L'intelligence économique basée sur l'analyse de données agrégées est l'un des sujets les plus importants dans le monde des affaires d'aujourd'hui. De plus en plus d'entreprises découvrent l'importance de la collecte, du stockage et de l'analyse des diverses données disponibles dans le cadre des processus d'entreprise afin d'acquérir un avantage concurrentiel. Avec le nombre de technologies de veille stratégique disponibles pour permettre une analyse efficace des données, il est essentiel de choisir le bon outil, celui qui peut fournir des résultats rapides et précis. Cet article se concentre sur un outil qui a fait ses preuves en la matière : OLAP.
Le traitement analytique en ligne (OLAP) est une structure de base de données optimisée pour l'affichage rapide de données multidimensionnelles. Les bases de données OLAP sont souvent appelées "cubes", une manière efficace d'envisager les données multidimensionnelles. Dans un sens simplifié, un cube OLAP ressemble à une feuille de calcul tridimensionnelle, bien que l'OLAP soit capable de gérer plus de trois dimensions. Les bases de données OLAP sont généralement mises en œuvre dans des bases de données relationnelles spécialement conçues, optimisées pour fournir des résultats rapides aux requêtes. Les bases de données OLAP peuvent être nettement plus performantes que les bases de données de fichiers plats et les bases de données relationnelles typiques ou transactionnelles lorsqu'il s'agit de fournir des réponses rapides à des requêtes multidimensionnelles.
Mais comment l'OLAP y parvient-il ? Comparons une base de données relationnelle standard et OLAP. Pour ce faire, les responsables informatiques chargés de la gestion et de l'optimisation des actifs logiciels pourraient souhaiter obtenir une réponse à la question suivante : "Quelle est la différence entre une base de données relationnelle standard et OLAP ?
Quelle est l'utilisation maximale d'une licence pour un produit donné au cours d'une année donnée ?
Imaginons maintenant que le responsable informatique dispose d'une très grande base de données contenant des historiques d'utilisation. Pour répondre à cette question à l'aide d'une base de données relationnelle classique, vous devez obtenir les informations dans différentes tables. Vous combinez toutes les données et effectuez une requête pour extraire les informations dont vous avez besoin.
Pour les requêtes complexes, ce processus peut être lent. Que se passe-t-il lorsque le responsable informatique souhaite approfondir ces informations ? Par exemple, il ou elle aimerait maintenant savoir :
Quelle est l'utilisation maximale d'une licence pour une fonction particulière du produit au cours d'un mois donné sur un site donné ?
Le responsable informatique devra alors effectuer à nouveau la requête. L'application de ces filtres ralentira encore davantage un processus déjà lent, ce qui n'est pas une option pour une entreprise qui a besoin d'informations rapidement.
Lorsque la recherche rapide de données est une priorité pour la planification, la résolution de problèmes et l'aide à la décision, les entreprises peuvent tirer parti d'outils multidimensionnels tels que l'OLAP. Dans le cadre de l'OLAP, les données stockées sont pré-agrégées, ce qui permet d'obtenir des résultats instantanés, même avec de grandes quantités de données. Les cubes peuvent avoir de nombreuses dimensions qui peuvent être utilisées pour agréger, couper et découper les données. En outre, il est possible de découper les dimensions en hiérarchies construites directement dans le cube.
La figure ci-dessus illustre l'approche OLAP pour répondre à notre première question. Deux des dimensions de notre cube sont le produit et le temps. Grâce à la préagrégation de ces dimensions, nous pouvons instantanément récupérer les informations dont nous avons besoin. La zone en surbrillance est l'utilisation maximale de la licence du produit C pour l'année 2014.
Une autre dimension que nous pouvons ajouter à notre cube OLAP est celle de la localisation.
Cela montre comment l'OLAP effectue une analyse multidimensionnelle. Dans cet exemple, le cube OLAP pré-agrège la dimension Emplacement avec les dimensions Produit et Temps. La zone en surbrillance indique l'utilisation maximale de la licence du produit C pour l'année 2014, mais cette fois-ci uniquement pour l'Amérique du Nord.
À partir de ces données, nous pouvons instantanément approfondir nos informations à l'aide de hiérarchies. Cette figure montre l'utilisation maximale de la licence de la fonctionnalité 2 - produit C pour le mois de février 2014 en Amérique du Nord.
Lors de la conception d'un cube, on se concentre sur la fourniture de réponses à un petit nombre de questions portant sur les besoins fondamentaux de l'entreprise. Un cube construit sur la base d'une pré-affectation réfléchie des données répond à ces questions, facilement et rapidement. C'est ce que fait l'OLAP. Il permet d'explorer efficacement les données de l'entreprise - une bonne raison d'envisager des outils de veille stratégique qui utilisent l'OLAP, tels que l'Open iT Analysis Server.
The Analysis Server is an advanced software asset management tool addressing the needs of individuals tasked with managing complex and expensive software asset portfolios. Along with Open iT modules, the Analysis Server can provide rich reports on the many facets of <software asset management (SAM), such as license usage, application, server and storage usage, in a fast and efficient way.
