L'informatique décisionnelle
Une entreprise accumule des chiffres : ventes, stocks, factures, visites de son site, appels au support. Les données ne servent à décider que si on les rassemble, les nettoie et les présente de façon compréhensible. C’est le travail de l’informatique décisionnelle, que l’on appelle aussi business intelligence. Cet article suit la chaîne de bout en bout : l’extraction et le nettoyage des données (la chaîne dite ETL), l’entrepôt de données et ses magasins, la modélisation en étoile, l’analyse en cube (OLAP), la fouille de données (data mining), les tableaux de bord et les indicateurs. Il corrige ce qui a vieilli, ajoute ce qui est arrivé depuis (entrepôts dans le nuage, lacs de données, libre-service) et rappelle les contraintes de sécurité et de protection des données qui pèsent sur ces grandes réserves de chiffres.
- Rubrique
- Données et IA
- Niveau
- Intermédiaire
- Lecture
- 28 min (essentiel)
31 min (complet) - Révision
- 9 novembre 2026
En bref
- L’informatique décisionnelle sert à répondre à des questions de pilotage (que s’est-il passé ? pourquoi ? que va-t-il se passer ?) en s’appuyant sur les données de l’organisation.
- Les données de production sont extraites, nettoyées et rangées (ETL) dans un entrepôt daté et conservé, puis découpées en magasins par métier.
- On les analyse par dimensions (temps, produit, région) grâce à des cubes (OLAP), et l’on cherche des tendances cachées par la fouille de données.
- Les résultats sont présentés sous forme de tableaux de bord ; un bon indicateur est défini en commun, mesurable et suivi dans le temps.
- Un entrepôt concentre les données les plus sensibles de l’organisation : il demande des droits d’accès stricts, de la qualité de données et le respect du RGPD, y compris pour la durée de conservation.
Prérequis conseillés : Les bases de données
1Décider avec des données
L’informatique décisionnelle (en anglais business intelligence, que l’on abrège souvent en « BI », ou simplement « le décisionnel ») est l’exploitation des données de l’entreprise pour faciliter la prise de décision : comprendre le fonctionnement actuel et anticiper les actions, pour un pilotage « éclairé ». Les outils reposent sur un système d’information décisionnel, alimenté par l’extraction de données diverses (données de production, informations sur l’entreprise et son entourage, données économiques).
La définition est toujours bonne. Elle peut se résumer ainsi : transformer des chiffres éparpillés en réponses à des questions de gestion. Le directeur d’une chaîne de boulangeries veut savoir quels magasins perdent de l’argent le dimanche ; la responsable d’un hôpital veut prévoir les besoins en lits pour l’hiver ; une association veut comprendre pourquoi les adhésions baissent. Dans chaque cas, les chiffres existent quelque part (caisses, planning, fichier des adhérents), mais ils sont dans des systèmes différents, dans des formats différents, avec des définitions différentes. Le travail décisionnel consiste à les rassembler et à les rendre comparables.
1.1Quatre sortes de questions
On classe d’habitude les questions auxquelles les données peuvent répondre en quatre niveaux, du plus simple au plus ambitieux.
- Que s’est-il passé ? (analyse descriptive) : les ventes du mois, le nombre de clients, la durée moyenne d’une réparation. C’est le cœur du « reporting » (la production régulière de rapports).
- Pourquoi cela s’est-il passé ? (analyse diagnostique) : la baisse vient-elle d’un produit, d’une région, d’une saison ? On « fore » dans les chiffres pour isoler la cause.
- Que va-t-il se passer ? (analyse prédictive) : prévoir les ventes de l’an prochain, repérer les clients prêts à partir. On utilise des modèles statistiques et de l’apprentissage automatique (voir L’apprentissage automatique).
- Que faut-il faire ? (analyse prescriptive) : recommander une action, par exemple le prix qui maximise la marge. C’est le niveau le plus délicat, car il touche à la responsabilité de la décision.
On se concentrait autrefois sur les deux premiers niveaux, et un peu sur le troisième avec la fouille de données. Les outils actuels couvrent les quatre, mais la qualité des réponses dépend toujours du travail de fond : des données propres et bien comprises.
