Analytique opérationnelle

Qu'est-ce que l'analyse opérationnelle ?

L'analytique opérationnelle utilise des données en temps réel provenant des systèmes opérationnels pour guider l'action la plus immédiate et la plus appropriée face à n'importe quelle situation commerciale. Les données utilisées pour l'analytique opérationnelle proviennent généralement de systèmes d'entreprise tels que les systèmes de point de vente (POS), les systèmes de planification des ressources d'entreprise (ERP), les systèmes de l'Internet des objets (IoT) et les systèmes de gestion de la relation client (CRM).

L'analyse opérationnelle diffère de l'analyse décisionnelle, qui utilise des informations historiques et des algorithmes complexes pour produire des rapports périodiques destinés à la prise de décision stratégique. En revanche, l'analyse opérationnelle met les informations à la disposition des utilisateurs professionnels en temps réel afin qu'ils puissent les utiliser pour prendre des décisions plus rapidement et agir immédiatement pour un impact maximal.

En raison de son accent sur l'immédiateté, l'analytique opérationnelle peut aider à améliorer tout processus où l'information arrive rapidement et les données changent promptement. De tels processus incluent le support client, le marchandisage de détail, la fabrication industrielle, le développement agile, et bien d'autres.

Cette page couvre :

• Pourquoi l'analyse opérationnelle est-elle importante ?
• Cas d'utilisation pour l'analyse opérationnelle
• Avantages de l'analytique opérationnelle
• Défis de l'analyse opérationnelle
• Couchbase Capella pour l'analyse opérationnelle
• L'avantage Couchbase Capella

Pourquoi l'analyse opérationnelle est-elle importante ?

L'analytique opérationnelle est conçue pour aider les organisations à prendre des décisions plus rapides grâce à la conscience situationnelle. Elle permet aux employés d'utiliser les données des systèmes d'entreprise pour répondre plus efficacement aux événements en temps réel.

Par exemple, dans un centre d’appels de service, un agent du service client peut mieux déterminer comment traiter la demande d’un client s’il connaît ses données démographiques, l’état de son compte, ses précédents dossiers d’assistance, ses achats antérieurs et sa localisation géographique. Ces informations, consultées lors d’une interaction en direct, peuvent indiquer à l’agent la meilleure stratégie de réponse à adopter. Le client est-il titulaire d’un compte de niveau « Gold » ? Dans ce cas, il bénéficie d’un traitement préférentiel dans la file d’attente. A-t-il déjà contacté le service client à ce sujet via d’autres canaux ? S’il en est ainsi, il est plus susceptible d’être insatisfait ; il est donc préférable de faire remonter le dossier de manière proactive. En réduisant au minimum le temps nécessaire à l’analyse des données, l’analyse opérationnelle aide une organisation à prendre rapidement les mesures appropriées et atténue les problèmes causés par un manque d’informations.

Dans de nombreux cas, l'analyse prédictive est utilisée pour améliorer l'analyse opérationnelle en prédisant les résultats probables sur la base de données. Par exemple, dans le scénario du centre d'appels, un algorithme prédictif pourrait évaluer la probabilité qu'un appelant achète une mise à niveau en fonction de son statut de compte, de son âge, de son historique d'achats et de sa localisation. L'algorithme pourrait également recommander une offre à faire par l'agent en temps réel.

Cas d'utilisation pour l'analyse opérationnelle

L'analyse opérationnelle peut s'appliquer à pratiquement tous les processus métier complexes ou dynamiques reposant sur des données. Parmi les cas d'utilisation courants, on peut citer :

• Support client
• Risque de fraude et détection
• Vente croisée / Vente incitative au point de vente au détail
• Maintenance prédictive
• Optimisation de campagne marketing
• Gestion de la chaîne d'approvisionnement
• Optimisation des ateliers de production
• Gestion de flotte
• Soins aux patients hospitalisés

Avantages de l'analytique opérationnelle

La capacité d'utiliser des informations opérationnelles pertinentes en temps réel peut être bénéfique pour l'entreprise de diverses manières.

