Le projet Data Warehouse, un processus continu

Le projet Data Warehouse est un processus continu. Voyons les 4 étapes d'un projet DW qui sera toujours en perpétuelle évolution et rappelons qu'il est essentiel de se placer sous l'angle de l'utilisateur et non sous celui de la technique.

1. Démarche 2. Projet DW 3. Ressources 4. À lire

Une démarche singulière

La toute première génération de Data warehouse a été marquée par une succession d'échecs. Les concepteurs appliquaient le "postulat du technicien" :
"Si je mets le maximum de données, les utilisateurs trouveront leur bonheur."
Bien entendu, avec une hypothèse erronée dès l'énoncé du principe fondateur, on ne peut que bâtir des usines à gaz.

Un processus continu

En fait, le projet Data Warehouse est un processus. Il sera toujours en perpétuelle évolution, que ce soit sur le plan du nombre d'utilisateurs que celui des thématiques traitées.

Une succession de projet plus "légers"

Il est important de considérer le projet Data Warehouse, non pas comme unique, mais plutôt comme une succession de projets plus légers, focalisés sur les besoins métiers, répondant chacun à une nécessité clairement identifiée et définie. Chacun des projets s'intégrant avec le précédent et ouvrant des pistes pour les suivants. Un peu comme un puzzle sans fin.
C'est la solution pour suivre de près les attentes des utilisateurs et maîtriser le ROI du projet.

Le projet DW

Les 4 temps du projet

1) Identifier le besoin auprès des utilisateurs

Le data warehouse est le pivot du système décisionnel. Les données stockées seront transformées en informations et exploitées par les utilisateurs-décideurs. Il semble donc primordial de placer les besoins des utilisateurs au centre de la problématique.
C'est vrai quel que soit le projet d'informatisation. Mais dans le cas du projet Data warehouse, cette omission ne pardonne pas.
Ainsi, chacune des phases du projet sera définie sous l'éclairage des nécessités utilisateurs, des besoins métiers. On accordera un soin particulier à la délicate phase de collecte et notamment aux opérations de nettoyage, de formatage et de consolidation. Ne perdons pas de vue qu'une donnée n'a pas de valeur en soi. C'est bien l'utilisateur-décideur qui transformera les données en informations.
Voir aussi les données de référence.
2) Modéliser les données

Adoptez un modèle spécifique orienté utilisateur et métier dans une logique décisionnelle et non un modèle qui privilégie le confort technique de l'analyste Base de données dans une logique de production. C'est une différence majeure de conception. Les modèles de structure des données normalisés ne sont pas adaptés aux besoins décisionnelles qui sollicitent de nombreux rapprochement de données. Ls modèles étoiles et flocons, les plus courants sont plus adéquats, et ce n'est pas peu dire, pour des analyses complexes. La modélisation est une tâche particulièrement complexe qui ne s'improvise pas, c'est un métier à part entière.
Pour aller plus avant : Modéliser les données
3) Choisir l'architecture technique

Les requêtes décisionnelles un peu complexes sollicitent énormément l'architecture de traitement. Autant prendre le temps de bien la choisir en tenant compte des besoins actuels et de leurs évolutions dans un horizon de temps raisonnable. Les architectures technologiques représentent un investissement conséquent qu'il s'agit de rentabiliser dans la durée.
Pour aller plus avant :Choisir l'architecture technique
4) Implanter et déployer

Élaboration des schémas d'accès aux données et des règles de nettoyage et de consolidation. Voir aussi Data Warehouse et DataMart.

Ressources web

Vous ne perdrez pas votre temps en vous attardant sur les travaux de Ralf Kimball, expert Data Warehouse
Quelle approche choisir, celle de Inmon ou celle de Kimball ?
Un article du Monde Informatique Oracle simplifie son datawarehouse autonome pour les métiers
Un article sur le portail de Silicon.fr Le Data Warehouse fait sa révolution digitale
Un article sur le portail LeMagIT Bien choisir son Data Warehouse nouvelle génération

À ce sujet, voir aussi

Modélisation du data warehouse, schéma en étoile
Commençons par un rappel sur la modélisation des bases de données en utilisant le schema en étoile, et intéressons nous ensuite aux spécificités de la Business Intelligence...
Data Mining, explorer les données du Data Warehouse
Il ne suffit pas de stocker une multitude de données au sein d'une base spécialisée, Data Warehouse ou Big Data, encore faut-il les exploiter. C'est là le rôle du Data Mining...
Le ROI de la Business Intelligence
Le projet Business Intelligence est un projet d'envergure. Voyons comment calculer le ROI du projet BI en tenant compte des gains cachés qui n'apparaissent pas immédiatement sur le compte de résultats.