Aller au contenu
Encyclopédie informatique Édition 2026

L'informatique décisionnelle

Partie 4 sur 4

Niveau de lecture :

8Qualité, gouvernance et loi

8.1La qualité des données

La qualité s’évalue selon quelques axes : exactitude (les valeurs sont-elles justes ?), complétude (manque-t-il des valeurs ?), cohérence (deux sources disent-elles la même chose ?), actualité (les données sont-elles à jour ?), unicité (pas de doublons). On met en place des contrôles automatiques à chaque étape de la chaîne : nombre de lignes chargées, valeurs hors limites, dates impossibles. Un chiffre faux qui arrive à la direction coûte cher en confiance : il suffit d’une erreur repérée pour que l’on doute de tous les autres tableaux de bord.

8.2La gouvernance : qui est responsable de quoi ?

La gouvernance des données répond à des questions d’organisation : qui est propriétaire de chaque donnée (le « responsable métier », pas le service informatique) ? Qui décide de la définition d’un indicateur ? Qui a le droit de lire quoi ? Quelle est la durée de conservation ? Elle s’appuie sur un catalogue de données (l’inventaire de ce qui existe, d’où cela vient et ce que cela signifie) et sur des règles d’accès. C’est ce qui évite le piège des chiffres qui ne concordent pas : sans définition commune, le service commercial et la comptabilité annoncent deux chiffres d’affaires différents, tous deux « justes » à leur façon.

8.3Les données personnelles

Un entrepôt contient fréquemment des données sur des personnes : clients, salariés, patients. Le RGPD s’applique alors (voir Le RGPD et La loi Informatique et libertés). Quelques principes à retenir pour un projet décisionnel :

  • Finalité. On recueille des données pour un but précis ; on ne peut pas les réutiliser pour n’importe quoi. Un entrepôt « pour voir ce qu’on peut en faire » est difficilement compatible avec ce principe : il faut des finalités déclarées.
  • Minimisation. On ne charge que les données nécessaires. L’identité n’est pas indispensable pour calculer des ventes par région : on peut ne pas la charger.
  • Durée de conservation. On fixe une durée par type de donnée et l’on supprime ou l’on anonymise ensuite. C’est la limite de la « non-volatilité » de Bill Inmon, vue en 3.1.
  • Pseudonymisation et anonymisation. La pseudonymisation remplace un identifiant (nom, numéro de client) par un code ; on peut retrouver la personne avec une table de correspondance conservée à part, donc ces données restent personnelles. L’anonymisation rend impossible de retrouver la personne ; elle est difficile à garantir, car le croisement de quelques informations (âge, code postal, date) suffit parfois à identifier quelqu’un.
  • Droits des personnes. Accès, rectification, effacement dans certains cas, opposition : l’entrepôt doit pouvoir y répondre, ce qui suppose de savoir où se trouvent les données d’une personne.
  • Décisions automatisées. Une personne a le droit de ne pas faire l’objet d’une décision entièrement automatisée qui produit des effets juridiques ou la touche de manière significative (refus de crédit, par exemple) ; une intervention humaine et une explication doivent être possibles.

Pour s’exercer

Exercice 7 : une demande d’effacement

Un client demande l’effacement de ses données. Elles sont dans l’entrepôt, dans deux magasins de données et dans un cube. L’entrepôt est « non volatil ». Que faites-vous ?

Voir la réponse

Le principe d’historisation ne prévaut pas sur le droit à l’effacement quand celui-ci s’applique (il connaît des exceptions, par exemple une obligation légale de conserver les factures). On commence par vérifier si l’effacement est dû. Si oui, on retrouve toutes les copies grâce au catalogue de données (entrepôt, magasins, cube, sauvegardes), puis on supprime ou on anonymise les lignes concernées ; pour les chiffres déjà agrégés qui ne permettent plus d’identifier la personne, aucun effacement n’est nécessaire. On documente l’opération et on répond au client dans le délai légal (un mois, en principe). Pour éviter ce casse-tête, on conçoit l’entrepôt dès le départ avec un identifiant pseudonymisé et des durées de conservation.

9Mener un projet décisionnel

Beaucoup de projets décisionnels échouent, rarement pour des raisons purement techniques. Les causes les plus fréquentes sont connues : un périmètre trop ambitieux (« tout intégrer, tout analyser ») ; des données de mauvaise qualité découvertes tard ; des définitions d’indicateurs jamais discutées ; peu d’implication des utilisateurs, qui n’utilisent pas ce qu’on leur livre ; un coût de maintenance oublié. Quelques principes d’une démarche saine :

  1. Partir d’une décision à améliorer, non d’une technologie : « fixer le calendrier des promotions » plutôt que « installer un entrepôt ».
  2. Commencer petit : un métier, quelques indicateurs, des utilisateurs qui s’en servent vraiment ; élargir ensuite.
  3. Définir les indicateurs avec ceux qui les utiliseront, et les écrire.
  4. Livrer vite, par étapes, pour que les utilisateurs réagissent et corrigent la direction.
  5. Prévoir l’exploitation : qui surveille les chargements, corrige les erreurs, forme les nouveaux venus, fait évoluer le modèle ?
  6. Mesurer l’usage : un tableau de bord que personne n’ouvre doit être amélioré ou supprimé.

Une idée reçue souvent entendue : l’entrepôt serait « la source unique de vérité ». C’est une bonne ambition, pas une garantie. Un entrepôt contient la version consolidée des données, avec ses règles de calcul ; il n’est pas plus « vrai » que les sources, et les décisions prises sur ses chiffres supposent que l’on en connaisse les limites.

