Est-ce que cette question vous rappelle quelque chose ? Si vous utilisez Web Intelligence, vous pouvez respirer. Il est possible dans les rapports construits à l’aide de cet outil de comparer le résultat d’un rafraîchissement avec le résultat de l’exécution précédente. Même si cette fonctionnalité existe depuis déjà un moment, celle-ci n’est pas très connue des utilisateurs. J’ai donc pensé vous en parler pour que la bonne nouvelle se propage! Voici un rapport que j’ai construit pour l’occasion, qui démontre les ventes totales d’une compagnie fictive pour le mois de janvier.     Pour activer le suivi des modifications, je clique simplement sur l’icône suivante:    Je peux soit faire le suivi par rapport à l’actualisation précédente ou bien à partir des données présentes dans le rapport au moment où le suivi est activé.   Pour voir l’effet du suivi sur mon rapport, je dois simplement rafraîchir mes fournisseurs de données pour obtenir les résultats du mois suivant.   Un ensemble de codes de couleurs vient alors égayer l’affichage. Les cellules surlignées en vert indiquent une augmentation alors que celles en rouge indiquent une baisse.  De plus, les lignes qui ne sont plus présentes sont rayées alors que les nouvelles apparaissent en bleu. Vous ne pouvez pas vous tromper, vos ventes ont diminué ! Même le graphique vous fait des signes désespérés via une icône présente dans le haut à gauche.   En cliquant sur l’icône, le détail des changements dans les données du graphique vous est fourni automatiquement. Que se passe-t-il avec la série « Élégant » ?   Il faut peut-être passer quelques coups de fil pour trouver le coupable ? Si vos recherches sont terminées, vous pouvez désactiver l’affichage du suivi des données. Juste à cliquer sur l’icône suivante . Cette autre icône  par contre, vous permet de modifier les paramètres, au cas où les couleurs ne vous plairaient pas.   Pour compléter mon tour d’horizon du suivi des données, j’aimerais préciser que les images ci-dessus proviennent de la version Xi 3.1. Dans la version 4, cette fonctionnalité est toujours présente, mais avec de petites variantes. Donc, n’hésitez pas à activer le suivi des données dans vos prochains rapports, cela évitera à vos utilisateurs de tout imprimer et de comparer manuellement leurs données, ils vous en seront reconnaissants.

See the original post:
Quels étaient mes chiffres la semaine dernière ? [BusinessObjects Web Intelligence]

