Cours
Introduction à Python
4 h
7M
Vous savez à quel point la donnée est un atout majeur pour l’entreprise, à tous les niveaux, qu’il s’agisse d’un membre du comité de direction ou d’un directeur : la donnée joue un rôle clé. Mais disposer d’un volume important de données ne suffit pas à assurer la réussite d’une entreprise si elle n’en extrait pas des informations exploitables.
Ces informations auront un impact direct ou indirect sur le chiffre d’affaires. Pour les faire émerger à partir de masses de données, une plateforme d’analytics est indispensable. Heureusement, le marché regorge de solutions capables de répondre aux besoins des organisations en matière de reporting descriptif, diagnostique et prédictif.
Du point de vue des données, la maturité est déterminante. On peut l’évaluer à travers la présence des éléments suivants :
- Données cohérentes avec l’architecture en place
- Un outil d’entreprise
- Pas de sources multiples qui se chevauchent
- Architecture cloud ou data warehouse on-premise
- Normes de données et spécialistes dédiés
- Analytique prédictive et cas d’usage identifiés
- Considération des données comme un actif financier et intégration avec des composantes d’IA
Plus ces points sont réunis dans une organisation, plus la maturité des données progresse.
La maturité des données avance de pair avec la technologie, l’architecture, l’organisation et la stratégie data.
-
Par technologie, j’entends la manière dont une organisation tire parti des solutions qu’elle a acquises.
-
L’architecture consiste à imbriquer ces technologies pour que les données circulent sans friction.
-
Côté organisation, il est question des personnes qui interagissent avec les données.
-
Améliorations de la stratégie data : la « plomberie » de la gestion de données est vitale pour la haute performance de toute organisation. Des pratiques de gestion des données solides fournissent aux analystes des données pertinentes et structurées, réduisant le temps de préparation. La direction pourra ainsi atteindre ses objectifs d’augmentation de la rentabilité et d’amélioration du ROI grâce à des visualisations et à une représentation compréhensible des données. L’organisation gagnera aussi en performance data et optimisera son stockage.
Après ce point sur les données, parlons plateformes d’analytics. Le marché compte de très nombreuses solutions, il serait illusoire de toutes les couvrir. Concentrons‑nous donc sur quatre acteurs majeurs :
-
Tableau fait figure de référence dès qu’on parle d’analytique visuelle. Ses variantes sont Tableau Desktop, Prep, Online et Server. Chacune permet un certain niveau de BI en libre‑service. Tableau Desktop offre l’une des meilleures plateformes d’analytique visuelle et de Business Intelligence pour obtenir des insights en autonomie. Tableau Prep facilite et accélère la préparation des données en équipe. Tableau Online étend le partage et la collaboration sans serveur dédié. Tableau Server permet de partager les données via des serveurs on‑premise ou dans le cloud. Pour en savoir plus sur la création de tableaux de bord dans Tableau, consultez ce lien.
-
SAP est un nom incontournable parmi les outils d’entreprise, avec des solutions adaptées à des profils d’entreprises variés. SAP a lancé plusieurs produits en analytique : son propre système de Business Warehouse s’intègre très bien au SI et gère de larges volumes de données. Parmi ses sorties récentes : SAP Analytics Cloud et SAP Lumira. SAP a également acquis BusinessObjects, intégré depuis comme sa plateforme d’analytics.
-
Tibco Spotfire est une solution qui adresse de manière très professionnelle l’analytique avancée et la prédiction. Elle se révèle particulièrement puissante sur le volet analytique prédictif. Tibco propose des déploiements on‑premise et cloud, ainsi qu’une architecture préconfigurée et scalable avec une faible charge de maintenance IT.
-
Qlik est réputé pour la création rapide d’applications d’analytique guidée, favorisant l’exploration pilotée par l’utilisateur jusqu’au niveau le plus fin des données. La solution dispose de son propre référentiel et de capacités de traitement in‑memory. Deux variantes : QlikView et Qlik Sense. QlikView est l’outil de construction d’applications BI en version personnelle et entreprise. Qlik Sense est une solution BI de bout en bout, intégrable au cloud.
