LA BUSINESS INTELLIGENCE AU SERVICE DE LA MICRO FINANCE … · Remerciements Je rends hommage à la...

RÉPUBLIQUE DU BÉNIN

MINISTÈRE DE L’ENSEIGNEMENT SUPÉRIEURET DE LA RECHERCHE SCIENTIFIQUE

UNIVERSITÉ D’ABOMEY-CALAVI

INSTITUT DE FORMATION ET DERECHERCHE EN INFORMATIQUE

BP 526 Cotonou Tel : +229 21 14 19 88http://www.ifri-uac.net Courriel : [email protected]

MÉMOIRE

Présenté pour l’obtention du

Diplôme de Master en Informatique

La Business Intelligence au Service de la MicroFinance au BENIN : Application au PAPME BENIN

Présenté par :Sèna Gabin [email protected]

Sous la supervision de :Dr Ing. Vinasétan Ratheil HOUNDJI

&Dr Eugène C. EZIN, Maître de Conférences

Année Académique : 2016-2017

http://www.ifri-uac.net

Dédicace

A ma mèreThérèse M. AGBOTRATu es tout ce que j’ai de plus précieux. Merci pour tous tes sacrifices.

A mon pèreFréderic ANADJEMEMerci pour ton soutien et tes précieux conseils.

ii

Remerciements

Je rends hommage à la direction d’IFRI, et plus particulièrement à Monsieur le DirecteurProf Eugène C. EZIN pour avoir réussi malgré les perturbations à porter une attention parti-culière à notre promotion et je tiens à lui exprimer ma sincère gratitude pour avoir accepté desuperviser avec intérêt ce travail de recherche. Son expérience dans le domaine, son dévoue-ment et ses nombreux conseils ont été fort utiles dans la réalisation de ce travail.

Mes remerciements vont également au Docteur Ratheil HOUNDJI qui a accepté diriger avecbeaucoup d’intérêt ce travail.Mes remerciements vont également à :

• Monsieur Rodrigue SEHOULAN, Enseignant à UPI-ONM pour son appui technique ;

• Monsieur Kevin SOUDO, Administrateur Base de Données de PAPME pour son soutienet sa collaboration ;

• Monsieur Boniface DANSOU, Chef service informatique de PAPME pour m’avoir permisde faire ce stage ;

• A tout le personnel du service informatique de PAPME en particulier Didier YAMONGBE,Ignace TOSSOU, Maryse KIKI, Aimé DENAHOU pour m’avoir accepté et facilité le tra-vail ;

• Monsieur Pivot A. SACHI, Docteur en Biotechnologie Alimentaire à l’UAC et MonsieurFilibert AHOUANHOTO, Professeur d’anglais pour avoir lu avec beaucoup d’attentionce document. Vos critiques constructives et conseils ont permis l’amélioration de ce docu-ment ;

• Tous ceux qui ont prêté mains fortes, d’une manière ou d’une autre à ce travail (frères,soeurs, tantes, oncles, amis, etc.).Enfin, j’adresse mes sincères remerciements et mes hommages respectueux aux membresdu jury pour avoir accepté juger ce travail malgré leurs multiples occupations.

iii

Table des matières

Dédicace ii

Remerciements iii

Liste des figures vi

Liste des tableaux vii

Résumé 1

Abstract 2

Introduction 3

1 État de l’art 61.1 Les systèmes d’informations dans les entreprises . . . . . . . . . . . . . . . . . . . 6

1.1.1 Définition et objectif d’un système d’information . . . . . . . . . . . . . . 71.1.2 Système opérationnel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71.1.3 Système de pilotage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

1.2 Systèmes d’information décisionnels dans les entreprises . . . . . . . . . . . . . . 81.2.1 Définition et apport dans les entreprises . . . . . . . . . . . . . . . . . . . . 81.2.2 Objectif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91.2.3 Architecture et fonctions du système d’information décisionnel (SID) . . . 91.2.4 Système d’information décisionnel versus système d’information . . . . . 12

1.3 Les outils décisionnels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131.3.1 Extract Transform Load (ETL) . . . . . . . . . . . . . . . . . . . . . . . . . . 131.3.2 Data Warehouse ou entrepôt de données . . . . . . . . . . . . . . . . . . . 141.3.3 Les cubes OLAP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151.3.4 Data Mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191.3.5 Générateur d’état . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201.3.6 Les suites de solutions décisionnelles . . . . . . . . . . . . . . . . . . . . . 22

1.4 Différentes méthodes utilisées pour la réalisation d’un entrepôt de données . . . 28

iv

TABLE DES MATIÈRES TABLE DES MATIÈRES

1.4.1 Méthodologies de conception de Data Warehouse . . . . . . . . . . . . . . 281.4.2 Cycle de vie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 301.4.3 Modèle en étoile vs Modèle en flocon . . . . . . . . . . . . . . . . . . . . . 31

1.5 Les solutions décisionnelles dans le domaine de la micro finance . . . . . . . . . . 32

2 Matériels et méthodes 342.1 Cadre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

2.1.1 Présentation de PAPME . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 342.1.2 Mission de PAPME . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

2.2 Matériels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 372.2.1 Composants matériels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 372.2.2 Composants logiciels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

2.3 Méthodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 392.3.1 Justification des choix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 392.3.2 Phases de conception d’un Datamart . . . . . . . . . . . . . . . . . . . . . . 402.3.3 Définitions des besoins . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

2.4 Conception de l’entrepôt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 442.4.1 Conception du projet ETL DWH PAPME . . . . . . . . . . . . . . . . . . . 452.4.2 Conception du projet MD PAPME . . . . . . . . . . . . . . . . . . . . . . . 52

2.5 Publication de données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 542.5.1 Présentation des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . 542.5.2 Construction de tableau de bord . . . . . . . . . . . . . . . . . . . . . . . . 552.5.3 Abonnements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 562.5.4 Exécution du rapport en mode client . . . . . . . . . . . . . . . . . . . . . . 56

3 Résultats et discussion 573.1 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

3.1.1 Exploitation de l’entrepôt de données : étude de cas 1 . . . . . . . . . . . . 583.1.2 Exploitation de l’entrepôt de données : étude de cas 2 . . . . . . . . . . . . 60

3.2 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62

Conclusion et perspectives 64

Bibliographie 65

Webographie 67

v

Table des figures

1.1 Décisionnel au sein du Système d’information [5] . . . . . . . . . . . . . . . . . . 81.2 Solution BI [22] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91.3 Quatre phases du processus de Business Intelligence. [14] . . . . . . . . . . . . . 101.4 Exemple de schéma en étoile . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171.5 Vue multidimensionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181.6 Générateur d’état . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 211.7 data warehouse avec modélisation dimensionnelle [16] . . . . . . . . . . . . . . . 291.8 data warehouse avec Data Mart indépendants [16] . . . . . . . . . . . . . . . . . . 301.9 X-Meta : Cycle de vie décisionnel [18] . . . . . . . . . . . . . . . . . . . . . . . . . 31

2.1 Projet ETL DWH PAPME . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 492.2 Package de chargement de la dimension Adhérent . . . . . . . . . . . . . . . . . . 502.3 Package de chargement de la table des faits activité prêt . . . . . . . . . . . . . . . 512.4 Package principal du projet ETL DWH PAPME . . . . . . . . . . . . . . . . . . . . 512.5 Hiérarchie Adhèrent . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 522.6 Cube de données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 532.7 Projet MD PAPME . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 542.8 Présentation des différentes parties d’un rapport . . . . . . . . . . . . . . . . . . . 55

3.1 Tableau comparatif des montants de demande et des prêts accordés par typeadhérents par agence et par période . . . . . . . . . . . . . . . . . . . . . . . . . . 59

3.2 Graphe comparatif des montants de demande et des prêts accordés par typeadhérents par agence et par période . . . . . . . . . . . . . . . . . . . . . . . . . . 60

3.3 Tableau comparatif des montants de demande prêts et des prêts accordés partype adhérents et par produit crédit . . . . . . . . . . . . . . . . . . . . . . . . . . . 61

3.4 Graphe comparatif des montant de demande de prêt et des prêts accordés partype adhérent et par produit crédit . . . . . . . . . . . . . . . . . . . . . . . . . . . 62

vi

Liste des tableaux

1.1 Comparaison système transactionnels vs SID. . . . . . . . . . . . . . . . . . . . . . 131.2 Comparatif entre Base de Données et Data Warehouse . . . . . . . . . . . . . . . . 151.3 Fiche d’identité de Penthao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 221.4 Composants . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 231.5 Fiche d’identité de Jasper Intelligence . . . . . . . . . . . . . . . . . . . . . . . . . 241.6 Composants de Jasper Intelligence . . . . . . . . . . . . . . . . . . . . . . . . . . . 241.7 Fiche d’identité d’Oracle Business Intelligence Foundation Suite . . . . . . . . . . 251.8 Composants d’Oracle Business Intelligence Foundation Suite . . . . . . . . . . . . 261.9 Fiche d’identité de Microsoft SQL Server . . . . . . . . . . . . . . . . . . . . . . . . 271.10 Outils de Microsoft SQL Server . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

2.1 Présentation du réseau PAPME . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 362.2 Caractéristiques du serveur de base de données . . . . . . . . . . . . . . . . . . . 372.3 Poste de travail d’analyse standard . . . . . . . . . . . . . . . . . . . . . . . . . . . 382.4 Synthèse de la méthodologie retenue et des choix possibles . . . . . . . . . . . . . 402.5 Tableau de bord 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 422.6 Tableau de bord 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 422.7 Tableau de bord 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 432.8 Tableau de bord 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 432.9 Tableau de bord 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 442.10 Dimension Objectif Financement . . . . . . . . . . . . . . . . . . . . . . . . . . . . 452.11 Dimension Gestionnaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 452.12 Dimension Motif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 462.13 Dimension Temps . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 462.14 Dimension Produits Credits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 462.15 Dimension Adherent . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 472.16 Dimension Agence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 472.17 Table de fait activité prêt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

vii

Liste des sigles et abréviations

BI : Business Intelligence

BO : Back Office

CRM : Customer Relationship Management

DM : Data Mart

DW : Data Warehouse

ER : Entité Relation

ERP : Enterprise Resource Planning

ETL : Extract Transform Load

FO : Front Office

IFRI : Institut de Formation et de Recherche en Informatique

IMF : Institution de Micro Finance

OLAP : On-Line Analytical Processing

OLTP : On-Line Transaction Processing

PAPME : Agence pour la Promotion et l’Appui aux Petites et Moyennes Entreprises

SGBDR : Système de Gestion de Base de Données Relationnelle

SOM : Semantic Object Model

SQL : Structured Query Language

SSAS : SQL Server Analysis Service

viii

LISTE DES TABLEAUX LISTE DES TABLEAUX

SSIS : SQL Server Integration Service

SSRS : SQL Server Reporting Service

UAC : Université d’Abomey-Calavi

ix

Résumé.Dans un environnement de plus en plus concurrenciel et complexe, une gestion ef-ficace ne peut s’imaginer sans recours aux technologies de l’information et de lacommunication pour aider les gestionnaires dans leurs prises de décisions. Dansce cadre, nous avons mis en place un outil d’aide à la décision afin de permettreaux gestionnaires et aux Directeurs Généraux des Institutions de Micro Finance deprendre des décisions éclairées pour une bonne performance de l’entreprise. Ainsi,nous avons conçu et réalisé un système d’aide à la décision que nous avons testéavec les données du PAPME BENIN. En particulier, nous nous sommes intéressésaux activités des prêts au sein de PAPME BENIN. Les tests effectués montrent queles différents tableaux de bord donnent une vue plus claire des activités de prêt etune facilité d’aide à la prise de décision.

1

Abstract. In an increasingly competitive and complex environment, effective man-agement cannot be imagined without the use of technologies information and com-munication in order to assist managers in their decision-making. In this context, wehave set up a decision support tool to enable managers and the General Directorof Micro Finance Institutions to make informe clearer decisions for a good businessperformance. Thus, we have designed and realized a decision support system thatwe tested with the data of the PAPME. In addition we were particulary interested inthe activities of the loans within the PAPME. The tests have shown that the differentdashboards give a clearer view of lending activities and a decision making facility.At the end of this work, we enrich the Data Warehouse so as to take into account allthe activities of the PAPME.

2

Introduction

Les entreprises ont toujours cherché à mettre en application les meilleures pratiques de ges-tion afin d’être mieux outillées face à la concurrence. Cette concurrence, qui était jadis en bonnepartie nationale ou régionale, devient de plus en plus mondiale [2]. La forte concurrence exigedes entreprises une surveillance très étroite du marché afin de ne pas se laisser distancer par lesconcurrents et cela en répondant, le plus rapidement possible, aux attentes du marché, de leurclientèle et de leurs partenaires.

Les dirigeants d’entreprise tel que les institutions de micro finance (IMF), doivent être enmesure de mener à bien les missions qui leur incombent en la matière. Ils devront prendrenotamment les décisions les plus opportunes. Ces décisions, qui influenceront grandement surla stratégie de l’entreprise et donc sur son avenir, ne doivent pas être prises ni à la légère, ni demanière trop hâtive, compte tenu de leurs conséquences sur sa survie [1]. Il s’agit de prendredes décisions fondées, basées sur des informations claires, fiables et pertinentes.

1 Problématique

Le problème est de savoir donc comment identifier et présenter ces informations à qui dedroit, sachant que les entreprises regorgent d’une part sous une masse considérable de donnéeset d’autre part les systèmes opérationnels «transactionnels» s’avèrent limités, voire inaptes àfournir des informations d’aide à la prise de décision. Il se pose cependant dans nos Institutionsde Micro Finance (IMF) en occurrence PAPME Bénin un problème d’agglomération de données,d’extraction des données les plus pertinentes ainsi que la mise en place des outils d’analysepour permettre aux dirigeants de vite prendre des décisions. C’est dans ce contexte que les «systèmes décisionnels » ont vu le jour. Ils offrent aux décideurs des informations de qualité surlesquelles ils pourront s’appuyer pour faire leurs choix décisionnels. Les institutions de microfinance (IMF) font partie des entreprises qui doivent savoir en temps réel leur situation afin deprendre à temps les bonnes décisions pour assurer la pérennité de leurs activités [4].