We have been hearing of Big Data for several months now with definitions that vary depending on the context. In fact, during my analysis of the subject, I was able to determine that the problems of Big Data are the challenges created by the mass of information generated by the information ecosystem affecting the analytical performance required by the company.   There are possible limitations at the source extraction, data transformation, integration with the MDM layer, response time of the analytical layer and physical limitations of the network levels, among others.   Whether we are talking about appliances (Netezza, SAP HANA, Teradata) or analytical layers (Tableau, Actian) promoting the processing of vast amounts of data, these components do not solve the problem from beginning to end.  Big Data is not a big data warehouse or an analytical tool on steroids – it is more than that. Big Data is not a component from any architecture – it is an issue addressed by an architecture solution specific to the challenges faced by the problem. This difference is slight, but important.   Above all, be careful not to confuse performance problems related to deficient solution architectures that can be solved with existing technology with the challenges of Big Data.   Why now?   You probably already know that the volume of information has been growing exponentially for several years.  As stated by IBM in a paper on Big Data , “Everyday, we create 2.5 quintillion bytes of data – so much that 90% of the data in the world today has been created in the last two years alone”. This becomes more and more real every day with the ever-growing use of data collected by social media and online games as well as the use of WebTV and mobile devices – in short, any data that would allow the creation of a consumer profile for our virtual identity. I am not excluding the other cases that could lead to use of Big Data such as the information environments of large financial firms and retail chains, but the situations that lead to problems related to Big Data in these contexts are rather rare.   As stated by Duncan Steward in “ Deloitte’s 2012 TMT prediction “, Big Data will expand in 2012, mainly for Internet companies and the public, finance, retail and media/entertainment sectors. So there will indeed be a market for Big Data, but it will be very targeted.   A concrete example   In late July 2010, Amazon created an informational link between the recommendations of its site and the data available on Facebook from your profile, your friends, your interests and your country of residence to generate content for your virtual existence. Say it is your friend’s birthday. You may have forgotten about it but not Amazon.  It will suggest a gift for that friend according to his/her interests. Imagine the amount of information that must be collected in order to create an analytical environment allowing an analysis of every Amazon customer and their Facebook links.  Each time a comment is published, a friend “likes” or “dislikes” something or anything else happens, all this information must be indexed and made available for analysis. We are talking about real Big Data.   There are many other examples including CastleVille , a free Facebook game from Zynga, which has already reached 12.5 million players – that is a very large number! The whole business model behind this game is based on using the information available on the players to convince them to buy virtual items to enhance their gaming experience. The producer has every reason to analyze in real time the available information on the players to ensure maximum consumer usage (i.e. purchases and expenses) and a pleasant gaming experience, thus retaining customers and generating revenue.  We are talking about “just in time” BI, supported by an architecture allowing the processing of Big Data.  Both can go hand in hand.   Big Data is not for everyone I have given you some concrete, real examples of Big Data to demonstrate one thing: the trend is real but does not necessarily apply to everyone.  It is important to differentiate between a Big Data issue and a solution architecture issue. The answers required in both cases are quite different. Certainly, there will be more and more players in the world of Big Data looking for solutions to their problems, but remember that the basis of an investment remains its return on investment (tangible or not).  I think it is relevant to recall the spectacular failures of large data warehouse projects back when they were fashionable. The organizational (or analytic) maturity, the added value and the expertise available must all be taken into account prior to the implementation of architecture allowing the processing of Big Data, in order to avoid ending up with a… Big Bertha.

Go here to read the rest:
The Challenges of Big Data

Bonjour à tous,  Le prochain 5 à 7 du groupe LinkedIn Intelligence d’affaires Région de Québec  aura lieu le mercredi 29 février prochain au Ginger, au 3031 Boul. Laurier.  Toutes les personnes ayant de l’intérêt pour l’intelligence d’affaires sont les bienvenues. Parlez-en à vos collègues et amis. Ce 5 à 7 est l’occasion idéale de rencontrer des gens et de partager sur ce sujet qui nous passionne.  Nous vous attendons donc avec impatience. Veuillez s’il vous plaît confirmer votre présence en ajoutant un commentaire à la discussion sur LinkedIn  ou par courriel à  martel.karine@agiledss.com Au plaisir de vous y rencontrer. La réservation est au nom de Karine Martel. 