Engagement client amélioré
Partant du principe que les clients réagissent positivement à un service hautement personnalisé, de nombreuses entreprises ont recours à l’analyse opérationnelle pour leurs processus en contact avec la clientèle, ce qui permet de guider les collaborateurs tout au long des différentes étapes de l’interaction. Proposer des offres et des recommandations en fonction du profil spécifique d’un client facilite la vente incitative auprès de ce dernier et favorise sa fidélisation. En analysant les données opérationnelles en temps réel, une entreprise peut également détecter les problèmes à l’origine de l’insatisfaction des clients et prendre des mesures correctives avant que ceux-ci ne soient affectés.

Processus commerciaux améliorés
En surveillant et en analysant l'état des systèmes commerciaux critiques pendant leur fonctionnement, une organisation peut détecter et corriger les problèmes avant qu'ils ne deviennent problématiques. Par exemple, une organisation peut résoudre des problèmes de maintenance sur une chaîne de montage à grande vitesse avant qu'ils n'entraînent une panne d'équipement et des temps d'arrêt coûteux.

Productivité accrue
L'utilisation de données en temps réel dans le cadre d'un processus opérationnel peut éliminer la nécessité de recueillir ces informations manuellement. De plus, en obtenant un aperçu rapide des problèmes potentiels, une organisation peut atténuer les problèmes de manière proactive, assurer le bon fonctionnement des processus et maximiser la disponibilité.

Mise en œuvre plus rapide
En raison de son accent sur la fourniture d'informations dans l'instant présent, l'analyse opérationnelle offre une conscience situationnelle essentielle qui permet à une organisation de prendre immédiatement l'action la plus bénéfique. En comparaison, l'analyse historique traditionnelle a moins d'impact car elle retarde l'action à un moment ultérieur.

Défis de l'analyse opérationnelle

Le parcours vers une analyse opérationnelle réussie peut s'avérer délicat, car l'accès aux données provenant de multiples systèmes d'entreprise pour une analyse en temps réel présente des défis importants.

Analyser des données sans impacter les charges de travail opérationnelles
L'analytique opérationnelle nécessite des données provenant de systèmes essentiels au bon fonctionnement de l'entreprise. Par exemple, vous avez besoin de votre système de point de vente (POS) pour traiter les transactions rapidement et avec précision. Mais, si vous exécutez également des algorithmes d'analyse sur les données en plus de chaque transaction, vous risquez de surcharger le système, de le ralentir et de provoquer des problèmes ou une panne. Vous avez besoin d'un moyen d'analyser les données opérationnelles sans impacter les performances des systèmes qui les produisent et les utilisent.

Accès en temps réel aux données opérationnelles
Pour consolider plusieurs sources de données et minimiser l'impact sur les charges de travail opérationnelles, de nombreuses organisations utilisent des processus ETL (extraction, transformation et chargement) qui déplacent les données vers un entrepôt de données où elles sont analysées. Bien que cette technique puisse être utile pour isoler les charges de travail analytiques et réduire l'impact sur les systèmes opérationnels, elle retarde considérablement l'obtention d'informations. Les routines ETL doivent être développées avec soin pour maintenir la qualité des données pendant le transfert, et leur exécution peut prendre des jours, voire des semaines. Ce qu'il faut, c'est un moyen d'analyser les données opérationnelles sur place, sans les délais liés à leur transfert vers un autre système.

Transformer les idées en action
Alors que l'analytique excelle généralement à clarifier ce qui s'est déjà produit, l'un des grands objectifs de l'analytique opérationnelle est de recommander la marche à suivre. L'ajout de capacités prédictives à la charge de travail analytique nécessite souvent l'intégration d'une autre technologie. Cependant, une technologie supplémentaire rend l'environnement plus complexe et sujet aux retards. Ce qu'il faut, c' avec un moyen d'incorporer des prédictions et des recommandations dans l'analytique sans compliquer la pile technologique.

