Fiche concept

Analytique opérationnelle temps réel

À jour au 2026-10-06

Édité par Cédric Mary, éditeur et directeur de la publication — 27 ans d'écosystème SAP. Comment ces pages sont produites, et où intervient l'automatisation.

Qu'est-ce que Analytique opérationnelle temps réel ?

L'analytique en moins d'une minute sur des données en flux — atelier, logistique, salles de marché — exige CDC, moteurs de streaming et fédération HANA en direct, une stack fondamentalement différente de la BI batch.

Ce que c'est

L'analytique opérationnelle en temps réel désigne une restitution dont la valeur se dégrade en minutes — état d'atelier, exceptions de commandes, dépassements de niveau de service — par opposition à une restitution analytique dont la valeur reste stable sur plusieurs jours.

Pourquoi c'est important

La vitesse de dégradation est la contrainte de conception, et elle inverse les priorités habituelles. La latence prime sur la complétude : une réponse partielle maintenant vaut mieux qu'une réponse complète après la fin du poste. Cette seule inversion change l'architecture, et c'est ce que la plupart des équipes ratent en réutilisant un schéma d'entrepôt.

Elle change aussi le sens de « correct ». Un chiffre opérationnel révisé à mesure que la donnée tardive arrive est normal ; le même comportement dans un rapport financier est un défaut. Dire dans quel régime vit un chiffre évite une dispute plus tard.

Comment ça fonctionne

La question pratique est : où s'exécute la requête. L'analytique embarquée contre le système transactionnel donne la réponse la plus fraîche possible au prix d'une charge sur le système d'enregistrement. Un stockage répliqué donne l'isolation au prix de la latence. La fédération se situe entre les deux et se défend pour des consultations opérationnelles de faible cardinalité et de faible fréquence.

Dans un patrimoine SAP, le cadrage honnête est que l'immédiateté opérationnelle plaide pour rester près de la source, tandis que l'analyse transverse plaide pour la couche analytique — et la plupart des besoins réels sont un mélange, ce qui explique l'échec d'un schéma unique.

Pourquoi c'est important, en pratique

L'architecture BI batch traditionnelle ne peut pas être retrofit pour une latence sous la minute — c'est une décision de stack différente, pas un exercice de tuning sur l'existant.
Atelier de production, logistique et salles de marché partagent la même exigence : CDC + streaming, pas des extraits périodiques — le pattern se généralise à des secteurs très différents.
La fédération HANA en direct permet aux données en flux de joindre les données déjà modélisées sans re-plateformer entièrement — le pont pratique dont la plupart des clients ont réellement besoin.

Points clés

Analytics infra-minute sur données opérationnelles en streaming — ateliers de production, logistique, salles de marché.
Nécessite CDC + moteurs de streaming + fédération HANA live, pas le BI batch traditionnel.
Énoncer explicitement le budget de péremption (jusqu'à quel degré de péremption une réponse reste-t-elle actionnable) et concevoir pour ce chiffre, pas pour le mot « temps réel ».
La latence bat la complétude dans ce régime — une réponse partielle maintenant surclasse souvent une réponse complète après la fermeture de la fenêtre de décision.
Ajouter une couche conversationnelle Joule introduit une nouvelle composante de latence (ancrage du service d'orchestration + appel LLM) qui doit être chiffrée dans le budget de péremption si la réponse IA conditionne une action.
Décider si la couche IA siège dans la boucle de décision (sa latence compte dans le budget) ou à côté (un humain pose une question de suivi après que l'alerte du chemin direct s'est déjà déclenchée) — la seconde est le défaut le plus sûr pour les cas d'usage réellement sensibles à la péremption.
Le Vector Engine plus le Knowledge Graph Engine de HANA Cloud (GeoSPARQL ajouté au QRC3 2026) supportent le RAG hybride pour des questions de type tour de contrôle mêlant donnée de position temps réel et graphe de routes/sites — mais cette requête hybride a aussi son propre profil de latence.
Un reporting embarqué qui rivalise avec le traitement transactionnel dégrade le système sur lequel l'entreprise tourne réellement — l'isolation (un magasin répliqué) échange de la latence contre exactement cette protection.

Termes employés sur cette page

Budget de péremption: L'âge maximal explicite et énoncé qu'une réponse peut avoir avant de cesser d'être actionnable pour une décision donnée — la contrainte de conception au centre de cette fiche, exprimée comme un chiffre, pas le mot « temps réel ».
CDC (Change Data Capture): Une technique qui ne diffuse que les lignes modifiées depuis un système source plutôt que de ré-extraire des tables entières, le mécanisme habituel alimentant un pipeline d'analytics opérationnel infra-minute.
Fédération HANA live: Interroger la donnée en place à travers les systèmes sans réplication complète — défendable pour des lookups opérationnels à faible cardinalité et faible fréquence, mais pas un substitut à l'isolation quand le volume de requêtes est élevé.
Embedded analytics (opérationnel): Exécuter une requête opérationnelle directement contre le système transactionnel d'enregistrement pour une fraîcheur maximale, au prix d'ajouter de la charge à ce système.
Latence du service d'orchestration: Le temps d'aller-retour ajouté par la récupération d'ancrage, le filtrage de contenu et l'appel LLM lui-même dans le service d'orchestration du generative AI hub de SAP — un nouveau poste dans un budget de péremption opérationnel dès qu'une réponse Joule ou basée LLM siège dans un chemin de décision.
IA à côté vs dans la boucle de décision: Le choix de conception introduit par l'aiSection de cette fiche : une réponse IA qui ne fait qu'informer un humain après qu'une alerte du chemin direct s'est déjà déclenchée (« à côté ») versus une dont la sortie conditionne l'action elle-même (« dedans », qui hérite la latence de l'appel IA dans le budget de péremption).
RAG hybride (HANA Cloud): Combiner recherche par similarité vectorielle et requêtes de relations de graphe (via le Vector Engine et le Knowledge Graph Engine de HANA Cloud, ce dernier avec support GeoSPARQL ajouté au QRC3 2026) dans une seule couche de requête — pertinent pour des questions de tour de contrôle couvrant donnée de position live et graphe structurel.

Sources

Fiche complète réservée aux abonnés. Ce que la fiche complète ajoute : le cadre de décision complet · la comparaison SAP · Snowflake · Databricks · Fabric · les pièges courants et leur correctif · l'aide-mémoire · les schémas d'architecture · les blocs de code · les chiffres à citer.

Ouvrir dans l'application →