Excerpt from:
Prochain 5 à 7 du groupe Intelligence d’affaires Région de Québec

Nous entendons parler de Big Data depuis déjà plusieurs mois avec des définitions qui varient selon le contexte.  En fait, selon mon analyse du sujet et en synthétisant le tout, les problématiques du Big Data sont les défis que représente la masse d’information générée par l’écosystème informationnel impactant la performance analytique requise par l’entreprise. Les limitations possibles se trouvent à être au niveau de l’extraction des sources, de la transformation des données, de l’intégration à la couche MDM, du temps réponse de la couche analytique, les limitations physiques du réseau et autres. Que l’on parle d’appliances (Netezza, SAP HANA, Teradata) ou de couches analytiques (Tableau, Actian) favorisant le traitement des masses de données, ces composantes ne règlent pas la problématique principale.  Le Big Data n’est pas un gros entrepôt de données ni un outil analytique sur les stéroïdes, c’est plus que cela. Le Big Data n’est pas une composante d’une architecture, mais une problématique adressée par une architecture de solution propre aux défis rencontrés par la problématique.  Différence subtile et importante. Surtout, attention ici à ne pas confondre les problèmes de performance reliés à des architectures de solution déficientes qui peuvent être résolus avec la technologie existante avec les défis du Big Data.   Pourquoi maintenant?   Vous savez déjà sûrement que le volume d’information est en croissance exponentielle depuis plusieurs années.  Tel que stipulé par IBM dans un papier sur le Big Data , “Everyday, we create 2.5 quintillion bytes of data–so much that 90% of the data in the world today has been created in the last two years alone”. Cette réalité se concrétise davantage avec l’utilisation de plus en plus grande des données récoltées par les médias sociaux, les jeux en ligne, la consommation de WebTv, les terminaux mobiles, bref, toutes données susceptibles de permettre la création d’un profil de consommation de notre identité virtuelle.  Je n’exclus pas ici les autres cas pouvant mener à du Big Data tels que les environnements informationnels de grandes firmes financières ou de grandes chaînes de commerces de détail, mais les situations menant à des problématiques en lien avec le Big Data dans ces contextes, sont plutôt rares.   Tel qu’énoncé par Duncan Steward dans le “ Deloitte ’ s TMT 2012 prediction ”, le Big Data prendra de l’ampleur en 2012 principalement pour les entreprises internet, du secteur public, finances, retail et médias/divertissements. Donc il y aura effectivement un marché pour le Big Data, mais il sera très ciblé.   Un exemple bien concret   En fin juillet 2010, Amazon crée un lien informationnel entre les recommandations de son site et les données disponibles sur Facebook par rapport à votre profil, vos amis, vos intérêts, votre pays de résidence afin de générer du contenu adapté à votre existence virtuelle.  C’est la fête d’un copain, vous l’avez peut-être oublié, mais pas Amazon.  Il vous suggérera un cadeau pour cet ami en fonction de ses intérêts.  Imaginez le volume d’information qui doit être amassé afin de pouvoir créer un environnement analytique permettant une analyse sur chacun des clients Amazon et leurs liens Facebook.  Chaque publication de commentaires, “like or dislike”, événements et autres informations doivent indexées et rendues disponibles pour analyses.  Nous parlons ici de vrai Big Data.   Il y a beaucoup d’autres exemples dont celui de CastleVille , un jeu gratuit Facebook du producteur Zynga ayant déjà accroché 12.5 millions de joueurs… attention, 12.5 MILLIONS!  Tout le modèle d’affaires derrière ce jeu réside dans l’utilisation de l’information disponible sur les joueurs afin de les mener à acheter des items virtuels améliorant leur expérience de jeu. Le producteur a donc tout avantage à analyser en temps réel l’information disponible sur les joueurs afin d’assurer un maximum de consommation (lire achat et dépenses) et une expérience de jeu des plus agréable conservant ainsi sa clientèle et générant du revenu.  Nous parlons ici de “just in time” BI  mais étant supporté par une architecture permettant le traitement du Big Data.  L’un ne va pas nécessairement sans l’autre.   Le Big Data, ce n’est pas pour tout le monde Je vous ai donné quelques exemples concrets et réels de Big Data afin de démontrer une chose, la tendance est bien réelle, mais ne s’applique pas nécessairement à tout un chacun.  Il est important de faire la différence entre un enjeu de Big Data et un enjeu d’architecture de solution.  Les remèdes requis dans les deux cas sont bien différents.  Certes, il y aura de plus en plus de joueurs dans le monde du Big Data qui chercheront des solutions à leurs problèmes, mais n’oubliez pas que la base d’un investissement de la sorte demeure son retour sur investissement (tangible ou non).  Je crois qu’il est pertinent de faire un rappel des échecs retentissants des grands projets d’entrepôt de données lorsque la tendance était à ceux-ci. La maturité organisationnelle (voire analytique), la valeur ajoutée et l’expertise disponible sont toutes des considérations préalables à l’implantation d’architecture permettant le traitement du Big Data, et ce, pour ne pas se retrouver avec une…. Big Bertha.   Photo:  metaroll

