Alimentation de systèmes décisionnels (BI, Analytics)

La Business Intelligence (BI ou système décisionnel) consistait auparavant à consolider les données du passé, puis à les analyser afin d'aider à la prise de décisions sur des actions aux conséquences futures.
Avec l'avènement des technologies et le développement de l'instantanéité, les cas d'usages se sont démultipliés : il faut désormais agir sur des actions aux résultats immédiats.

Les conséquences :

• La donnée décisionnelle traditionnelle est croisée en temps-réel avec la donnée opérationnelle exploitée par les applications, les services, etc.  Ainsi, on est passé d'une consolidation pour la semaine suivante, à quelques jours, puis 24h, à des besoins de consolidation en temps réel.
  Dit plus rapidement : d'un système décisionnel batch à une "BI on the fly" ou décisionnel à la volée.
  
  
• Un silotage des solutions d'intégration de données :
  • Un ETL pour la BI
  • Un outil pour les pipelines de données
  • Un EAI ou ESB pour des besoins d'échanges traditionnels
  • Un framework pour les API / Microservices
  
  

   

Dans le monde physique : avec l'étiquette-prix électronique dans un supermarché, on peut ajuster facilement et rapidement les prix en fonction du trafic, de la concurrence, …

Dans le monde e-commerce : aller récupérer les prix de ses concurrents et ajuster sa tarification en conséquence

L'apparition d'écosystèmes comme Hadoop a permis de résoudre de manière différente les contraintes liées à la volumétrie ou à la complexité, notamment le traitement de données non structurées. Constituant un système de stockage fiable, simple et réputé bon marché, il est désormais possible de mettre en place des Datalakes pour absorber le déluge incessant de données (issues des objets connectés IOT, des réseaux sociaux, …).

Le Data mining a fait place à des technologies issues du Big Data qui facilitent l'utilisation du Machine Learning (ML) ainsi que du Deep Learning.

Le challenge pour les DSI est de jongler entre toutes ces technologies et de construire un système cohérent et fiable qui permette, en fonction du besoin, de passer d'une BI descriptive à une BI prédictive voire prescriptive.

Exemple : dans le domaine du marketing, on cible de plus en plus à la personne, par rapport à un contexte donné, en se servant des données collectées.

Le mapping universel

Stambia permet de simplifier la manière de concevoir des fux d'intégration de données. La notion de mapping universel offre une vision orientée métier qui ne nécessite pas de compétence technique lors de la phase de mapping (conception des relations entre les objets). L'approche dite "top-down" permet de se concentrer sur le "Quoi "et de laisser le "Comment" être généré automatiquement par la plateforme.

Gestion unifiée de tout type de projet

Ce type de mapping permet de répondre à tout type de besoin d'intégration de données. Cela offre la capacité de traiter, avec les mêmes compétences, des projets de Business Intelligence ou de Big Data, ainsi que des projets orientés temps-réel (streaming, API, Web Services…). La courbe d'apprentissage de l'intégration de données au sein des organisations est facilitée par l'usage d'une vision universelle de la transformation des données.

La BI as a service

La possibilité de Stambia d'exposer en quelques secondes des Services Web complexes permet d'étendre les capacités décisionnelles des organisations. En effet, toute donnée de type Analytique peut être exposée : des données agrégées, des données de détail ou bien des référentiels ou dimensions de données. Cette fonctionnalité ne nécessite pas d'outil complémentaire, garantissant ainsi un niveau de réactivité exceptionnel à un coût quasi nul.

Le mode ELT comme moteur de performance

Stambia est une solution qui favorise l'usage de la délégation de transformation, plus communément appelé ELT (Extract, Load and Transform). Cette philosophie d'outil permet d'obtenir les meilleures performances.

L'ELT est aussi le garant d'une scalabilité automatique et immédiate des traitements sans surcoût du côté de la solution d'intégration de données.

La puissance de l'ELT pour le Cloud et le Big Data

Le cloud est devenu l'architecture privilégiée des directions informatiques, notamment les plateformes permettant de mettre en œuvre des stratégies de type "No-Software" et "No-Harware".

Le mode ELT offre une architecture légère (sans moteur) qui satisfait les exigences des initiatives Cloud au sein des organisations, garantissant performances et simplicité de l'architecture.

La logique est identique pour les projets Big Data. Stambia, par son approche ELT, va permettre de tirer partie de toute la puissance des plateformes Big Data et No SQL sans ajouter de complexité dans l'architecture.

 

L'industrialisation est un élément clé des projets informatiques autour de la donnée. Beaucoup de possibilités s'offrent aux entreprises pour exploiter la donnée de manière agile et efficace. Par contre, une fois les phases d'expérimentation et d'innovation effectuées avec les équipes métier, vient la phase d'industrialisation.

Stambia est la solution idéale pour l'industrialisation des flux de données.

La vision à base de templates permet d'encapsuler le savoir faire technique et de le réutiliser en mode industriel, sans nécessité pour les utilisateurs de maîtriser le détail technique.

Nos clients nous recommandent. C'est pour Stambia la plus grande des récompenses.

Stambia, avant d'être une solution technologique, est une équipe d'experts passionnés par leur sujet. Nous cherchons à comprendre les besoins de nos utilisateurs et à leur offrir le meilleur, en produisant pour chacun le niveau de valeur attendu.

Et si vous redécouvriez avec Stambia ce qu'est un support logiciel de qualité et une équipe éditeur à votre service ?

 

 

Stambia permet de gérer les modes d'intégration adaptés à tous les cas d'usage dans le domaine de le Business Intelligence :

• Alimentation en mode annule et remplace : dans ce mode les données sont supprimées et réalimentées entièrement (utile pour initier les données ou s'assurer de la cohérence de certaines données de référence)
• Alimentation en mode incrémentale: dans ce mode juste les dernières modifications sont prises en compte. Ce type d'intégration est utile pour les données volumineuses (les faits). Il peut être couplé à des fonctionnalités de détection d'événement sur les sources afin d'optimiser les flux et de s'assurer de la fraîcheur des données.
• Alimentation en mode historisé, parfois appelé dimensions à évolution lentes (SCD en anglais). Ce mode permet de traquer dans le temps les modifications sur les données afin de faire des analyse plus poussées de l'évolution des données.
• Alimentation automatique des modèles Data Vault. De nombreuses modélisations existent pour les systèmes de Business Intelligence. Les modèles en étoile ou la modélisation Data Vault en sont des exemples. Stambia est compatible avec ces différents modèles et permet une alimentation automatique des tables et des dimensions ou satellites associés.

Integration types

Incremental

Cancel & Replace

Slowly Changing Dimensions

Data Vault

Specific / homemade template