INTRODUCTION Depuis la fin du XXème siècle, l’exploitation et la collecte des données sont devenus des enjeux centraux dans de nombreux secteurs d’activités (Chartron, 2021). Leur analyse permet par exemple à une entreprise d’identifier de façon claire ses indicateurs de performance clés (KPI) et ainsi l’aider à améliorer son expertise. De même, les données peuvent aider une marque ou une institution à mieux identifier son public et donc d’adapter son offre à ce dernier. De ce fait, les données constituent aujourd’hui un formidable outil d’aide à la prise de décision, aux retombées économiques avérées. L’informatique décisionnelle, ou Business Intelligence (BI), désigne ainsi l’ensemble des technologies de collecte, de traitement et de restitution des données. Cette discipline en vogue permet aux organisations d’éclairer leurs prises de décision à l’aide de valeur mesurables et quantifiables. Le secteur de la communication n’échappe pas à cette règle. De prime abord, il peut pourtant sembler difficile d’exploiter les données au service des actions de communication. En effet, la perception humaine face à une marque, une publicité ou un évènement est subjective et donc l’efficacité de cette dernière peut paraitre difficilement quantifiable. Mais il est possible, grâce à de nombreuses méthodes, notamment des études quantitatives et qualitatives, d’identifier les KPI propres aux campagnes de communication. À la croisée de nombreux canaux, les données mesurables de ce secteur proviennent de sources plurielles, rendant leur collecte d’autant plus complexe : réseaux sociaux, presse, événements physiques, site web, etc. L’exploitation d’outils d’informatique décisionnelle afin de centraliser ces données et de piloter efficacement une activité de communication devient alors de plus en plus fréquente et nécessaire. Cet article vise ainsi à mettre en lumière les enjeux de la Business Intelligence, notamment à destination des métiers de la communication. Comment permet-elle de réponde aux nouveaux besoins du secteur et comment l’exploiter efficacement dans sa stratégie de pilotage ? Pour répondre à ces questions, nous nous appuierons sur un projet de déploiement d’outil BI au sein d’un institut de conseil en communication, mené sur plus de 18 mois. Au c&oelig;ur des questionnements stratégiques du secteur, le rôle d’un cabinet de conseil est d’accompagner les entreprises dans le pilotage de leur communication à l’aide d’éléments mesurables. D’une part, cette expertise permet de visualiser plus efficacement les performances du service. D’autre part, elle favorise la légitimité de la fonction communication au sein d’une organisation, plus souvent perçue comme un poste de dépense qu’une réelle source de revenus. Ainsi, la naissance de notre projet est à l’initiative de l’institut, souhaitant exploiter les nouvelles technologies d’informatique décisionnelle pour accompagner sa clientèle plus efficacement. Nous avons donc travaillé au déploiement opérationnel d’un outil en collaboration avec les équipes métier entre janvier 2021 et juillet 2022, dont cet article vise à présenter les conclusions. Dans une première partie, plus théorique, nous reviendrons sur certaines notions fondamentales de la Business Intelligence, ainsi que sur l’origine de la discipline afin d’en saisir les enjeux contemporains. Dans un second temps, nous détaillerons son usage spécifique au secteur de la communication au sein d’un cabinet de conseil, à travers notre étude de cas. Nous reviendrons ainsi sur l’approche méthodologique adoptée, les limites identifiées et les enseignements tirés de notre étude.     1. HISTORIQUE ET NOTIONS FONDAMENTALES DE L’INFORMATIQUE DECISIONNELLE   1.1 Cadre historiographique d’une discipline jeune et en mouvement Notons en premier lieu que la Business Intelligence est une vaste discipline dont l’usage a commencé à se populariser aux portes du XXIème siècle. Elle a alors rapidement explosé en apportant un nouvel éclairage sur les données et leur exploitation stratégique. De fait, la recherche scientifique sur le sujet a été particulièrement prospère et nous a contraint à opérer une sélection des publications retenues pour notre étude. Premièrement, nous avons exclu les ouvrages trop anciens. Nous le savons, l’informatique a connu des évolutions drastiques au cours du XXIème siècle. À l’an 2000, le terme de Big data était encore inconnu de tous et les premiers outils de Business Intelligence étaient loin de détenir la puissance de calcul et la flexibilité dont nous disposons aujourd’hui. De même, les technologies du Cloud et les logiciels SAAS, pourtant si importantes pour la BI moderne, n’existaient pas encore. De ce fait, nous avons entrepris de ne sélectionner que les publications ayant moins de 20 ans – sauf exception – afin de conserver une vision actuelle de la discipline. Par ailleurs, si l’informatique décisionnelle est un sujet ayant fait l’objet de nombreuses publications ces dernières années, très peu d’entre elles présentent une approche théorique de celui-ci. La plupart des ouvrages abordent en effet la BI de façon fonctionnelle, dans des cas d’application concrets de son déploiement et à