Here is the original post:
Les défis du Big Data

On the first blog article in this series, we saw how to overcome the problem of selecting / deselecting rows in a scorecard on Xcelcius with a very simple example. What should be done when the number of rows returned in scorecards is unknown? This article aims to show you how to overcome this problem. First, here is what we want to get. We want to provide the ability for users to select only the rows displayed in the scorecard, based on information that is returned by the latter. For example, for a single scorecard:     For the first scenario, six rows can be selected by the user.                 For the second scenario, we want the user to select three rows.                     Finally, five rows will be selected in the last scenario.                     Step 1:   To achieve this, we must initially create a scorecard and put a list box on top. Then, create a Label Based Menu, which indicates the position of the selection in the Excel sheet.   Since for the same scorecard, several sets of values ​​can be displayed, you must have a predetermined range of movement in the Excel sheet. This range should contain at least the maximum number of rows to display in the scorecard.   As for our example, we have chosen to directly integrate the three different scenarios in the Excel sheet. Note that the data could also be returned through a Web Intelligence report, which would give the same result.           Step 2: The second step is to create formulas in the Excel spreadsheet so that data is reported against the selection of the tab corresponding to the user’s choice.   Here is the formula to move the data:   While this formula seems complicated, it is actually quite simple. Depending on the selection of the scenario (“Position of the label-based menu” 1, 2 or 3), it moves the value in the cell corresponding to different scenarios, if indeed there is a value, otherwise it returns nothing. Step 3: This step will allow the list box to display only the required number of rows. You must create a set of cells with the following formula: = IF (CELL “”,”.”,”")       This is reflected in our example: If cell L4 (the first cell in the range of movement) contains something, then put a period, otherwise leave it empty. Then it comes to defining the labels of the list box with the values that have ​​previously been created.   To complete this step, it is very important that you check the option “Ignore empty cells” at the end of the series.       This option allows the list box to select the number of lines corresponding to the data.     Step 4:     Simply adjust the list box perfectly on the scorecard to make sure the “.” is not visible. Finally, adjust the color of labels and the background to create the illusion of the perfect selection. It has to be noted that the solutions shown in this series of blog articles are not foolproof. For example, as components overlap, do not forget to check the display on different screen resolutions before publishing the dashboard. Finally, do not hesitate to use creativity in the development of your Xcelsius dashboards, it will reward you well!  