3


2 Motivation

Au cours de la dernière décennie, les Institutions de Micro Finance (IMF) ont connu un vé-ritable essor au point de jouer un rôle important dans le financement des activités des Petiteset Moyennes Entreprises. Au Bénin, la plupart des IMF sont répandues sur toute l’étendue duterritoire et ont plusieurs agences chacune dans les départements et dans les communes. LesIMF utilisent dans le cadre de leur gestion des systèmes d’informations transactionnelles quileur permettent de stocker des données brutes dans leurs différentes bases de données. Vu quela plupart de leurs agences ne sont pas interconnectées entre elles, des sauvegardes périodiquesse font dans chaque agence et sont acheminées vers les directions générales pour consolidation.Ce système n’arrive pas à répondre à tous les besoins des dirigeants en termes d’analyses croi-sées entre les agences, des résultats d’une agence ou de la santé globale sur une période ausein d’une IMF. Les informations importantes pour les dirigeants dans leur prise de décisionsne sont pas toujours directement disponibles dans un champ d’une table qui se trouve dans laBase de Données. Il faut alors passer par des transformations, calculs et regroupements pour lesrendre disponibles. C’est pour cela qu’un ensemble de techniques de modélisation est apparupour apporter une solution à ce problème. Ces techniques sont souvent exprimées à traversles concepts de Business Intelligence (BI) de Data Warehouse et de Datamining. Le Programmed’Appui aux Petites et Moyennes Entreprises (PAPME) n’échappe pas à cette réalité. En effet,après 23 années d’existence du PAPME BENIN, le volume des informations brassées en internea considérablement évolué de même que les données envoyées par ses partenaires.

3 Objectifs

L’objectif général de cette étude est la mise en place d’un système décisionnel pour les ins-titutions de micro finance au Bénin. Nous allons nous focaliser sur le cas du PAPME Bénin. Lesobjectifs spécifiques qui en découlent sont les suivants :

• construire grâce aux techniques de la Business Intelligence un entrepôt de données pourPAPME-BENIN.

• mettre en place à partir de l’entrepôt de données des tableaux de bord (tableaux, statis-tiques, graphiques, etc.) facilitant la prise de décision aux dirigeants du PAPME-BENIN.

4 Organisation du travail

Les travaux effectués dans le cadre du présent mémoire s’articulent autour de trois princi-paux chapitre. Le premier chapitre est consacrée à l’état de l’art des systèmes décisionnels dans

4


les entreprises. Le deuxième abordera le cadre d’étude, les matériels et méthodes utilisées dansla conception des entrepôts de données. Enfin, le troisième chapitre présentera la réalisation del’entrepôt de données, les résultats des travaux et abordera les perspectives.

5

Chapitre 1État de l’art

Introduction

Un système d’information a pour objectif premier, de servir de support à la réalisation desactivités d’un ensemble de processus métier tandis que les systèmes d’information décision-nels ont pour but l’évaluation de la performance des processus. Pour mieux comprendre cesdifférentes notions, nous allons définir les deux notions, donner leurs objectifs, leurs rôles dansl’entreprise et essayer de faire une comparaison entre les deux notions.

1.1 Les systèmes d’informations dans les entreprises

Une entreprise est généralement composée de plusieurs services tels que les ressourceshumaines, les services de comptabilité, de marketing etc. Tous conservent des informationspropres à leurs fonctions : listes des clients, des employés, chiffres, emplois du temps etc. L’ac-cumulation de ces données nécessite donc leur sauvegarde dans le but d’une future exploita-tion. On constate ainsi régulièrement que chaque service possède son tableau de bord, ce quilui permet de mesurer les indicateurs de performance de l’entreprise (chiffre d’affaires, calculsde bénéfices, etc.). Cependant, chaque service a bien souvent sa façon de stocker ses informa-tions (par exemple souvent dans un fichier Excel, une base de données relationnelle, etc.) et samanière de calculer les indicateurs, avec ses critères. Ainsi, si l’on veut considérer les donnéesde l’entreprise dans son ensemble, la tâche s’avère rude. Pourtant, cela constituerait une utilitéévidente et un réel apport à la société. Une mise en relation et une analyse de toutes les don-nées permettraient de réaliser des études et des prévisions sur le comportement et la « santé» de l’entreprise. Cette surabondance de données et l’impossibilité des systèmes opérationnelsde les exploiter à des fins d’analyse conduisent, inévitablement l’entreprise à se tourner versune nouvelle informatique dite décisionnelle qui met l’accent sur la compréhension de l’envi-ronnement de l’entreprise et l’exploitation de ces données à bon escient.

6

Chapitre 1. État de l’art 1.1. Les systèmes d’informations dans les entreprises

Afin de mieux comprendre les systèmes d’information dans les entreprises, il serait assezintéressant de définir quelques concepts autour.

1.1.1 Définition et objectif d’un système d’information

Le système d’information (SI) est pour l’entreprise «l’ensemble interdépendant des per-sonnes, des structures d’organisation, des technologies de l’information (matériels et logiciels),des procédures et méthodes qui devraient permettre à l’entreprise de disposer juste-à-tempsdes informations dont elle a (ou aura) besoin pour son fonctionnement courant et pour sonévolution » [23]. Le SI est le centre nerveux des entreprises. Tous les acteurs de l’entreprise véhi-culent des informations. L’objectif principal d’un système d’information (SI) consiste à restituerl’information à la personne concernée sous une forme appropriée et au moment opportun.

1.1.2 Système opérationnel

Les systèmes « opérationnels » ou « de gestion », également appelés systèmes OLTP (on-line transaction processing), sont dédiés aux métiers de l’entreprise pour les assister dans leurstâches de gestion quotidiennes et donc directement opérationnels. La tendance est à l’utilisa-tion de P.G.I. (progiciels de gestion intégrée) qui regroupent tous les logiciels de gestion del’entreprise (finances, ressources humaines, logistique, ventes, etc) en un unique progiciel para-métrable aux règles de l’entreprise, organisé autour d’une base de données, réduisant ainsi lescoûts de communications entre applications.

1.1.3 Système de pilotage

Le système de pilotage est aussi dénommé système de management ou de gestion ou decommande ou encore de décision. Le système de pilotage d’une entreprise est la mise à dis-position des indicateurs métiers permettant un meilleur pilotage des activités et une prise dedécision plus pertinente. Un système de pilotage parfaitement adapté est un gage de gain detemps, de qualité et d’anticipation. Les différences qui existent entre le système de pilotage etle système opérationnel, du point de vue fonctionnel ou des tâches à effectuer, conduit à l’ap-parition des « systèmes d’information décisionnel» (S.I.D.). Les origines des SID remontent audébut de l’informatique et des systèmes d’information qui tous deux ont, connu une grande etcomplexe évolution liée notamment à la technologie. Cette évolution se poursuit à ce jour. Lafigure 1.1 illustre l’importance du décisionnel au sein d’un système d’information.

7

Chapitre 1. État de l’art 1.2. Systèmes d’information décisionnels dans les entreprises

FIGURE 1.1 – Décisionnel au sein du Système d’information [5]

1.2 Systèmes d’information décisionnels dans les entreprises

1.2.1 Définition et apport dans les entreprises

Un système d’information décisionnel est avant tout un moyen qui a pour but de faciliter ladéfinition et la mise en œuvre de stratégies gagnantes. Il ne s’agit pas de définir une stratégieune fois pour toute, mais d’être à même de continuellement s’adapter à son environnement etde le faire plus vite que ses concurrents. Pour cela, il convient de bien comprendre son envi-ronnement et d’ajuster ses interactions avec ce dernier en faisant les meilleurs choix de cibles etd’actions. Un système décisionnel va en particulier aider au pilotage des plans d’actions (pré-vision, planification, suivi), à l’apprentissage (acquisition de savoir-faire, de connaissances, decompétences) et à la réalisation d’innovations incrémentales (adaptation du modèle d’affaires :produits/services, organisation, etc.). Les systèmes décisionnels permettent de faire l’analysedes activités déjà réalisées et d’en tirer des enseignements pour les activités futures. Pour cela,ils utilisent des données plus ou moins récentes (au mieux celle mises à jour quotidiennement).Les systèmes décisionnels plus avancés gèrent des données plus fraîches (certaines sont mises àjour en quasi temps réel), automatisent des décisions et supportent en temps réel des opérations(centre d’appels, web par exemple). Le « Data Warehouse », « Entrepôt de données » en français,constitue une structure informatique et une fondation les plus incontournables pour la mise enplace des systèmes décisionnels. Le concept de Data Warehouse, tel que connu aujourd’hui,

8


est apparu pour la première fois en 1980. L’idée consistait alors à réaliser une base de don-nées destinée exclusivement au processus décisionnel. Les nouveaux besoins de l’entreprise,les quantités importantes de données produites par les systèmes opérationnels et l’apparitiondes technologies aptes à sa mise en œuvre ont contribué à l’apparition du concept «Data Wa-rehouse» comme support aux systèmes décisionnels. La figure 1.2 illustre l’importance de la BIdans l’entreprise

FIGURE 1.2 – Solution BI [22]

1.2.2 Objectif

Les systèmes d’information décisionnels (SID) ont pour objectif d’aider à la prise de déci-sion en permettant des analyses complexes (découverte des exigences et analyse des données).Les caractéristiques des fonctions d’analyse suivant plusieurs métiers ne peuvent pas toutesêtre représentées avec les modèles de SI classiques. Dans les milieux industriels et scientifiques,il est largement accepté que la modélisation de référence pour les SID est la modélisation mul-tidimensionnelle [7].

1.2.3 Architecture et fonctions du système d’information décisionnel (SID)

Un système d’information décisionnel a pour fonction première d’extraire des données dessources opérationnelles afin de transformer ces données en information accessibles et perti-nentes pour faciliter les prises de décision. Les besoins d’analyse des utilisateurs en vue de ces

9


prises de décision requièrent des modèles qui présentent le sujet d’analyse suivant différentsaxes. Les modèles de données adaptés et reconnus sont le schéma en étoile et son extension,le schéma en constellation [8]. Les méthodes d’ingénierie des systèmes d’information utilisentd’autres modèles tel que le modèle Entité Association. Elles s’avèrent inadaptées aux dévelop-pements des SID [10]. Sur le plan pratique et technique, l’informatique décisionnelle se composed’une famille d’outils informatiques et de progiciels assurant le fonctionnement de la chaine detraitement de l’information. Les éléments et outils composant la chaîne décisionnelle peuventêtre regroupés en quatre catégories à savoir : [11].

• la collecte, le nettoyage et consolidation des données ;

• le stockage, la centralisation des données structurées et traitées afin qu’elles soient dispo-nibles pour un usage décisionnel ;

• la distribution ou plutôt facilitation de l’accessibilité des informations selon les fonctionset les types d’utilisation ;

• l’exploitation ou comment assister du mieux possible l’utilisateur afin qu’il puisse extrairela substance de l’information des données stockées à cet usage [11]. La figure 1.3 illustreles quatre fonctions ;

FIGURE 1.3 – Quatre phases du processus de Business Intelligence. [14]

Nous décrivons ci-après chacune des quatre fonctions de la chaine décisionnelle qui sont :la collecte, le stockage, la distribution, et l’exploitation.

10


1.2.3.1 La collecte

La collecte des données est une fonction remplie par une famille d’outils dénommée ETL(Extract Transform load). La majorité des systèmes d’information d’entreprise sont de naturehétérogène pour la plupart. Bien que la standardisation des échanges entre les divers outilsinformatiques avance à grands pas, la disparité des formats des données en circulation est tou-jours une réalité. C’est le principal obstacle technologique aux échanges étendus d’information.Avant d’être utilisables, les données seront formatées, nettoyées et consolidées. Les outils d’ETL(Extract Transform load) permettent d’automatiser ces traitements et de gérer les flux de don-nées alimentant les bases de stockage : Data warehouse ou Datamart.

1.2.3.2 Le stockage

Les bases de données de production ne sont pas utilisables pour une exploitation décision-nelle. Les données brutes ne sont pas prêtes à cet usage et par ailleurs, les requêtes décision-nelles sont particulièrement gourmandes en ressources machines. Les données, au préalablenettoyées et consolidées, seront stockées dans une base spécialisée : le data warehouse ou le da-tamart. Le Datamart est une version plus réduite du data warehouse. Le data mart est orientésujet ou thème et peut être par exemple utilisé pour des applications de CRM (Custom Rela-tionship Management) ou de Data Mining. Le data warehouse ou le datamart sont alimentéspar l’outil d’ETL (Extract Transform load). À noter qu’un projet de mise en place d’un DataWarehouse est assez particulier. Il est préférable de le considérer comme un processus. Le DataWarehouse est en effet en perpétuelle évolution.

1.2.3.3 La distribution

L’écrasement de la pyramide et la multiplication des points de prise de décision modifientfondamentalement la gestion de l’information. L’information sera perçue en termes de flux etnon d’unité de stockage. Afin de dynamiser la réactivité globale, l’information sera largementdistribuée auprès de l’ensemble des partenaires. Le portail décisionnel, Enterprise InformationPortal (EIP), remplit cette fonction essentielle. Désormais, l’essor de la Business Intelligencede 2nde génération, la BI 2.0 exploitant pleinement les capacités du web 2.0 pour l’entreprise,démocratise très largement l’accès à l’information décisionnelle [11].

1.2.3.4 L’exploitation

Selon les besoins, différents types d’outils d’extraction et d’exploitation seront envisagés.

• Analyser les données, notamment avec les outils de type OLAP pour les analyses multi-dimensionnelles.

11


• Rechercher des corrélations peu visibles avec le Data mining.

• Piloter la performance, aide à la décision des décideurs en situation avec les tableaux debord présentant les indicateurs clés de l’activité.

• Communiquer la performance avec le Reporting.