destination des professionnels en entreprise. Nous avons ainsi procédé à un traitement croisé de ces sources plurielles afin de mieux identifier l’historique et les enjeux de déploiement de la discipline. Quatre publications de référence constituent ainsi les piliers de notre compréhension de la BI. Le Projet Décisionnel : Enjeux, Modèles, Architectures du Data Warehouse en premier lieu (Gouarné, 1997), constitue le plus ancien ouvrage de notre bibliographie. L’auteur y met en lumière le rôle du Data Warehouse dans le développement des systèmes d’informations contemporains. Il présente ses enjeux et son impact lors des projets d’informatique décisionnelle, dont il constitue les fondements. Moins technique et plus opérationnel, Les nouveaux tableaux de bord des managers (Fernandez, 2013) constitue un guide de référence en matière de gestion de projet dans ce domaine.  Dans cet ouvrage à succès aux nombreuses rééditions, l’auteur y explique notamment comment réussir son projet d’intégration BI, bien exploiter les données et réaliser des tableaux de bord impactants. Dans une même logique opérationnelle, Marie-Hélène Millie-Timbal publie son ouvrage Construire des tableaux de bord vraiment utiles (Millie-Timbal, 2020). Synthétique et actuel, ce guide aiguille son lecteur dans sa sélection d’indicateurs de performance pertinents et documentés. Enfin, « L’évolution des rôles du contrôleur de gestion à l’ère de la Business Intelligence », publié dans la revue ACCRA (Allain, Landagaray et Reutter, 2021) se distingue par sa grande clarté d’analyse. Ce travail de quasi-vulgarisation de la BI à travers un cas d’exploitation concret auprès des contrôleurs de gestion apporte un éclairage nouveau sur la discipline et de nombreux éléments de réponses. Si tant est qu’il ne puisse être considéré comme une publication majeure sur ce sujet, il représente à minima un écrit central pour notre étude. Si ces ressources constituent les fondements de notre approche du sujet, d’autres publications nous ont été précieuses, apportant un éclairage nouveau sur des éléments spécifiques. L’article « Open source comme système d’informatique décisionnelle » notamment, paru dans la Revue internationale d’intelligence économique (Saber, 2011), aborde le rôle des logiciels open source pour la Business Intelligence. De même, « Datavisualisation : principes, enjeux et perspectives pour des utilisateurs non experts » (Arruabarrena, 2015), acte du colloque « Document numérique et société » de Rabat en 2015, nous a permis de mieux saisir les enjeux de la visualisation de données, sous-discipline de la BI.   1.2 Brève histoire de la Business Intelligence : la naissance d’une logique organisationnelle dite data driven Nous l’avons dit, la BI est intimement liée à la prise de décision stratégique et opérationnelle d’une entreprise ou d’une organisation. Elle apparait ainsi dans un contexte émergeant, lorsque ces dernières prennent progressivement conscience des avantages économiques et concurrentiels procurés par les données dont elles disposent. Ce pilotage de l’activité par les données est alors appelé « data driven ». Encore naissant dans les années 60, il tend aujourd’hui à devenir la norme, bien que certains domaines comme le secteur bancaire et celui de l’assurance font encore office de figure de proue. Nécessairement, la BI est née pour répondre aux nouvelles problématiques de traitement et de restitution des données, accompagnant les organisations dans cette transition tout au long du siècle dernier. Les tableaux de bord, tout d’abord, constituent l’un des piliers de la Business Intelligence, à la fois outil de pilotage et support d’aide à la prise de décision. Ceux-ci incarnent sans nul doute les prémices de cette discipline. En effet, dans son ouvrage sobrement intitulé Le Tableau de Bord (Maurin, 2021), Pierre Maurin explique que leur première trace remonte aux Etats-Unis à la fin du XIXème siècle, au sein des grandes entreprises américaines de l’époque. Ceux-ci étaient réalisés à la main dans le but de synthétiser à l’aide de graphiques les finances du groupe. Cependant, il faudra attendre près de 100 ans, jusque dans les 1970, pour que l’on dissocie les tableaux de bord de problématiques purement liées à la production, tel que la productivité des ouvriers ou les coûts de matières premières par exemple. C’est ainsi le client qui devient le centre du Dashboard, avec l’émergence des premiers indicateurs qualitatifs, tels que la satisfaction de celui-ci. Ces tableaux, qui étaient jusque-là des outils de contrôle, deviennent progressivement des outils de pilotage et de performance, dont les champs d’évaluation s’étendent à tous les secteurs de l’entreprise : la comptabilité, l’administration, la communication, etc. Il s’agit là de la forme contemporaine des Dashboards tels que conçus aujourd’hui à travers les outils de d’informatique décisionnelle. Concernant plus directement la BI, il semblerait que la première apparition du terme soit relativement ancienne, initiée par l’analyse de Hans Peter Luhn dans un article rédigé en 1958 et intitulé « A Business Intelligence System »<a href="#_ftn1" name="_ftnref1" style="color:#0563c1; text-decoration:underline" title="">[1]</a>. Il