DATA_Module 3_Automatisation

Automatisation de production de KPIs

• L’automatisation de production de KPIs peut se faire de plusieurs moyens  :

• Les solutions de Business Intelligence (B.I) qui se démocratisent (Power BI, Qlik Sense, Tableau…).

Power BI

• La programmation, pour des développements de KPIs sur Microsoft avec VBA et sur Google avec Google apps script.

• Gain de temps dans la production, ce qui permet au PMO de passer plus de temps à l’analyse
• Fiabilité des KPIs, l’erreur humaine n’impacte plus la construction des indicateurs

• Temps de développement et coûts de la solution
• Maintenance et évolution réalisé par un expert de la solution sur laquelle l’automatisme a été développé

Inconvénients

Avantages

ETL (Extract Transform Load)

L’objectif de l’ETL est de produire des données propres, faciles d’accès et qui peuvent être exploitées efficacement.

Cette étape consiste à récupérer des données depuis différentes sources (comme des fichiers Excel, bases de données ou applications métiers). On extrait souvent plus de données que nécessaire pour être sûr d’avoir toutes les informations utiles à l’analyse ou au reporting.

C’est l’étape où les données chargées deviennent visuelles et compréhensibles. On les représente sous forme de graphiques, Tableaux de Bord et KPI afin de :

• Mettre en évidence les tendances
• Comparer les performances
• Faciliter la prise de décision rapide

Lors de la transformation, les données brutes sont nettoyées, organisées et mises au bon format pour être exploitables. Cela inclut la suppression des doublons, l’harmonisation des formats ou le tri des colonnes. L’objectif est d’obtenir des données fiables et prêtes à être utilisées pour les rapports ou tableaux de bord.

Charger les données extraites et transformées. Ce sont ces données «nettoyées» qui seront utilisées pour alimenter notre tableau de bord.

Visualize

Extraction

Load (Chargement)

Transformation

L'ETL (Extraction, Transformation, Chargement) est un processus automatisé qui prend les données brutes, extrait l'information nécessaire à l'analyse, la transforme en un format qui peut répondre aux besoins opérationnels et la charge dans un Data Warehouse.

Extraction

Exemple

Dans cet exemple, nous souhaitons créer un tableau de bord pour suivre les notes d’un étudiant.L’étudiant reçoit des notes de différentes matières : mathématiques, histoire-géographie et physique-chimie. "Connais-tu les étapes nécessaires pour arriver au tableau de bord?"

Nous faisons un export mensuel des bulletins de ces trois matières. Cependant, les notations sont différentes selon le professeur.

Transformation des données

Exemple

Pour homogénéiser les données, nous allons devoir les transformer et les automatiser pour les futurs extractactions de bulletins. En utilisant des formules et/ou des tables de correspondances, on peut transformer toutes les notations en notes sur 20 :

• On divise par 5 les notes d’histoire-géographie
• On remplace les appréciations écrites de physique-chimie par des notes :

Ex : « Très bien » = 18/20, « Bien » = 16/20 etc.

• On ajoute la date de l’extraction pour pouvoir historiser et suivre les résultats au fil du temps.

Finalement, on obtient la base de données consolidées suivante

Chargement et visualisation

Exemple

Il ne reste plus qu’à créer nos indicateurs de suivi des résultats de cet étudiant, en se basant sur cette base de données « propre ». Pour les exports des futurs bulletins de note, l’automatisation nous permet de simplement les déposer dans un répertoire prédéfini et d’automatiquement obtenir la base de données finale et les indicateurs à jour.

Moyenne par matière

Evolution mensuelle des notes par matière