Amélioration d’un Système d’Informations existant : analyser (2)

 

Nouvel article dans notre série sur la reprise d’un système d’informations existant. Un premier article a permis l’introduction de la méthode. Un second article a présent les idées pour mesurer et collecter des informations. Un troisième article à présenter une partie de l’analyse des données. Nous allons voir un nouvel article pour approfondir cette analyse. Ceux qui détestent les tableurs, qui pensent qu’ils ne servent qu’à remplir des fiches ou qu’ils sont dédiés aux commerciaux ou aux comptables peuvent fermer leur onglet.

Si vous ne l’avez pas fermé, bravo : vous avez passé le test avec succès. Continuez, vous irez loin.

Dans l’article précédent, j’ai présenté une fonction simple et efficace de LibreOffice qui permet de calculer une tendance. LibreOffice, comme tout bon tableur, regorge de fonctions non utilisées. À nous de les découvrir pour en tirer le meilleur. Je ne suis pas un spécialiste de LibreOffice ni des tableurs. Je ne suis pas un statisticien ni un mathématicien. Je n’ai que quelques connaissances basiques. J’ai simplement fait quelques recherches pour aboutir aux résultats que je souhaite obtenir. Je ne crois pas (non plus!!!) qu’un tableur peut remplacer une application, ni qu’en cas de problème, « il suffit de faire une nouvelle feuille LibreOffice et les gens la rempliront tous et le problème sera résolu ». Cependant, je crois que l’on peut analyser efficacement des données avec un tableur si on l’utilise correctement.

Les fonctionnalités basiques mais indispensables des tableurs

Un tableur peut se connecter à une base de données. Il peut faire des requêtes SQL pour récupérer les résultats. Très utile pour un « non développeur » qui ne souhaite pas faire un script et beaucoup plus simple que d’apprendre à développer dans un langage donné. Évidemment, je parle d’une personne qui comprend un minimum des notions de « bases de données » et de « requête SQL » (c’est à dire : table, interrogation, filtre, relation).

La mise en forme conditionnelle des données est accessible. Une feuille de données est bien plus facile à lire lorsque les données sont mises en valeur par des couleurs, en fonction de valeurs seuils définies. Là encore, des tris, des filtres sont accessibles relativement facilement.

Des graphiques peuvent être intégrés. Les fonctionnalités de présentation sont suffisamment avancées et simples à utiliser que c’est un bonheur. Là encore, les filtres, les couleurs, le positionnement permettent de tirer le meilleur des données disponibles.

Des calculs intermédiaires sur les données peuvent être faits. Des calculs sur les résultats de calcul précédents peuvent être réalisés. Ce type de fonctionnement permet à des utilisateurs relativement à l’aise avec l’informatique mais pas assez pour faire des scripts de procéder par étapes en affinant leur réflexion et leurs données au fur et à mesure.

De très nombreuses fonctions permettent de réaliser des calculs avancés sur les données. Les fonctions sont diverses et répondent à énormément de cas. La documentation est intégrée dans l’application et les utilisateurs sont guidés dans leur utilisation des fonctions.

L’export de données depuis les outils sources est vital

Même si un tableur peut se connecter à une base de données, il n’est pas utilisé principalement comme ceci. En effet, cela implique de comprendre le modèle de données et les liens entre chaque table. C’est une partie complexe, qui est très consommatrice de temps lorsque la documentation de la base de données n’est pas fournie. D’ailleurs, elle est rarement fournie pour une raison simple : éviter qu’un utilisateur injecte des données incorrectes faisant planter l’application. Les fournisseurs préfèrent … heu… fournir (!) des API ou des exports de données. Le mieux est l’export CSV : il est simple d’emploi et s’intègre très bien avec les tableurs.

Dans mon utilisation des tableurs, j’essaye toujours de garder les données sources propres, c’est à dire sans modification, sans correction. Le travail sur les données est fait à part, avec pour objectif de ne pas les altérer. L’idée est de pouvoir refaire la procédure du début (les données brutes fournies par l’application) à sa fin (le résultat attendu : les filtres, les tris, les graphiques, l’analyse, …) sans avoir à refaire les travaux. Je dois pouvoir récupérer une nouvelle version des données brutes sans avoir à modifier l’intégralité de ma feuille de calcul. Pour cela, j’utilise soit une feuille de calcul dédiée qui ne contiendra que les données brutes, soit je configure le tableur pour qu’il se serve du fichier CSV externe comme d’une base de données.