décrit ce système comme un outil automatique de diffusion de l’information aux décideurs d’une entreprise ou d’une organisation. En somme, nous nous rapprochons déjà de son acceptation contemporaine, bien qu’il ne prenne pas encore en compte la dimension informatique dans son système. Puis, dans les années 70, le développement des technologies informatiques commencent à faire émerger les premiers systèmes de requêtage sur des bases de données. Encore dix ans plus tard, émergent les premiers « infocentres », c’est-à-dire, des espaces mutualisés stockant une copie des données destinée à leur analyse<a href="#_ftn2" name="_ftnref2" style="color:#0563c1; text-decoration:underline" title="">[2]</a>. Il s’agit en effet des prémices de l’un des grands principes de l’informatique décisionnelle, visant à analyser une copie des données dans un espace sécurisé et non à la source directement. Mais c’est réellement dans les années 90 que la BI prend sa définition moderne, puisque l’analyse Howard Dresner reprend la terminologie de 1958 pour définir cette discipline comme l’ensemble des méthodes d’analyse des données afin d’aider à la prise de décision<a href="#_ftn3" name="_ftnref3" style="color:#0563c1; text-decoration:underline" title="">[3]</a>. En parallèle apparaissent les « Data Warehouse », ou entrepôts de données en français, que Jean-Marie Gouarné qualifie dans son ouvrage de « clé de voute de ce que nous appelons l’information décisionnelle » (Gouarné, 1997). Enfin, la BI prend encore un nouvel essor dans le courant des années 2000 avec la naissance du Big data, se développant à mesure que la puissance de calcul des ordinateurs augmente. Afin de répondre à ces nouveaux besoins contemporains, la BI est aujourd’hui marquée par le déploiement d’algorithmes prédictifs de pointe et un pilotage en temps réel alimenté par un flot discontinu de données.   1.3 Décryptage des concepts phare de l’informatique décisionnelle La BI est un champ d’étude vaste et le champ sémantique l’accompagnant l’est tout autant. Les terminologies utilisées sont nombreuses et cachent parfois une notion complexe à travers un terme simple, ou inversement. Les anglicismes sont également particulièrement présents dans cette discipline, d’où leur utilisation récurrente dans notre étude. Automatisation Le concept d’automatisation constitue un élément central de la pratique de la Business Intelligence. Bien que l’ensemble des processus peuvent être exécutés manuellement, les outils de BI modernes adoptent une approche automatisée « by design ». En somme, toutes les étapes de traitement, de l’import des données à leur restitution sous forme de tableaux de bord, ont été conçues et imaginées pour minimiser l’intervention humaine. Nous l’avons vu, le processus d’intégration et la chaîne de traitement de la donnée une fois dans l’outil sont des éléments longs et complexes. Or les outils de BI ont justement été conçus afin d’améliorer les performances opérationnelles. Il serait donc une perte de temps considérable, allant à l’encontre de la logique même d’une telle solution, de procéder à ces traitements de façon manuelle. Dans l’idéal, ces outils sont d’ailleurs conçus de sorte qu’une fois les données intégrées et le tableau de bord réalisé et diffusé, l’intervention humaine ne soit plus nécessaire. L’actualisation des données elle-même est automatisable de sorte qu’elle soit planifiée à intervalle régulier. Dans leur article intitulé « Automatisation des tableaux de bord et cohérence du contrôle de gestion : à propos de deux cas », Christine Marsal et Denis Travaillé soulignent que cette automatisation est rendue possible par la cohérence temporelle des données (Marsal et Travaillé, 2007). En somme, une fois une base de données source créée, celle-ci ne change plus de forme sur la durée. Les nouvelles données viennent ainsi s’incrémenter dans la base sans en modifier l’organisation. Cette stabilité des bases perdure ainsi lors de son import dans le logiciel BI à chaque nouvelle actualisation des données. Les instructions de traitement préconfigurées n’ont alors plus qu’à être répétées avec les nouvelles données pour mettre à jour un tableau de bord existant. Il faut toutefois signaler deux contraintes à cette automatisation globalisée des processus. D’une part, elle implique une phase de paramétrage en amont, afin d’indiquer au logiciel les requêtes de traitement que l’on souhaite réaliser sur les données source afin de les mettre en forme et de procéder à leur analyse. Cette phase de paramétrage, dépendante du nombre de bases importées, de la variété des sources et de la complexité tu tableau de bord, peut être particulièrement complexe et chronophage. Elle implique également une bonne connaissance humaine des données traitées afin d’éviter que les résultats ne soient erronés une fois les paramètres d’automatisation configurés. Le second point de vigilance en découle : si une erreur est réalisée lors du paramétrage, celle-ci sera reproduite constamment, sans vérification humaine de la validité des données.   