1.2Données de production et données de décision
La distinction la plus importante du domaine oppose deux usages des bases de données (voir Les bases de données). Les systèmes de production (on dit aussi « transactionnels », en anglais OLTP, pour On-Line Transaction Processing, « traitement de transactions en ligne ») font tourner l’entreprise au jour le jour : enregistrer une vente, mettre à jour un stock, éditer une facture. Ils traitent un très grand nombre de petites opérations, vite, et doivent toujours être disponibles. Les systèmes décisionnels servent à regarder l’activité de loin : combien, par période, par région, en comparaison de l’an dernier. Ils traitent peu de requêtes, mais chacune lit un énorme volume.
| Critère | Système de production | Système décisionnel |
|---|---|---|
| But | faire tourner l’activité | comprendre et piloter l’activité |
| Opérations typiques | enregistrer une vente, modifier une adresse | total des ventes par région et par mois sur trois ans |
| Volume par opération | quelques lignes | des millions de lignes lues |
| Données | à jour, modifiables, détaillées | historisées, rarement modifiées, souvent résumées |
| Utilisateurs | employés de terrain, clients, programmes | analystes, cadres, direction |
| Organisation | une base par application, selon son besoin | une vue d’ensemble regroupant plusieurs sources |
Faire les deux sur la même base est tentant, mais mauvais : une grosse requête d’analyse peut ralentir ou bloquer la caisse du magasin, et les données de production, éparpillées entre plusieurs applications, ne sont pas comparables. D’où l’idée de les copier, les nettoyer et les ranger ailleurs : l’entrepôt de données.
Pour s’exercer
Exercice 1 : production ou décision ?
Classez ces opérations : (a) enregistrer le paiement d’un client à la caisse ; (b) calculer le chiffre d’affaires par région et par mois sur les trois dernières années ; (c) modifier l’adresse de livraison d’une commande ; (d) comparer la marge de deux gammes de produits par trimestre.
Voir la réponse
(a) et (c) relèvent de la production : peu de lignes, immédiates, modifiables. (b) et (d) relèvent de la décision : elles lisent un grand volume de données historiques et les résument. On ne doit pas lancer (b) ou (d) sur la base qui sert à la caisse, au risque de la ralentir.
2La chaîne décisionnelle
La chaîne se décrit en quelques mots : un outil appelé ETL (Extract, Transform and Load, « extraire, transformer, charger ») va chercher les données dans les différentes sources, les nettoie et les charge dans un entrepôt de données ; puis des outils d’analyse construisent des représentations à base de requêtes, pour constituer des tableaux de bord, ce que l’on appelle le reporting. On peut y voir cinq étapes.
2.1Les sources
Elles sont multiples : le logiciel de caisse, le logiciel de gestion commerciale, la comptabilité, la gestion de la relation avec les clients, le site web et ses statistiques de visite, des fichiers de tableur qui circulent dans les services, et des données extérieures (météo, calendrier, données publiques, chiffres d’un partenaire). La difficulté, c’est que chacune a ses codes : le même client s’écrit « DUPONT Marie » dans l’une, « Marie Dupont » dans l’autre ; une date s’écrit 03/04/2026 (3 avril pour un Français, 4 mars pour un Américain) ; un « produit » n’a pas la même définition pour le service commercial et pour la logistique.
2.2L’ETL : extraire, transformer, charger
L’ETL fait trois travaux.
- Extraire. Aller chercher les données dans chaque source, en général la nuit pour ne pas gêner la production, soit en totalité, soit seulement ce qui a changé depuis la veille.
- Transformer. C’est le plus gros du travail. Il s’agit de nettoyer (corriger les erreurs de saisie, supprimer les doublons, traiter les valeurs manquantes), d’harmoniser (mêmes formats de date, mêmes unités, mêmes codes pour les mêmes choses), de réconcilier (reconnaître que deux fiches désignent la même personne), de calculer (une marge, un âge) et de dater chaque information. On parle d’un « nettoyage préalable des données dans un souci de rationalisation et de normalisation » : c’est exactement cela.
- Charger. Écrire le résultat dans l’entrepôt, dans l’ordre et sans casser ce qui existe.
On estime couramment qu’une grande partie du temps d’un projet décisionnel, souvent plus de la moitié, est consacrée à cette préparation des données. Ce chiffre est un ordre de grandeur de la profession, pas une mesure précise ; il traduit une expérience constante : la qualité des analyses dépend d’abord de la qualité des données.
Une variante est apparue avec les entrepôts dans le nuage (voir partie 3.3) : l’ELT (Extract, Load, Transform). On charge d’abord les données brutes dans l’entrepôt, puis on les transforme sur place, avec le langage SQL (voir Le langage SQL), grâce à la puissance de calcul de l’entrepôt lui-même. Le résultat est le même, l’ordre des opérations change ; l’avantage est de garder les données brutes sous la main, pour refaire une transformation si la règle change.
