Les tableaux de bord ne déterminent pas les décisions (et c’est le vrai problème de l’analyse). J’ai une nouvelle conférence qui a fait ses débuts aux sessions d’hiver de Tenerife le week-end dernier et qui est prévue pour une autre sortie au Birmingham Power BI Meetup Group #PBIBrum début mars. L’exposé s’intitule « Data-Driven Storytelling with Power BI » et c’est la déclaration la plus provocatrice de la présentation, et elle est intentionnelle :Les tableaux de bord ne déterminent pas les décisions.S’ils le faisaient, la plupart des organisations fonctionneraient désormais parfaitement.

Ils ne manquent pas de tableaux de bord. Ils ne manquent pas de données. Ils ne manquent même pas de rapports Power BI magnifiquement conçus. Pourtant, les mêmes conversations continuent de se produire. Les mêmes problèmes refont surface mois après mois. Et les mêmes décisions sont reportées, diluées ou discrètement ignorées.

Si cela vous semble familier, ce n’est pas parce que vos données sont erronées. C’est parce que vos tableaux de bord s’arrêtent à information.

La rencontre familière qui ne mène nulle part

Vous avez probablement vu cette pièce se dérouler.

Un tableau de bord apparaît à l’écran. Les gens hochent la tête.
Quelqu’un pose une question sensée.
Quelqu’un d’autre propose une interprétation.
Une troisième personne n’est pas d’accord.

Et puis la réunion se termine.

• Aucune décision.
• Aucune action claire.
• Aucun changement de direction.

Le tableau de bord a fait son travail, techniquement parlant. Il a montré les données. Les chiffres étaient exacts. Les visuels étaient clairs. Mais rien ne s’est passé ensuite.

C’est la vérité inconfortable : montrer des informations n’est pas la même chose que permettre une décision.

Pourquoi les tableaux de bord semblent utiles mais changent très peu

La plupart des tableaux de bord sont construits avec de bonnes intentions. Ils sont conçus pour être complets, neutres et flexibles. Ils montrent les performances sous plusieurs angles. Ils laissent le public explorer et « tirer ses propres conclusions ». Cela semble raisonnable.

En réalité, c’est là que les choses s’effondrent.

Les humains ne prennent pas de décisions à partir de graphiques. Ils prennent des décisions de compréhension. Et la compréhension ne vient pas du fait qu’on lui présente des options et qu’on espère qu’un sens en émergera. Cela vient du contexte, du récit et de la pertinence par rapport à un choix spécifique qui doit être fait.

Lorsqu’un tableau de bord présente dix graphiques d’égale importance, il demande silencieusement au public de faire lui-même le travail le plus dur :

• Qu’est-ce qui compte le plus ?
• Sur quoi dois-je me concentrer ?
• Qu’est-ce que cela signifie pour la décision dont je suis responsable ?

Différentes personnes répondent différemment à ces questions. C’est pourquoi les tableaux de bord suscitent souvent un débat plutôt qu’une orientation.

« Intéressant » n’est pas une mesure de réussite

L’un des mots les plus dangereux en analytique est intéressant.

Si quelqu’un regarde un tableau de bord et dit : «C’est intéressant“, ce qu’ils veulent généralement dire est :

• Je peux voir des modèles
• Je ne suis pas sûr de ce qu’ils impliquent
• Je ne sais pas encore quoi faire

Un tableau de bord intéressant pourrait attirer l’attention. Cela pourrait même susciter des éloges. Mais si ça laisse le public réfléchir “Hmm…” au lieu de “Voici ce que nous devons faire”il a échoué dans sa tâche la plus importante.

Un produit d’analyse performant ne se contente pas d’informer. Il réduit l’incertitude au moment où une décision doit être prise.

L’ingrédient manquant : l’intention de décision

Le vrai problème n’est pas la visualisation. Son intention.

La plupart des tableaux de bord sont construits en commençant par les données :

• De quelles tables disposons-nous ?
• Quelles mesures peut-on calculer ?
• Quelles pannes pourraient être utiles ?

L’analyse décisionnelle commence ailleurs :

• Quelle décision est actuellement bloquée ?
• À qui appartient cette décision ?
• Qu’est-ce qui changerait si nous avions de la clarté ?

Lorsque vous commencez à prendre une décision, tout le reste s’affine :

• Moins de mesures comptent.
• Les visuels deviennent explicatifs et non exploratoires.
• Le rapport développe un point de vue.