Indicateurs de performance (KPI) Les indicateurs de performances, également appelé KPI, sont la concrétisation des objectifs de l’entreprise en matière de performance ou de pilotage, matérialisée par des éléments quantifiables à l’aide des données. Plus concrètement, il s’agit des traitements et calculs réalisés sur les données une fois intégrées à l’outil afin d’apporter des éléments mesurables et interprétables aux décideurs d’entreprises. Ce sont ces KPI qui sont rapportés sur les tableaux de bord et qui constituent le pouvoir d’aide à la prise de décision des outils BI. Attention toutefois, comme le rappelle A. Fernandez, le choix des indicateurs est une étape cruciale dans tout projet de pilotage (Fernandez, 2013). Les objectifs fixés dépendent d’une part du secteur d’activité, car tous les domaines disposent de leurs propres indicateurs de référence, et d’autre part de la méthodologie de pilotage de l’utilisateur final, purement personnelle.   Tableaux de bord Nous l’avons déjà largement évoqué, le tableau de bord constitue l’outil clé de pilotage en informatique décisionnelle. Il se place comme le support de l’interprétation des données, c’est-à-dire la passerelle entre données brutes et information. Il en existe différents types (pilotage global, suivi des performances internes, suivi de l’activité, suivi budgétaire, information client...) et son architecture évoluera selon ces types et les besoins spécifiques des utilisateurs. Tout projet BI passe par l’élaboration d’un tableau de bord. Pour cela, il est nécessaire de consulter les utilisateurs finaux et de comprendre leurs besoins métiers. Dans le domaine de l’informatique décisionnelle moderne, les tableaux de bord se démarquent de ceux créés à l’aide d’autres outils par leur interactivité. Ils sont en effet conçus de sorte à être consultés en ligne de façon dynamique. Ainsi, ces tableaux disposent de multiples fonctionnalités de filtres afin de pouvoir adapter les résultats en temps réel à de nombreuses contraintes métiers. Les filtres temporels sont notamment les plus répandus, car ils permettent d’explorer les données en trois dimensions, ajoutant au pilotage les notions d’évolution et d’objectif.   Datavisualisation La datavisualisation est une sous-discipline englobée dans le champ de la Business Intelligence. En 2015, Béa Arruabarrena décrit cette science comme « un processus de traitement visuel des données à part entière qui comprend la collecte, la structuration visuelle jusqu’au rendu final de la visualisation. » (Arruabarrena, 2015). En effet, cette discipline se différentie de la représentation artistique de la donnée, figée, par l’ensemble des traitements qui accompagnent le résultat final. A l’origine réservée aux experts de la manipulation des données, la prolifération des outils no-code ces dernières années a ouvert cette pratique à tous, engendrant sa démocratisation. Son utilisation est d’ailleurs primordiale en matière de restitution de résultats de traitement des données. En effet, la datavisualisation simplifie grandement l’accès et la compréhension des données pour tous, jouant un rôle de médiation entre les hommes et celles-ci. Cependant, si les modes de représentation graphique des donnés se multiplient, il est nécessaire d’en comprendre les usages. En effet, toutes les visualisations ne sont pas adaptées à la restitution de toutes les données. Un graphique en secteurs conviendra par exemple à une distribution en pourcentages, mais bien moins à des données temporelles. De même, un nuage de point conviendra parfaitement à l’étude combinatoire de deux variables sur de nombreuses données, mais n’est pas adapté à la comparaison entre deux éléments uniques. Dans le champ de la BI et de l’interprétation des données, il est donc important de distinguer ces éléments et de ne pas se perdre en complexité d’analyse afin de produire des tableaux de bord impactant.   2. RÔLES ET FONCTIONNEMENT DES OUTILS BI   Pour comprendre le fonctionnement général des outils de Business Intelligence, il nous faut en amont comprendre le fonctionnement d’un datawarehouse et son implantation au sein du système d’information (SI) de l’organisme. En effet, celui-ci a longtemps occupé une place prépondérante au sein des architectures SI et prédomine toujours malgré l’émergence de nouvelles solutions de substitutions, telles que les datalakes (lac de données). Dans un article dédié aux systèmes d’aide à la décision paru en 2015, <a name="_Hlk107021867">Christine Sybord </a>les décrits comme des « systèmes [intégrant] des applications décisionnelles rassemblées dans une immense base de données, appelée « entrepôt » (Warehouse). Les données y sont thématiques [...]