• Accéder à la connaissance, échanger avec ses pairs en exploitant pleinement les ressourcescoopératives du web 2.0 tel que le propose la Business Intelligence 2.0.

1.2.4 Système d’information décisionnel versus système d’information

Le premier système (SI transactionnel) n’a besoin que des informations les plus récentes, ledeuxième système (SID) a besoin de garder l’historique des transactions et des données. Lesutilisateurs traditionnels des SI ont une activité opérationnelle, tandis que les utilisateurs desSID sont des décideurs. Cette différence montre que l’espérance des utilisateurs traditionnelsest que le SI les assiste pour réaliser le processus métier tandis que le but des décideurs estd’étudier la pertinence de ces processus. Dans un SI traditionnel, les données suivent habituel-lement un cycle de vie CRUD (Create, Update et Delete). Par conséquent, la valeur des donnéespeut être perdue, tandis que dans un SID, toutes les valeurs de données sont historisées pourpermettre l’analyse des situations passées. La valeur des données des SI est principalement is-sue de l’activité humaine (par le biais des transactions utilisateur), les données des SID sont laplupart du temps extraites à partir d’autres systèmes. Les interfaces des transactions de SI sontstables, tandis que les interfaces des SID changent à chaque nouvelle analyse[6]. le tableau 1.1compare les deux systèmes.

12

Chapitre 1. État de l’art 1.3. Les outils décisionnels

TABLEAU 1.1 – Comparaison système transactionnels vs SID.

Différence Systèmes Transactionnels SID

L’USAGE PARLES DONNÉES

Orienté applications Orienté thèmes et sujets

Situation instantanée Situation historique

Donnée détaillées et codées nonredondantes

Informations agrégéescohérentes souvent avec

redondanceDonnées changeantes

constammentInformations stables et

synchronisées dans le temps

Pas de référentiel commun Un référentiel unique

Assure l’activité au quotidienPermet l’analyse et la prise de

décision

Pour les opérationnels Pour les décideurs

Mises à jour et requêtes simplesLecture unique et requêtescomplexes transparentes

Temps de réponse immédiatsTemps de réponse moins

critiquesFaibles volumes à chaque

transactionLarge volume manipulé

Conçu pour la mise à jour Conçue pour l’extraction

Usage maîtrisé Usage aléatoire

1.3 Les outils décisionnels

Contrairement aux autres applications s’intégrant à d’autres fonctions de l’entreprise, commepar exemple les SCM qui gèrent la chaîne logistique ou les CRM qui s’occupent de la relationclient, l’Informatique Décisionnelle est composée de plusieurs outils qui, imbriqués les uns auxautres ou utilisés séparément, conduisent à créer un véritable système décisionnel. Nous ver-rons donc ici les différents composants de ce domaine, en partant de la couche la plus invisiblede l’iceberg jusqu’à sa partie la plus visible.

1.3.1 Extract Transform Load (ETL)

Un ETL est utilisé pour alimenter le Data Warehouse à partir des bases de données de pro-duction. Comme son nom l’indique, un ETL :

• extract : Extrait les données à partir de différentes sources ;

• transform : Transforme ces dernières afin de les unifier sous un même format ;

13


• load : Charge les données dans le Data Warehouse.

Les intérêts d’un ETL sont multiples :

• il peut prendre en charge différentes natures de sources (SGBD relationnels, flux XML,fichiers CSV etc.), que ce soit en entrée comme en sortie ;

• l’intégration d’un nouveau flux ne nécessite pas de développement spécifique, une confi-guration interactive, par le biais d’interface graphique, des trois étapes vues précédem-ment suffit ;

• l’intégration d’outil de planification, au sein même des ETL, permet d’éviter le dévelop-pement de programmes batch spécifiques, ainsi que leur maintenance.

Il est cependant important de souligner qu’un ETL fonctionne sous un mode Point à Point.Bien qu’il récupère les données de plusieurs sources, il n’a pas pour vocation de construire unflux agrégé entre deux sources différentes [14].

1.3.2 Data Warehouse ou entrepôt de données

Littéralement entrepôt de données, le Data Warehouse est une base de données recueillant etgérant toutes les données collectées au sein de l’organisme, dans le cadre de la prise de décision.En ce sens, elle est :

• exclusivement réservée à cet usage. Organisée, structurée et préparée à des fins de traite-ment décisionnel.

• alimentée en données depuis les bases de production à l’aide d’outils de type ETL. Il doitdonc répondre à quatre caractéristiques essentielles :

- orienté sujet : les données sont organisées par thème.

- intégré : les données provenant de sources hétérogènes utilisent chacune un type deformat. Elles doivent donc être intégrées avant d’être proposées à utilisation.

- non volatile : les données ne disparaissent pas et ne changent pas au fil des traite-ments, au fil du temps.

- historisé : les données sont horodatées, afin de visualiser l’évolution dans le tempsd’une valeur donnée.

Le degré de détail de l’archivage est bien entendu relatif à la nature des données. Toutesles données ne méritent pas d’être archivées. Il existe plusieurs natures de Data Warehousepossibles (bases relationnelles, bases OLAP, bases hybrides etc.). Nous ne les recenserons pas

14


ici mais proposerons plutôt le tableau 1.2 mettant en avant les caractéristiques différenciant lesData Warehouse et les bases de données relationnelles classiques [14].

TABLEAU 1.2 – Comparatif entre Base de Données et Data Warehouse

Différence Systèmes Transactionnels SIDComparatif entre Base de

Données et Data WarehouseComparatif entre Base de


Données et Data Warehouse

Caractéristiques Base De Données Data Warehouse

Opération Gestion courante. Production. Analyse. Support à la décision.

Modèle de données Entité / relation 3NF Etoile. Flocon de neige.

Normalisation Fréquente. Plus rare dans les Datamarts.

Données Actuelles. Brutes. Historisées. Parfois agrégées.

Mise à jour Immédiate. Temps réel. Souvent différée.

Niveau de consolidation Faible. Elevé.

Perception Bidimensionnelle. Multidimensionnelle

OpérationsLecture. Mises à jour.

Suppressions.Lectures. Analyses croisées.

Rafraîchissements.

Taille En giga-octets. En téraoctets.

Taille En giga-octets. En téraoctets.

1.3.3 Les cubes OLAP

Le concept On Line Analytical Processing (OLAP) a été défini en 1993 par Ef Codd [15].Il s’agit d’une catégorie de logiciels axés sur l’exploration et l’analyse rapide des données se-lon une approche multidimensionnelle à plusieurs niveaux d’agrégation. Olap vise à assisterl’usager dans son analyse en lui facilitant l’exploration de ses données et en lui donnant la pos-sibilité de le faire rapidement. L’usager n’a pas à maîtriser des langages d’interrogation et desinterfaces complexes. Il interroge directement les données, en interagissant avec celles-ci. Kim-ball définit le concept « OLAP » comme «Activité globale de requêtage et de présentation dedonnées textuelles et numériques contenues dans l’entrepôt de données ; Style d’interrogationspécifiquement dimensionnel » [8]. Edgar Frank Codd a aussi introduit 12 « règles de base »permettant de qualifier l’OLAP :

• multidimensionalité : le modèle OLAP l’est par nature ;

• transparence : l’emplacement physique du serveur OLAP est transparent pour l’utilisa-teur ;

• accessibilité : l’utilisateur OLAP dispose de l’accessibilité à toutes les données nécessairesà ses analyses ;

15


• stabilité : la performance des reportings reste stable indépendamment du nombre de di-mensions ;

• client-serveur : le serveur OLAP s’intègre dans une architecture de la sorte ;

• dimensionnement : il est générique, afin de ne pas fausser les analyses ;

• gestion complète : le serveur OLAP assure la gestion des données clairsemées ;

• multi-utilisateurs : le serveur OLAP offre un support multi-utilisateurs (gestion des misesà jour, intégrité, sécurité etc.).

• inter dimension : Le serveur OLAP permet la réalisation d’opérations inter dimensionssans restriction ;

• intuitif : Le serveur OLAP permet une manipulation intuitive des données ;

• flexibilité : La flexibilité (ou souplesse) de l’édition des rapports est intrinsèque au mo-dèle ;

• analyse sans limites : Le nombre de dimensions et de niveaux d’agrégation possibles estsuffisant pour autoriser les analyses les plus poussées.

Olap a vu le jour du fait que les bases de données de type relationnel (SGBDR) sont inadap-tées aux besoins décisionnel. En effet, les requêtes décisionnelles, particulièrement complexespar principe, mobilisent abusivement les ressources machines et perturbent les traitements deproduction. Les outils OLAP permettent de modéliser l’activité d’une entreprise suivant desaxes ou paramètres, répondant ainsi à ces contraintes. Ces indicateurs sont donc fonctions desdifférentes dimensions. C’est pour cela que l’on emploie le terme multidimensionnel. Pour cefaire, la structure de données construite est parfois appelée schéma en étoile, du fait de sa formecomme l’illustre la figure1.4.

16


FIGURE 1.4 – Exemple de schéma en étoile

Nous pouvons ainsi distinguer deux types de tables :

• celles formant les branches des étoiles, utilisées comme critères d’analyse. Elles sont ap-pelées dimensions ou axes.

• celle qui forme le centre de l’étoile. Appelée table de fait, elle contient les indicateurs,également appelés mesures.

Il peut être intéressant de définir des hiérarchies sur les dimensions. On utilisera les termesparents ou enfants pour décrire les différents niveaux entre eux. La structure de cette base dedonnées, dans la même lignée que l’appellation schéma en étoile, est appelée schéma en flocons.Ainsi, l’axe Temps pourra se découper en jour, semaine, mois etc. Et de même, pour agence quipourra se découper en ville, département, etc. On utilisera les termes parents, enfants pourdécrire les différents niveaux entre eux.

17


La représentation de cette base de données donne donc un cube. On appelle Cube OLAPune représentation des données selon des axes. Si l’on représente cette conceptualisation sousforme schématique, on obtient le type de graphique ci-après :

FIGURE 1.5 – Vue multidimensionnelle

Cette structure présente de nombreux avantages pour des applications de Business Intelli-gence, en particulier grâce à sa capacité à faire évoluer, recalculer et transformer les tableauxde bord. Le concept OLAP s’est spécialisé avec différentes déclinaisons : multidimensionnelles,hybrides, desktop, etc. Le cube complet est appelé population d’analyse. Dès qu’on dépassetrois dimensions, on parle d’hypercube. Dans la mesure où toutes les cases du Cube ne serontpas forcément remplies, il est possible d’indiquer au moteur OLAP les caractéristiques d’unevariable, dimension dense ou éparse, afin d’optimiser la gestion de l’espace disque et l’accèsaux données [14]. Il peut être intéressant de définir des hiérarchies sur les dimensions.

18


1.3.4 Data Mining

Le Data Mining que l’on peut traduire par forage de données, consiste donc à chercher dansun grand volume de données afin d’en extraire des informations pertinentes pour le décideur.Le point important du Data Mining est que l’utilisateur ne sait pas ce qu’il cherche. En effet,les outils de Data Mining recherchent, de manière semi-automatisée, des corrélations invisiblesentre des données n’ayant à priori aucun lien entre elles. L’utilité même du Data Mining peutêtre comprise par l’exemple plus ou moins légendaire (Wall-Mart). Cette entreprise Américaine,spécialisée dans la grande distribution, utilisa les premières techniques de Data Mining surleurs données produits. Ainsi, les résultats de ces recherches mirent en avant une corrélationentre les ventes de couches et celles de bières le samedi après-midi. Après analyse, il s’avéraque le lien entre ces deux produits était induit par le fait que le samedi après-midi, pour lescouples ayant un ou plusieurs enfants en bas âge, les femmes déléguaient les courses à leurmari. Ces derniers achetaient ainsi les couches pour leurs nourrissons, ainsi que des bières poureux-mêmes. De ce fait, une réorganisation de l’agencement des rayons, mettant côte à côte lesrayons couches et bières, firent grimper les ventes de ces dernières en flèche. Cet exemple duData Mining est tout particulièrement éloquent car il met en avant les points essentiels de cetoutil :

• ce n’est pas l’utilisateur qui cherche des réponses à des questions spécifiques mais l’ap-plication qui met en valeur des axes de réflexion à suivre ;

• cet outil est particulièrement adapté au traitement de grands volumes de données ;

• une analyse des résultats obtenus doit être effectuée afin de définir, d’une part quel typede relation se cache derrière ces résultats (cause à effets, résultante d’une cause conjointeetc), et d’autre part les causes de cette relation ;

• l’information pertinente, résultante de cette analyse, doit aboutir à des préconisations uti-lisables par le décideur.

Il en découle ainsi plusieurs points :

• le Data Mining est plus considéré comme un art que comme une science, car sa perti-nence réside dans l’analyse effectuée, et les résultats qui en découlent, sur les donnéesretournées ;

• Il s’utilise sur un volume de données important, dont une chronologie peut être établie(typiquement des Data Warehouse), à contrario de l’analyse statistique ;

• cette technique peut tout aussi bien être utilisée à des fins explicatives que dans un objectifprédictif.

19


Il existe ainsi non pas une technique de Data Mining mais plusieurs, chacune reposant sur desalgorithmes mathématiques bien spécifiques, à choisir en fonction des résultats escomptés :

• les méthodes utilisant les techniques de classification et de segmentation ;

• les méthodes utilisant des principes d’arbres de décision assez proches des techniques declassification ;

• les méthodes fondées sur des principes et des règles d’associations ou d’analogies ;

• les méthodes exploitant les capacités d’apprentissage des réseaux de neurones ;

• les algorithmes génétiques, utilisés pour les études d’évolution des populations.

Une utilisation performante des outils de Data Mining nécessite trois conditions obligatoires,chacune possédant ses contraintes :

• une collecte des données complète, minutieuse et fiable (longue et coûteuse) ;

• une étude approfondie des résultats , à mettre en relation avec d’autres techniques d’ana-lyse (nécessite du temps et des compétences) ;

• Une absence de réponse du système ne doit pas être systématiquement considérée commeune négation. Il peut parfois indiquer la nécessité d’aborder le problème sous un autreangle (nécessite du temps et le recul nécessaire).