2.3L’entrepôt, les magasins, la restitution
Les données propres sont rangées dans l’entrepôt de données (partie 3). De là, on alimente des magasins de données orientés métier (partie 3.2), puis des outils de restitution : tableaux de bord, rapports, cubes d’analyse, outils de fouille (parties 5 à 7). Enfin, la chaîne est surveillée et documentée : on sait d’où vient chaque chiffre, quand il a été chargé, qui peut le voir (partie 8).
3L’entrepôt de données
3.1La définition de Bill Inmon
Le lieu de stockage intermédiaire où se constitue le système d’information décisionnel s’appelle l’entrepôt de données (en anglais data warehouse) : le lieu unique où l’on consolide toutes les données de l’organisation. Son « créateur du concept » est l’informaticien américain Bill Inmon, qui l’a défini ainsi : « une collection de données thématiques, intégrées, non volatiles et historisées pour la prise de décisions ». Chaque mot compte :
- Thématiques (ou « orientées sujets »). Les données sont rangées par thème du métier (clients, produits, ventes), pas par application. Elles sont donc plus compréhensibles pour ceux qui analysent.
- Intégrées. Elles ont été nettoyées et harmonisées : un seul format de date, un seul code client, quelle que soit la source. C’est le résultat de l’ETL.
- Non volatiles. Ce qui est entré dans l’entrepôt n’a pas vocation à être modifié ou supprimé : on ajoute toujours, on n’efface pas. Cela permet de retrouver l’état des chiffres à n’importe quelle date et de refaire un rapport ancien avec le même résultat.
- Historisées. Chaque donnée est datée, ce qui permet de suivre une évolution dans le temps : le chiffre d’affaires d’un client sur dix ans, l’ancienne adresse d’un fournisseur.
Ces idées datent de 1992 (livre Building the Data Warehouse) et restent la référence. Mais la « non-volatilité » a aujourd’hui une limite juridique. Le règlement européen sur les données personnelles (RGPD, voir Le RGPD) impose de ne pas conserver des données personnelles plus longtemps que nécessaire, et de les effacer à la demande de la personne dans certains cas. Un entrepôt où « rien ne s’efface jamais » ne peut donc pas contenir des données personnelles sans règles : il faut prévoir une durée de conservation, des mécanismes d’effacement ou d’anonymisation et une documentation (voir partie 8).
3.2Les magasins de données (datamarts)
Un magasin de données (datamart) est un sous-ensemble de l’entrepôt contenant les données d’un secteur particulier : un département, une direction, un service, une gamme de produits. On parle d’un magasin « marketing », « commercial », « finance ». L’intérêt est double : chaque équipe travaille sur un ensemble plus petit, plus rapide et plus lisible ; et on peut donner à chaque service l’accès à ses seules données, ce qui renforce la sécurité.
Les spécialistes ont débattu de la manière de construire l’ensemble. Bill Inmon proposait de bâtir d’abord un entrepôt central unique, puis d’en tirer des magasins (approche « descendante »). Ralph Kimball, autre grande figure du domaine, proposait l’inverse : construire d’abord des magasins par métier, avec des définitions communes des axes d’analyse, qui forment ensemble l’entrepôt (approche « ascendante »). Dans la pratique, la plupart des organisations font un mélange : elles démarrent par un métier prioritaire, avec des définitions communes qui permettront d’ajouter les autres.
3.3Entrepôt, lac de données, « lakehouse » : ce qui a changé depuis une quinzaine d’années
Autrefois, un entrepôt était un gros logiciel de base de données installé dans la salle informatique de l’entreprise, coûteux, long à mettre en place. Depuis, trois évolutions ont changé la donne.
- L’entrepôt dans le nuage. Des services comme BigQuery, Snowflake ou Redshift offrent un entrepôt en location, qui s’adapte à la quantité de données et que l’on paie à l’usage (voir Les données aujourd’hui et Les mégadonnées). Le démarrage est rapide ; en échange, il faut maîtriser les coûts et la question de la souveraineté des données.
- Le lac de données (data lake). On y stocke les données brutes, de toute nature (tableaux, mais aussi textes, journaux, images), sans les organiser d’avance. C’est souple et peu coûteux ; mais sans règles, il devient un « marécage » de données que personne ne comprend.
- Le « lakehouse ». Mot-valise (lake et warehouse) pour des plates-formes qui visent à réunir les deux : le stockage bon marché du lac et la fiabilité, les règles et la vitesse de l’entrepôt. Des formats ouverts de tables, comme Apache Iceberg ou Delta Lake, ont été créés pour cela.
Les principes de fond ne changent pas : savoir d’où viennent les données, les nettoyer, les dater, contrôler les accès. Les noms et les produits changent, les questions de gouvernance non.