Pourquoi la business intelligence produit des chiffres qui se contredisent
La business intelligence est l’un des plus anciens chantiers data, et l’un de ceux dont les directions se plaignent volontiers. Le parc de rapports grossit sans que personne sache lesquels sont encore consultés. Deux tableaux de bord présentés au même comité affichent deux valeurs pour le même indicateur, et la réunion se passe à chercher laquelle est la bonne.
L’outil de restitution est rarement en cause. La règle de calcul est enfouie dans chaque rapport : chaque auteur applique ses filtres, sa période, ses exclusions. La « marge » ou le « client actif » existent donc en autant de versions qu’il y a de rapports. Le self-service, ouvert sans cadre, a accéléré le phénomène.
Une seconde cause est plus discrète. Beaucoup de tableaux de bord ont été conçus à partir des données disponibles, et non des décisions à prendre. Ils informent abondamment, mais n’aident pas à arbitrer.
La couche sémantique : définir chaque indicateur une seule fois
La couche sémantique se place entre les tables de la plateforme (entrepôt ou lakehouse) et les outils de restitution. Elle décrit en termes métiers les indicateurs, les axes d’analyse, les relations entre tables et les règles d’accès. Un indicateur y est calculé à un seul endroit. Les rapports, les tableurs connectés et les assistants qui l’interrogent obtiennent tous la même valeur.
Sa conception appelle trois décisions.
Où la loger. Dans l’outil de restitution, elle est simple à mettre en place mais ne sert que cet outil. Dans une couche indépendante, elle est réutilisable par plusieurs outils et par des applications, au prix d’un composant supplémentaire à exploiter. Le choix dépend du nombre d’outils en service et de la place que prendra l’IA dans l’accès aux données.
Sur quel modèle l’appuyer. Le modèle en étoile, qui sépare les faits mesurés des dimensions d’analyse, reste la base la plus lisible pour les métiers et la plus prévisible en performance. Il est préparé dans la plateforme data, pas dans chaque rapport.
Qui valide. Un indicateur n’entre dans la couche sémantique qu’avec une définition arbitrée et un propriétaire métier. Sans cette règle, la couche sémantique reproduit le désordre qu’elle devait résorber.
Self-service : trois niveaux d’autonomie
Le self-service n’est pas un interrupteur. Tous les utilisateurs n’ont ni les mêmes besoins ni les mêmes compétences, et le cadre doit le refléter.
| Niveau | Ce que fait l’utilisateur | Ce qu’il faut lui fournir |
|---|---|---|
| Consultation | Lit, filtre et explore des tableaux de bord certifiés | Des contenus peu nombreux, documentés, dont la source est affichée |
| Analyse | Compose ses propres vues à partir des indicateurs de la couche sémantique | Un modèle lisible, une formation, un espace de travail personnel ou d’équipe |
| Production | Crée de nouveaux jeux de données et de nouveaux indicateurs | Des données préparées, des règles de modélisation, un circuit de revue |
Deux mécanismes tiennent l’ensemble. La certification distingue visiblement ce qui fait foi de ce qui relève de l’exploration : un utilisateur sait d’un coup d’œil s’il peut présenter un chiffre en comité. Le cycle de vie retire ce qui ne sert plus, à partir des statistiques de consultation.
Analytique augmentée par l’IA : ce qu’elle apporte, ce qu’elle exige
Trois usages se dégagent : l’interrogation des données en langage naturel, l’explication automatique d’une variation (quels segments expliquent la baisse d’un indicateur) et la rédaction de commentaires de synthèse.
Le risque tient à la nature d’un modèle de langage. Placé devant des tables brutes, il doit deviner les jointures, les filtres et les règles de gestion. Il produit alors une réponse bien formulée, parfois fausse, sans aucun signal d’erreur. Pour un chiffre destiné à une décision, ce comportement n’est pas acceptable.
La parade consiste à faire passer le modèle par la couche sémantique. Il traduit la question en une sélection d’indicateurs et de dimensions existants ; le calcul, lui, reste déterministe. Quatre conditions s’ajoutent : des descriptions métiers soignées, synonymes compris ; des droits d’accès qui restent ceux de l’utilisateur ; l’affichage des indicateurs et des filtres retenus pour chaque réponse ; un jeu de questions de référence, avec les réponses attendues, pour évaluer l’assistant avant ouverture et après chaque évolution. Ces principes rejoignent ceux que nous appliquons aux projets d’IA générative.
Notre approche : des décisions vers les données
Nos consultants travaillent au sein de vos équipes ; les décisions restent les vôtres.
Mesurer l’existant. Nous inventorions les rapports et leur consultation réelle. Ce relevé met en évidence les contenus à retirer et les indicateurs en conflit.
Partir des instances de pilotage. Pour chaque comité, nous identifions les décisions à prendre, puis les indicateurs qui les éclairent. Le dictionnaire d’indicateurs est arbitré à ce stade, avec les propriétaires métiers.
Construire sur un premier domaine. La couche sémantique est mise en œuvre sur un périmètre restreint. Les tableaux de bord prioritaires sont reconstruits dessus, et les anciens sont décommissionnés à mesure.
Ouvrir par paliers. Le self-service est étendu niveau par niveau, avec la formation correspondante et un réseau d’analystes référents dans les métiers. L’IA est introduite lorsque les définitions sont stables, pas avant.
Les fausses bonnes idées que nous déconseillons
- Changer d’outil pour régler un problème de définitions. Le nouvel outil affichera les mêmes écarts, avec une meilleure présentation.
- Migrer tous les rapports à l’identique. Un changement d’outil ne justifie pas de reconduire des rapports que plus personne n’ouvre.
- Ouvrir le self-service sur des tables brutes. Chaque utilisateur recrée alors sa propre règle de calcul.
- Empiler les indicateurs. Un tableau de bord qui en affiche des dizaines ne hiérarchise rien et ne déclenche aucune décision.
- Traiter en restitution un défaut de données. Lorsque l’écart vient des sources et non des définitions, il relève de la qualité des données et se corrige en amont.
Comment savoir si votre BI sert à décider
Les indicateurs convenus au cadrage portent sur l’usage et la confiance, non sur le volume produit.
- La part des rapports réellement consultés, et le nombre de contenus retirés.
- La part des consultations qui portent sur des contenus certifiés.
- Le nombre d’indicateurs de pilotage dotés d’une définition unique et d’un propriétaire.
- Le délai d’obtention d’une nouvelle analyse, et la part des demandes traitées en autonomie par les métiers.
- Pour un assistant analytique : le taux de réponses correctes sur le jeu de questions de référence.
Un signe qualitatif vaut tous les autres. Lorsque les comités cessent de discuter de la validité des chiffres pour discuter de ce qu’il faut en faire, la BI remplit son rôle.