Actualités : analyse de données, Business Intelligence, Data Science, Big Data


Gestion des biens informatiques : 7 bonnes raisons d'adopter le datamining


Rédigé par Frédéric Pierresteguy, LANDesk France le 19 Novembre 2012

En français, on parle d'exploration de données. Le datamining est l'extraction de connaissances à partir de données, grâce à des méthodes automatiques ou semi-automatiques. Adapté à la gestion de parcs informatiques, le datamining est un allié précieux des équipes de la DSI.



Frédéric Pierresteguy, Directeur Général LANDesk France
Frédéric Pierresteguy, Directeur Général LANDesk France
1 - Une lecture plus claire des données du parc
Imaginons un instant un site de e-commerce dont les articles seraient identifiés, sur l'interface client, par leur référence interne : qui oserait se rendre sur un tel site pour faire ses emplettes ? Aucun e-commerçant n'aurait donc cette idée saugrenue. Pourtant, en matière de gestion de parcs informatiques, les inventaires ressemblent encore bien souvent à des suites de données plutôt indigestes.

En effet, les informations remontées du parc sont en règle générale très techniques : numéro de constructeur, numéro de série et/ou type du modèle des machines, etc. Pour les gestionnaires de parc, ces données brutes ne sont ni évidentes ni rapides à lire et à comprendre. Dans ce cas, le datamining permet de retravailler automatiquement ces données brutes récoltées sur le parc, afin d'en faire ressortir des informations intelligibles : nom du constructeur, type de machine, modèle de la machine. Tandis que, grâce à l'adresse IP de la machine, il est également possible, par exemple, de la localiser géographiquement. Ce qui peut représenter un gain de temps considérable pour les administrateurs dont le parc est réparti sur plusieurs sites.

2 - Une normalisation des informations du parc
Qu'il s'agisse de données informatives « simples » ou de statistiques, les informations recueillies sur l'ensemble du parc sont parfois approximatives en raison de l'incapacité des outils de mapping à discerner ce qu'un humain est capable de « traduire ». Les noms des éditeurs et constructeurs en sont par exemple une très bonne illustration.

Ainsi, pour le seul éditeur Microsoft, combien de noms lui sont parfois attribués ? Microsoft, Microsoft Corporation, Microsoft Corp., MS, MS Corp. , etc. Sans un « traducteur », l'outil de gestion de parc est incapable de s'y retrouver afin d'offrir des vues claires à la DSI. Le datamining permet au contraire de normaliser l'ensemble de ces données en une seule information cohérente.

3 - Un parc calibré aux besoins réels de l'entreprise
Connaître précisément et en temps réel l'état de son parc machines et logiciels est une chose. Le gérer au plus juste pour ne pas risquer la « surconsommation », sans toutefois restreindre les utilisateurs, est beaucoup valorisant mais aussi chronophage pour la DSI. Combien de licences sont, par exemple, installées par défaut sur tous les postes de l'entreprise alors que tous les collaborateurs n'en ont strictement aucun besoin ? Inversement, pourquoi renouveler « en masse » des licences d'outils qui ne servent finalement qu'à quelques-uns ?

En permettant une analyse fine de l'usage des machines et des logiciels, le datamining, associé à la gestion du parc, permet d'identifier lesquels sont utilisés et ceux qui le ne sont jamais : un poste en trop dans un service, un logiciel jamais ouvert sur un poste, etc. Auquel cas, le bien en question (poste ou logiciel) peut être déployé ailleurs dans l'entreprise (où il sera utile) ou non renouvelé. Soit autant d'économies en perspective.

4 - Croisement des données avec d'autres sources
Dans la continuité des trois premiers points, le datamining ajoute une couche « d'intelligence » supplémentaire à la gestion de parc lorsqu'il accède à des sources de données extérieures : annuaire de l'entreprise, bases de données diverses, informations éditeurs et constructeurs, voire même sites web, etc. Dans tous les cas, l'objectif reste le même : maximiser l'utilité de l'information pour une gestion plus efficace du parc IT.
Pour disposer des bonnes informations, quoi de mieux que d'aller les chercher à la source. Et de se connecter, par exemple, aux sites web des constructeurs de PC afin d'y récupérer les informations utiles à la bonne gestion du parc : garantie du matériel, dates de fin de support des machines, etc. ?

5 - L'information disponible pour le reste de l'entreprise
Au-delà des frontières de la DSI, la consolidation, le croisement avec d'autres sources et la restitution de ces données en informations compréhensibles permet d'adresser des rapports et des vues accessibles à tous les autres services de l'entreprise, sans nécessité une intervention humaine complémentaire des équipes en charge de la gestion du parc : directions administrative et générale pourront facilement lire les tableaux de bord financiers liés aux licences logicielles ou au parc matériel, tandis que d'autres informations croisées avec l'annuaire d'entreprise pourront intéresser la direction des ressources humaines.