Continued here:
Xcelcius: How to Solve Scorecard Interactivity Issues – Part 2

Tendance incontournable depuis quelques années, l’informatique dans les nuages ( Cloud Computing ) est une offre qui se définit peu à peu autant pour les PME que les grandes entreprises. L’intelligence d’affaires n’est pas épargnée par cette vague de nouveautés. Mais qu’en est-il réellement aujourd’hui ? Quelle est la maturité des solutions de Cloud BI ?   Ce premier d’une série de deux articles traite de l’état actuel et des tendances du Cloud Computing ainsi que du Cloud BI. Le second article identifiera les freins à l’adoption des technologies du Cloud BI et présentera des recommandations face aux offres.   Le Cloud BI, c’est quoi? Tel que le montre cette recherche sur “Google Trend”, le terme Cloud computing commence à connaître un engouement dès la fin de 2007. De nos jours, ce sujet est toujours d’autant plus d’actualité.           A : Google looks to be ‘cloud-computing’ rainmaker for other online business services ;  B: Microsoft’s Top Software Architect, a Cloud Computing Advocate, Quits ; C : Cloud computing ‘could give EU 763bn-euro boost’ ; D : Technology expo in Germany harnesses ‘cloud computing’ ; E : Local IT firm unveils cloud computing services ; F : Domestic cloud computing estimated to grow at 53 Study   Tel que le démontre le “Hype-cycle” de juillet 2011 de Gartner (ci-dessous), les technologies de Cloud ont dépassé la pointe des “attentes démesurées” pour maintenant tendre vers  le “creux de la désillusion”. Dans des termes plus simples, cela montre que peu à peu ce type de technologie commence à gagner en maturité. Fini le temps ou les solutions  cloud étaient le remède à tous les maux des départements TI, et bienvenue aux études de cas montrant l’échec du Cloud, la mise à jour des pratiques et facteurs de réussite.     Les différents acteurs du marché des technologies s’entendent à définir qu’une solution “cloud” doit répondre aux attributs suivants :   Public ou privé Sur demande Accessible par le réseau, idéalement multi-plateformes Centralisation des ressources Élastique à la demande Paiement à la consommation   Le Cloud Computing va impacter les organisations et leur département TI autant dans leur façon de faire que dans leur façon de penser. Celui-ci n’influencera pas seulement les architectures des solutions TI, mais aussi les habitudes des organisations à utiliser des technologies. Les possibilités offertes par le cloud computing devraient aussi révolutionner les processus des choix technologies, de gestion des technologies, etc.   Imaginez résoudre une problématique organisationnelle sans vous soucier des ressources matérielles nécessaires ou sans vous soucier de la disponibilité d’une application ou de l’implantation que celle-ci requiert. Autant de possibilités qu’offre le Cloud computing.   Le Cloud BI, c’est l’utilisation des technologies de Cloud computing aux fins du BI. Actuellement dans le marché, les solutions BI Cloud sont définies principalement pour répondre, entre autres, à trois types de besoins :   Outils BI : offrant ainsi aux organisations la possibilité d’utiliser des outils BI sans pour autant se préoccuper des ressources disponibles, de l’implantation et de la maintenance des logiciels. Ce type de solution peut tout aussi bien être connectée a un entrepôt de données interne à l’organisation ou dans le Cloud. Cadre de développement : Les offres Cloud visent à offrir des solutions préconstruites. Elles sont des accélérateurs de développement, réducteur du temps d’implantation. Le tout maximisant ainsi le retour sur investissement. “Sandbox” :  les solutions cloud peuvent être un choix judicieux pour les preuves de concept, le prototypage ou pour répondre à des besoins ponctuels de projet à court terme.     La taille d’une organisation va influencer sur l’utilisation des solutions Cloud BI. Il semblerait que les petites et moyennes organisations soient plus prédisposées à utiliser les solutions de cloud BI comme outils BI ou solution de mobile BI. D’autre part, les grandes organisations utilisent plus les solutions de cloud BI comme solution BI organisationnelle ou comme “sandbox” pour des projets.     Exemple improbable ? Certaines entreprises on déjà pris le virage du Cloud BI. C’est le cas de AutoZone , vendeur de pièces automobiles aux États-Unis au début de l’année 2011. Avec 4000 points de vente, il est difficile d’intégrer l’ensemble des données pouvant être utilisées à différentes analyses. Et pourtant le besoin d’implanter du BI s’est fait ressentir dans un moment ou plusieurs projets critiques se déroulait et où les budgets étaient déjà alloués. C’est alors que l’équipe TI d’AutoZone s’est tournée vers une solution Cloud BI. Intégration des différents magasins, aucune installation TI particulière à mettre en oeuvre, et un accès rapide aux données.   Mot de la fin   Il est indéniable qu’il y a une place pour l’utilisation de solutions Cloud BI au sein des organisations. Et pourtant, malgré tous les avantages que le Cloud Computing peut apporter, on observe une forte résistance à son adoption. Cela est d’autant plus vrai pour l’aspect BI du Cloud. Dans notre prochain billet, nous analyserons quels sont les freins au cloud BI et présenterons des recommandations qui pourraient vous aider, si vous souhaitez vous orienter vers ce type de technologie.   Photo: akakumo

Read the original:
Le Cloud BI : le point sur le prochain bouleversement technologique – Partie 1 de 2