1.3.5 Générateur d’état

Le générateur d’état permet de réaliser des états, appelés également reporting, qui sont desrapports présentant de manière synthétique et lisible des données, sous forme de tableaux dechiffres, tout en gérant la mise en page (en-tête, pied de pages, etc.). D’une manière générale, lefonctionnement d’un générateur d’état se décline sous quatre phases :

• obtention d’un fichier modèle XML;

• construction d’un rapport à partir du modèle ;

• remplissage du modèle à l’aide des sources de données ;

• exportation sous différents formats.

Nous pouvons ainsi le schématiser comme l’illustre la figure 1.6

20


FIGURE 1.6 – Générateur d’état

La particularité d’un générateur d’état est qu’il peut se décliner sous deux aspects :

• interactif : l’utilisateur pourra tout aussi bien générer un état en le déclinant sous plusieursvariantes (année, produit, région, etc.) ;

• figé : les règles de gestion sont définies à la base et l’utilisateur ne se servira de l’applica-tion que dans un mode Client-Serveur ;

Cette particularité induit ainsi deux modes de conception diamétralement opposés :

• dans le mode interactif, la phase de paramétrage et de production ne requiert aucuneexpertise particulière car elle est sous le contrôle de l’utilisateur final ;

• dans le mode figé, a contrario, l’utilisateur ne peut modifier les paramètres des états. Laconception initiale nécessite donc une expertise spécifique et rigoureuse.

Il est cependant plus intéressant de mettre à disposition des générateurs d’état figés. Bienque cette orientation nécessite un coût plus important, aussi bien en terme de temps que d’ar-gent, et qu’elle rigidifie les possibilités d’utilisation, l’expérience montre que les utilisateurs onten général d’autres priorités que celles de l’apprentissage de l’application et de la définition deses paramétrages. Le principal inconvénient des générateurs d’états vient de leur utilisation.En effet, bien qu’ils permettent au décideur de disposer d’une vue d’ensemble précise de sonorganisation, ils sont plus utilisés afin de rendre des comptes. Cela s’inscrit dans une logiquede management par le contrôle, et non dans celle de la Business Intelligence. Il existe égalementdes générateurs de graphiques qui, comme leur nom l’indique, permettent la visualisation desdonnées sous forme de graphes. Néanmoins, bien que certains documents distinguent ces ou-tils des générateurs d’états, nous ne ferons pas la différence ici car la plupart de ces générateurssont actuellement utilisés comme des moteurs graphiques implémentés directement dans lesgénérateurs d’états. Il est important de faire la différence entre reporting et tableau de bord. Lepremier est généré par le générateur d’état alors que le second propose une vision plus globale.

21


1.3.6 Les suites de solutions décisionnelles

Une suite de solutions décisionnelle est l’ensemble des outils utilisés dans une solution déci-sionnelle. Nous présenterons dans cette partie quelques solutions existants dans le décisionnel,en décrivant les aspects techniques, les fonctionnalités des outils et les caractéristiques globalesdes communautés s’articulant autour.

1.3.6.1 Pentaho

Une plate-forme de Business Intelligence qui comprend le reporting, l’analyse OLAP, lestableaux de bord, le Data Mining et l’intégration de données par le biais d’un ETL. Elle peutêtre utilisée comme une suite complète ou composante par composante.

• Fiche d’identité

Le tableau 1.3 présente la fiche d’identité de Penthao

TABLEAU 1.3 – Fiche d’identité de Penthao

Caractéristiques générales de lasolution

Projet âgé de 10 ans. Très bonnedocumentation. Distribué sous

Mozilla Public Licence 1.1Comparatif entre Base de


Données et Data Warehouse

Communauté

Sponsorisé par Pentaho, 9administrateurs et 19

développeurs ont clairementétaient identifiés. Racheté en2015 par le groupe japonais

HITACHI Taux de fréquentationet visibilité Internet très bon.

Taille de la communauté difficileà déterminer car reliéedirectement à la suitedécisionnelle Pentaho.

Niveau d’accessibilité

Interface graphique. Très bonniveau de packaging. Disposed’une traduction Française. OS

Indépendant.

Taux d’activité Assez modeste

• Composants

22


Le tableau 1.4 présente les composants de Penthao

TABLEAU 1.4 – Composants

ETL Kettle

Générateur d’étatEclipse BIRT Jasper Reports

JfreeReport.

Analyse Multidimensionnelle Jpivot. Mondrian.

Data Mining Weka.

Portail Jboss Portal.

Planificateur Quartz.

Workflow Enhydra shark.

C’est une solution complète, gérant l’intégralité des niveaux du décisionnel, disposant del’intégralité des fonctionnalités souhaitées et disposant de la majorité des solutions disponiblesdans le secteur de la Business Intelligence en Open Source. Sa communauté est très active etsa logique d’intégration, par le biais de l’acceptation de plusieurs projets au sein du sien enfont une solution cohérente dans son architecture, et permet un suivi évolutif pertinent dansson ensemble. Pentaho est ainsi la solution qui se distingue par le fait qu’elle peut couvrirl’ensemble des contextes d’informatique décisionnelle. Néanmoins, il est à noter que son largechoix d’outils décisionnels en font une solution qui peut certes couvrir l’intégralité des caspossibles, mais qui ne s’avèrera pas la plus pertinente dans la mesure ou d’autres solutions,moins fournies, s’avèreront plus rapides de mise en place et tout aussi pertinentes, dans certainscontextes [14].

1.3.6.2 Jasper Intelligence

Plate-forme Open Source de Business Intelligence permettant de déployer aussi bien desoutils de reporting, d’analyse et d’intégration de données utilisant le langage J2EE.


Le tableau 1.5 présente la fiche d’identité de Jasper Intelligence

23


TABLEAU 1.5 – Fiche d’identité de Jasper Intelligence


Projet âgé de 10 ans. Bonnedocumentation. Distribué sousLicence GPL et commerciale.

Communauté

Sponsorisé par JasperSoft, 3administrateur et 31

développeurs ont clairementétaient identifiés. Taille de la

communauté et visibilitéInternet assez bonne. Taux de

fréquentation difficile àdéterminer, pas de fréquentation

propre à la suite mais auxcomposants.

Niveau d’accessibilité

Interface graphique. Faibleniveau de packaging. Pas de

traduction Française. OSIndépendant.

Taux d’activité Assez bon

• Composants

Le tableau 1.6 présente les composants de Jasper Intelligence

TABLEAU 1.6 – Composants de Jasper Intelligence

ETLJasper ETL : Talend Open

Studio.

Générateur d’état Jasper Report.

Analyse MultidimensionnelleJasper Analysis : Mondrian.

Jpivot.

Planificateur Quartz.

Cette solution de suite décisionnelle s’avère être assez simple de prise en main, dont toutesles fonctions principales sont présentes. La navigation somme toute assez basique se trouveainsi être assez allégée. Deux grands inconvénients sont cependant à noter : D’une part, l’outilde reporting de BIRT est absent de cette suite, ce qui est assez dommageable. D’autre part, auvu des composants présents, force est de penser que Jasper Soft souhaite mettre en avant sespropres produits au détriment des solutions les plus pertinentes. Il est donc peu probable qued’autres outils de reporting soient intégrés à cette solution. En conclusion, Jasper Intelligence

24


s’avère être une solution assez intéressante de par sa simplicité, sa légèreté et sa rapidité deprise en main, mais bien que possédant la plupart des fonctionnalités importantes que l’ondemande à une suite décisionnelle, elle s’avère être assez restreinte et elle peut être soumise àdes contraintes « marketing ». Le domaine de la Business Intelligence dans l’Open Source estun secteur en pleine croissance, aussi bien du côté de la demande que de l’offre. La maturité etla stabilité de certaines solutions actuelles permettent de réellement envisager leur utilisationau sein d’une structure professionnelle. La diversité des briques logicielles et leur différents casd’utilisation permet de répondre aux besoins d’aide à la décision, mais également de choisirla solution « sur mesure », sans forcément s’encombrer d’applications secondaires qui seraientinutiles dans ce cas-là [14].

1.3.6.3 Oracle Business Intelligence Foundation Suite

Oracle Business Intelligence Foundation Suite 11g se compose de plusieurs produits d’infor-matique décisionnelle (BI, Business Intelligence) qui prennent en charge les tableaux de bord,les cartes de performance, les rapports de production, les analyses ponctuelles, le traitementOLAP (OnLine Analytical Processing) multidimensionnel et l’analytique prédictif.


Le tableau 1.7 présente la fiche d’identité d’Oracle Business Intelligence Foundation Suite.

TABLEAU 1.7 – Fiche d’identité d’Oracle Business Intelligence Foundation Suite


Projet âgé de plus de 2decennies. Très bonne

documentation.

CommunautéOracle Corporation Taux de

fréquentation et visibilitéInternet très bon.

Niveau d’accessibilitéInterface graphique. Très bon

niveau de packaging. OSIndépendant.

Taux d’activité Bon

• Composants

La suite réunit les outils suivants :

25


TABLEAU 1.8 – Composants d’Oracle Business Intelligence Foundation Suite

ETLOracle ETL : Oracle DataIntegrator (ODI). Oracle

Warehouse Builder (OWB)

Générateur d’état

Oracle Business IntelligenceEnterprise Edition (OBIEE).Oracle Business Intelligence

Publisher.

Analyse MultidimensionnelleOracle Essbase et Oracle EssbaseAnalytics Link Oracle BI Server

Planificateur Crontab. oracle scheduler

Oracle BI Server et Oracle Essbase sont les composants serveur clés d’Oracle Business In-telligence Foundation Suite. Ils permettent d’accéder aux données et de les administrer. OracleBI Server assure l’accès à toute une gamme de sources de données, qu’il s’agisse de bases dedonnées, de structures de fichiers, d’applications et de services. Oracle Essbase, pour sa part,prend en charge l’analyse OLAP multidimensionnelle. Au cœur de tous ces serveurs se trouvele CEIM (Common Enterprise Information Model), une technologie qui fédère ses sources ausein d’un modèle géré, exploitable par les composants utilisateur de la suite. OBIEE permet decréer des tableaux de bord et des rapports, d’intégrer des visualisations avancées, d’encoura-ger la collaboration et de faciliter les recherches. Des requêtes ponctuelles peuvent être utiliséesdans le cadre d’analyses métier, ou pour développer des tableaux de bord ou des rapports selonun mode itératif. Les développeurs BI peuvent tirer parti du CEIM pour améliorer la produc-tivité et mieux gérer l’analytique. Solution de reporting d’Oracle pour les entreprises, OracleBI Publisher permet de générer, de planifier et de publier des rapports et des documents. Àl’instar d’OBIEE, BI Publisher peut accéder à Oracle Server et au CEIM lors de la générationdes rapports. Publisher intègre également un moteur d’alerte qui capte et distribue des notifi-cations via plusieurs canaux, en réaction à des événements métier prédéfinis et à des exceptionsde données. Oracle Scorecard and Strategy Management prend en charge la création de cartesde performances intégrant des indicateurs clés de performance (KPI, Key Performance Indi-cator) et des objectifs stratégiques. Ces éléments peuvent être définis, surveillés et distribuéssur l’ensemble de l’entreprise. Les objets de métadonnées et les visualisations des cartes deperformance, qui sont traités comme tout autre objet de métadonnées OBIEE 11g, peuvent êtreintégrés aux tableaux de bord, ainsi qu’aux requêtes ponctuelles et vues analytiques, puis suivisen tant qu’alertes. Accessible depuis Apple iTunes, Oracle Business Intelligence Mobile permetaux utilisateurs d’envoyer des notifications et des alertes via leurs iPhone et iPad sans com-promettre la sécurité. Enfin Oracle Enterprise Manager Intégration permet à un administrateursystème Oracle BI de gérer un système d’entreprise multiserveur à partir d’une seule et même

26


interface. [20]

1.3.6.4 Microsoft Sql Server

Microsoft Sql Server est une suite BI qui à lui seul présente tous les composants pour la miseen œuvre d’une solution BI, depuis l’acquisition des données jusqu’à la restitution.


Le tableau 1.9 présente la fiche d’identité de Microsoft SQL Server

TABLEAU 1.9 – Fiche d’identité de Microsoft SQL Server


Projet âgé de plus de 2decennies. Très bonne

documentation.

CommunautéMICROSOFT Taux de

fréquentation et visibilitéInternet très bon.

Niveau d’accessibilitéInterface graphique. Très bon

niveau de packaging. OSIndépendant.

Taux d’activité Très bon

• Composants

La suite réunit les outils suivants :

TABLEAU 1.10 – Outils de Microsoft SQL Server

ETLSSIS (SQL Server Integration

Services)

Générateur d’étatSSRS (SQL Server Reporting

Services) POWER BI

Analyse MultidimensionnelleSSAS (SQL Server Analysis

Services)

Planificateur Agent SQL

SQL Server inclut aussi de nombreux outils de développement :

• pour les bases transactionnelles, par le biais du SQL Server Management Studio (SSMS)

27

Chapitre 1. État de l’art 1.4. Différentes méthodes utilisées pour la réalisation d’un entrepôt de données

• pour les bases décisionnelles, le forage des données, le reporting et l’ETL, par le biaisd’une surcouche de Visual Studio appelé BIDS (Business Intelligence Development Stu-dio) puis SQL Server Data Tools depuis la version 2012.

Plus d’une centaine d’outils périphériques sont disponibles, soit lors de l’installation (SQLProfiler, Database Tuning Advisor, Data Collector etc.), soit directement sur le site de Microsoft(SQLdiag, SQLioSim, SQL Server Best Practices Analyzer etc.), soit à travers le site communau-taire open source Codeplex (RML Utilities, PAL, Open DBDiff, etc.).

Une instance de SQL Server est une installation de tout ou partie des services SQL Serversur une machine Windows et peut héberger de nombreuses bases de données. Un même OSsupportant jusqu’à 50 instances différentes (ce qui n’est pas conseillé en production). Micro-soft propose une offre de solutions de Business Intelligence riche et adaptable à de nombreuxscénarios, quelles que soient la taille du projet et l’architecture choisie [17] .

