Univers BO WinCRApprentissage - Cv Joachim j. · Web viewPar abus de langage dans la suite de...

Click here to load reader

  • date post

    16-Sep-2018
  • Category

    Documents

  • view

    212
  • download

    0

Embed Size (px)

Transcript of Univers BO WinCRApprentissage - Cv Joachim j. · Web viewPar abus de langage dans la suite de...

Univers BO WinCRApprentissage

CONSERVATOIRE NATIONAL DES ARTS ET METIERS

CENTRE REGIONAL ASSOCIE DE

BOURGOGNE

MEMOIRE

prsent en vue d'obtenir le

DIPLOME D'INGENIEUR C.N.A.M.

SPECIALITE : INFORMATIQUE

OPTION : SYSTEMES DINFORMATION

par

Joachim PELLICIOLI

______

Conception dun entrept de donnes corrlant les effectifs en apprentissage et le suivi financier des centres de formation

au sein des Conseils rgionaux

Soutenu le 28 juin 2010

_______

Prsident :Jacky AKOKAC.N.A.M. Paris

Encadrant:Christophe NICOLLEUniversit de Bourgogne

Membres :Christophe CRUZUniversit de Bourgogne

Didier MACKE Socit Ymag

Eric JACQUIN Socit Ymag

Remerciements

Je tiens remercier toutes les personnes qui ont donn de leur temps, talent et exprience tout au long de ce projet et durant mes huit annes dtudes au C.N.A.M.

Je souhaite notamment remercier Monsieur Christophe Nicolle, maitre de confrences, pour ses remarques pertinentes et ses prcieux conseils pour llaboration de mon mmoire. Je remercie messieurs Jacky Akoka et Christophe Cruz qui ont accept de faire partie de mon jury.

Je tiens galement remercier mon entreprise qui a su me faire confiance et me laisser grer un dossier aussi important et sensible. Je remercie tout particulirement Messieurs Didier Macke et Eric Jacquin qui ont accept dtre prsents mon jury.

Bien entendu, je naurais probablement pas ralis tout cela sans le soutien de mon pouse Mlanie. Une page ne suffirait pas pour lui tmoigner toute ma gratitude.

Glossaire

AFPI: Association de formation professionnelle de lindustrie. Centre de formation continue pour lindustrie.

BI: Business intelligence: Ensemble de donnes consolides qui permet la prise de dcision.

BO: Business Objects, solution de la socit SAP.

CAP: Certificat daptitude professionnelle, diplme de niveau 5 reconnu par lducation nationale.

CCI: Chambre du commerce et de lindustrie. Ce sont des organismes chargs de reprsenter les intrts des entreprises commerciales, industrielles et de service [WIK2].

CFA: Centre de formation dapprentis. Ce sont des tablissements denseignement en alternance accueillant des apprenants gs de 16 25 ans.

CFAI: Centre de formation dapprentis industriels. Idem quun CFA, mais pour les techniques industrielles.

CIF: Contrainte dintgrit fonctionnelle ou dpendance fonctionnelle. Une CIF fait rfrence une notion mathmatique entre ensemble.

CPA: Classe prparatoire lapprentissage pour les apprenants de moins de 16 ans.

Cube: Structure matricielle trois dimensions.

DARES: Direction de lanimation de la recherche, des tudes et des statistiques. Cest une direction du ministre du travail franais.

Data warehouse: Entrept de donnes. Concept de stockage de donnes.

Data mart: Magasin de donnes. Cest un sous ensemble de lentrept de donnes.

DLL: Dynamic Link Library: Bibliothque de codes pouvant tre exploite par plusieurs applications.

DSI: Direction des systmes dinformation. Elle rgit lintgralit du parc informatique, du rseau et de linformation.

ETL: Extract Transfort Load ou datadumping. Processus ayant pour but de rcuprer les donnes des bases de production pour les injecter dans le data warehouse aprs avoir effectu des transformations.

ETP: Equivalence temps plein. Permet de comparer les charges salariales sur lquivalence dun emploi en temps plein.

Hypercube: Structure matricielle quatre dimensions ou plus.

MCD: Modle conceptuel des donnes. Reprsentation graphique de la structure de donnes dune entit analyser.

Merise: Mthode danalyse et de conception dun systme dinformation.

NAF: Nomenclature dactivits franaise.

OLAP: On-Line Analytical Processing: Concept permettant de traiter des donnes multidimensionnelles des fins danalyse.

OLTP: On-Line Transactional Processing: Concept permettant de traiter des donnes transactionnelles.

SGBD: Systme de gestion de base de donnes.

SGBDR: Systme de gestion de base de donnes relationnelle.

SGBDM: Systme de gestion de base de donnes multidimensionnelle.

SI: Systme dinformation. Il reprsente lensemble des lments participant la gestion, au stockage, au traitement, au transport et la diffusion delinformation au sein d'une organisation.

SID: Systme dinformation dcisionnelle.

SIG: Systme dinformation gographique. Outil informatique de restitution de carte gographique.

SIO: Systme dinformation oprationnelle.

SQL: Structured query language permet linterrogation des bases de donnes relationnelles afin den extraire des donnes tout en les restreignant en fonction de critres.

THR: Transport Hbergement Restauration. Cest un abrg frquemment utilis pour parler des aides fournies aux apprentis pour leur permettre dassister aux cours.