Ces plateformes disposent chacune de caractéristiques propres. Je vous propose donc une analyse comparative autour de quatre paramètres clés :
- Acquisition des données
- Préparation des données
- Visualisations
- Modélisation prédictive
Le paramètre « acquisition des données » couvre l’import, l’extraction, la connexion et l’accès aux données. En clair, il s’agit de la capacité à se connecter à des sources et services sémantiques variés : SQL, Big Data, services cloud, etc.
Comparons maintenant les outils sur cette fonctionnalité :
Tableau
Avec Tableau, un outil de BI particulièrement puissant, on pense vite à des visualisations impressionnantes et à des explorations, y compris complexes, en un clin d’œil.
Tableau ne dispose pas de son propre référentiel de données : il se connecte à des sources tierces et les traduit en visualisations lisibles et parlantes.
Pour cela, il lui faut des connecteurs vers de nombreuses sources — et il en a. Tableau propose plus de 100 connecteurs et peut se brancher en direct sur des données transactionnelles.
Sur le volet acquisition, il a clairement l’avantage.
SAP
SAP met à disposition plusieurs produits pour l’acquisition des données, jouant une couche intermédiaire vers les visualisations finales. S’agissant de Lumira et d’Analytics Cloud, la plateforme prend en charge plus de 60 sources de données à ce jour, un nombre appelé à croître.
Dans l’écosystème SAP, l’acquisition de données est fluide. Pour des écosystèmes externes, des outils existent pour déplacer les données, mais cela implique du travail et des compétences supplémentaires.
Tibco Spotfire
Spotfire est l’un des outils les plus puissants — parfois complexes — pour l’acquisition. Il propose plus de 40 connecteurs et fonctionne efficacement avec les connecteurs JDBC et ODBC. Il prend en charge le Big Data et des connecteurs cloud qui alimentent la plateforme de manière performante.
Les difficultés surviennent surtout quand un nettoyage des données est nécessaire en amont de l’acquisition.
Qlik
Qlik, parmi les leaders en BI, propose de nombreux connecteurs regroupés par familles. Il dispose de son propre référentiel pour acquérir les données et réaliser l’ETL (extraction, transformation, chargement), ce qui résout une multitude de cas concrets. Les capacités de manipulation de données de Qlik facilitent ensuite grandement leur présentation.
Une fois les données acquises, place à la préparation. C’est la partie ingrate que personne n’aime faire, mais elle est incontournable. Elle englobe la fusion, le nettoyage et la modélisation, jusqu’à un niveau permettant de produire un rapport descriptif avec une simple requête de sélection.
Tableau
Tableau propose un bon éventail de techniques de préparation pour transformer les données en rapports présentables. Vous trouverez les détails dans les sections 2 et 3 de ce tutoriel.
SAP
SAP offre, là encore, différents outils pour préparer les données. Le système BW est suffisamment puissant pour couvrir une large part des besoins. Avec l’arrivée de HANA, la plateforme a gagné une capacité considérable à gérer de gros volumes grâce aux moteurs in‑memory.
Il s’agit toutefois d’un outil distinct, avec des compétences dédiées. Pour un aperçu BI côté SAP, consultez ce lien.
Tibco Spotfire
Les capacités de data wrangling de Spotfire sont très solides, tout comme l’automatisation des modèles, ce qui facilite la préparation incrémentale des données avec une moindre intervention de l’IT.
Par préparation incrémentale, on entend la prise en compte des changements provenant de différentes sources et la mise à jour des données sur cette base. Pour en savoir plus, rendez‑vous ici.
Qlik
Qlik propose des fonctionnalités de préparation comparables à celles de Tableau, appuyées par son moteur in‑memory. Des scripts dédiés peuvent être écrits selon les besoins et appliqués à différents niveaux. Pour un aperçu du scripting utile à la transformation des données, consultez ce lien.