Couchbase Capella pour l'analyse opérationnelle

Couchbase Capella est une Base de données en tant que service (DBaaS) de type NoSQL distribuée, native pour le cloud, qui combine plusieurs modèles de base de données en une seule technologie. Ses fonctionnalités comprennent :

• Traitement des données clé-valeur en mémoire pour une réactivité ultra-rapide
• Stockage distribué de données de documents JSON pour plus de flexibilité et de résilience
• Support mobile et IoT
• Prise en charge des requêtes SQL
• Recherche plein texte
• Concours complet

L'une des caractéristiques les plus uniques de Couchbase Capella est son service d'analytique intégré.

Couchbase Analytics – Isoler les charges de travail opérationnelles et analytiques sans déplacement de données

Couchbase Analytics est une capacité de gestion de données parallèles pour Couchbase Capella qui utilise une architecture de traitement massivement parallèle (MPP) pour fournir des analyses à la vitesse des transactions. Couchbase Analytics est particulièrement adapté à l'exécution de requêtes volumineuses et complexes impliquant des agrégations de données sur de grandes quantités de données.

Le service d'analytique crée automatiquement une copie miroir des données opérationnelles stockées dans Couchbase Capella, en l'isolant spécifiquement pour l'analyse. Couchbase Analytics peut également extraire des données d'AWS S3 et d'Azure Blob Storage. Les données du service d'analytique étant intrinsèquement et automatiquement liées aux données opérationnelles, les modifications apportées aux données opérationnelles se répercutent en temps réel dans les données analytiques. Et comme la copie miroir des données est isolée, vous pouvez interroger les données du service d'analytique sans impacter les charges de travail opérationnelles.

Pour en savoir plus sur Couchbase Capella Analytics, consultez cet article de blog.

Couchbase Analytics prend également en charge fonctions définies par l'utilisateur (UDF), qui vous permettent d'exploiter des algorithmes de machine learning pour tirer des informations puissantes des données. Avec les UDF, les modèles de ML entraînés sont appelés comme des fonctions dans des requêtes d'analyse qui peuvent évaluer les données opérationnelles et renvoyer des prédictions qui sont ajoutées au résultat.

En savoir plus sur les UDF d'analyse Couchbase pour l'analyse prédictive ici.

Avantages de Couchbase Capella pour l'analytique opérationnelle

Isolation des charges de travail
La latence et le débit des requêtes opérationnelles sont protégés contre les ralentissements provoqués par la charge de travail des requêtes analytiques. Capella y parvient sans la complexité liée à l'exploitation d'une base de données analytique distincte.

Les données sont toujours à jour et aucun ETL n'est requis
Couchbase Analytics utilise DCP (protocole de modification de base de données), un protocole rapide de mémoire à mémoire que les nœuds Couchbase Capella utilisent pour synchroniser les données. Par conséquent, Couchbase Analytics fonctionne sur des données extrêmement récentes sans ETL.

Modèle de données commun
Couchbase Analytics prend en charge de manière native le même modèle de données de documents riche et à schéma flexible que celui utilisé pour vos données opérationnelles dans Capella. Vous n'avez pas besoin de forcer vos données dans un modèle relationnel plat et prédéfini pour les analyser.

L'avantage Couchbase Capella

Avec Couchbase Capella et le service d'analytique, votre organisation peut bénéficier du meilleur des deux mondes : une plateforme de données opérationnelles évolutive et résiliente, ainsi qu'une plateforme d'analytique rapide et puissante. Capella combine les deux en un seul système qui consomme moins d'infrastructure et nécessite moins de copies de données, ce qui se traduit par une réduire le coût total de possession.

• Voyez comment Domino’s Pizza utilise Couchbase Analytics pour des analyses opérationnelles en temps réel afin d'améliorer le marketing client.
• En savoir plus sur Couchbase Analytics dans ce fiche technique.
• Découvrez le Documentation de Couchbase Analytics.
• Essayez Couchbase Capella gratuitement.