Challenge
Comme on peut s’y attendre, la BI et l’analyse de données suivent des processus similaires de collecte de données, d’analyse de ces dernières et de fourniture d’informations. L’étape de la collecte des données, en particulier, est cruciale, car pour obtenir les meilleurs résultats, il faut s’assurer que les informations recueillies sont complètes et exemptes d’erreurs.
Ces deux termes impliquent également l’établissement de rapports. Cela signifie que les données sont organisées et présentées de manière à pouvoir être visualisées. Bien que les chiffres bruts soient importants, c’est lorsque les données deviennent visuelles qu’elles commencent vraiment à démontrer leur valeur, en facilitant la découverte d’idées et l’action.
La business intelligence et le data analytics peuvent également identifier les domaines dans lesquels les entreprises échouent ou, du moins, ne fonctionnent pas de manière optimale. En d’autres termes, elles utilisent les données qu’elles collectent pour montrer où se trouvent les points sensibles, ce qui permet aux organisations d’avoir une meilleure vision des domaines dans lesquels elles peuvent échouer.
Si la BI et le data analytics impliquent toutes deux l’utilisation des données pour découvrir des informations qui profiteront à l’entreprise, il convient d’énoncer une différence majeure. En termes simples, la business intelligence traite du présent, tandis que l’analyse de données est davantage axée sur l’avenir.
Comment mettre à profit ces analyses dans un contexte budgétaire tendu et avec des normes de qualité en constante évolution ?
Solution
Avec Power BI de Microsoft https://powerbi.microsoft.com/fr-fr/ MLS a permis à son client qui est une Spitex publique de fournir des données à chaque commune qui finance ses activités, l’état de la rentabilité de ses prestations, réparties par type et incluant l’impact des déplacements.
Ces derniers sont optimisés par un système de planification automatisé qui prend en compte différents critères, dont la distance, dans l’allocation des ressources.
Sur base d’outils Python, https://www.python.org/ MLS a produit des modèles prédictifs pour une Spitex qui souhaitait concentrer sa prévention sur le thème des risques de chutes.
L’analyse des données a permis de déterminer que la corrélation entre les alarmes standard et les chutes étaient très faible par rapport à ce qu’on aurait pu supposer.
Dès lors, l’analyse a été inversée en se basant sur les cas réels et les corrélations de données cliniques et sociales des clients pour révéler une série d’indicateurs dont la pertinence atteignait 80% des cas.
Ainsi la business intelligence combinée au data analytics ont permis d’une part de rendre des comptes de manière convaincante aux financeurs et, d’autre part, de mettre en place des mesures concrètes sur le risque de chutes grâce à un modèle prédictif.
Impact
D’une manière générale, avec une grande autonomie et en profitant de l’expérience métier et technologique de MLS, les clients, grâce à des outils de BI standards sont en mesure de démonter à leurs financeurs que l’optimisation des budgets est au cœur de leurs préoccupations.
Sur cette base, les financeurs sont en confiance et les autorités concernées disposent de données fiables pour la gestion budgétaire de la santé publique.
En outre des analyses prédictives permettent d’améliorer la qualité des données sur lesquelles les principaux intervenants se basent pour gérer plus efficacement des sujets critiques tels que la gestion des chutes.
La business analyse peut largement être distribuée au sein de l’entreprise parce que l’accès aux outils est relativement simple pour autant que les données soient de bonne qualité. Pour ce qui est du data analytics, la mise en place de modèle prédictifs est plus complexe et nécessite l’intervention de nos services.
La vraie valeur ajoutée d’un fournisseur de systèmes d’information réside dans ses connaissances métier et la capacité à travailler en partenariat avec les clients pour modéliser l’activité présente et future en vue de l’optimiser.