Cela ne signifie pas manipuler les données ou cacher des nuances. Cela signifie accepter la responsabilité de guider le public, plutôt que de lui confier l’interprétation.

Pourquoi de meilleurs tableaux de bord ne sont pas la réponse

Lorsque les organisations se rendent compte que leurs tableaux de bord ne conduisent pas à l’action, la réponse habituelle est de créer plus d’eux. Ou les reconstruire. Ou repensez-les.

Mais sans changer de façon de penser, on se retrouve avec des tableaux de bord plus agréables qui ne mènent toujours nulle part.

La contrainte n’est pas Power BI. Ce n’est pas le DAX. Ce n’est pas du mannequinat. La contrainte est que la plupart des équipes n’ont jamais appris à concevoir des analyses autour de décisions plutôt qu’autour de structures de données.

Des tableaux de bord aux outils de décision

C’est exactement l’écart Accélérateur de données est conçu pour répondre.

L’accélérateur n’a pas pour but d’enseigner aux gens comment créer davantage de rapports. Il s’agit en premier lieu de changer la façon dont le travail d’analyse est structuré :

• en commençant par de vraies décisions commerciales
• concevoir des rapports avec un début, un milieu et une fin clairs
• réduire la charge cognitive plutôt que d’ajouter de la complexité visuelle
• transformer les sorties Power BI en outils qui influencent réellement le comportement

Lorsque les équipes adoptent cette approche, quelque chose d’intéressant se produit.

Les réunions changent. Les conversations avancent plus vite. Les décisions deviennent plus claires.

Non pas parce que les données sont différentes, mais parce que les analyses mènent finalement quelque part.

Un test simple pour votre dernier tableau de bord

Si vous souhaitez tester votre propre travail, essayez ceci :

• Quelle décision a-t-il été conçu pour soutenir ?
• Quelle action doit en découler ?
• Deux parties prenantes différentes parviendraient-elles à la même conclusion ?

Si ces réponses ne sont pas évidentes, le tableau de bord n’est pas encore terminé.

Les tableaux de bord ne déterminent pas les décisions.

Mais l’analyse décisionnelle le fait, quand il est conçu exprès de cette façon.

Dans la suite de cette série, j’examinerai pourquoi « plus de données » rend souvent la prise de décision pire, et comment concevoir des analyses qui fonctionnent avec le cerveau humain plutôt que contre lui. Si vous venez me voir pour en parler au groupe d’utilisateurs Power BI de Birmingham le 4 mars, vous pouvez vous inscrire ici

Comprendre les dimensions qui évoluent lentement

Les dimensions à évolution lente (SCD) sont la pierre angulaire de la conception de l’entreposage de données. Ils garantissent que les attributs descriptifs des entités commerciales (clients, produits, employés, emplacements) sont traités correctement lorsqu’ils évoluent au fil du temps. Sans une stratégie claire pour suivre les modifications des données dimensionnelles, les systèmes analytiques perdent un historique précieux ou deviennent incohérents, conduisant à des rapports inexacts.

Dans cet article, nous explorons les principaux types de SCD, ce qu’ils signifient en pratique et comment ils s’intègrent dans une routine typique de chargement de dimensions. Nous examinons également de plus près l’approche la plus couramment utilisée : la dimension à évolution lente de type 2.

Que sont les dimensions qui changent lentement ?

Une dimension « évolue lentement » lorsque ses attributs ne restent pas statiques. Les noms des clients changent, les descriptions de produits évoluent et les structures organisationnelles changent. Un entrepôt de données a besoin d’une stratégie pour gérer ces changements de manière prévisible et vérifiable.

Les types de SCD les plus reconnus comprennent :