. » (Sybord, 2015). Dans toute organisation, les données produites et générées proviennent de nombreuses sources différentes. Il peut s’agir de données issues du web, de bases relationnelles SQL, ou même de fichiers « plats » tels que des tableaux Excel par exemple. Les données dites « brutes », car elles n’ont pas fait l’objet de traitement, prennent donc des formes différentes, et peuvent être structurées ou non structurées (stockées dans leur format d’origine). Par conséquent, il est impossible dans de telles dispositions de les faire communiquer entre elles et de procéder à leur analyse. Le Datawarehouse permet ainsi de palier à ce problème, comme l’explique avec précision Jean-Marie Gouarné dans Le Projet Décisionnel, consacré à la théorisation de l’architecture de ces entrepôts de données (Gouarné, 1997). Au sein du système d’information de l’organisme, il constitue une base de données relationnelle, conçue à des fins d’analyse. Il va donc regrouper une copie de l’ensemble des données fonctionnelles de l’entreprise et établir des relations entre elles de façon thématique (Sybord, 2015). Pour cela, le SI de l’organisme doit comprendre des connexions entre les données sources et le Datawarehouse. En somme, le cheminement des données, ou data flow s’articule de la manière suivante : - Ecriture des données dans la source : Les données sont stockées dans leur base source et y demeurent jusqu’à leur suppression. - Extraction et transformation des données depuis la source à l’aide d’un outil d’ETL. Celui-ci permet notamment de transformer les données entre leur extraction et leur chargement dans le Datawarehouse. Il s’agit de l’étape cruciale du transfert des données. Les bases issues des différentes sources doivent ainsi être remodelées afin de présenter la même structure et de pouvoir par conséquent établir des relations entre elles. Ce processus est automatisé, mais il requiert un long paramétrage et une très bonne connaissance des bases importées. - Intégration des données copiées et transformées dans le Datawarehouse : Une fois transformées, les données sont alors copiées et organisées au sein du Datawarehouse afin de les stocker en vue de leur analyse. - Procédure de traitement et d’analyse : Certains datawarehouses proposent des solutions de traitement directement depuis celui-ci, mais la plupart d’entre eux ne disposent pas, par exemple, d’un outil de restitution des analyses. En conséquent, les données peuvent ensuite être transférées vers d’autres outils d’informatique décisionnelle, qui ne modifieront pas directement les données stockées au sein du Datawarehouse.   <img height="338" src="https://www.numerev.com/img/ck_3032_18_image-20230327204710-1.png" width="1172" /> Figure 1 : Acheminement des données vers le Data Warehouse   Cet entrepôt occupe donc une place centrale dans le système d’information d’une entreprise qui désire réaliser de la Business Intelligence. Cependant, tous les organismes ne disposent pas d’un SI aussi bien orchestré. La réalité du terrain englobe également de nombreux organismes n’ayant pas réellement opéré de transition numérique, et se limitent à des bases Excel stockées sur des serveurs locaux. Mais des solutions existent pour réaliser de la BI tout en remédiant à ce problème. Aujourd’hui, les outils d’informatique décisionnelle sur le marché ont grandement évolué et certains se présentent donc comme des solutions complètes. De fait, ils peuvent partiellement remplir le rôle d’un Datawarehouse, sans avoir à reconstruire toute l’architecture du système d’information. Ces outils, bien qu’originellement conçus pour se connecter à un entrepôt de données, disposent de nombreux connecteurs vers d’autres sources de données. A l’aide d’un ETL, intégré ou non au logiciel, les données peuvent alors être transformées et copiées dans l’outil BI, à la manière d’un Datawarehouse, mais il ne dispose pas des mêmes capacités de stockage et de traitement. En bout de chaîne, après le traitement des données et leur analyse par le biais de requête et de calculs, les résultats sont généralement restitués au sein d’un tableau de bord à des fins de pilotage. Bien qu’il ne s’agisse que de la dernière étape de l’ensemble complexe du processus de Business Intelligence, elle est également l’une des plus importante. En effet, tout l’enjeu de ce process est de rendre la donnée interprétable par les décideurs en entreprise afin d’accompagner leurs prises de décision. C’est pourquoi le tableau de bord constitue la finalité de la chaîne de traitement, et que les décideurs ne doivent pas être écartés du processus de création et d’analyse des données. M-H. Millie-Timbal le rappelle à bon escient dans son guide pratique : « [Les] objectifs doivent donc être clairement formulés : quelles sont les priorités et [...] quels résultats voulons-nous atteindre ? » (Millie-Timbal, 2020). Sans l’implication des décideurs pour répondre à ces questionnements et superviser la création, le projet data est voué à l’échec.   3. LA BI AU SERVICE DE LA COMMUNICATION : LE CAS D’UN CABINET DE CONSEIL Dans cette partie, nous allons mettre en pratique les concepts de l’informatique décisionnelle observés précédemment dans un cas concret de déploiement d’outils de Business Intelligence en entreprise. L’analyse plus théorique de la genèse de cette discipline et de ses grandes tendances actuelles a contribué à cadrer et à formuler des propositions en adéquation avec les enjeux du secteur de la communication. 