1.4 Différentes méthodes utilisées pour la réalisation d’un en-

trepôt de données

1.4.1 Méthodologies de conception de Data Warehouse

Il y a deux grands maîtres de la BI dont les théories sont opposées. Pour Inmon, le datawarehouse consolide les données détaillées de toute l’entreprise. Les Datamart sont ensuiteconstruits selon les demandes des "utilisateurs métier" à partir de cette source complète. Ici ledata warehouse est modélisé en Entité-Relation comme dans les bases de données transaction-nelles afin d’avoir une centralisation des données. Pour Kimball, le data warehouse est l’en-semble des datamarts ; chaque nouveau datamart vient enrichir le data warehouse. Le schémaEntité-Relation de la structure transactionnelle est dénormalisé en plusieurs magasins de don-nées liés entre eux. On parle alors de faits et de dimensions conformes.

28


FIGURE 1.7 – data warehouse avec modélisation dimensionnelle [16]

Ces deux écoles n’ont jamais trouvé de point d’entente, si ce n’est la notion de datamart.Lorsque Kimball dit « the Data Warehouse is nothing more than the union of all the data Mart» (le data warehouse n’est rien d’autre que l’union de tous les datamart), Inmon lui répond :« You can catch all the minnows in the ocean and stack them together and they still do notmake a whale » (Vous avez beau pêcher toutes les sardines de l’océan, et les rassembler, vousn’obtiendrez jamais une baleine)[17] La méthode Inmon nécessite de créer en premier ce fa-meux data warehouse, pour ensuite pouvoir délivrer des datamarts. L’inconvénient est que lacréation du data warehouse est un travail conséquent, la livraison du premier datamart se feradonc attendre. L’avantage est qu’une fois le data warehouse complet créé, n’importe quel da-tamart peut être rapidement construit, y compris sur des besoins qui n’ont pas été exprimésau démarrage du projet. L’approche Kimball permet de réduire la durée globale du projet déci-sionnel, donc de diminuer son coût. Les utilisateurs voient plus rapidement arriver les premierstableaux. Par contre, les données non intégrées aux datamart ne sont pas historisées dans l’en-trepôt. Même si la majorité des discussions par rapport aux méthodologies de conception desdata warehouse parlent des approches de Kimball et d’Inmon (et de ses variantes), il existe unetroisième approche. Cette approche implique la création de Data Mart indépendants, commel’illustre la figure 1.8.

29


FIGURE 1.8 – data warehouse avec Data Mart indépendants [16]

Dans cette méthode, les sources (Schéma ER) sont transformées en plusieurs Data Mart indé-pendants. Puisque les Data Mart sont indépendants, les mêmes données peuvent se retrouverdans divers Data Mart. Cette répétition de données duplique l’effort ETL inutilement. De plus,il est impossible d’effectuer l’analyse croisée des différents Data Mart.

1.4.2 Cycle de vie

L’ensemble ordonnancé des phases d’un projet s’appelle le cycle de vie du projet. Le cyclede vie d’un logiciel représente toutes les étapes de son développement et de sa maintenance.Il s’assure que chaque étape est réussie avant de passer à la suivante. Un cycle de vie existeégalement pour les projets de développement d’entrepôt de données. Le cycle de développe-ment d’un entrepôt de données nommé X-Meta est illustré par la figure 1.9. Il se divise en troisgrands axes : l’introduction, le développement et la production.

30


FIGURE 1.9 – X-Meta : Cycle de vie décisionnel [18]

La phase la plus imposante de la méthode X-Meta se retrouve au niveau de l’axe «dévelop-pement». Un autre cycle de vie (cycle de vie dimensionnel) existe et a été créé par Kimball [9].Ce dernier comprend aussi trois axes principaux qui peuvent être parcourus de façon indépen-dante :

• l’axe technique : architecture technique et sélection des produits ;

• l’axe des données : modélisation dimensionnelle et zone temporaire de traitement ;

• l’axe d’analyse : spécification et réalisation d’applications d’analyse ;

1.4.3 Modèle en étoile vs Modèle en flocon

Chaque enregistrement dans la table de faits constitue un fait, c’est-à-dire l’unité de base. Lagranularité du schéma permet de déterminer ce qui sera un fait. Par exemple, pour une chaînede détaillants, un fait pourrait être un article vendu. Un fait pourrait aussi être un ensembled’articles regroupés par magasin. Ainsi, plus la granularité est fine, plus on a d’enregistrementsdans la table de faits. Ce modèle est recommandé à cause de sa faible complexité, sa facilité decompréhension pour l’utilisateur final et pour les liens directs avec les structures logiques desdonnées . Le cœur du schéma est la table de faits.

31

Chapitre 1. État de l’art 1.5. Les solutions décisionnelles dans le domaine de la micro finance

Le modèle dimensionnel utilisant un schéma en flocons est une sorte de compromis entreles modèles relationnels et dimensionnels. Le schéma en flocons est supposé diminuer la re-dondance du schéma en étoile en normalisant certaines des tables de dimensions, surtout lors-qu’elles contiennent beaucoup d’enregistrements. Cependant, l’auteur et concepteur d’entre-pôts Ralph Kimball a émis cet avertissement très direct à propos des schémas en flocons : « Netransformez pas vos dimensions en flocons, même quand elles sont grandes. Si vous le faites,préparez-vous à subir de mauvaises performances de navigation » [9].

1.5 Les solutions décisionnelles dans le domaine de la micro

finance

Une solution décisionnelle est composée de plusieurs outils qui, imbriqués les uns auxautres ou utilisés séparément, conduisent à créer un véritable système décisionnel. A notreconnaissance, nous ne pouvons pas affirmer qu’il y a des solutions décisionnelles dédiées dansle domaine de la micro finance utilisées dans la sous-région. Ce pendant, des travaux ont été ef-fectués dans certains pays. Au Burkina Faso, Traoré a effectué un travail sur le système SIMCré-dit qui est un progiciel de gestion des crédits et de l’épargne développé par le Bureau d’Appuien Management et Informatique de Gestion (BAMIG). Le travail de Traoré était de concevoirdes tableaux de bord décisionnel à partir des informations stockées par SimCredit et qui se-ront intégrées à ce dernier. Plus concrètement, Traoré aura pour objetif de construire grâce auxtechniques du datamining un entrepôt de données. Cet entrepôt de données servira de sup-port pour la réalisation d’une application proposant des interfaces graphiques conviviales etintuitives facilitant l’accès aux décideurs. Il devra permettre la génération d’un certain nombrede tableaux de bords. Cette application doit aussi proposer une zone de forage de données(Data Mining) permettant à l’utilisateur d’aller plus loin en navigant dans les cubes de donnéesdécisionnels.

Le système de gestion le plus répandu au Bénin et au Togo est Perfect. Perfect est un progicielde gestion des crédits et de l’épargne. Il a les fonctionnalités suivantes :

• la gestion des individus, des groupes et des entreprises ;

• la gestion des départs des clients ;

• la création des comptes auxiliaires et ceux de la comptabilité générale ;

• geler une partie des avoirs des membres ;

• gestion de toutes les opérations effectuées par les membres au niveau de la caisse ;

32

Chapitre 1. État de l’art 1.5. Les solutions décisionnelles dans le domaine de la micro finance

• gestion de la chaîne complète de l’activité de crédits avec des rapports détaillés ;

• gestion de la comptabilité et du budget ;

• gestion des états financiersCe système ne répond pas toujours à tous les besoins des IMF d’où l’utilisation d’autressources de données comme Excel, Access, etc. Notre travail consiste à concevoir une so-lution décisionnelle basée sur les différentes sources de données utilisées par les IMF auBénin.

Conclusion

Dans ce chapitre, nous avons présenté les systèmes d’informations et les systèmes d’in-formations décisionnels . Nous avons aussi présenté les solutions, les outils décisionnelsainsi que les méthodes de réalisation d’un data warehouse. Nous exposons dans le cha-pitre suivant les matériels et les méthodes utilisés pour aborder le problème.

33

Chapitre 2Matériels et méthodes

Introduction

Après une brève présentation du cadre de travail, nous faisons la description des maté-riels utilisés lors de la phase de développement. Nous justifions aussi la méthodologieadoptée. Nous procédons également à la conception de l’entrepôt dans ce chapitre.

2.1 Cadre

2.1.1 Présentation de PAPME

Parmi les premières institutions de micro finance opérant au Bénin, figure l’Agence pourla Promotion et l’Appui aux Petites et Moyennes Entreprises (PAPME) qui est le cadrechoisi pour notre travail. L’Agence PAPME, afin de participer durablement aux actions deréduction de la pauvreté au Bénin a connu plusieurs étapes dans sa formalisation en uneinstitution de micro finance autonome. Elle est une Association d’utilité publique issue dela transformation institutionnelle du Projet d’Appui aux Petites et Moyennes Entreprisesmis en place en Octobre 1993 dans le cadre des réformes économiques entreprises depuis1989 pour amortir les effets sociaux du Programme d’Ajustement Structurel (PAS). Elle apour but de relancer le secteur économique privé à travers la Promotion et le Financementdes Petites et Moyennes Entreprises (PME). En particulier, elle met en place des finance-ments adaptés aux entreprises, apporte une formation de base de gestion et une assistancepour le suivi du crédit. Du 22 octobre 1993, date de démarrage, au 31 décembre 1998, datede création de l’Association PAPME, l’institution a évolué sous le numéro d’enregistre-ment 98-401 / MISAT / DC / DAC / SAAPASSOC du 31 Décembre 1998 et a exercé ses

34

Chapitre 2. Matériels et méthodes 2.1. Cadre

activités de financement conformément aux dispositions de la loi N° 97 - 027 du 08 Août1997 portant réglementation des Institutions Mutualistes ou Coopératives d’Epargne etde Crédit et dont le décret d’application est le décret N° 98 - 60 du 09 Février 1998. Dansle cadre du suivi des financements à mettre en place, le PAPME a comme mandat d’ap-porter l’assistance nécessaire à la poursuite et au développement des activités des PME enfournissant aux entrepreneurs, en fonction de leur besoin, différents services financiers etnon financiers. Avec l’appui du Gouvernement du Bénin et de ses partenaires, l’AgencePAPME qui a démarré ses activités avec une équipe légère de cinq agents, compte au-jourd’hui un peu plus de 265 employés. Plus de 128 milliards de FCFA ont été injectésdans l’économie béninoise depuis le début de ses activités. Le recours à une méthodo-logie décentralisée favorisant une grande proximité géographique et culturelle entre leclient bénéficiaire et le mécanisme de financement a permis à l’Agence PAPME d’être pré-sente sur toute l’étendue du territoire national avec ses 33 points de service. Elle offre àsa clientèle une gamme variée de produits et services notamment les opérations de cré-dit et d’épargne, d’assurance, de formation, d’étude et d’appui conseil. Elle a montré, aucours de ces années, sa capacité d’adaptation aux réalités béninoises. Le développementet le niveau actuel de ces activités en font aujourd’hui l’une des principales institutionsde financement décentralisées du Bénin et de la sous-région. Le siège abrite l’ensembledes directions techniques de l’Agence PAPME. Il est le lieu de fixation de la stratégie etdes objectifs, de consolidation des informations et de gestion. Les agences principales dis-posent de services de comptabilité et d’informatique, où sont saisies les données sur lesactivités et les opérations comptables, et où sont prises les décisions d’octroi des créditspour des montants limités. Des guichets permettent la gestion des remboursements etdéboursements ainsi que la collecte de l’épargne. Des bureaux décentralisés placés sousla supervision des agences principales permettent une plus grande proximité entre lesagents de terrain et les clients des zones plus reculées. Ils sont composés d’un chef de bu-reau, des chargés de prêts, d’un support informatique, administratif et comptable, ainsique d’un guichet. le tableau 2.1 présente le réseau PAPME.

35

Chapitre 2. Matériels et méthodes 2.1. Cadre

TABLEAU 2.1 – Présentation du réseau PAPME

ORDRE DEPARTEMENT ENTITES

1 LITTORALBureaux : Jéricho, Akpakpa,Missèbo,Tokpa, Kouhounou,

Fidjrossè

2 ATLANTIQUEBureaux : Calavi, Atrokpocodji

Cellules : Ouidah

3 OUEMEBureaux : Saint Pierre et

Paul,Houinmey à Porto-NovoCellules : Azowlissè

4 PLATEAU Bureau : Pobè Cellule : Kétou

5 ZOUBureau : kpocon à BohiconCellules : Abomey et Covè

6 MONO Bureau : Lokossa Cellule : Comè

7 COUFFO Bureau : Azovè

8 COLLINESBureau : Dassa Cellules :Savalou, Glazoué et Savè

9 BORGOUBureaux : Madina et Wansirou à

Parakou Cellules : N’Dali etTchaourou

10 ALIBORIBureau : Kandi Cellules :Banikoara et Malanville

11 DONGA Cellule : Djougou

12 ATACORA Bureau : Natitingou

Grâce à ce positionnement géographique l’Agence PAPME se trouve présente dans tousles départements du Bénin et ainsi fait éviter à ses clients toutes tracasseries liées aux fraisde transaction qui rendraient plus chères et moins compétitifs ses services et produits.Cependant, de nombreux défis restent à relever dans le cadre de sa mission de lutte contrela pauvreté et d’accroissement de la richesse nationale.

2.1.2 Mission de PAPME

Conformément aux dispositions de l’article 5 de ses statuts, l’Agence PAPME a pour mis-sion :

• de promouvoir le développement des Petites et Moyennes Entreprises au Bénin.

