems

Cross/Z International

Inc.

Datamind

Datamind

Détection de modèles, prédictions, hybride

Intelligent Miner

Prévision

IDIS

Découverte de règles

Clémentine

Arbres de décision, Réseaux neuronaux

Alice

Arbres de décision

MIT GMbH

Data Engine

Signal Processing

Netral

Neuro One

Réseaux neuronaux

NeuralWare

Predict

Réseaux neuronaux

PMSI

Saxon

Réseaux neuronaux

4Thought

Réseaux neuronaux

SAS System

Statistiques, arbres de décision, réseaux neuronaux Arbres de décision, découverte de règles

IBM

Information Discovery

Integrated Solutions Ltd.

Isoft

RIS

SAS Institute

Silicon Graphics

Mine Set

SLP Infoware

STATlab

Statistiques

Neural Connection

Réseaux neuronaux

SPSS Chaid

Arbres de décision

SPSS

9/ Les diverses applications Depuis l’apparition du concept de DataMining, il existe une tendance à l’associer exclusivement aux domaines du marketing et de la grande distribution. Il est certain que le DataMining représente un outil "exceptionnel" pour les directions marketing, mais de nombreuses autres fonctions de l’entreprise peuvent être concernées.

Afin de mieux comprendre les liens et les corrélations cachées qu’un outil de DataMining peut dénicher, voici quelques exemples concrets d’informations provenant de l’utilisation de cette famille d’outils.

Par fonction

9.1

Marketing: •

Comportement des consommateurs : découverte de comportements d’achats couplés dans le cadre d’une politique promotionnelle. Cela a permis un accroissement de la rentabilité des politiques promotionnelles d’une chaîne de magasins.

•

Marketing direct : augmentation du taux de retour des mailings (75 à 80%) grâce à un meilleur ciblage des envois.

•

Fidélisation de la clientèle : une banque a trouvé des relations et des comportements inconnus jusqu’alors en vérifiant l’activité des comptes clients. Cela lui a permis de définir une nouvelle cible marketing et de la fidéliser par des moyens plus appropriés à son comportement.

•

Segmentation de clientèle : découverte d’une niche de petite taille dont le revenu est très élevé, inconnue par le service marketing.

•

Optimisation d’un réseau d’agence grâce à la découverte des couples cible/produit et produit/marché.

Ressources humaines: •

Politique d’acceptation et de rejet des candidatures

•

Politique d’évolution des carrières

Ventes: •

Prévision des ventes

•

Découverte de cycles de ventes

Qualité: •

Analyse de satisfaction des clients

•

Typologie des clients

•

Détection des fraudes

Pricing: •

Détermination des prix par rapport à des catégories et des comportements d’achat.

etc... : •

Analyse financière, Gestion des stocks, Logistique, etc..

Par Secteur

9.2

Les secteurs d’activité dans lesquels le DataMining est déjà présent sont de plus en plus nombreux. Après la grande distribution aux Etats-Unis, cible historique, le DataMining est apparu dans d’autres secteurs tels que : •

Transport : pour réduire l’over-booking qui coûtait très cher aux entreprises.

•

Santé

•

Assurance

•

Télécommunications

•

Gouvernement : Trésor américain.

•

Banque : American Express - pour réduire le nombre de résiliations des cartes de crédit.

•

Electronique : pour cibler les garanties des appareils.

•

Automobile : pour déterminer le niveau de fabrication qui provoque le plus de pannes.

•

Electricité

Par Utilisateur

9.3

Aujourd’hui le DataMining est utilisé par des personnes ayant un profil et des exigences bien particulières. Nous les avons classés en quatre groupes distincts : •

L’utilisateur final = est l’utilisateur qui ne connaît pas la technologie du DataMining et ne veut surtout pas y être confronté. Il est en général protégé par des écrans "presse-boutons". Il demande à l’outil de DataMining de lui apporter des solutions à ses problèmes particuliers.