2.1 Besoins et enjeux d’un institut de conseil en communication Rappelons que ce projet est à l’initiative d’un cabinet de conseil en communication, constitué d’experts de la discipline mais peu familiers du traitement et de l’analyse de données. Ainsi, la première étape de notre étude a nécessité de nous familiariser avec les données à disposition et les besoins métiers. C’est-à-dire la compréhension des données dont dispose l’entreprise, mais également les réalités de terrain et le fonctionnement de l’activité. Comprendre les missions et les prestations de conseils du cabinet est en effet crucial afin d’en identifier les points de blocages et leur résolution potentielle à l’aide de la BI. À l’issu de cette étape, nous avons pu lister un certain nombre de besoins pour le  cabinet : - Mettre en valeur les résultats d’analyses : Il s’agit d’un besoin propre à l’activité des cabinets d’études et de conseil, à la fois en interne et pour leurs clients. Ceux-ci livrent à leurs clients une analyse des résultats d’études qualitatives et quantitatives. Cette analyse repose ainsi sur des données chiffrées pour lesquelles les informations les plus impactantes doivent être valorisées. Aujourd’hui, le livrable de référence est généralement un document figé type PowerPoint, composé d’une série de graphiques et d’analyses. En ce sens la Business Intelligence a un rôle majeur à jouer, proposant des supports d’interprétation plus dynamiques et interactifs. - Automatiser les process internes et externes : Les process de traitement et de nettoyage de la donnée collectée nécessitent aujourd’hui une grande part d’intervention humaine. Plus les données sont conséquentes, plus leur exploitation est longue et fastidieuse. Or, de nombreux outils de BI sont aujourd’hui spécialisés dans la fluidification et l’automatisation de ces étapes, générant un gain de temps non négligeable sur l’ensemble de l’activité. - Moderniser l’offre tableau de Bord : Parmi les missions de conseil portées par les instituts se trouvent le suivi des performances de la communication. Pour cela, ils développent des tableaux de bord pour leurs clients. Souvent sur Excel, ils nécessitent de réécrire manuellement les données dans l’outil, malgré leur présence au sein de sources externes. Les solutions BI offrent la possibilité d’acheminer des données directement depuis plusieurs bases afin de réaliser des tableaux de bord multi-sources. Par ailleurs, les options graphiques de ces outils permettent bien souvent de produire un contenu plus esthétique et attractif qu’une solution tableur. - Toucher de nouveaux publics : Nous l’avons dit, la Business Intelligence est une discipline en vogue, vecteur d’une demande forte. De fait, l’exploitation de ces nouveaux outils par les instituts leurs permettent d’élargir leurs offres et leurs clientèles. - Favoriser l’interopérabilité des outils en interne : Les supports de l’informatique décisionnelle apportent des solutions de centralisation et d’harmonisation de la donnée à l’aide de passerelle entre les outils et de flux de travail (workflow) étendus. Ils permettent ainsi de pallier l’absence de Datawarehouse au sein de SI de petites envergures. Ainsi, dans notre cas d’étude, le cabinet que nous avons intégré touche donc du doigt les prémices de la Business Intelligence, mais il manque de logiciels adaptés à son activité. Or nous l’avons vu, les solutions d’informatique décisionnelle ont davantage à apporter qu’un simple suivi de l’activité. Elles ont pour but de centraliser l’information et de l’organiser à des fins opérationnelles.   2.2 Approche méthodologique empirique et déploiement incrémental Sur le plan méthodologique, il s’agit ici d’un projet de type « exploratoire », comprenant de nombreuses incertitudes quant à sa réalisation et sa finalité. Cela implique, sur les divers outils explorés, de fonctionner de façon itérative, composé de phase de veille, de tests et d’observation des résultats successifs. Une fois un résultat satisfaisant obtenu, répondant aux problématiques métiers et à nos objectifs, nous avons dû procéder à sa validation et à un déploiement à destination d’usages réels. Cette méthode projet s’appuie sur le principe de « Proof of Concept ». Ainsi, le tableau ci-dessous présente une estimation des différentes grandes étapes du projet sur les sujets principaux, ainsi que la répartition du temps investi :   <img height="508" src="https://www.numerev.com/img/ck_3032_18_image-20230327204710-2.png" width="1047" /> Figure 2 : Tableau des étapes majeures du projet   Nous pouvons constater que la priorité est donnée au logiciel Power BI, outil d’informatique décisionnelle privilégié dans notre étude pour des questions fonctionnelles (environnement Microsoft). En parallèle, nous avons souhaité assurer une veille sur d’autres outils BI afin d’élargir le champ des possibilités de l’institut en matière de déploiement. Sur l’ensemble de la période, nous avons également communiqué avec l’ensemble des collaborateurs sur le projet et les bonnes pratiques afin de les sensibiliser aux enjeux de la donnée.   