L’inventaire : identifier les équipements dont la garantie expire

J’utilise GLPI comme outil d’inventaire. Comme dit précédemment, nous avons fait en sorte que toutes les données possibles soient dans GLPI. Plus il y a de données et plus notre analyse peut être poussée. Je fais en sorte de toutes les saisir et de les saisir parfaitement.

Par la suite, j’ai configuré l’interface de GLPI pour qu’il affiche toutes les données utiles et qu’il n’affiche pas les données inutiles. Chacun va avoir sa propre définition de données utiles ou inutiles. Il s’agit de faire des choix et cela vous appartient. Il est nécessaire d’adapter à votre contexte. Pour nous, les éléments suivants sont utilisés: nom de l’équipement, Fournisseur, Fabricant, Modèle, Système d’exploitation, Date d’achat, Valeur, Expiration garantie, Numéro de série, Numéro d’inventaire, Statut, Lieu et Type.

GLPI affichage specifique des donnees utilesEnsuite, ces données sont exportées en CSV par GLPI. Bien entendu, GLPI permet de faire des « rapports« . Après quelques rapides recherches, aucun ne semblait convenir à notre utilisation. L’export CSV nous a permis de traiter nos données efficacement et rapidement.

Dans une feuille LibreOffice, nous avons:

  • filtré les données pour les éléments en production uniquement. Attention, production dans notre cadre est utilisé dans le contexte « en cours d’usage » et non dans le contexte « prod/dev/preprod ».
  • coloré en rouge les garanties qui ont expiré.
  • fait la somme de la valeur d’achat pour estimer le budget à dépenser pour remplacer les équipements.

Cela permet de nous faire une idée et d’en discuter ensemble:

  • « houlalala… tout ça? c’est beaucoup… non? »
  • « on n’est peut être pas obligé de tout remplacer? »
  • « oui, analysons ce qui doit être remplacé, ce qui doit être virtualisé, ce qui doit être supprimé »

Le résultat a permis de déboucher sur une réflexion et une prise de décision.

L’inventaire : identifier les équipements dont la garantie va expirer

Il est intéressant de voir ce que l’on doit remplacer en urgence. Il est mieux de le prévoir pour l’année suivante. L’exercice précédent peut être fait de manière identique mais en changeant et en choisissant un filtre « dont les équipements vont voir leur garantie expirée dans les N prochains mois ». Nous sommes alors non pas dans le réactif mais dans l’anticipation. Cela permet d’estimer un budget « remplacement de matériel » pour l’année suivante, de le présenter et de le faire voter, valider. Il est encore possible d’aller plus loin en estimant les années N+1/N+2/N+3 et éventuellement anticiper des achats ou au contraire, de les retarder. Cela permet de lisser le budget : il est très complexe d’obtenir des rallonges budgétaires (« c’est la crise »). Justifier des hausses et des baisses de budget est encore plus complexe, l’incompréhension règne parfois. Même si l’on explique : « on doit remplacer tous les équipements achetés il y a 4 ans lors du projet NEW-G et je rappelle qu’ils sont nombreux même si on les virtualise et qu’on réutilise d’anciens serveurs inutilisés par ailleurs, une bonne partie doit être remplacée« . Là encore, avoir l’information « serveur pour projet New-G » permet d’identifier et de justifier pourquoi tous les serveurs ont été achetés en même temps et pourquoi ils sont critiques (« sinon, on arrête le projet NEW-G et le client PlusGrosClient nous quitte« ).

L’inventaire : identifier le budget des années passées

Les données sont accessibles pour plusieurs années. Il est donc possible d’analyser le budget consommé par année. Pour cela, il suffit d’extraire l’année de la colonne contenant la date. Ceci est très simple:

  1. on ajoute une colonne « Année d’achat » à la droite de la colonne de date
  2. on crée une formule « =ANNEE(..) » où « .. » correspond à l’adresse de la colonne précédente. Celle formule doit être écrite sur toutes les lignes de cette colonne par Glisser/Copier.
  3. on crée un « tableau croisé dynamique » ou « pilote de données ».