XML Schema: ou XSD: Document permettant de dfinir la structure dun document XML.

XML: Extend Markup Language: Langage de balisage, servant stocker et transfrer des donnes.

Tables des matires

Remerciements1

Glossaire2

Tables des matires4

1Introduction7

2Contexte du projet10

2.1Le groupe YMAG SAS10

2.2Lquipe rgion12

2.2.1Objectifs12

2.2.2Organisation12

2.3Les Conseils rgionaux12

2.3.1Objectifs12

2.3.2Organisation13

2.3.3Centre de formation dapprentis13

2.3.4Ymag dans les Conseils rgionaux14

2.3.5Interlocuteurs principaux14

2.4Les solutions dYmag15

2.5Dfinition du besoin16

2.5.1Contexte du projet16

2.5.2Comment dfinir le besoin16

2.5.3Analyse du besoin18

2.5.4Primtre de ltude18

2.6Synthse19

3Lentrept de donnes en thorie20

3.1Le data warehouse21

3.1.1Dfinition21

3.1.2Objectifs22

3.2Le data mart23

3.2.1Dfinition23

3.2.2Avantages25

3.2.3Inconvnients25

3.3Modlisation dun data mart25

3.3.1Les composants25

3.3.1.1Les faits ou indicateurs25

3.3.1.2Les dimensions26

3.3.1.3Exemple de table des faits et dimensions26

3.3.2Modlisation en toile27

3.3.3Modlisation en flocon de neige28

3.3.4Modlisation en constellation29

3.4Concept OLAP30

3.4.1Dfinition30

3.4.2Comparaison entre OLAP et OLTP33

3.4.2.1Dfinition de OLTP33

3.4.2.2Tableau comparatif33

3.4.3Fonctions lies OLAP34

3.4.3.1Dfinition34

3.4.3.2Exemples34

3.5Processus dalimentation du data warehouse37

3.5.1Sous processus de lETL37

3.5.1.1Extraction37

3.5.1.2Transformation38

3.5.1.3Chargement38

3.5.2Type dETL38

3.5.3Stratgie de chargement39

3.5.3.1Extraction complte39

3.5.3.2Extraction incrmentale39

3.6Synthse41

4Lentrept de donnes en pratique42

4.1Dfinition des phases du projet42

4.1.1Contexte42

4.1.2Identification des diffrentes phases du projet42

4.1.3Calendrier de ralisation des phases43

4.2Phase dtude44

4.2.1Mthodologie45

4.2.2Gnralits sur lexistant46

4.2.3Objectifs48

4.2.4Risques50

4.2.5Choix technologiques50

4.2.6Dtail des tches raliser54

4.2.7Synthse56

4.3Phase ETL57

4.3.1Analyse57

4.3.2Ralisation59

4.3.1Synthse64

4.4Mthodologie de conception dun data mart65

4.4.1Axes danalyses65

4.4.2Portefeuille dindicateurs67

4.4.3Modlisation68

4.4.4Synthse de la mthode69

4.5Phase effectifs70

4.5.1Objectifs70

4.5.2Axes danalyse70

4.5.3Portefeuille dindicateurs effectifs75

4.5.4Schmatisation77

4.5.5Ralisation78

4.5.6Synthse79

4.6Phase financier80

4.6.1Comptes gnraux81

4.6.1.1Objectifs81

4.6.1.2Axes danalyse81

4.6.1.3Portefeuille dindicateurs83

4.6.1.4Schmatisation et volumtrie85

4.6.1.5Ralisation86

4.6.2Frais de personnel88

4.6.2.1Objectifs88

4.6.2.2Axes danalyse88

4.6.2.3Portefeuille dindicateurs90

4.6.2.4Schmatisation92

4.6.2.5Ralisation93

4.6.3Taxe dapprentissage94

4.6.3.1Objectifs94

4.6.3.2Axes danalyse94

4.6.3.3Portefeuille dindicateurs95

4.6.3.4Schmatisation97

4.6.3.5Ralisation97

4.6.4Dpense thorique99

4.6.4.1Objectifs99

4.6.4.2Axes danalyse99

4.6.4.3Portefeuille dindicateurs100

4.6.4.4Schmatisation102

4.6.4.5Ralisation103

4.6.5Synthse104

4.7Phase de finalisation106

4.7.1Business Objects106

4.7.2Documentation108

4.7.3Formation108

4.7.4Synthse110

5Conclusion111

Table des illustrations114

Listes des figures114

Listes des tableaux115

Rfrences bibliographiques116

Livres116

Livres blancs116

Sites internet116

Introduction

Linformatique dcisionnelle ou business intelligence (BI) est depuis quelques annes un fort ple dattraction pour lentreprise. Beaucoup de salons, de revues ou de livres font les loges de ces technologies. Tous les grands acteurs ont apport leurs solutions (Oracle, Microsoft, SAP, ). Toujours le mme but recherch par les consommateurs de BI, celui doptimiser les cots de production, de rentabiliser, de corrler les donnes ou plus simplement dinterroger des systmes dinformations. Au cours des deux dernires dcennies, les entreprises ont acquis beaucoup de solutions pour grer chaque activit de leur organisation. Elles estiment que les logiciels spcifi