• Type 0 : fixe – aucune modification autorisée Un attribut de dimension de type 0 est effectivement en lecture seule. Une fois chargé, cela ne change jamais. Ceci est utile pour les valeurs qui doivent rester liées de manière permanente à l’enregistrement d’origine, telles que la date d’adhésion d’un client ou la catégorie de lancement du produit d’origine.
• Type 1 : Écraser – pas d’historique Le type 1 écrase simplement les anciennes valeurs par les nouvelles. La valeur historique est perdue. Cette approche convient pour corriger des erreurs ou mettre à jour des attributs non critiques tels qu’un format de nom standardisé.
• Type 2 : Ajouter un nouvel enregistrement – historique complet préservé Le type 2 est le cheval de bataille de la modélisation dimensionnelle. Chaque fois qu’un changement se produit, une nouvelle version du dossier est insérée et l’ancienne version est clôturée en utilisant les dates d’entrée en vigueur. Cela préserve un historique complet de l’évolution de l’entité au fil du temps.
• Type 3 : Ajouter une nouvelle colonne – historique limité Ici, l’ancienne valeur est stockée dans une colonne supplémentaire « valeur précédente ». Cela ne donne qu’un aperçu d’un état historique. Ceci est utile lorsque vous avez uniquement besoin de comparer les attributs « actuels » et « antérieurs ».
• Type 4 : Tableau historique – archiver les anciens enregistrements Les anciennes versions sont déplacées vers une table d’historique dédiée. Le tableau actuel reste petit et rapide, tandis que les enregistrements historiques détaillés restent accessibles en cas de besoin.
• Type 5/6 : Approches hybrides Les organisations grandes ou complexes mélangent parfois des techniques, par exemple en combinant des comportements de type 1 et de type 2 pour différents ensembles d’attributs, ou en conservant des versions actuelles et historiques pour des raisons de performances.

Pourquoi le type 2 est le plus courant

La plupart des entrepôts de données du monde réel privilégient les SCD de type 2, en particulier pour les dimensions client, produit et employé. Les entreprises doivent analyser le comportement et les performances en fonction de ce qui était vrai à l’époque et non de ce qui est vrai aujourd’hui. Par exemple:

• À quelle catégorie de produits appartenait cet article au moment de la vente ?
• À quelle adresse résidait le client au moment de l’émission de la facture ?
• À quel service l’employé était-il affecté au début du projet ?

Les SCD de type 2 permettent aux rapports de refléter le contexte historique correct en stockant chaque version de l’enregistrement ainsi qu’une plage de validité.

Un flux de travail de chargement typique de type 2

Une routine de chargement SCD standard de type 2 suit un modèle clair et prévisible. Le processus utilise souvent des colonnes de métadonnées telles que ValidDe, ValidToet un EstActuel drapeau.

Un flux de travail typique ressemble à ceci :

1. Identifier les enregistrements modifiés dans le système source Le pipeline ETL interroge les tables source pour les lignes mises à jour depuis le dernier chargement. Cela se fait généralement à l’aide d’un ModifiedDate ou LastUpdated colonne.
2. Comparez les valeurs entrantes avec les enregistrements de dimension actuels Si aucun attribut n’a changé, ne faites rien. Si un ou plusieurs attributs suivis diffèrent, l’enregistrement en cours est clôturé en définissant son ValidTo date à l’horodatage actuel.
3. Insérez la nouvelle version Une nouvelle ligne est insérée dans la table de dimensions avec les valeurs mises à jour. Le ValidDe est défini sur l’horodatage de chargement, tandis que ValidTo est défini sur une date d’espace réservé élevée (par exemple, 9999-12-31).
4. Suivre l’état du chargement Un tableau de statistiques de chargement ou un tableau de métadonnées enregistre le nombre de lignes traitées, mises à jour ou insérées pendant l’exécution. Ceci est essentiel pour le dépannage et la visibilité opérationnelle.

Le résultat est une table de dimensions qui se comporte comme un enregistrement temporel de l’historique de l’entreprise. Les analystes peuvent reconstruire de manière fiable à quoi ressemblait le monde à tout moment grâce à un simple filtrage basé sur la date.

Pourquoi les SCD sont importants

Les dimensions à évolution lente permettent des analyses temporelles, l’une des principales raisons pour lesquelles les organisations créent des entrepôts de données en premier lieu. Sans SCD, l’analyse historique devient peu fiable. Avec eux, les organisations gagnent :

• Comparaisons précises d’une période à l’autre
• Analyse de tendance fiable
• Confiance dans les pistes d’audit
• Prise en charge d’un reporting réglementaire et financier complet

À mesure que votre entrepôt s’agrandit, il devient essentiel de choisir la bonne stratégie SCD. Comprendre ces modèles et les mettre en œuvre de manière cohérente jette les bases d’un écosystème analytique robuste.

Si vous souhaitez de l’aide pour concevoir ou mettre en œuvre vos modèles dimensionnels ou vos routines de chargement de données, n’hésitez pas à nous contacter et nous pourrons explorer comment appliquer ces modèles dans votre environnement.