•

Le statisticien = est l’utilisateur qui est passionné par la technique et souhaite y être confronté. Il demande à l’outil de DataMining d’être "puissant" et riche en fonctionnalités.

•

Le business analyste = est l’utilisateur le plus « hybride » car il connaît un peu la technique et très bien son métier. Il demande à l’outil de DataMining d’être facile à utiliser tout en lui laissant quelques choix technologiques.

•

Le scientifique = est l’utilisateur le plus difficile à satisfaire car il a toujours une longueur d’avance par rapport à la technique. C’est le scientifique qui permet aux outils de DataMining d’évoluer.

10/ Fiches éditeurs

Les éditeurs cités sont les principaux acteurs du DataMining présents sur le marché français. Ce mémoire est un aspect évolutif par rapport aux éditeurs. En effet, le marché du DataMining est en pleine croissance et de nombreux acteurs du marché américain vont sans doute arriver en France. Par conséquent, il ne sera pas possible de pouvoir tous les cités.

10.1 ANGOSS •

IDENTITE SOCIETE : ANGOSS SOFTWARE 66, rueEscudier 92100 Boulogne

•

PRINCIPAUX OUTILS DE L’EDITEUR : - Knowledge seecker

10.2 DATA MIND •

IDENTITE SOCIETE :

DATAMIND France S.A. 31, rue du Pontjkh 92200 Neuilly-Sur-Seine •

PRINCIPAUX OUTILS DE L’EDITEUR :



- DataMind Professional Edition (version monoposte Windows)



- DataMind Data Cruncher TM (version serveur Unix, NT)

•

DOMAINES D’APPLICATION : - Marketing - Commercial - Production/Qualité - Ressources Humaines

- Contrôle de gestion - SAV •

TECHNOLOGIES ASSOCIEES :

Extraction faite à partir des bases relationnelles, des bases multidimensionnelles et des fichiers plats.

10.3 HOLISTIC •

IDENTITE SOCIETE :

HOLISTIC FRANCE 31, bld de la Paix 78200 Saint-Germain-en-Laye •

PRINCIPAUX OUTILS DE L’EDITEUR : - Holos

10.4 •

IBM IDENTITE SOCIETE :

IBM FRANCE Tour Descartes - La Défense 5 2, avenue Gambetta Courbevoie Hauts de Seine. •

PRINCIPAUX OUTILS DE L’EDITEUR : - Intelligent Miner (S/390, RS/600, AS/400)

•

DOMAINES D’APPLICATION : - Marketing - Vente

•

TECHNOLOGIES ASSOCIEES : Extraction faite à partir des bases relationnelles et des fichiers à plat.

10.5 ISOFT •

IDENTITE SOCIETE :

ISOFT SA / ALICE SA Chemin de Moulon 91190 Gif-sur-Yvette •

PRINCIPAUX OUTILS DE L’EDITEUR : - ALICE (Version standard & Windows 3.11, Windows 95/NT) - AC2 (Windows 16 et 32 bits, Unix)

•

DOMAINES D’APPLICATION :

- Marketing commercial

- Marketing direct - Finance (Analyse et risque) - Etude et sondage - Ressources humaines - Etude clinique (santé)

•

TECHNOLOGIES ASSOCIEES : Extraction faite à partir des bases relationnelles, des bases multidimensionnelles et des tableurs.

10.6 PILOT •

IDENTITE SOCIETE :

PILOT SOFTWARE 101-109, rue Jean Jaurès 92300 Levallois-Perret •

PRINCIPAUX OUTILS DE L’EDITEUR : - Pilot discovery server

•

DOMAINES D’APPLICATION : - Marketing

•

TECHNOLOGIES ASSOCIEES : Extraction faite à partir des bases relationnelles

10.7 SAS Institute •

IDENTITE SOCIETE :

SAS INSTITUTE BP 5 77166 Evry Gregy •

DOMAINES D’APPLICATION :

- Marketing

- Marketing direct - Scoring - Analyse comportementale - Ressources humaines - Etude clinique (santé)

•

TECHNOLOGIES ASSOCIEES :

Extraction faite à partir des bases relationnelles, des bases multidimensionnelle SAS, des fichiers à plat, des feuilles de calcul et des progiciels.