2.3 Bilan du déploiement et limites Le déploiement de Power BI au sein de notre institut de conseil nous a conduit, après 18 mois, à un résultat mitigé, bien que riche d’enseignement. En effet, dans une logique itérative, nous avons souhaité déployer le logiciel en interne afin de se l’approprier. Puis, nous avons entrepris la réalisation d’un premier tableau de bord opérationnel en interne afin d’en observer le fonctionnement en situation réelle. Or, lors de cette seconde étape, bien que le livrable ait été pleinement fonctionnel, le comité de direction en a rapidement abandonné l’usage au profit d’un tableur Excel. La faute à un temps de cadrage trop court et une mauvaise perception des besoins des décideurs, il n’apportait pas la plus-value attendue par les décideurs. Plusieurs essais internes ont alors été nécessaires à une utilisation stratégique interne. La finalité de l’étude était ensuite de réaliser de façon équivalente un tableau de bord de pilotage à destination d’un client externe de l’entreprise. Face à une demande affluente au sein de nombreux appels d’offre, nous avons ainsi eu l’occasion de procéder à plusieurs tentatives. Malgré la réalisation de maquettes (figure 3), aucune d’elle n’a toutefois aboutit à un développement concret. Bien que les clients soient toujours à l’origine de la demande, ceux-ci ont finalement préféré se rétracter pour des raisons diverses : reproche de manque de flexibilité de l’outil, devis de réalisation trop élevé, refus d’achat de la licence...   <img height="666" src="https://www.numerev.com/img/ck_3032_18_image-20230327204710-3.png" width="1126" /> Figure 3 : Maquette de tableau de bord de pilotage d’un service de communication (Power BI)   Ainsi, ces tentatives multiples nous ont permis d’identifier certains points sensibles, susceptibles de constituer des obstacles lors de projets BI : - BI de petite envergure : Notons que les instituts de conseil sont généralement de petites organisations dont les infrastructures data sont relativement simples. Les sources de données y demeurent majoritairement des fichiers « plats » type Excel, sans relations entre les bases. Il est donc important de garder en tête qu’un cabinet de conseil n’est pas un expert de la Business Intelligence, malgré ces solutions nouvellement acquises. De fait, le cabinet ne doit pas survendre, ni surestimer ses prestations auprès de ses clients, sous peine de créer de la déception. - Temps de développement : Il s’agit d’un point de vigilance qui ne s’applique pas uniquement à Power BI. De manière générale, les outils BI offrent plus de possibilité que les solutions proposées actuellement (tableurs, infographies). Cependant, le temps de développement de ces outils est également plus long. L’entreprise monte en qualité de prestation, mais la durée des missions va augmenter également. Il faut donc repenser la façon de travailler : facturation, temps investi, etc. - La qualité des données, plus que jamais indispensable : Les problèmes de qualité des données sont la principale cause d’échec des projets data. Un certain nombre d’actions jusqu’alors réalisées manuellement sont automatisées par les outils BI. Ainsi, des bases propres en amont sont la clé pour assurer le bon fonctionnement des logiciels et éviter les biais d’analyse. Dans le monde des études et du conseil de surcroit, la diffusion de résultats biaisés peut rapidement engendrer une perte de crédibilité de l’institut et fortement impacter son image de marque. - La BI requiert des compétences data plus importantes : L’analyse et la consolidation de données sont un véritable métier dont les outils ne sont pas à mettre entre toutes les mains. Malgré le développement et l’attractivité des solutions no-code, il est nécessaire de faire preuve d’une grande vigilance lors des opérations de manipulation des données. Une mauvaise jointure, ou une erreur de format peut par exemple entièrement fausser les résultats obtenus. - Continuer d’assurer la sécurité des données : Les nouveaux outils BI favorisent l’interopérabilité et les échanges transverses. Ainsi, il est facile de publier et de partager les résultats en ligne et à grande échelle. C’est pourquoi les questions de cyber sécurité et le respect du RGPD doivent être centrales afin de ne pas divulguer de données personnelles ou confidentielles par erreur. La prise en considération de ces points d’alerte permet notamment de répondre plus efficacement aux besoins de clients futurs et d’identifier les cas dans lesquels l’exploitation d’outils BI est réellement adaptée.   CONCLUSION À travers cette étude, nous avons véritablement pu constater que le déploiement d’outils de Business Intelligence constitue une aide précieuse, sinon indispensable, pour faire face à la forte concurrence du secteur des études et de la communication. Malgré des résultats en demi-teinte, ceux-ci nous permettent de tirer des enseignements précieux quant à de futurs cas d’application. Si les cabinets de conseil peuvent faire face à des difficultés d’usage, celles-ci sont bien souvent liées à un cadre d’application de la BI très spécifique. En effet, l’informatique décisionnelle est originellement conçue pour un usage interne, étant directement raccordé au SI de l’entreprise détentrice de l’outil. Or les instituts ont pour enjeux d’externaliser la démarche de Business Intelligence afin de créer des outils de pilotage sur mesure et automatisés pour leurs clients. Paradoxalement, les appels d’offres du secteur exprimant la volonté de disposer d’un tableau de bord BI se multiplient, venant