Passons maintenant à la partie la plus enthousiasmante. Nous avons acquis et préparé les données : pour analyser de tels volumes efficacement, il nous faut des visualisations qui font gagner un temps précieux et accélèrent l’identification des problèmes. Une grande partie de l’exploration se fait via les visuels, le reste grâce aux méthodes statistiques. Voyons comment les outils s’en sortent.
Tableau
Tableau propose l’un des catalogues de visualisation les plus riches : comparaisons, distributions, compositions, cartes, etc. Il couvre quasiment tous les besoins et bénéficie d’une communauté reconnue dans le monde entier.
La plateforme regorge aussi d’idées et de ressources pour apprendre. Vous trouverez des graphiques, y compris des créations sur mesure, dans sa vaste galerie. Allez y faire un tour pour découvrir d’excellents graphiques et data stories.
Tableau fait partie des outils certifiés par l’IBCS (International Business Communication Standards), gage de bonnes pratiques de visualisation au service de la communication métier.
SAP
Dans l’arsenal SAP, Lumira est l’outil le plus répandu pour la visualisation. Il couvre l’ensemble des besoins de base, avec des extensions pour adapter les rendus aux exigences spécifiques.
SAP Analytics Cloud a récemment obtenu la certification IBCS et devrait continuer à couvrir l’ensemble des besoins en visualisation.
Tibco Spotfire
Spotfire fournit toutes les fonctionnalités nécessaires de datavis, couvrant l’ensemble des familles de graphiques pour l’analyse visuelle. Ses fonctionnalités avancées permettent d’ajouter des graphiques issus de l’analyse statistique et des formats scientifiques.
Qlik
Qlik est performant en matière de visualisation, couvrant la quasi‑totalité des types de graphiques. Des extensions permettent d’ajouter et de modifier des composants selon les besoins.
Son accès « en un clic » à chaque point de donnée le distingue des autres outils.
Abordons maintenant un terrain où toutes les plateformes d’analytics investissent : l’intégration de fonctionnalités de machine learning. Certaines réussissent très bien, d’autres posent des bases intéressantes.
Voyons ce que cela donne concrètement.
Tableau
Sur l’analytique prédictive, Tableau a amorcé le travail. Des fonctions de prévision basiques sont disponibles.
Au‑delà de ces fonctionnalités, Tableau s’intègre à R et Python, comme détaillé en fin de ce tutoriel.
SAP
SAP propose un outil distinct pour l’analytique prédictive. Il couvre les modèles de base, avec une bonne prise en charge des séries temporelles. Pour les scripts personnalisés à intégrer aux modèles, SAP s’est principalement appuyé sur R.
Pour plus de détails sur la plateforme, rendez‑vous ici.
Tibco Spotfire
Sur le terrain de l’analytique prédictive, Spotfire est en tête. Son intégration des architectures de data science est manifeste.
L’outil requiert des compétences pointues pour comprendre et mettre en œuvre la technologie. Il combine méthodologies de data science et statistiques pour offrir un outil capable de produire de l’analytique prédictive avec un retour sur investissement tangible.
Pour en savoir plus, visitez cette page.
Qlik
Qlik progresse également vers une analytique prédictive de bon niveau. La solution embarque quelques algorithmes de modélisation de base, mais l’écart de compétences pour les exploiter reste un enjeu. Ses efforts d’intégration avec R et Python sont en revanche très appréciables. Qlik permet l’échange de données avec des outils tiers comme R et Python et s’appuie sur son moteur associatif pour accélérer et fiabiliser les transferts.
Un connecteur analytique open source est aussi disponible sur GitHub pour l’intégration avec R et Python.
Voilà pour le tour d’horizon. Le choix d’une plateforme dépendra des priorités de chaque personne ou organisation sur ces différents paramètres.
Si vous souhaitez en savoir plus sur Python, R ou SQL, suivez les cours d’introduction de DataCamp.