10.8 Silicon Graphics •

IDENTITE SOCIETE :

SILICON GRAPHICS 21, rue Albert Calmette 78350 Jouy-en-Josas •

PRINCIPAUX OUTILS DE L’EDITEUR : - Logiciel MINESET

•

TECHNOLOGIES ASSOCIEES :

Extraction faite à partir des bases relationnelles

10.9 SLP INFOWARE •

IDENTITE SOCIETE :

SLP Infoware 51, rue Ledru Rollin 94853 Ivry-sur-Seine Cedex •

PRINCIPAUX OUTILS DE L’EDITEUR : - STATlab : Analyse exploratoire - DATAboard : Générateur de tableaux de bord et de rapports - DATAMAN : Datamart multidimensionnelle

•

DOMAINES D’APPLICATION : - Marketing

- Commercial - Qualité de service - Ressources humaines - Contrôle de gestion - Etudes •

TECHNOLOGIES ASSOCIEES : Extraction des données faites à partir des bases relationnelles, des tableurs, des fichiers statistiques et des progiciels.

11/ Glossaire

11.1 Agents intelligents. Les agents intelligents sont des programmes d'exploration de réseaux dans le but d'analyser et d'en extraire de l'information. On peut les diviser en deux groupes principaux :

•

Les agents de recherche d’information peuvent apporter des éléments de réponse à la question posée par un utilisateur, dans un langage plus ou moins proche du langage naturel, en explorant rapidement des volumes importants d’informations et en triant celles qui ont un rapport avec la question de l’utilisateur. Citons l’exemple de la question suivante à laquelle ils peuvent apporter une aide précieuse : "Quelles sont les agences de la région Ouest où la vente de placements financiers est supérieure à la moyenne française ?"

•

Les agents de traitement peuvent être programmés par l’utilisateur ou l’administrateur pour effectuer à intervalles réguliers des tâches de recherche, de mise à jour de bases, d’extraction ou de traitement. Par exemple : le lancement durant la nuit de requêtes personnalisées pour chaque responsable d’agence bancaire, l’alimentation d’un cube multidimensionnel de ces données et l’édition d’un tableau de bord quotidien sur l’imprimante de l’utilisateur.

11.2 Base de données La base de données où sont stockées les informations extraites des bases de production est le composant principal du DataWarehouse. On peut y retrouver des différents fichiers concernant les clients ainsi que des " étiquettes" qui indiquent les liens entre les diverses données -client/article ou client/facture, par exemple. La création de ces nombreux index nécessite un volume de stockage important, par conséquent, une base de données DataWarehouse ou "entrepôt de données" peut atteindre des tailles considérables, à savoir, plusieurs Gigaoctets ou même des Teraoctets de données . Les bases de données peuvent être de différentes types : hiérarchiques. relationnelles (stockage des données sous forme de tables). - multimédia (stockage non seulement des données mais aussi des images et des sons). orientées objets. -multidimensionnelles (stockage/rangement des données en plusieurs "dimensions" que l'utilisateur peut croiser à sa convenance pour répondre à la question posée).

11.3 Base de données mutlidimensionnelles Une base de données multidimensionnelle est une base dont les données sont stockées de manière à optimiser le croisement entre les données. La base multidimensionnelle est représentée par un cube en 3D bien qu’elle ne soit pas limitée aux trois dimensions. En effet, elle peut gérer jusqu’à quinze ou vingt dimensions à la fois. Seul inconvénient, l’augmentation des dimensions fait accroître également le nombre des croisements entre les données et ceci ralentit considérablement les temps de réponse.

11.4 Base de données relationnelles La base de données relationnelle, modèle de stockage le plus utilisé en informatique, présente une organisation de l’information sous forme de tables.