10Ce qui a changé depuis

  • « Le décisionnel exploite les données pour faciliter la décision. » Toujours vrai ; on distingue aujourd’hui quatre niveaux, de la description à la prescription.
  • « Un outil ETL extrait, nettoie et charge dans un entrepôt. » Toujours vrai ; l’ELT (charger d’abord, transformer sur place) est devenu courant.
  • « Le datawarehouse est le lieu unique de consolidation. » L’idée reste ; le lieu est souvent dans le nuage, et complété par des lacs de données et des « lakehouses ».
  • « Les données sont non volatiles, une donnée entrée n’a pas vocation à être supprimée. » Vrai pour des données chiffrées ; faux pour des données personnelles, que le RGPD oblige à limiter dans le temps et à pouvoir effacer.
  • « Le datamart est un sous-ensemble par métier. » Toujours vrai.
  • « L’OLAP fait de l’analyse multidimensionnelle ; le cube s’appelle hypercube. » Toujours vrai ; les cubes figés laissent souvent la place à des modèles sémantiques interrogés en SQL.
  • « La fouille de données s’appuie sur des réseaux de neurones. » Réducteur : les réseaux de neurones ne sont qu’une famille parmi arbres de décision, régressions, regroupements.
  • « EIS et SIAD. » Sigles disparus ; on parle de tableaux de bord et d’exploration libre, de plus en plus en libre-service.
  • Sécurité et loi. On en parle peu, mais ce sont aujourd’hui des contraintes de premier plan.
Sécurité de l’information

Le coin cyber

Cet article décrit comment fonctionne l’informatique décisionnelle et comment protéger ses données. Il ne contient aucune méthode pour attaquer un entrepôt de données.

C.1L’entrepôt, trésor de guerre

Un entrepôt de données rassemble au même endroit ce que l’organisation sait de ses clients, de ses finances, de ses salariés. Pour un attaquant, c’est un butin concentré : une seule intrusion donne accès à des années d’historique. C’est aussi une cible de la menace interne : un salarié qui a des droits trop larges peut copier de grands volumes sans que personne ne le remarque. La défense suit les principes habituels, appliqués avec une rigueur supplémentaire.

  • Droits minimaux : chacun ne voit que les données dont il a besoin ; accès par rôle et par magasin de données (voir L’authentification).
  • Masquage et pseudonymisation : les analystes n’ont pas besoin de voir les noms ; on masque ou on remplace les identifiants (voir Le hachage).
  • Journalisation : savoir qui a lu ou exporté quoi, avec des alertes sur les extractions volumineuses.
  • Comptes de service : les chaînes de chargement utilisent des comptes techniques avec des mots de passe forts, stockés dans un coffre, jamais écrits dans un script ni partagés.
  • Chiffrement des données stockées et des échanges, et sauvegardes protégées de la même manière.
  • Séparation entre environnements de test et de production : on n’utilise pas de vraies données personnelles pour tester.

C.2Le cadre légal

Le RGPD impose des mesures de sécurité adaptées au risque (article 32), la notification à la CNIL d’une violation de données dans les 72 heures (article 33) et, pour les traitements à risque élevé, une analyse d’impact (article 35). Des projets de profilage de grande ampleur ou de décisions automatisées entrent souvent dans ce cadre. Les accès illégitimes à un système sont réprimés par le code pénal (articles 323-1 et suivants).

C.3Idée reçue

« Les données sont anonymisées, donc il n’y a plus de risque. » Faux, le plus souvent. Retirer le nom et l’adresse ne suffit pas : quelques informations croisées (âge, code postal, date de naissance, profession) identifient parfois une personne de façon unique, surtout quand on les rapproche d’une autre base. Des cas célèbres de « ré-identification » ont été publiés. L’anonymisation véritable est difficile et doit être démontrée ; dans le doute, on traite les données comme des données personnelles, avec leurs protections.

C.4Bonnes pratiques

Petite structure

  • Ne charger que les colonnes utiles, sans identité si elle n’est pas nécessaire.
  • Limiter l’accès à deux ou trois personnes, avec un mot de passe fort et la double authentification.
  • Sauvegarder les fichiers de données et supprimer ce qui n’a plus d’utilité.

Organisation

  • Catalogue de données, propriétaire désigné pour chaque jeu de données, durées de conservation écrites.
  • Droits par rôle, journaux examinés, alertes sur les exports volumineux.
  • Analyse d’impact pour les traitements à risque et revue régulière des accès.

Référentiels : RGPD (règlement UE 2016/679), articles 5, 25, 32, 33, 35 · Loi Informatique et libertés · CNIL, guide de la sécurité des données personnelles · ANSSI, guide d’hygiène informatique · ISO/CEI 27001 · Code pénal, articles 323-1 à 323-7.

Références

  1. W. H. Inmon, Building the Data Warehouse, Wiley, 1992.
  2. R. Kimball, M. Ross, The Data Warehouse Toolkit, Wiley, 1996 (3e éd. 2013).
  3. E. F. Codd, S. B. Codd, C. T. Salley, Providing OLAP to User-Analysts: An IT Mandate, 1993.
  4. P. Chapman et al., CRISP-DM 1.0: Step-by-step data mining guide, 1999.
  5. Règlement (UE) 2016/679 du 27 avril 2016 (RGPD).

Voir aussi

Citer cet article

« L'informatique décisionnelle », Encyclopédie informatique, révision du 9 novembre 2026.