C’est avec plaisir que nous annonçons que Martin Bérubé, président d’agileDSS et Charles-Étienne Lavoie, Directeur de solutions tableaux de bord, sont maintenant chargés de cours à l’Université de Sherbrooke pour le programme Stratégie de l’intelligence d’affaires.   Martin enseignera un cours intitulé Structuration et Analyse Multidimensionnelle . Fondateur d’agileDSS, Martin possède quinze ans d’expérience dans l’architecture d’entrepôts de données, et est un entrepreneur qui a fait ses preuves. Sa force, démontrée par une grande expérience avec des clients de grande et moyenne taille, est la mise en place d’entrepôts de données et de solutions en intelligence d’affaires de façon rentable et efficace. Martin est également l’architecte au cœur d’ agileWORKFLOW , un outil d`intégration et automatisation de processus moderne adapté aux environnements hétérogènes d`aujourd’hui. Martin est très favorable au partage de connaissances. Il s’intéresse beaucoup aux processus d’automatisation TI et a d’ailleurs écrit un article sur le sujet pour la publication Business Management (en anglais).   Charles-Étienne enseignera pour sa part un cours intitulé Information Décisionnelle et Tableaux de Bord. Charles-Étienne est un dirigeant d’équipe avec une excellente capacité de compromis, de communication, d’innovation et de vente. Ses diverses interventions à plusieurs niveaux de l’échelle corporative aide à développer sa vision macro/micro, allant du niveau strategique au niveau conceptuel, lui permettant de trouver des solutions innovatrices.   Cliquez ici pour voir les articles de blogue écrits par Charles. Suivez leur parcours sur le groupe LinkedIn du programme Stratégie de l ’ intelligence d ’ affaires de l ’ Université de Sherbrooke .   Etes-vous favorables au partage de connaissances tout autant que nous? N’hésitez pas à nous faire part de vos commentaires ci-bas.   -L’équipe d’agileDSS

Read more here:
Les nouveaux cours A+ de Martin et Charles-Étienne d’agileDSS

Dans le blogue précédent, nous avons regardé les problèmes de désalignement qui affligent les tableaux de bord contenant des composantes graphiques superposées à d’autres composantes. Nous allons maintenant voir comment régler le problème des graphiques superposés Dans le graphique ci-dessous, les sparkline sous la colonne ‘Trend’ correspondent aux indicateurs KPI à KPI 3 respectivement.           Malheureusement, étant donné que les composantes Scorecard de Xcelsius ne permettent pas d’inclure une composante graphique, nous devons contourner ce problème en laissant une colonne de libre dans le scorecard et en superposant les graphiques désirés par-dessus les espaces vides. Ce n’est pas élégant, mais en développement ça fait illusion. Cependant, quand le tableau de bord est publié et affiché sur une résolution différente de celle de laquelle il a été développé, la superposition commence à montrer des déficiences. Il y a plusieurs facteurs qui peuvent faire que le tableau de bord n’est pas affiché avec la résolution pour laquelle il a été développé: Numéro de version du fureteur Barres de navigation qui sont utilisées ou affichées Extensions utilisées (Barre Yahoo, Google) Mode plein écran Tous ces facteurs grugent sur la superficie qui est allouée au tableau de bord. Je vous révèle donc ici un secret: La résolution spécifiée dans le tableau de bord est rarement celle à laquelle le tableau de bord est affiché . La superposition des graphiques par dessus le scorecard est donc une solution extrêmement fragile. Pour régler le problème, il faudrait avoir un scorecard dans lequel on peut intégrer les graphiques au lieu de les superposer. Étant donné que la composante native d’Xcelsius ne permet pas cette possibilité, il faut aller avec une tierce partie. Il y a effectivement un écosystème d’organisations qui produisent des composantes pour augmenter les fonctionnalités d’Xcelsius. Parmi ceux-là, la composante Datagrid d’ Inovista permet de réaliser cette fonctionnalité. Ces composantes sont faites par des partenaires de SAP et sont compatibles avec BO XI 3.1 ainsi qu’avec le tout nouveau BO 4 . Avec cette fonctionnalité, on peut développer une solution dans laquelle les composantes graphiques vont s’étirer ou se réduire gracieusement, peu importe la taille de l’écran qui leur a été allouée. Dans le prochain blogue, nous couvrirons les Business Intelligence Web Services (BIWS), qui permettent de gérer le volume de données traité dans le tableau de bord.    Photo:  thoothulee

Read more here:
Nos solutions aux limites d’Xcelsius, 2e partie – Les graphiques superposés