• de renforcer de manière significative la base économique des personnes pauvres pra-tiquant une petite activité d’auto emploi au Bénin, et disposant d’un revenu fixe pro-venant d’un emploi salarié ou non ;

36

Chapitre 2. Matériels et méthodes 2.2. Matériels

• de sécuriser les promoteurs contre les dommages auxquels elles sont exposées dansl’exercice de leurs activités.A ce titre, l’Agence PAPME mène toute activité se rattachant à cet objet. En particulierelle met en place des financements adaptés aux entreprises, les aides à concevoirleurs plans d’affaires et à mettre en œuvre leur stratégie de développement. Notrechoix est fait sur PAPME à cause de son expérience dans le domaine. Grâce à sonancienneté, PAPME a embrasé des dizaines de giga de données ce qui l’a obligé àquitter les SGBD comme ACCESS et à opter pour une solution plus confortable a sesbesoins. D’où la solution perfect qui utilise SQL SERVER comme SGBD. Ce choix estfait aussi parce que nous avions pu avoir des relations nous permettant d’avoir unaccès aux données même si cet accès est limité.

2.2 Matériels

2.2.1 Composants matériels

Ici nous allons présenter le matériel utilisé pour réaliser l’entrepôt de donnée.

• Serveur de base de données.

C’est cette machine qui héberge les bases de données de L’IMF. Le tableau 2.2 présente lescaractéristiques du serveur de base de données.

TABLEAU 2.2 – Caractéristiques du serveur de base de données

MARQUEServeur HPE ProLiant DL380

Gen9

PROCESSEURIntel® Xeon® E5-2600 v3 2.3

GHZ

MEMOIRE 64 GO

DISQUE DUR 2To

LECTEUR CD/DVD Lecteur DVD/CD-RW

SYSTEME D’EXPLOITATION WINDOWS SERVEUR 2012

• Poste de travail d’analyse standard

Il est constitué d’ordinateur utilisé par les utilisateurs de l’entrepôt pour accéder à l’en-trepôt via un client léger (navigateur web) pour consulter ses tableaux de bord. Voir letableau 2.3.

37

Chapitre 2. Matériels et méthodes 2.2. Matériels

TABLEAU 2.3 – Poste de travail d’analyse standard

MARQUE HP

PROCESSEURIntel ® Core™ 2Duo CPU E6750

@2.66GHz 2.67GHz

MEMOIRE 4 Go

DISQUE DUR 500 Go

LECTEUR CD/DVD Lecteur DVD/CD-RW

SYSTEME D’EXPLOITATIONWindows 7 Edition x32

professionnel Service Pack1

2.2.2 Composants logiciels

Ici nous allons présenter les logiciels utilisés dans le cadre de la mise en place de l’entre-pôt de données. Microsoft propose une offre de solutions de Business Intelligence riche etadaptable à de nombreux scénarios, quelles que soient la taille du projet et l’architecturechoisie. Cependant, dans le cadre de notre mémoire, nous avons fait le choix de dévelop-per la BI sur SQL Server 2012 qui, à lui seul présente tous les composants pour la miseen oeuvre de la BI, depuis l’acquisition des données jusqu’à la restitution. Notre choix deSQL Server s’explique pour les raisons suivantes :

• SQL Server est une plateforme de développement de Business Intelligence. Avec SQLServer, chaque personne de l’entreprise peut avoir accès à des outils pour visualiserses données, tout en assurant la qualité des données avec de nouveaux outils commeData Quality Services, qui ajouté à SQL Server Intégration Services et à la gestiondes données de référence avec Master Data Services, permettent de gérer la donnéependant tout son cycle de vie afin de garantir son exactitude ;

• SQL Server intègre par défaut des outils de gestion, d’administration et de dévelop-pement de bases de données ;

• déploiement par un setup, mise en oeuvre et administration par des interfaces gra-phiques intuitives ;

• gestion avancée de la sécurité en offrant deux modes d’authentification : authentifi-cation SQL et authentification Windows ;

• prise en compte des spécificités des projets décisionnels ;

• de plus le SGBD utilisé par le système PERFECT Microsoft SQL Server 2012 alors enmatière de coût le problème ne se pose ;

38

Chapitre 2. Matériels et méthodes 2.3. Méthodes

2.3 Méthodes

Ici, nous allons justifier nos choix méthodologiques, présenter les besoins et les différentesphases de réalisation de l’entrepôt.

2.3.1 Justification des choix

Le choix de la méthode de conception appropriée est souvent un facteur déterminant dansle succès ou l’échec de la mise en place d’un entrepôt de données. Quelle méthodologieadoptée pour la mise en place de l’entrepôt de données? Après étude, nous avons écartél’approche par “Data Mart Indépendants “. C’est une approche orienté-sujet qui person-nalise les analyses et rend pénible les analyses croisées fiables. Aussi la répétition destraitements et des données alourdissent les tâches de maintenance des processus. Nousallons à présent comparer les deux autres approches. Ces dernières sont présentées pardeux auteurs qui s’opposent : Inmon et Kimball. Ce qui les différencie peut être décritcomme la distinction entre l’extensibilité et puissance contre la rapidité et la simplicité.Selon Inmon, il faut forcément créer l’entrepôt de données au complet en premier pourensuite pouvoir délivrer des datamart. L’inconvénient est que la création d’un entrepôtde données est un travail conséquent, la livraison du premier datamart se fera donc at-tendre. L’avantage est qu’une fois l’entrepôt au complet créé, n’importe qu’elle datamartpuisse être rapidement construite, y compris des besoins qui n’ont pas été exprimés audémarrage du projet. L’approche Kimball permet quant à elle de réduire la durée globaledu projet décisionnel, donc de diminuer son coût. Les utilisateurs voient plus rapidementarriver les premiers tableaux. Par contre, les données non intégrées au datamart ne sontpas historisées dans l’entrepôt de données. Ici ce sont des structures dimensionnelles quisont créées sans avoir besoin de créer entièrement l’entrepôt de données. Pour effectuernos choix, nous avons considéré le fait que dans le contexte des IMF, les opérations lesplus en vues sont les prêts et les remboursements de ces prêts. Les premiers Data Martconcernant ces deux domaines doivent être fonctionnels le plus tôt possible et tous lesautres sujets d’analyse devront être intégrés à leur tour. Il est alors primordial d’obtenirles résultats, et ce, dans les meilleurs délais. Pour ces raisons, le choix qui s’impose est lemodèle dimensionnel «Bottom-up» de Kimball. L’approche de base « Bottom-up » retenuepour la suite, déterminera la méthodologie du projet dans son ensemble. Il sera difficilede la modifier ultérieurement.

L’approche de base « orientée », correspondant à l’approche de base de Kimball est l’ap-proche « Piloter par les besoins des utilisateurs ». Cette approche présente des risques.Vu que les besoins d’un gestionnaire ont de forte chance d’être modifiés par un autre qui

39


éventuellement l’aurait remplacé par moment, les besoins modélisés avec le premier de-vront être totalement modifiés pour ce dernier. Sur ce, nous allons combiner les approches« besoin » et « objectif ». En ce qui concerne le cycle de vie décisionnel, si l’on comparela méthodologie X-META à celui de Kimball, on constate que celle de Kimball est plusdétaillée. La méthodologie du X-Meta correspond à l’axe des données du cycle de vie di-mensionnel de Kimball. La figure 1.9 illustrant ce cycle de vie dimensionnel de Kimball,matérialise une succession de tâche de haut niveau nécessaire à la conception, au dévelop-pement et au déploiement d’entrepôt de données efficaces. Elle décrit le cheminement duprojet dans son ensemble ; chaque rectangle sert de poteau indicateur ou de borne. Pourcela, nous avons retenu le cycle de vie dimensionnel de Kimball. Le tableau 2.4 résumeles choix que nous avons retenus.

TABLEAU 2.4 – Synthèse de la méthodologie retenue et des choix possibles

EtapesChoix possible pour chaque

étapeChoix retenus

1Approche de

base

– « top down »(Inmon)

– « bottom up »(Kimball) « Bottom-up »

2Approche «

orienté »

– Piloter par les données

– Piloter par les besoins desutilisateurs

– Piloter par les objectifs

Hybride (objectifs et besoins)

4Cycle de viedécisionnel

– X-Meta

– Méthode Kimball Choix retenus

2.3.2 Phases de conception d’un Datamart

Différentes méthodes de conduite de projets décisionnels existent. Que la démarche adop-tée pour la mise en place du data warehouse soit plus proche de celle d’Inmon ou celle deKimball, GAUCHET suggère de découper le projet en itération par domaine fonctionnel[17]. Pour lui cela présente plusieurs avantages : découper le projet en lots de plus petitetaille, satisfaire au plus tôt une partie des utilisateurs finaux, avoir une montée en chargeprogressive du système décisionnel. Sa démarche se résume en six étapes :

40


Etape 1 : Choisir le processus métier à analyser

Il faut commencer par choisir le périmètre fonctionnel du datamart à créer. Certaines in-formations sont plus vitales que d’autres pour l’entreprise ou intéressent un plus grandnombre d’utilisateurs finaux. Certains utilisateurs finaux sont plus stratégiques que d’autres :il est important de cibler leurs besoins dès la première itération.

Etape 2 : Définir le grain du datamart

Le grain du DM est le niveau de détail des données archivées dans la table de faits.

Etape 3 : Définir les dimensions

Les axes d’analyses utiles aux décideurs sont définis. Pour chaque dimension, les attributset les hiérarchies sont listés.

Etape 4 :Définir les mesures des faits

Les mesures des faits enregistrés dans la table des faits sont définies.

Etape 5 : Définir la fréquence et le mode d’alimentation

Quelle est la fraîcheur des données attendues par les utilisateurs. Est-ce du temps réel, lesdonnées de la veille? Et quelles sont les possibilités pour alimenter votre schéma en étoileà partir des sources? Une alimentation différentielle est- elle possible?

Etape 6 : Définir la profondeur d’historique en ligne

La profondeur d’historique se mesure en nombre d’unités de temps : nombre d’années,nombre de mois. . . Il est important de la définir avec les utilisateurs tôt dans le processusafin d’estimer la volumétrie des données traitées. Vu les avantages et la simplicité de cettedémarche, nous avons choisi de l’adopter dans la mise en place de notre projet en ce quiconcerne la conception de chaque Data Mart.

2.3.3 Définitions des besoins

L’étape de définition des besoins est une étape cruciale dans le développement. De sarichesse dépendra la pertinence de l’entrepôt en construction. Nous avons systématique-ment défini de façon aussi claire que possible la description des tableaux de bords que

41


le système doit fournir après plusieurs interviews et séances de travail avec les différentsutilisateurs.

TB 1 : Dans quelle période il y a plus de demande de prêt? Et pourquoi? Et quelle est lazone la plus touchée?

Ce tableau de bord permettra au décideur de comprendre pourquoi il y a une forte de-mande d’un produit prêt sur le plan national, dans une zone donnée durant une périodede l’année.

TABLEAU 2.5 – Tableau de bord 1

INTITULE DU TABLEAU DEBORD

TB PAPME 1

UTILISATEURSCHARGES DE CLIENTELS ET

LE SUPERVISEURS LE CA

PERIODICITE PAR TRIMESTRE

Les tables du modèle transactionnel intervenant dans ce tableau de bord : -Zone –De-mande Pret –Type Pret – Periode – Objet De Financement –Agence, Periode

TB 2 :Quels sont les produits crédits les plus demandés et qui ont fait l’objet de prêt?

Ce tableau de bord fera sortir les prêts les plus demandés par produit dont le solde est faitdans les délais et ressortir pourquoi cette réussite sur ces produits prêts.



TB PAPME 2

UTILISATEURSCA LES MEMBRES DU COMITE DE

VALIDATION


Les tables du model transactionnel intervenant dans ce tableau de bord sont :

Zone –Demande De Pret – Commission Pret, Type Pret – Periode – Objet De Financement–Agence, -Pret, Remboursement.

TB 3 : Performance par zone et par type de produit

Ce tableau de bord permettra aux décideurs de voir la performance de chaque produitprêt par zone

42




TB PAPME 3

UTILISATEURSCHARGES DE CLIENTELS ET LE

SUPERVISEURS LE CA


Les tables du model transactionnel intervenant dans ce tableau de bord sont : Zone–Demande Pret – Commission Pret, Type Pret – Periode – Objet De Financement –Agence–Pret, Remboursement

TB 4 : Performance par agence et par gestionnaire

Ce tableau de bord permettra aux décideurs de voir la performance de chaque gestion-naire



TB PAPME 4


SUPERVISEURS LE CA


Les tables du model transactionnel intervenant dans ce tableau de bord sont : -Zone –De-mande Pret, –Type Pret – Periode – Objet De Financement –Agence, –Pret, -CommissionPret, - Remboursement, Gestionnaire

TB 5 : Les clients qui n’ont jamais connu d’impayé par zone et sur le plan national avecun cumul de prêt d’au moins 100 000 000 sur les cinq dernières années.

Ce tableau de bord permettra aux décideurs de voir les meilleurs clients sur qui ils peuventcompter.

43

Chapitre 2. Matériels et méthodes 2.4. Conception de l’entrepôt



TB PAPME 5


SUPERVISEURS LE CA


GROUPEMENT

Les tables du model transactionnel intervenant dans ce tableau de bord sont : Zone –De-mande Pret, –Produit Pret – Periode – Objet De Financement –Agence, –Pret, -Remboursement,Gestionnaire, -Adherents, -Echancier.

Au cours de cette étape nous avons défini quelques tableaux de bords. La difficulté ma-jeure de cette étape est d’obtenir des explications claires de la signification des colonnesde chacun des tableaux de bord. Cela nous a permis de cerner les besoins analytiquesd’informations et d’avoir une idée sur les dimensions et les Data Marts à construire. Nousdevons à présent poursuivre les objectifs suivants :

• Modélisation d’un entrepôt de données couvrant les besoins analytiques exprimés ;

• Construction du modèle physique de l’entrepôt de données ainsi que du module dechargement des données de la base transactionnelle vers l’entrepôt de données. ;

• Développement d’un prototype servant d’interface entre l’utilisateur et l’entrepôt dedonnées.

Pour ce faire, nous avons exploité le résultat de la définition des besoins afin de préparerla modélisation dimensionnelle.

