Vous êtes sur la page 1sur 13

Licence Professionnelle

Gestion Informatisée des Organisations

Système d’Information de Gestion

Mohammed ZOUHRI

Année Universitaire 2019 / 2020

CHAPITRE 4

Système d’information décisionnel

1
Systèmes décisionnels

1. Objectifs de l’informatique décisionnelle ou Business


Intelligence (BI)

Collecter, analyser et utiliser les données d’une organisation dans le

but d’améliorer ses performances.

Principaux acteurs : Business objects racheté par SAP, Cognos

racheté par IBM, Hypérion racheté par Oracle, Microsoft.

Systèmes décisionnels

2. Fonctionnement de l’informatique décisionnelle


A. Les SIAD (Système Interactif d’aide à la décision) (DSS
Decision Support System)
i. Définition

Un SIAD est un système conçu pour apporter à toute personne


qui, dans l’organisation, est en position de devoir prendre des

décisions, l’information nécessaire à cette tâche.

2
Systèmes décisionnels

ii. Structure d’un SIAD


Tout SIAD contient un certain nombre d’éléments :

- Des données

- Des modèles de traitement (algorithmes)

- Une interface Homme/Machine

iii. Types de SIAD


- Tableaux de bord simples et systématiques

- Tableaux de bord raisonnés (BSC)

- SIAD « orientés données » (OLAP)

- SIAD « orientés modèles » (calcul économique, théorie financière, la recherche


opérationnelle)

Systèmes décisionnels

B. L’OLAP (On-Line Analytical Processing)


i. Construction
La technique OLAP consiste à introduire une base de données
intermédiaire, l’entrepôt de données, qui tire ses informations de la base
de production mais dont la structure est optimisée pour les requêtes.
(Cube, Hypercube)
ii. Stockage
Plusieurs écoles (MOLAP, ROLAP, HOLAP)

iii. Exploitation
Utilisateurs occasionnels
Utilisateurs réguliers
Spécialistes

3
Systèmes décisionnels

C. Le DATAMINING (Fouille de données)


i. Définition
Le datamining est l’utilisation de techniques connues issues de
plusieurs sciences (statistique mais aussi intelligence artificielle et
informatique), rendues accessibles par l’existence de progiciels
aussi conviviaux, interactifs et graphique que la technologie et la
puissance des ordinateurs le permettent, afin d’améliorer un
processus de gestion et d’en tirer un avantage concurrentiel.

La découverte de structures intéressantes, inattendues, rentables


dans de grandes bases de données.

Systèmes décisionnels

ii. Applications possibles

- Gestion de la relation client (GRC ou CRM, Taux d’attrition)

- Marketing direct (mailing, coefficient de lift)

- Contrôle (comportement bancaire des clients)

- Recherche de fraudes (usage de carte de crédit, réexportations

douteuses, fraudes alimentaires)

4
Vue d’ensemble du processus de l’informatique
décisionnelle

Applications décisionnelles

SUBJECTIVES Reporting
Datawarehouse

Applications
Data Mart décisionnelles Hypercubes

ETL
Extract
Transform Data Mining
Load
ZOOM ANGLE de VUE

Bases
opérationnelles

5
Datawarehouse : définition

 Entrepôt de données
 Ensemble de données historisées, intégrées, non volatiles,
organisé par sujets, consolidé dans une base de données unique,
géré dans un environnement de stockage particulier, aidant à la
prise de décision dans l’entreprise.

 Trois fonctions essentielles


 Collecte de données de bases existantes et chargement

 Gestion des données dans l’entrepôt

 Analyse de données pour la prise de décision

Construction d’un DataWarhouse

 Étude préalable
 Étude des besoins
 Coûts de déploiement
 Bénéfices attendus
 Modèle de données
 Niveau conceptuel
 Niveau logique
 Alimentation
 Transformations, vérifications
 métadonnées

6
Conception du schéma intégré

 Isoler les faits à étudier


 Schéma des tables de faits

 Définir les dimensions


 Axes d'analyse

 Normaliser les dimensions


 Éclater en plusieurs tables liés par contraintes référentielles

 Intégrer l'ensemble
 Plusieurs tables de faits partagent quelques tables de dimension
(constellation d’étoiles)

Alimenter le DataWarhouse

7
Fonctions d’un ETL

Fonctions Objectifs

Extraction paramétrée des données à partir de différentes


Extract
sources de données, éventuellement hétérogènes.