11.5 Base de production Dans un environnement DataWarehouse, on appelle fréquemment bases de production, ou encore systèmes opérants, les bases de données utilisées par les applications non décisionnelles de l’entreprise. Dans cette catégorie, entrent les systèmes comptables, les bases de gestion commerciale, les systèmes de paie, les bases de gestion de production industrielle....

11.6 Business intelligence Ce terme, crée par le Gartner Group, regroupe les requêteurs, les outils d’analyse multidimensionnels dont la base est stockée en local, ainsi que certains outils de DataMining des outils de bureautique destinés à un opérationnel par opposition à un informaticien.

11.7 Data Marts Le Datamart est un sous ensemble du DataWarehouse. Il contient les données de l’entreprise, liés à un métier tels que le marketing ou la comptabilité, par exemple. Il peut contenir des données provenant des divers domaines de l’entreprise à l’inverse de la base de production. Il maintient le lien avec l’entrepôt de données et le dictionnaire, permettant ainsi de retrouver l’origine d’une information.

11.8 DataMining Les outils dits de DataMining, traduisible par "forage des données", ou "prospection des données", permettent de sélectionner, à la place de l’utilisateur un certain nombre de données. Les différentes techniques utilisées dans les outils de DataMining sont les suivantes : - Découverte des règles - Arbres de décision - Signal Processing - Fractales - Réseaux neuronaux - Hybride

11.9 DataWareHouse Le

DataWarehouse ou l’« entrepôt de données » a deux désignations : - la base dans laquelle sont stockées l’ensemble des informations - l’ensemble du système d’information décisionnel.

11.10 EIS Un EIS (Executive Information System) est un outil qui permet de visualiser des données de l’entreprise sous forme de tableaux de bord préablement conçus. A la différence d’un SIAD, il ne permet pas de poser une question qui n’aurait pas été prévue initialement.

11.11 Méta-données. Les méta-données sont les données sur les données, c’est-à-dire, l’ensemble des informations qui vont qualifier une donnée.

11.12 OLAP Le système OLAP (On-Line Analytical Processing) Processing) est une architecture qui privéligie l’analyse multidimensionnelle lié à l’informatique décisionnelle sur le traitement transactionnel lié aux bases de production. La norme OLAP a été définie par un chercheur américain, E.F. Codd. Dans l’informatique décisionnelle, l’OLAP se situe généralement au niveau des data marts.

11.13 OLTP Le système OLTP (On-Line Transaction Processing), également définis par E.F. Codd dans les années 1970 est appliqué dans les bases de production (comptabilité, gestion commerciale, gestion de production, gestion bancaire,...). Il gère des transactions détaillées (ligne de commande, mouvement bancaire,...).

11.14 Outils d'alimentation Les outils d’alimentation figurent en amont dans le schéma de l’informatique décisionnelle. Ces outils sont utilisés pour récupérer les données des bases de production, systèmes opérants, les convertir, les transformer et enfin les stocker dans l’entrepôt de données. Ils servent également à gérer et à mettre à jour les métadonnées. Conclusion

LE FUTUR ... DES OUTILS DECISIONNELS : Le DataMining pourrait représenter une avancée importante dans l’informatique décisionnelle.

Dans la phase pré-DataMining, les outils décisionnels servaient principalement à accéder aux données ou à mettre en place des simulations simples connues et éprouvées. Aujourd’hui, avec le DataMining et le DataWarehouse, les outils décisionnels accèdent à l’étape d’analyse des données. Et demain, de quoi sera fait la phase post-DataMining ? Les outils décisionnels de demain arriveront-ils à un tel niveau de sophistication qu’ils permettront de prendre des décisions en donnant aux utilisateurs des "recommandations" en temps réel ? Dans tout les cas, il restera aux utilisateurs à en faire bon usage... et cela n'est certainement pas la partie la moins intéressante du processus de management.