2.4 Conception de l’entrepôt

C’est la partie d’arrière-plan de la réalisation de notre DW. Deux projets seront dévelop-pés : le projet «ETL DWH PAPME» qui nous permettra de faire l’intégration des donnéeset le projet «MD PAPME» qui servira de base d’analyse. C’est à partir de ce dernier que lapublication des données pourra être faite.

44


2.4.1 Conception du projet ETL DWH PAPME

2.4.1.1 Modèle dimensionnel de l’entrepôt

Notre entrepôt de données est construit dans le moteur relationnel SQL Server. Il est réa-lisé suivant le modèle étoilé avec des dimensions et la table des faits au milieu. Nousavons choisi le Data Mart des « ACTIVITES PRETS», au sein de L’IMF PAPME. Cecipermet d’analyser les activités des prêts et remboursements. Le niveau de grain définipour ces Data Marts est le niveau atomique. Puisque nous aurons à analyser les prêts paragence, adhérents, tiers etc. nous avons identifié les dimensions suivantes :

2.4.1.2 Data Marts activités prêts

Ce Data Mart nous permettra d’analyser les demandes PRETS par zone par agence parsaison par activité, par produit de crédit, par gestionnaire et les différentes demandes quiont été validées, rejetées avec leurs motifs etc. Les différentes dimensions qui feront objetde ce Data Mart sont : DIMENSION ADHERENTS, DIMENSION OBJECTIFS FINANCE-MENTS, DIMENSION MOTIFS, DIMENSION TEMPS, DIMENSION ZONE GEOGRAP-PHIQUE, DIMESNSION PRODUITS CREDITS, DIMENSION AGENCE, DIMENSIONGESTIONNAIRE et la table des faits ACTIVITE PRET.

TABLEAU 2.10 – Dimension Objectif Financement

TABLEAU 2.11 – Dimension Gestionnaire

45


TABLEAU 2.12 – Dimension Motif

TABLEAU 2.13 – Dimension Temps

TABLEAU 2.14 – Dimension Produits Credits

46


TABLEAU 2.15 – Dimension Adherent

TABLEAU 2.16 – Dimension Agence

47


TABLEAU 2.17 – Table de fait activité prêt

2.4.1.3 Le projet ETL

L’ETL est créé à partir d’un type de projet SQL Server Intégration Services dans SQLServer Data Tools (anciennement connue sous le nom de Businness Intelligence Develop-pement Studio). L’ETL charge les données des sources opérationnelles vers l’entrepôt dedonnées. Il peut également être paramétré pour alimenter directement (traiter) la basede données multidimensionnelle que nous allons créer dans ce projet. Notre projet ETLdu nom de « ETL DWH PAPME » comprend (09) neuf Packages SSIS comme ci-dessousprésenté :

48


FIGURE 2.1 – Projet ETL DWH PAPME

En vue de la gestion optimale des sources et surtout de la réduction du périmètre des testsde non-régressions en cas de correction d’une anomalie, nous avons opté pour la limita-tion de la portée d’un package à l’alimentation d’une table cible de l’entrepôt de données.Présentation des packages suivants : Package LoadAdherent, Package LoadFaitActivi-tePret, Package ExecuteActivitePretDM

• Package LoadAdherent

C’est le package d’alimentation de la table de dimension Adhérent. Les tables de la basede données du système transactionnel intervenant dans le chargement de cette dimensionsont : ADHERENT, MEMBRE, INDIVIDU, GROUPE, ENTREPRISE. Son flux de contrôlecontient une tâche de flux de données au niveau de laquelle s’effectuent toutes les opéra-tions d’insertion et de mise à jour d’enregistrements (car on considère que la dimensionADHERENT comme les autres à part la dimension TEMPS est une dimension à variationlente).

49


FIGURE 2.2 – Package de chargement de la dimension Adhérent

Pour réaliser ce package, nous avons créé deux connexions : PROJECT PAPME oleDB etDW PAPME oleDB.

• PROJECT PAPME oleDB permet de se brancher sur la base de données source pourrécupérer les informations dont on a besoin (dans ce cas, sélectionner les adhérents).

• DW PAPME oleDB, permette de se connecter à l’entrepôt de données relationnel.

• ajouté un composants derived column.Ce composant est renommé « TRAITEMENTDES VALEURS NULL ». A ce niveau, toutes les colonnes qui sont susceptibles decontenir des valeurs de type NULL sont formatées.

• Package LoadFaitActivitePret

C’est le package d’alimentation de la table de fait ACTIVITE PRET. Les tables de la basede données du système transactionnel intervenant dans le chargement de cette dimensionsont PRET, DEMANADE PRET, ainsi que toutes les dimensions de l’entrepôt de données.La table des faits est chargée après les tables de dimension. Pour effectuer son chargement,il faut identifier les enregistrements concernés. Ce sont ces enregistrements qui constituentla source Oledb de données. Puis suivent des composants de recherche en vue de récupé-rer les clés techniques de chaque table de dimension. Une fois les recherches terminées,les lignes de la sélection sont envoyées vers la destination «CHARGEMENT TABLE FAITACTIVITE PRET» pour être chargées dans la table des faits ACTIVITE PRET.

50


FIGURE 2.3 – Package de chargement de la table des faits activité prêt

• Package ExecuteActivitePretDM

C’est le package principal du projet SSIS. Il contient les tâches d’exécution des packages.Le lancement de ce package exécute automatiquement les autres packages d’alimentationdes dimensions et des faits. A la fin, une tâche « Analysis Services Execute DDL » estlancée pour charger le cube du projet MD PAPME. Le projet ETL est planifié pour êtrechargé périodiquement dans l’entrepôt de données.

FIGURE 2.4 – Package principal du projet ETL DWH PAPME

51


2.4.2 Conception du projet MD PAPME

L’objectif de ce projet est la création du cube et de la base multidimensionnelle quisera utilisée comme source d’analyse. C’est un projet Analysis Service qui est créé dansle SQL Server Data Tools. La base multidimensionnelle est nommée PAPMEOLAP et lecube cubePret. Pour cette réalisation nous avons :

• créé la source de données DW PAPME.ds qui fait référence au schéma relationnel del’entrepôt créé au niveau du projet ETL«ETL DWH PAPME»;

• créé la vue de source de données DW PAPME.dsv qui est une couche logique rela-tionnelle entre le moteur OLAP et les données sources ;

• créé les dimensions du cube (ADHERENT, PRODUITS CREDITS, MOTIFS, OBJEC-TIF FINANCEMENT, TEMPS, AGENCE, GESTIONNAIRE). Ici aussi comme lors dela définition des dimensions dans le projet ETL, on peut réaliser les hiérarchies de di-mension. Pour la dimension Adhérent par exemple nous avons identifié les relationsd’attributs suivants.

FIGURE 2.5 – Hiérarchie Adhèrent

A la fin de tout ceci, le cube est finalement créé. La Figure ci-dessous présente une vued’ensemble du cube avec les dimensions et la table des faits au milieu représentant uneforme en étoile.

52


FIGURE 2.6 – Cube de données

Une fois le cube créé, nous passons au déploiement du projet Analysis Service. Nouspouvons aussi faire un clic droit sur le nom du projet dans l’explorateur de solution etchoisir « Traiter » pour effectuer le déploiement. La base Analysis Service est alors généréedans le moteur Analysis service de SQL SERVER comme l’indique la fiigure 2.7. Cettefigure illustre les éléments constitutifs de la base multidimensionnelle

53

Chapitre 2. Matériels et méthodes 2.5. Publication de données

FIGURE 2.7 – Projet MD PAPME

2.5 Publication de données

C’est la partie frontale (front-office) de la réalisation du DW. Ici, nous allons aborder lesétapes de la publication des données. La tâche effectuée précédemment simplifie cettephase de présentation des données. Après un chargement de l’entrepôt de données qua-lifié comme, les données sont alors publicisées, c’est à dire prêtes à être exploitées par leslogiciels de « reporting », disponibles aux usagers. La publication nous permet la distri-bution de bonnes informations aux bons utilisateurs. C’est après l’application des règlesde sécurité et d’accès que l’utilisateur ayant les droits, pourra consulter et extraire lesdonnées ainsi disponibles.

2.5.1 Présentation des données

L’entrepôt de données permet aux décideurs d’avoir accès plus rapidement et plus fa-cilement aux données stratégiques de l’entreprise. L’outil de « reporting » qui est choisipour la présentation des données est le Reporting Server de Microsoft SQL Server (SSRS).La conception d’un rapport SSRS revient à créer un fichier XML portant l’extension RDL

54


(Report Definition Language). Le RDL est un format XML ouvert qui permet de décriretous les composants du rapport : ensembles de données, formatage, sous-totaux,etc.

2.5.2 Construction de tableau de bord

Il est primordial, avant de construire un tableau de bord, de connaître les mesuresqui seront représentées. Ces mesures représentent les indicateurs de performance. Aprèsl’analyse de ces mesures par le gestionnaire, il pourra agir, réagir ou conclure. Dans notrecas un des tableaux de bord qui sera réalisé est intitulé « Statistique des demandes prêt paragence et par période ». Les mesures ici sont les montants sollicités et les montants prêtésune période donnée. Comme pour les précédents projets, le développement des rapportsse fait dans le SQL Data Tools. Notre projet s’appelle « PAPMERS ». Nous l’avons créé àpartir du modèle de projet « Projet Report Server ».

FIGURE 2.8 – Présentation des différentes parties d’un rapport

Après la création du projet, nous passons maintenant à la création du rapport commele montre la figure ci-dessus. Après la réalisation du rapport et toutes les mises en forme,

55


nous allons passer au déploiement du projet pour qu’il soit disponible sur le serveur derapport.

2.5.3 Abonnements

S’abonner à un rapport permet de programmer l’exécution de ce dernier pour le rece-voir par courriel ou dans le partage réseau, selon une planification définie. Deux solutionsd’abonnement sont proposées par SSRS. L’abonnement standard avec l’édition standardde SSRS et les abonnements pilotés par les données disponibles à partir de l’édition En-treprise de SSRS.

2.5.4 Exécution du rapport en mode client

Pour exécuter un rapport, il suffit juste de lancer Internet Explorer ou n’importe quelnavigateur depuis n’importe quel poste d’analyse standard qui se trouve dans le réseaude PAPME et taper dans la barre d’adresse, l’adresse du serveur de rapport. Par des droitsde lecture sur les dossiers, l’utilisateur pourra voir les rapports auxquels il a accès. Enfin,il clique sur le rapport pour l’exécuter. Nous avons aussi la possibilité d’aller directementdans les répertoires partagés pour lancer lesdits tableaux de bord. Ces répertoires partagéssont situés sur le serveur de fichier et contrôlés par des droits d’accès.

Conclusion

Dans ce chapitre, nous avions justifié le choix de la méthodologie. Nous avions mis enplace les différents projets entrant dans le cadre de la réalisation d’un entrepôt de données.Le chapitre suivant présente les solutions.

56

Chapitre 3Résultats et discussion

Introduction

Nous verrons ici les résultats du travail. L’entrepôt de données a été mis en place. Nousprésentons quelques cas d’utilisation dans le cadre de son exploitation. Nous exposonsles résultats (les tableaux de bords, les graphes). Après cela, nous faisons une analyse afinde pouvoir tirer des connaissances de ces résultats.

3.1 Résultats

Dans le cadre de ce travail, nous avons conçu un entrepôt de données pour les IMF engénérale et en particulier à PAPME Bénin. Nous avons utilisé le logiciel Microsoft SQLServer 2012 pour concevoir l’entrepôt. Le premier DM que nous avons étudié pour lemoment est celui des «ACTIVITES PRETS ». Les autres s’ajouteront plus tard pour as-surer la montée en charge de l’entrepôt. Nous avons construit ce DM suivant le modèleen étoile avec des dimensions et la table des faits au milieu. En effet, la construction del’entrepôt s’est déroulée en deux phases principales. Dans la première phase (prépara-tion et stockage des données), nous avons réalisé deux projets. Il s’agit de : « ETL DWHPAPME » qui réalise l’intégration des données dans notre Data Warehouse. Ici, la base dedonnées dimensionnelle fut créée et porte le nom de DWH PAPME. Pour créer cette basede données dimensionnelle, nous avons effectué la dénormalisation de la base de don-nées source du système transactionnel. Ceci nous a permis d’identifier sept dimensions(TEMPS, CREDITS PRODUITS, AGENCE, GESTIONNAIRE, ADHERENTS, OBJECTIFFINANCEMENT, ET MOTIF PRET) et la table des faits (ACTIVITE PRET) au centre pourformer le schéma en étoile. Toujours dans «ETL DWH PAPME» nous avons créé neuf pa-ckages d’alimentation des tables de dimension et de fait. Sept packages respectivement

57

Chapitre 3. Résultats et discussion 3.1. Résultats

pour les sept dimensions, un pour la table des faits et un dernier qui est le principal quilance l’exécution de tous les autres packages. C’est au sein de ces packages que nous avonsprogrammé toutes les opérations de transformations, nettoyages, corrections etc. afin degarantir l’intégrité des données qui vont se loger dans le Data Warehouse. « MD PAPME» qui nous a permis la mise en place de la base de données multidimensionnelle. Dans ceprojet, nous avons créé le cube du nom de CubePret. C’est ce dernier qui contient les me-sures. Il est utilisé pour répondre aux requêtes multidimensionnelles. Le cube possède luiaussi des dimensions qui sont nos axes d’analyses. Comme dans le projet ETL, nous avonsaussi Sept dimensions pour le cube pointant respectivement sur les dimensions du mêmenom créées précédemment dans la base de données dimensionnelles du projet ETL. Nousavons également constitué des hiérarchies au sein des dimensions. Ces hiérarchies sontfortement utilisées pour la création des agrégats. C’est ainsi que nous avons par exemplela hiérarchie « AnneSemestreTrimestreMoisJour » au niveau de la dimension TEMPS oùnous avons agrégé les faits (mesures) par mois, trimestre, semestre et années. Après tousles traitements, nous avons déployé le projet MD PAPME pour générer la base de donnéesmultidimensionnelles correspondantes au sein du moteur SQL Server Analysis Service(SSAS). Dans la deuxième phase (distribution de données aux utilisateurs), nous avonspublié et présenté aux utilisateurs finaux les données. C’est la phase terminale de la réa-lisation de notre Data Warehouse. C’est ici que nous avons réalisé les différents tableauxde bord. Pour ce faire, nous avons créé un projet dénommé «PAPMERS» dans l’outil SQLServer Reporting Service (SSRS). En attendant de l’enrichir, nous avons créé et testé unpremier rapport : Statistique des prêts par type adhérent et par agence. La conception denotre entrepôt de données nous a alors amené à créer ces trois projets qui sont intime-ment liés. Nous avons planifié le projet ETL pour charger périodiquement l’entrepôt dedonnées. Après le chargement, chaque utilisateur sera capable d’éditer ses tableaux debord. Nous présentons ci dessous quelques deux cas d’exploitation de l’entrepôt par lesdirigeants.