Algorithme de transformation permettant de filtrer ou de


Transform modifier les données sources préalablement à leur intégration
dans la base décisionnelle.

Chargement des données transformées dans l’entrepôt de


Load
données.

Datawarehouse - Datamart

 Modèles relationnels

 Modèles dimensionnels

 Tables de faits

 Dimensions et indicateurs

 Modèle en étoile

 Modèle en flocon

8
Le multidimensionnel

 Indicateurs:  Dimensions:
 Nombre d’unités  Temps
vendues  Géographie
 CA  Produits
 Coût  Clients
 Marge.....  Canaux de ventes.....

Modèle dimensionnel

9
Modèle en étoile
Dimension Temps
ID temps
année
mois
jour Dimension produit
Dimension Magasin … ID produit
ID magasin nom
description code
Table de faits Achat prix
ville ID client
surface poids
ID temps groupe
… ID magasin famille
ID région …
ID produit
Dimension Région Quantité achetée Dimension Client
ID région Montant des achats ID client
pays nom
description prénom
district vente adresse
…. …

Modèle en flocon
Dimension produit
ID produit
Dimension Temps ID groupe
ID temps nom
annee code
mois prix
Dimension Magasin jour poids Dimension groupe
ID magasin … … ID groupe
description ID famille
ville Table de faits Achat nom
surface ID client …
… ID temps
ID magasin
Dimension Region ID région
ID région Dimension Famille
ID produit
ID division vente ID famille
Quantité achetée
pays nom
Montant des achats
description …
….
Dimension
Dimension Client
ID client
Division vente
nom
ID division vente
prénom
description
adresse
….

10
Types de résultats

Types Utilisations

Mise en place d’un système de tableaux de bord, produits de


Rapports
manière périodique et récurrente.

Constitution d’une structure de tableaux croisés


Hypercube multidimensionnelle, correspondant aux points de vue des
décideurs, permettant l’interrogation libre des données.

Modélisations exploratoires des données, s’appuyant sur


Data Mining différents algorithmes du domaine statistique ou de la gestion
de l’incertain.

OLAP (On Line Analytical Processing)

 Méthode d'analyse représentée par un cube et basée sur des vues de


données multidimensionnelles.

FONCTIONNALITÉS
 Présenter une vue des données multidimensionnelle et logique à
l'utilisateur sans des conditions quant à la façon dont les données
sont stockées.

 Faire des prévisions, dépister des tendances, et exécuter d'autres


analyses complexes.

 Permettre aux utilisateurs de se déplacer d'une requête à l'autre et


obtenir des résultats rapidement et facilement.

11
Modèle dimensionnel : hypercube

Sélection d’une portion de


l’hypercube :
- sous-ensemble de produits,
- client spécifique,
- réseau particulier de distribution
Axe Le nombre de dimensions de
Produit
l’hypercube est défini par les
besoins d’analyse

Sur l’exemple ci-contre, le temps


pourrait intervenir comme 4ème
Axe
Réseau axe, permettant ainsi de choisir la
de vente période d’analyse des indicateurs
Axe client

La granularité des dimensions

Temps Jours Mois Trimestres Années

Géographie Villes Régions Pays

Produits Numéros Types Gammes Marques

12
Les différentes technologies OLAP

Sources Serveurs Postes Clients

MOLAP
Multidimensionnal OLAP

HOLAP
Hybrid OLAP

ROLAP
Relationnal OLAP

DOLAP
Desktop OLAP

Quelques outils OLAP

 Oracle  Cognos racheté par IBM (5 Md$)

 Impromptu = Reporting
 OLAP API = Datacube
 Powerplay = Datacube
 Express = Analyse  Query = Requêtage
 Report = Reporting  Hypérion racheté par Oracle (3,3
Md$)
 Business Object racheté par  ESS Base = Base MOLAP
SAP (4,8 Md€)
 ESS Analysis= Analyse +
 BusinessQuery = Requêtage Datacube
 BusinessObject = Requêtage  Mondrian serveur ROLAP
+ Analyse + Reporting  Palo serveur MOLAP
 WebIntelligence = Datacube  Pentaho

13

Vous aimerez peut-être aussi