6 - L'automatisation au travers de règles
Complètes et normalisées grâce à l'ajout de la couche datamining, les informations du parc informatique sont aussi un allié précieux du temps et de la productivité des équipes de la DSI. Car c'est à l'aide de ces données que des règles pourront être mises en place afin d'enclencher des actions automatiques.

De la simple gestion quotidienne : remplacement de toner d'imprimante, renouvellement de licence logicielle, etc. A la gestion complète du cycle de vie des biens informatiques de l'entreprise : depuis la commande auprès du fournisseur jusqu'à la gestion de leur filière de recyclage.

7 - Conformité légale et auditabilité
Pressé par le temps, simple oubli ou installation pirate par les utilisateurs eux-mêmes, les licences payées par les entreprises ne correspondent pas toujours exactement à celles qui sont réellement déployées. Capable de pointer du doigt les divergences entre le théorique et le réel, le datamining permet aux gestionnaires de disposer d'un parc totalement conforme et à jour du paiement des licences.

Tandis que le cadre des politiques de qualité, de normalisation et/ou d'audits légaux, cette adéquation certaine entre théorique et réel permet de fournir des éléments sûrs et exacts pour obtenir la certification souhaitée, sans devoir précipitamment se soucier de la conformité du parc.

En bref, le datamining associé à la gestion du parc informatique se traduit par une rationalisation des données remontées de ce parc, afin qu'elles puissent être utilisées par l'ensemble des fonctions de l'entreprise. Au travers d'un reporting plus efficace et de l'automatisation des processus de l'entreprise, ce sont tous les départements, et finalement toute l'organisation en elle-même, qui en tirent pleinement parti.




Commentaires

1.Posté par Sandro le 27/12/2012 22:24
Bonjour,

Bien que la définition du data mining dans votre sous-titre soit correcte, je me permets de clarifier certains points pour éviter tout malentendu.

Concernant le point 1, le fait de retravailler automatiquement des données n'est pas en soit du data mining. Par contre, on peut appeler cela "data parsing", "data management" ou "data quality".

Le point 2, avec l'exemple de Microsoft écrit de diverses manières est un cas typique de qualité de données (et non data mining). En effet, aucune connaissance n'est obtenue à partir de données.

Le point 3 est quant à lui un exemple d'optimisation (en anglais "research & optimization"). Le but étant de trouver la meilleure solution, et donc, d'optimiser un système.

Dans le point 4, le fait d'accéder à des sources de données externes ne constitue pas du data mining. Cela dépend de ce que l'on fait avec ces données.

Pour le point 5, il ne s'agit pas de data mining, mais de business intelligence (reporting, visualisation, dashboards, etc.) et de réconciliation de données. Un module de data mining peut faire partie d'une architecture BI, mais ce n'est pas la même chose.

Le point 6 aborde (enfin) un sujet du data mining, dans le cas où l'on parle de règles inférées à partir des données. S'il s'agit de règles "business", dictées par un expert, il ne s'agit pas de data mining.

Quant au point 7, j'avoue ne pas comprendre en quoi le data mining expliquerait les différences entre théorie et réalité (j'entends par là "pratique").

Contrairement à la conclusion, le data mining n'est ni du reporting, ni de l'automatisation. Le data mining est l'utilisation d'algorithmes statistiques et de "machine learning" pour comprendre les données, faire des prédictions et utiliser ces connaissances pour améliorer la prise de décision.

Nouveau commentaire :
Twitter

Vous pouvez commenter ou apporter un complément d’information à tous les articles de ce site. Les commentaires sont libres et ouverts à tous. Néanmoins, nous nous réservons le droit de supprimer, sans explication ni préavis, tout commentaire qui ne serait pas conforme à nos règles internes de fonctionnement, c'est-à-dire tout commentaire diffamatoire ou sans rapport avec le sujet de l’article. Par ailleurs, les commentaires anonymes sont systématiquement supprimés s’ils sont trop négatifs ou trop positifs. Ayez des opinions, partagez les avec les autres, mais assumez les ! Merci d’avance. Merci de noter également que les commentaires ne sont pas automatiquement envoyés aux rédacteurs de chaque article. Si vous souhaitez poser une question au rédacteur d'un article, contactez-le directement, n'utilisez pas les commentaires.


Twitter
Rss
LinkedIn
Facebook
Apple Podcast
App Store
Google Play Store