There are several factors that favor  SAP Xcelsius , the SAP BusinessObjects suite’s visualization tool:   it is easy to use the result is attractive there are a number of output formats. However, when we do implementations in businesses, we find that there are certain elements that Xcelsius does a little less well. Fortunately, there are ways to overcome these shortcomings and to continue using this great tool.   But what are those limits and how can they be addressed?   The first is related to the alignment of the components when we use a resolution different from the one for which the panel has been created. The second concerns the performance degradation when the data volume begins to increase. Both problems have solutions. We will further explore the first issue in this blog article and the next. We will address the issue of volume in the last article of this series. One of the most popular components of Xcelsius 2008 is the scorecard component. This component allows you to display data in a more or less similar way to an Excel spreadsheet. It can also display alerts that are relevant to the data displayed. But what happens if you also want to see a graph relevant to the data that’s attached to this model? Currently, we are forced to overlay graphics on the scorecard component. Unfortunately, with the proliferation of display advertising, there are many windows through which one can view the contents of the visualization, and they all have different resolutions. The dashboard is compressed when it is displayed on a medium with a screen resolution lower than the one for which it was created. Worse, when it is displayed using a higher screen resolution, the dashboard is stretched and that’s where the shoe pinches.   The data of the scorecard will stretch to fit the new resolution, but the superimposed graphics won’t be, and there will be a gap between the two.   What to do when faced with this problem?   Unfortunately, Xcelcius offers no elegant solution to this problem. You will need to try another option that we will explore in a future blog article. Until then, good dashboarding!   Photo: thoothulee