3.1.1 Exploitation de l’entrepôt de données : étude de cas 1

En prévision de chaque année, le Directeur General de PAPME souhaite avoir à quelmoment de l’année il y a plus de demande de prêt et quels sont les types d’adhérents quifont plus de demande dans les différentes agences concernées afin d’en tenir compte dansle budget de l’année à venir. Pour prendre une décision éclairée sur le montant à mettreà disposition de chaque agence, il décide de consulter les demandes par période en géné-rale et par agence pendant les trois dernières années. Pour obtenir une telle informationdepuis le système transactionnel, il faut programmer des requêtes complexes qui à l’exé-cution prendront assez de temps à cause des relations indispensables entre les données

58


(jointures) et aux temps d’attentes dues aux diverses transactions. Dans ces conditions,répondre à la question que se pose le DG devient alors difficile.

Un système décisionnel nous permet de répondre plus facilement à ce besoin. D’abordparce qu’il est isolé des transactions. De plus la réalisation de ce type de rapport dansce système est beaucoup plus souple parce que nécessitant moins d’établissement de re-lations entre les données. Ce dernier lui permet de disposer d’information à temps pourprendre ses décisions. Grâce à une interface légère il se connecte à l’entrepôt de donnéespour lancer son rapport. La figure 3.1 illustre ce type de rapport.

FIGURE 3.1 – Tableau comparatif des montants de demande et des prêts accordés par typeadhérents par agence et par période

Ces informations sont aussi disponibles sous forme de graphique 3.2 pour permettre auxdécideurs d’apprécier rapidement l’évolution des données pour mieux décider.

59


FIGURE 3.2 – Graphe comparatif des montants de demande et des prêts accordés par type adhé-rents par agence et par période

3.1.2 Exploitation de l’entrepôt de données : étude de cas 2

En prévision de chaque année, le Directeur Général de PAPME souhaite savoir quel pro-duit crédit est plus demandé et accordé afin d’en tenir compte dans le budget de l’année àvenir. Pour prendre une décision éclairée sur le montant à mettre à disposition au niveaude chaque produit crédit par agence, il décide de consulter les demandes par périodeen générale et par agence pendant les trois dernières années. Toujours pour les mêmesproblèmes de complexité de requête et de temps d’exécution assez long qu’il faut pourobtenir ces informations dans le système transactionnel, nous constatons que celui-ci nefacilite pas la réalisation de cette tâche. Dans un système décisionnel, le chef service clien-tèle, le chef agence ou le Directeur Général peut facilement les obtenir à temps pour pou-voir mieux cibler ses clients. Grâce à l’interface, il se connecte à l’entrepôt de donnéespour exécuter ses rapports.

60


FIGURE 3.3 – Tableau comparatif des montants de demande prêts et des prêts accordés par typeadhérents et par produit crédit

Ces informations sont aussi disponibles sous forme de graphique 3.4 pour permettre auxdécideurs d’apprécier rapidement l’évolution des données.

61

Chapitre 3. Résultats et discussion 3.2. Discussion

FIGURE 3.4 – Graphe comparatif des montant de demande de prêt et des prêts accordés partype adhérent et par produit crédit

3.2 Discussion

L’objectif de ce travail est la conception d’un entrepôt de données. Faciliter la prise dedécision des dirigeants en mettant à leur disposition les tableaux de bord dont ils ontbesoin. Grâce au système mis en place, les dirigeants peuvent facilement prendre desdécisions en se connectant à l’entrepôt par l’intermédiaire d’un client léger puis en lançantleurs rapports. Ces rapports se présentent soit sous forme de tableaux soit sous forme degraphiques. A notre connaissance, il n’y a pas une solution décisionnelle utilisée de façonofficielle dans la sous région. Celui de BAMIG est spécialement conçu pour son systèmeSimCrédit. Au Bénin le système le plus utilisé dans les IMF est PERFECT. Ce systèmene dispose pas de solution décisionnelle. La plus grande difficulté est l’étude du systèmePERFECT l’analyse des différentes données.

62

Chapitre 3. Résultats et discussion 3.2. Discussion

Conclusion

Ce chapitre a présenté la solution proposée pour notre problème. Nous avons abordéles particularités des méthodes de contrôle des différences temporelles et abouti à l’uti-lisation de l’algorithme Q-learning pour la détermination automatique des paramètresde l’heuristique générique. Le chapitre suivant présente les résultats des tests de notreimplémentation.

63

Conclusion et perspectives

Afin de faciliter la prise de décision au sein des IMF, en particulier celle de PAPME BE-NIN et d’optimiser sa gestion, nous avons mis en place un système d’aide à la prise dedécision. Ce système résoud les problèmes liés aux différents reportings n’existant pasdans les systèmes classiques des IMF au Bénin. Ce travail fournit un cadre de référencequi permettra aux IMF de procéder à l’évolution de leurs systèmes informatiques dansune perspective de développement. Nous avons proposé une méthodologie servant deguide à la réalisation de notre entrepôt de données sur la base des méthodes existantes.Cette phase initiale est nécessaire et essentielle pour la mise en place de notre entrepôt dedonnées. Elle permet de décrire toutes les étapes de création et d’exploitation d’un entre-pôt de données. L’objectif initial est de mettre à la disposition des dirigeants les tableauxde bord dont ils ont besoin pour la prise de décision (tableaux, statistiques, graphiques,etc.). A cet effet nous avons créé les projets « ETL DWH PAPME, MD PAPME ». Ces deuxprojets constituent la partie (Back Office) de la création d’un Data Warehouse. Le DataMart étudié est celui des activités prêts. Pour faciliter la prise de décision aux dirigeants,nous avons mis à leurs dispositions les tableaux dont ils ont besoins ainsi nous avons misen place le projet « PAPMERS » qui est la partie visible (Front Office) utilisée par les déci-deurs pour éditer les divers tableaux de bord afin de prendre des décisions éclairées.Pour une bonne perspective, il serait bon d’intégrer les autres Data Mart qui se grefferontà l’entrepôt de données afin d’assurer sa complétude. Il serait également intéressant defaire une application de prédictions sur le comportement des clients.

64

Bibliographie

[1] Abderrahmane F , Kedjnane F. Conception et réalisation d’un Data Warehouse pour lamise en place d’un système décisionnel. ESI (école national supérieur d’informatique) ALGER,2010.

[2] Stéphane Turcot. Développement et validation d’un système expert en diagnostic de perfor-mance d’une PME manufacturière. Université du Québec à Trois-Rivières, 1999.

[3] Chaker Haouet. Lamri C. Informatique Decisionnelle Et Management De La PerformanceDe L’Entreprise ; laboratoire Orleanais de gestion (EA 2635) I.A.E. d’Orléans faculté de droit,d’économie et de gestion cahier de recherche numéro 2008 -01.

[4] Traoré Joël Hyacinthe. Conception de tableaux de bord décisionnels pour la micro finance.Université Polytechnique de Bobo-Dioulasso (UPB) Ecole Supérieure d’Informatique (ESI) BP1091 BOBO-DIOULASSO Cycle des Ingénieurs de Conception en Informatique, 2005.

[5] J.F. Goglin. La Construction du Datawarehouse : du Datamart au Dataweb ; Hermes 1998.

[6] Ines Gam El Golli. Ingénierie des exigences pour les systèemes d’information décisionnels :concepts, modèles et processus - la méthode CADWE. Informatique [cs]. Université Panthéon-Sorbonne - Paris I, 2009.

[7] W. H. Inmon. Building the Data Warehouse», ed. Wiley 1ère édition : 1996, 3ème édition :2002.

[8] Kimball, R. The data warehouse toolkit : practical techniques for building dimensional datawarehouses, John Wiley Sons, Inc., New York, NY, USA, 1996.

[9] Kimball, R., et al. Le Data warehouse : Guide de conduite de projet. Eyrolles France, 576p,2005.

[10] Emmanuel Ferragu. Modélisation des systèmes d’informations décisionnels, Techniques demodélisation conceptuelle et relationnelle des entrepôts de données, 2013.

[11] Fernandez. Les nouveaux tableaux de bord des managers 6eme édition 2013 ©Eyrolles et©Alain.

65

[12] Bernard D. Business Intelligence : Place de la BI et Pilotage des Projets Decisionnels dansles Grandes Organisations Françaises, CIGREF 2009.

[13] Briot M. Etude sur la mise en œuvre d’un entrepôt de données et conception d’un prototypeen vue d’une intégration au sein de France billet. Mémoire présente en vue d’obtenir le diplômed’ingénieur C.N.A.M. Spécialité : informatique école d’ingénieurs le C.N.A.M conservatoirenational des arts et métiers Paris, 2013.

[14] Cabrol A., (2008). Solutions Open Source de Business Intelligence : Etat de L’Art. Asso-ciation des Développeurs et des Utilisateurs de Logiciels Libres pour les Administrations et lesCollectivités Territoriales (ADULLACT) 56p.

[15] Codd E. F. et Salley C. T. Providing olap (on-line analytical processing) to user-analysts :An it mandate. Codd and Date, Codd Date, Inc., volume 32, 1993.

[16] Nenad Jukic. Modeling Strategies and Alternatives for Data Warehouse Projects. Commu-nications of the ACM. April 2006/Vol. 49, No. 4 p 86.

[17] Gauchet, T. SQL Server 2008 R2 Implémentation et déploiement d’une solution de BusinessIntelligence. Edition ENI, 503 pages, ISBN : 978-2-7460-5891-0, 2010.

[18] Carneiro, L. Brayner, A. X-META : A Methodology for Data Warehouse Design with Me-tadata Management » p 4, 2000.

[19] Gauchet T. SQL Server 2008 R2 Implémentation et déploiement d’une solution de BusinessIntelligence. Edition ENI, 503p, , 2010.

[20] Paul Rodwick, Hazel, Alvarado, Rashmi Oracle Business Analytics : Business Intelli-gence Applications on Oracle Engineered Systems March 2013

[21] Boris Rodrigue Sehlouan Conception et réalisation d’un Data Warehouse pour un hyper-marché : cas de Erevan à Cotonou, Memoire de fin de formation à l’Université d’AbomeyCalavi, Institut de Formation et de Recherche en Informatique (IFRI), 2013

[22] Valentin Pauline Introduction à la BI avec SQL Server 2008 par DotNet France Association

[23] Lesca H. Information et adaptation de l ’entreprise, Masson, Coll. «Institut de Fentreprise», Paris, 1989, 220 p.

•

66

Webographie

[24] Using discoverer plus with a multidimensional data source https://docs.

oracle.com/cd/E28389_01/bi.1111/b40105/i_olap_chapter.htm

consulté le 07 septembre 2017.

[25] Informatique décisionnelle — Wikipédia https://fr.wikipedia.org/wiki/

Informatique_d%C3%A9cisionnelle consulté le 10 Juin 2017.

[26] Data Warehouse, Entrepôt de données - Piloter.org https://www.piloter.org/

business-intelligence/datawarehouse.htm consulté le 20 Juillet 2017.

[27] Data warehouse (entrepôt de données) - LeMAGIT http://www.lemagit.fr/

definition/Data-warehouse-entrepot-de-donnees consulté le 15 juillet2017.

[28] SQL Server Consulting Remote DBA Service https://johnsterrett.com/

2009/09/29/building-a-data-warehouse-with-sql-server/ consulté le28 Juillet 2017.

[29] Création d’un cube OLAP en SQL Server Analysis Services -Youtube https://

www.youtube.com/watch?v=ArpAEYM5Otg consulté le 26 août 2017.

[30] Creating and Deploying Your First Report -Youtube https://www.youtube.com/watch?v=7tfrUVV_pKI consulté le 26 août 2017.

67

https://docs.oracle.com/cd/E28389_01/bi.1111/b40105/i_olap_chapter.htm

https://docs.oracle.com/cd/E28389_01/bi.1111/b40105/i_olap_chapter.htm

https://fr.wikipedia.org/wiki/Informatique_d%C3%A9cisionnelle

https://fr.wikipedia.org/wiki/Informatique_d%C3%A9cisionnelle

https://www.piloter.org/business-intelligence/datawarehouse.htm

https://www.piloter.org/business-intelligence/datawarehouse.htm

http://www.lemagit.fr/definition/Data-warehouse-entrepot-de-donnees

http://www.lemagit.fr/definition/Data-warehouse-entrepot-de-donnees

https://johnsterrett.com/2009/09/29/building-a-data-warehouse-with-sql-server/

https://johnsterrett.com/2009/09/29/building-a-data-warehouse-with-sql-server/

https://www.youtube.com/watch?v=ArpAEYM5Otg

https://www.youtube.com/watch?v=ArpAEYM5Otg

https://www.youtube.com/watch?v=7tfrUVV_pKI

https://www.youtube.com/watch?v=7tfrUVV_pKI

LA BUSINESS INTELLIGENCE AU SERVICE DE LA MICRO FINANCE … · Remerciements Je rends hommage à la...

Documents

Transcript of LA BUSINESS INTELLIGENCE AU SERVICE DE LA MICRO FINANCE … · Remerciements Je rends hommage à la...