D’où proviennent les données et les chiffres mentionnés dans les rapports de business intelligence ? Trop souvent, les utilisateurs de ces systèmes n’ont pas la réponse à cette question. Il existe pourtant un moyen simple pour les rendre plus transparents : les métadonnées. Mais pour cela, ces « données sur les données » doivent être correctement répertoriées et surtout gérées de manière cohérente.

Moins de 10% des top managers affirment disposer de toutes les informations nécessaires au moment de prendre une décision importante. Ce chiffre étonnant, tiré d’un sondage mené en 2007 par l’Economist Intelligence Unit, amène évidemment à se poser des questions quant à l’efficacité des outils de business intelligence.

Le principal problème est que souvent, les utilisateurs de ce type d’outils sont incapables de dire d’où proviennent les données ayant alimenté les rapports produits par le système. C’est particulièrement le cas des logiciels de business intelligence les plus sophistiqués, tels que ceux utilisés par les banques qui vont chercher des données « brutes » dans une multitude de systèmes IT opérationnels pour leur faire subir ensuite un processus complexe d’extraction, de transformation, d’optimisation et d’accumulation. Une partie de ces données est travaillée quasiment en « real time », de telle sorte que le logiciel puisse proposer les actions nécessaires le plus rapidement possible. Généralement, ces données proviennent aussi d’environnements très hétérogènes, ce qui accentue encore la complexité.

En d’autres mots, l’utilisateur d’un outil de business intelligence se trouve souvent dans l’incapacité de répondre à une série de questions de base : quand la dernière mise à jour des données a-t-elle eu lieu ? ces données ont-elles été correctement vérifiées ? quels sont les processus qui ont été mis en œuvre ? y a-t-il eu des erreurs et, si oui, de quel type ? Cela signifie que l’utilisateur n’a fréquemment aucun moyen de retrouver les données mentionnées dans le rapport, et ne peut donc pas s’assurer qu’elles correspondent bel et bien à la réalité.

Pour améliorer la qualité du système et surtout faire en sorte qu’il soit plus transparent, il est impératif de mieux gérer les métadonnées. Ces « données sur les données » décrivent leurs contenus, leurs qualités, ainsi que d’autres types de propriétés, et ce à chaque étape du processus. On distingue trois types de métadonnées : les métadonnées techniques, qui intéressent surtout les développeurs et les gestionnaires de bases de données, les métadonnées business (« volumes de ventes » par exemple), qui s’adressent avant tout aux utilisateurs finaux et aux décisionnaires, et les métadonnées opérationnelles, qui fournissent des informations quant à l’utilisation même du système, et qui sont donc susceptibles d’intéresser tous les types d’usagers.

Si l’on veut faire en sorte d’accroître la qualité et la transparence des informations de type business intelligence, la première chose à faire est d’évaluer correctement toutes ces métadonnées, qu’elles soient techniques, business ou opérationnelles. Il faut s’assurer également qu’il y ait une cohérence entre les différents types de métadonnées. Autrement dit, les règles qui existent au niveau technique doivent pouvoir se retrouver dans les processus au niveau business. Ce n’est que si cette correspondance existe que l’utilisateur pourra avoir confiance dans les chiffres que lui fournit son outil de business intelligence.

L’objectif principal de ce travail d’évaluation des métadonnées doit être de révéler les interdépendances entre les différentes données afin de mieux pouvoir les tracer. En adoptant une telle approche, les personnes décisionnaires, les gestionnaires de data warehouses et l’ensemble des usagers seront en mesure d’identifier beaucoup plus facilement les éventuelles erreurs dans les processus, et éviter ainsi les possibles équivoques.

En traitant les métadonnées comme des données qui peuvent elles aussi être analysées, modélisées et utilisées, comme n’importe quelles données, on fait donc appel à des méthodes de business intelligence pour s’assurer que la business intelligence elle-même soit plus facile et plus transparente à gérer. Mais surtout, on crée une nouvelle relation de confiance entre l’utilisateur et le système.