Follow this link:
Our solutions for Xcelcius’ shortcomings

Dans l ‘ article précédent ( Partie I ) , nous avons défini certains indicateurs clés qu’un individu orienté conditionnement physique pourrait utiliser sur un tableau de bord. Nous avons établi les indicateurs clés suivants:   % de gras corporel Poids total   Nous avons ensuite exposé les relations entre les deux et comment ils avaient besoin d’être maximisés.   Maintenant nous allons définir les autres conducteurs et comment ils pourraient être utilisés pour piloter les autres axes d’analyse à l’intérieur du tableau de bord. Ce sont des «Axes de progrès”.   Il est utile de noter que ce tableau de bord se fait sans la notion de concurrence contre les autres entités, comme ceux trouvés dans les entreprises concurrentes. Il est plus approprié ici de parler d’un scorecard, qui mesure le progrès et les réalisations contre un objectif.   Maintenant que nous avons établi les indicateurs clés, nous allons descendre sous la surface et essayer de trouver quels sont les facteurs de succès liés à la réalisation de notre objectif. Nous devons également trouver les facteurs clés qui influent sur les indicateurs choisis. Il n’y a pas de méthode spécifique que j’utilise ici, puisque je les connais intuitivement,  il y a aussi l’expérience qui joue un rôle important. Dans une situation réaliste, ce travail serait fait à l’intérieur d’ateliers avec les entreprises SME ( Subject Matter Experts – les spécialistes métier). Certains indicateurs pourraient être dérivés d’autres, de sorte qu’ils devront être ignorés. En outre, des outils statistiques comme SPSS Clementine ou SAP HANA Affinity Module peuvent aider à trouver et à établir une corrélation entre les paramètres.   Voici quelques mesures en lien avec le cas de l’échantillon: ●         Motivation ●         Fréquence des visites au gymnase ●         Durée des séances d’entraînement ●         Heures de sommeil ●         Apport nutritionnel Pourcentage d’adhésion au programme nutritionnel (% ANP) ●         Les mensurations corporelles   À la lecture de cette liste, on peut rapidement identifier des mesures. Il est parfaitement normal d’avoir des métriques qualitatives parmi celles-ci.   ●         Motivation: échelle de 1 à 10, entrée quotidienne ●         Fréquence des visites au gymnase: Nombre de visites par semaine ●         Longueur: Temps en minutes d’entraînement par semaine ●         Heures de sommeil vs Heures par jour ●         Apport nutritionnel: calories, protéines, glucides et lipides par jour ●         Pourcentage d’adhésion au programme nutritionnel (% ANP):% par semaine ●         Les mensurations: Les mesures qualitatives par semaine   Ces indicateurs sont à la traîne, car ils examinent le passé, mais certains comme la motivation et l’apport nutritionnel peuvent être utilisés pour prédire les résultats futurs. Par exemple, manger de la malbouffe un soir tout en ayant bien mangé pendant 10 semaines ne pourrait probablement pas entraver le progrès. Ils créent une dynamique et sont la clé pour prédire la réussite. Pour trouver des indicateurs prédictifs, nous pourrions examiner la probabilité de faire des heures supplémentaires au travail, ce qui peut diminuer la fréquence de visites au gym. Nous aimerions regarder le nombre de déjeuners d’affaires prévus ce mois-ci, qui entravent le plan nutritionnel. Ceux-ci peuvent être poussés très loin, mais je peux dire par expérience qu’ils se produisent! C’est pourquoi qu’avec l’aide d’un spécialiste métier, il est important de trouver ces relations cachées.   Comme exercice mental, imaginez que votre corps tout entier est un immeuble de bureaux. Le PDG au sommet se penche sur les corps gras et le pourcentage du poids corporel total. Chaque étage est un département dédié à un processus de conduite des indicateurs. Un étage est occupé à assurer la qualité et la durée de votre sommeil, l’autre est occupé à garder constantes les visites au gymnase, les autres préparant vos repas et vous assurant de répondre à vos exigences pour le régime. On les appelle les mesures tactiques.   En approfondissant, en regardant le travail de chaque département, nous verrions le Département nutritionnel faire la liste de tous les produits alimentaires que vous consommez chaque jour, dans une feuille de calcul géante. Ce sont vos données opérationnelles; l’artefact atomique clé qui pilote le processus. Cette liste constituerait les rapports détaillés que l’analyse de tableaux de bord examinerait pour déterminer un problème. La prochaine étape serait de dresser la liste des informations individuelles détaillées nécessaires pour comprendre la métrique, c’est-à-dire trouver la plus faible granularité pour pouvoir bien comprendre la métrique. L’astuce est de continuer à creuser jusqu’à ce qu’on arrive à une unité de processus que vous pouvez rendre plus efficace par des actions concrètes.   La prochaine étape est de voir s’il ya des relations entre les paramètres. D’emblée, nous pouvons voir que la motivation et la %ANP affectent d’autres métriques. De plus, %ANP est susceptible d’affecter le programme nutritionnel. Nous pouvons avoir le meilleur régime au monde, mais s’y conformer à seulement 50% freine le processus. Dans ce cas, je m’assurerais d’illustrer visuellement les deux ensemble.   En résumé, nous avons établi ce qui suit: ●         Trouver l’axe de progrès; en décomposant les indicateurs stratégiques pour en faire des indicateurs tactiques ●         Trouver les informations détaillées derrière les indicateurs ●         Trouver des relations entre les indicateurs   Notez qu’il y a une relation détachée entre les indicateurs stratégiques et les tactiques. Le système est vaguement lié, car on ne peut savoir si les pilotes tactiques sont correctement réglés si les pilotes stratégiques vont dans la bonne direction. Vous pourriez avoir un excellent indicateur de programme nutritionnel, mais si le pourcentage de graisse ne baisse pas, vous devrez changer les références de l’indicateur, comme passer de 2300 calories à 2000. Suivre de près l’objectif final, les indicateurs stratégiques, tout en forçant l’adoption de ceux tactiques, c’est ce que nous appelons un processus empirique. Inspectez et adaptez.   La prochaine étape sera de revenir aux indicateurs et essayer de définir plus clairement les indicateurs clés afin d’assigner des repères, des alertes et la visualisation qui vous aideront à comprendre le progrès et transformer les données en informations.   On ne lâche pas, soldat!

Read the original:
Le sport, c’est les maths – Partie II