confirmer les enjeux de déploiement dans une logique concurrentielle. Partant de ce postulat, voici les quatre bonnes pratiques que notre étude a permis de dégager, afin d’implanter et de pérenniser au mieux la Business Intelligence au sein des instituts de conseil : - Accompagner le client pour identifier son besoin réel : Si les demandes sont nombreuses, il est indispensable de comprendre les besoins des utilisateurs finaux avant de statuer sur la solution à mobiliser. La popularité grandissante des outils BI possède son revers de la médaille : une volonté des entreprises clientes de se tourner vers ces technologies par principe plutôt que par nécessité. Ainsi, la flexibilité d’un logiciel tableur, la clarté d’une infographie ou l’interactivité d’un outil Saas seront parfois des solutions de restitution bien plus adaptées. - Rester vigilant sur les contraintes techniques et sensibiliser le client : Une connaissance accrue des contraintes relatives aux outils de Business Intelligence est indispensable pour identifier la faisabilité d’un projet. En somme, il est préférable de s’assurer en amont que le client dispose déjà d’une licence d’utilisation du logiciel choisi, et que ce dernier soit déjà en place au sein du système d’information de l’entreprise. Dans un contexte de relation « prestataire-client », il est en effet trop complexe d’imposer aux utilisateur un nouvel outil s’écartant de leurs pratiques quotidiennes. - Communiquer sur les outils en interne : Pour un déploiement pérenne, les collaborateurs doivent avoir conscience des capacités techniques des solutions BI. Ils doivent être en mesure de les vendre aux clients et d’identifier par eux-mêmes les situations où ces outils peuvent être déployées et apportent une plus-value. En somme, autonomiser les collaborateurs sur ce sujet afin de développer une maîtrise collective du sujet. - Instaurer une culture data d’entreprise : Il est important de sensibiliser l’ensemble des équipes afin que tout le monde perçoive la conversion en valeur des données. C’est en effet en percevant l’exploitation de ces dernières comme indispensable pour rester concurrentiel que le niveau de maturité data de l’entreprise augmentera. Le sujet de la Business Intelligence est donc un sujet vivant, qui ne doit pas s’achever au lendemain du déploiement d’un outil. Pour le faire perdurer au mieux, les cabinets de conseil doivent progressivement monter en compétence sur le sujet. En plus de se présenter comme des experts métier, ils doivent également mettre en avant leurs connaissances techniques des solutions BI, tout en faisant preuve de discernement sur les cas d’usages les plus pertinents.   BIBLIOGRAPHIE   ALLAIN E, REUTTER J, LANDAGARAY P, "L’évolution des rôles du contrôleur de gestion à l’ère de la Business Intelligence", ACCRA, N°11, 2021 ARRUABARRENA B, "Datavisualisation : principes, enjeux et perspectives pour des utilisateurs non experts", dans BROUDOUX E, Big Data - Open Data : Quelles valeurs ? Quels enjeux ? Actes du colloque "Document numérique et société", Rabat, 2015, De Boeck Supérieur, Louvain-la-Neuve, 2015 BLACHON T, Les outils de Business Intelligence dans le secteur des études et de la communication, Mémoire de fin d’étude, master Mégadonnées et analyse sociale, CNAM, 2022, https://memsic.ccsd.cnrs.fr/mem_03847446 CHARTRON G, "Régime de médiation des données en contexte professionnel", CIDE22 Colloque International sur le Document Numérique, Paris, 2021 FERNANDEZ A, Les Nouveaux Tableaux de bord des managers, Le Projet Business Intelligence clés en main, Eyrolles, Paris, 2013 GOUARNE J-M, Le Projet décisionnel : Enjeux, Modèles, Architectures du Data Warehouse, Eyrolles, Paris, 1997   MARSAL C, TRAVAILLÉ D, "Automatisation des tableaux de bord et cohérence du contrôle de gestion : à propos de deux cas", Comptabilité Contrôle Audit, Vol.13, 2007 MAURIN P, Le tableau de bord, Ellipses, Paris, 2021 MILLIE-TIMBAL M-H, Construire des tableaux de bord vraiment utiles : associer les indicateurs à la stratégie de l'entreprise et à son management, Gereso, Le Mans, 2020 SABER B, "Open source comme système d'informatique décisionnelle", Revue internationale d'intelligence économique, Vol.3, 2011 SYBORD C, "Intelligence économique et système d’aide à la décision : de l’opérationnel "big data"au stratégique "little knowledge" ", Revue internationale d'intelligence économique, Vol.7, 2015   <div>  <hr align="left" size="1" width="33%" /> <div id="ftn1"> <a href="#_ftnref1" name="_ftn1" style="color:#0563c1; text-decoration:underline" title="">[1]</a> AURINE Guillaume, « Une brève histoire de la Business Intelligence », 7 juin 2016. URL : <a href="https://www.salesforce.com/fr/blog/2016/06/une-breve-histoire-de-la-business-intelligence.html" style="color:#0563c1; text-decoration:underline">https://www.salesforce.com/fr/blog/2016/06/une-breve-histoire-de-la-business-intelligence.html</a> </div> <div id="ftn2"> <a href="#_ftnref2" name="_ftn2" style="color:#0563c1; text-decoration:underline" title="">[2]</a> Ibid. </div> <div id="ftn3"> <a href="#_ftnref3" name="_ftn3" style="color:#0563c1; text-decoration:underline" title="">[3]</a> Ibid. </div> </div>