Le tableau croisé dynamique est un excellent outil d’analyse de données. Il permet de faire une synthèse sur un groupe de données en fonction de critères choisis dynamiquement. Pour créer un tableau croisé dynamique, vous devez choisir toutes vos données, puis cliquer sur « Données –> Table et Pilote –> Créer »:

tableauCroiseDynamique_01_accesMenu

Sur la fenêtre suivante, vous pouvez choisir « Sélection active » (ou la modifier si nécessaire) puis valider.

La fenêtre suivante vous permet de paramétrer le résultat selon vos critères. Dans notre cas, nous souhaitons voir la valeur en fonction des années. Nous avons donc glisser le bouton « Valeur » de la droite vers le bandeau « champs de données ». Automatiquement, LibreOffice va calculer la somme des valeurs. Il va pouvoir faire la calculer en fonction des « Années » car c’est ce que nous souhaitons obtenir. Pour cela, nous glissons le bouton « Années » dans le bandeau « Champs de colonne ». Les années seront alors disposées en colonne et en dessous de chaque colonne sera fait la somme des valeurs d’achat. Ce qui donne comme résultat : « la somme des valeurs d’achat par année ». Voici la configuration réalisée :

tableauCroiseDynamique_02_configurationTableauValeurParAnnee

 

Remarque : si vous souhaitez avoir les années en ligne, il vous suffit de mettre « Année d’achat » dans le bandeau « Champs de lignes ».

Vous obtenez alors un résultat proche de celui-ci:

tableauCroiseDynamique_03_ResultatTableauValeurParAnnee

Vous pouvez donc voir le budget investi les années précédentes et en faire un graphique. Cette analyse est très importante car elle vous permet d’analyser le passé, lorsque vous n’étiez pas présent et pour lequel vous n’avez pas de référentiel. Vous en avez un dorénavant! Vous pouvez en parler avec votre responsable ou les membres de votre équipe. Mais avant de planifier la réunion, attendez un peu. Vous pouvez encore aller plus loin.

Vous pouvez recommencer la même chose puis prendre le bouton « Type » et le placer dans le bandeau « Champs de ligne ». Chez moi, « Type » correspond aux types d’équipements que nous achetons : serveurs, SAN, poste utilisateur, … Dès lors vous aurez « l’évolution au cours des années des valeurs d’achat réparti par type ». Votre analyse est encore plus fine car elle vous permet de voir les achats par « poste de dépenses » en une seule vue. C’est magique. Lors de la réunion, vous serez encore plus précis. Mais vous pouvez l’être encore plus. Vous pouvez ajouter un filtre en déplaçant un bouton dans le bandeau « Champs de page ». Dès lors vous pourrez filtrer par « Prod/DEV/… ». Vous pouvez aussi faire plusieurs tableaux différents, avec ou sans filtre, pour obtenir:

  • les achats par année (vu au dessus)
  • les achats par type et par année (vu au dessus)
  • les achats par environnement et par année
  • les achats par clients et par année
  • les achats par fournisseur et par année
  • les achats par modèle et par année
  • l’expiration de garantie par type

Il est aussi possible de changer la fonction appliquée à la valeur et de faire une moyenne, un produit, …

Conclusion

En utilisant des outils d’analyse simples, sur des données simples, on récupère une quantité faramineuse d’informations. Les exemples montrés ci-dessus ne nécessitent aucune connaissance théorique complexe, ni aucune connaissance d’un algorithme avancé. Les données étaient présentes et méritaient d’être saisies, consolidées et interprétées. La phase la plus longue, la plus consommatrice de temps, la plus exigeante était sans conteste la phase de collecte et de saisie :

  • aller récupérer les données brutes
  • s’entendre avec les fournisseurs de celles-ci afin de bien les comprendre
  • les saisir
  • les vérifier

Une fois cette étape réalisée, un export des données plus tard, la « connaissance » est apparue grâce à l’utilisation d’outils simples, disponibles partout, sans aucun frais, accessibles à tous les utilisateurs qui disposent de connaissances de base sur les tableurs.

Maintenant, il faut en tirer des enseignements et mettre en place de nouveaux éléments pour améliorer son Système d’Information.

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *