Académique Documents
Professionnel Documents
Culture Documents
Introduction :
Le Contrôle de Gestion est un métier qui a évolué dans l’Organisation en passant de la
vérification comptable (activité opérationnelle), ensuite à une activité de pilotage au milieu de
la pyramide d’Anthony pour atteindre le sommet stratégique d’Henry Mintzberg mais
l’invariant dans la fonction de Contrôle de Gestion demeure la quête de la performance.
En même temps les Technologies de l’Information (ERP, Business Intelligence, Big Data)
mettent à la disposition des managers un ensemble de ressources qui contribuent à
l’amélioration de la performance.
La première partie de cette communication relate le nouveau rôle du Contrôle de Gestion
dans un contexte qui est caractérisée par les innovations rapides et des évolutions
technologiques.
La deuxième partie met l’accent sur l’intégration des données et des technologies au profit
d’une performance tous azimuts.
1. Contrôle de Gestion et Technologies de l’Information:
Le Contrôle de Gestion est issu de la Comptabilité et a toujours privilégié les indicateurs
financiers alors que les Technologies de l’Information issues de l’Ingénierie accordent une
importance considérable à l’optimisation et à la couche physique.
Avec le temps les Technologies de l’Information sont passées de base de données
purement techniques à des bases de données avec une couche métier et des fonctionnalités
(Enterprise Resource Planning avec des modules de gestion ; Business Intelligence avec des
tableaux de bord).
Le Contrôle de Gestion est acculé à son tour à ouvrir ses frontières pour intégrer les outils
offerts par les Technologies de l’Information et s’intéresser d’une part à des indicateurs non
financiers (qualité, satisfaction, délai et réactivité, développement durable, processus,
innovation et apprentissage….) et d’autre part à d’autres métiers (CRM, Supply Chain
Management, SRM, GRH, Production, Ingénierie, Système d’Information,….).
1
Contrôle de Gestion Performance Technologies de l’Information
Les modèles et les méthodes du Contrôle de Gestion ont évolué même si les anciens
outils comme les budgets sont toujours en usage dans les services publics.
La Chaîne de valeur de Porter a permis de passer du paradigme du contrôle de l’existant sans
le remettre en cause au paradigme du pilotage avec un diagnostic qui vise à détecter les activités
inutiles qui continuent à consommer les ressources sans contribuer à la réalisation des objectifs de
l’organisation.
Dans le même ordre d’idées, le modèle socio-économique d’Henri Savall et Véronique Zardet
a pour but de mettre en exergue les coûts cachés (sursalaires, surtemps, surconsommations et non
2
productions causées par des pertes de temps consacré aux activités de réparation des erreurs).
Au lieu de continuer à imputer les charges indirectes (dont la part dans la structure des coûts
d’un objet est de plus en importante), la méthode ABC (Activity Based Costing) englobe des outils
pertinents pour tracer les activités liées à chaque objet de coût ainsi que les charges consommées par
chaque activité. En même temps la méthode ABM (Activity Based Management) organise les activités
sous la forme de processus avec un output identifié et utile. Ainsi, les activités inutiles peuvent être
localisées dans la chaîne de valeur. Leur suppression relève de la décision du management.
La méthode du target cost [coût objectif] issue du management japonais détermine un prix de
vente [target price] (variable explicative) d’un produit sur la base de la demande et de la concurrence
au lieu de le calculer à partir d’un coût de revient qui devient dans cette méthode une variable
expliquée.
Cette méthode oblige l’entreprise à réviser ses coûts, son organisation et ses processus en
prenant en considération les conditions du marché.
Quant à l’analyse de la valeur qui conforte la méthode du target cost dans son analyse, elle
consiste à vérifier l’utilité de chaque fonctionnalité dans un produit, de suggérer la suppression des
fonctionnalités inutiles au regard de l’utilisateur final et en parallèle d’enlever les composants
correspondants dans la partie organique entrainant ainsi une réduction du coût de revient.
Pour satisfaire la demande de la clientèle, le Total Quality Management a pour principe de
base une amélioration continue qui couvre des ressources humaines, les équipements, les fournisseurs,
les composants et les procédures [Heizer et Render, 2014, p-248].
Le Total Quality Management utilise des outils statistiques (six sigma, carte de contrôle) et des
outils de gestion (empowerment, benchmarking, juste à temps, diagramme d’Ishikawa, analyse de
Pareto, flowchart…) [Heizer et Render, 2014, p-249-257].
3
BSC Métiers KPI
Satisfaction des
utilisateurs, Qualité des
données, ROI
Gestion des Technologique,
Technologies de Réactivité
l’Information
Schéma-2- Intégration des axes du BSC et des métiers pour un nouveau ‘Contrôle de
Gestion’
4
Le nouveau ‘Contrôle de Gestion’ qui nous interpelle dans cette communication vise à
intégrer les principaux métiers de l’entreprise avec les axes du Balanced scorecards (BSC) et
d’effectuer un pilotage par KPI.
La démarche de ce nouveau ‘Contrôle de Gestion’ peut démarrer avec un contrat sous
la forme d’un SLA (Service Level Agreement) qui fixe le niveau de service pour l’axe
‘Client’ avec des indicateurs de performance de la chaîne logistique (On Time in Full :OTIF,
Lead Time) [Fender et Baron, 2012, p-16-33] ainsi que des indicateurs de performance de la
maintenance (Mean Time Between Failures :MTBF, Mean Time To Repair :MTTR)
[Calé,2005, p-71].
Dans la chaîne logistique, l’OTIF (On Time in Full) est « l’indicateur qui mesure la
capacité de la Supply Chain à délivrer les commandes des clients conformément aux
conditions de références (date, produit, quantité, lieu) qui ont été définies (OTIF= nombre de
commandes livrées conformes / nombre total de commandes livrées) [Fender et Baron, 2012,
p-24] alors que le Lead Time « est le temps total calendaire mis entre la création d’une
commande par le client et sa livraison au client » mais une bonne politique de stock permet de
réduire le Lead Time perçu par le client [Fender et Baron, 2012, p-28].
Le même raisonnement peut s’appliquer au fournisseur dans le supply chain
management dans l’axe ‘Processus’.
5
1.2 Technologies de l’Information pour le Contrôle de Gestion:
Les Technologies de l’Information sont un ensemble de ressources physiques, de
software, de normes, de protocoles, de méthodes, de services et de données. Elles combinent
l’Informatique et les télécommunications et peuvent être présentées en trois niveaux (niveau
physique, niveau logiciel, niveau services) [Zaouia, 2015, REMA-40, p-231-].
Les Technologies de l’Information qui intéressent le Contrôle de Gestion sont les ERP,
la Business Intelligence et le Big Data avec des bases de données et les moyens de
télécommunications (Internet et le téléphone mobile).
Visual Studio
Bases de données SQL
SSMS (*) SSIS (*) SSAS (*) SSRS (*) IBM Modeler
Sharepoint
Hbase
6
Nous avons souvent tendance à oublier que l’Informatique est un outil au service de la
Gestion de l’Entreprise.
Le Système d’Information Transactionnel (opérationnel) sert à la gestion des opérations
quotidiennes (achat, stockage, production, vente, ressources humaines, CRM, opérations
financières, comptabilité et fiscalité…..) alors que le Système d’Information Décisionnel
(Business Intelligence) a pour objectif de produire les tableaux de bord avec des indicateurs
pour le Contrôle de Gestion et l’aide à la décision.
Aussi bien la gestion des opérations que les tableaux de bord sont très utiles pour le
Contrôle de Gestion.
Le Système d’Information Transactionnel est composé de progiciel de gestion intégrée
(ERP) et des bases de données relationnelles (type SQL) avec de nouvelles bases de données
(type NoSQL-Big Data).
L’ERP facilite l’intégration des données et par conséquent la coordination entre les
différents corps de métiers (Gestionnaires, Ingénieurs de production, Ingénieurs
Informaticiens, Comptables, Financiers, Commerciaux, Juristes…) même si
l’implémentation de l’ERP est un projet avec un niveau de complexité très élevé [Zaouia,
2015, AIM, p-1-] et provoque en même temps une grande résistance au changement car il
limite et atténue le comportement opportuniste des agents en amenant plus de transparence et
en contribuant à « diminuer l’asymétrie de l’information au sein de l’organisation » [Kouki,
2013, p-19-].
L’alignement technologique de l’ERP est une traduction du modèle des besoins à
l’intérieur du modèle de solutions offertes par le progiciel [Millet, 2013, p-404-]. Il accule
l’entreprise à changer la totalité ou une partie de ses processus pour adopter les bonnes
pratiques alors que dans le processus d’alignement stratégique, on cherche à adapter la
technologie à la vision de l’entreprise [Zaouia, 2015, AIM, p-14-].
Les conditions initiales pour le succès de l’implémentation d’un ERP sont l’engagement
de la direction et l’existence de ressources humaines compétentes en interne qui maîtrisent en
même temps les Sciences de Gestion et les Technologies de l’Information.
Le Système d’Information Décisionnel puise une grande partie de ses données dans les
ERP afin de bâtir un Data warehouse (données historiques) et éditer les cubes OLAP (On line
analytical processing) avec des indicateurs (KPI) qui croisent les axes (temps, produit,
magasin, vendeur, région…).
Dans la chaîne de la Business Intelligence, on utilise un ensemble de ressources
informatiques.
7
Microsoft à titre d’exemple propose une suite avec une base de données transactionnelle
(SSMS : SQL Server Management Studio), un outil d’intégration de données (SSIS : SQL
Server Integration Services), un logiciel pour construire un Data warehouse (SSAS : SQL
Server Analysis Services), un logiciel pour éditer les rapports (SSRS : SQL Server Reporting
Services) et un portail décisionnel pour restituer un tableau de bord prospectif (SharePoint)
[Fantini, 2011, p-389].
Le Data Mining est un ensemble de modèles mathématiques et statistiques avec des
logiciels informatiques qui détectent des liens entre plusieurs variables et constituent des
outils d’aide à la décision et à la prévision dans une masse de données.
DataNodes : Slaves
Serveur 3
5 3
5 4
2
2
4 1
1
3 1 4
2
3 5
4 1
2
5
Le volume élevé des données ainsi que leur variété (données structurées, données semi-
structurées, données non structurées) qui transitent par les réseaux a acculé les acteurs
8
d’Internet à inventer le paradigme du Mapreduce [Bruchez, 2013, p-78] et le Big Data.
Le paradigme du Mapreduce est à la base de l’architecture distribuée (HDFS : Hadoop
Distributed File System) dans un cluster avec un facteur de réplication (redondance de
données). Dans le Schéma-4- ci-dessus, les données dans les slaves sont répliquées avec un
facteur de trois ; ce qui accélère le temps de recherche, l’accès et les opérations avec ces
données grâce au Mapping (Map-Reduce) alors que dans l’architecture Client/Serveur l’accès
aux données demande plus de temps.
9
réel.
10
workflow.
Android XML-RPC
OpenERP
données Odoo-9
11
capacité du Contrôle de Gestion.
12
Schéma-8- Modèle physique des données avec MySQL – Ventes de
Dataco’s– [Cloudera-Hadoop- 2015]
Le modèle ci-dessus représente les tables de la base de données MySQL installé sur une
machine virtuelle avec des enregistrements par ligne structurée.
‘Sqoop’ (SQL to Hadoop) est un outil informatique qui va nous servir pour importer le
contenu de la base de données relationnelle dans l’environnement HDFS [Jolia-Ferrier, 2014,
p-106].
Pour traiter les données dans le Data warehouse ‘Hive’, on va utiliser l’outil de requêtes ‘Hue
Impala’ [Jolia-Ferrier, 2014, p-119].
13
Tableau-2- Revenus de la société Dataco’s par produit et ordre décroissant
Juin-2014
Données structurées
Product-id Produit Revenus
0 Field Stream Sportman 16 Gun 6481676
1 Diamondback Women’s Serene 4002333
2 Nike Men’s Free 5.0+Running 3595240
3 Perfect Fitness Perfect Deck 3396753
4 Pelican Sunstream 100 Kayak 2958452
5 Nike Men’s CJ Elite 2 TD 2859780
6 Nike Men’s Dri-FIT Victory 2819750
7 O’Brien Men’s Neoprene 2651588
8 Under Amour Girls ‘ Toddler 1265723
9 Adidas Youth Germany 67830
[Cloudera-Hadoop- 2015]
Le tableau-2 présente les informations structurées concernant les revenus et permet au
Contrôleur de Gestion de détecter les produits de la société Dataco’s qui génèrent le plus de
recettes mais de nos jours les données comptables ne sont plus suffisantes pour comprendre
le comportement et les attitudes d’achat du consommateur.
14
Tableau-3- Produits consultés sur le site Web de la société Dataco’s
(Juin-2014)
Données non structurées (1)
Le tableau-3 contient des données non structurées relatives aux connexions au site
Web de la société Dataco’s avec les adresses IP, les dates, l’heure de connexion ainsi que les
liens des produits consultés.
En exploitant les possibilités offertes par Hive et Hue Impala, nous allons transformer
les données non structurées en informations semi-structurées.
15
Tableau-4- Produits consultés sur le site Web de la société Dataco’s par ordre
décroissant de nombre de Clic (Juin-2014)
Données non structurées (2)
[Cloudera-Hadoop- 2015]
Le tableau-4 calcule le nombre cumulé de consultations dans le site Web de la société
Dataco’s au mois de Juin-2014. Il offre au Contrôleur de Gestion un outil complémentaire
d’aide à la compréhension du comportement du consommateur.
Tableau-5- Rapprochement des données structurées et des données non structurées de la
société Dataco’s (Juin-2014)
Product-id Produit Classement Classement par
par revenue nombre de Clic
9 Adidas pour enfants 10 1
1 Perfect Fitness Perfect Deck 2 2
7 Nike Men’s CJ Elite 2 TD 8 3
4 Nike Men’s Dri-FIT Victory 5 4
6 O’Brien Men’s Neoprene 7 5
0 Field Stream Sportman 16 Gun 1 6
5 Pelican Sunstream 100 Kayak 6 7
2 Diamondback Women’s Serene 3 8
3 Nike Men’s Free 5.0+Running 4 9
8 Under Amour Girls ‘ Toddler 9 10
[Cloudera-Hadoop- 2015]
16
Le rapprochement des données structurées et des données non structurées de la
société Dataco’s au mois de Juin-2014 révèle un phénomène insolite puisque le produit le
plus consulté ‘Adidas pour enfants- Youth Germany’ génère le revenu le plus faible.
L’analyse du Contrôleur de Gestion a permis de détecter grâce aux données non
structurées combinées avec les données structurées que le prix affiché pour le produit cité en
exemple est erroné. Après la rectification du prix sur le site Web de la société, les ventes dudit
produit ont redémarré.
Ladite erreur doit aussi nous inciter à réfléchir sur l’impact de la qualité des données
dans la source sur la qualité des données dans le Data Warehouse [Zellal et Zaouia, 2015,
IEEE].
Conclusion
Le Contrôle de Gestion Technologique peut être un nouveau champ autour duquel on
peut organiser le pilotage d’un ensemble de métiers (Comptabilité-Finance, Logistique et
SCM, CRM et Ecommerce, SRM, GRH,….), d’un ensemble de Technologies (Informatique,
Télécommunications) avec des bases de données (SQL et NoSQL) autour d’un Système
d’Information Unique qui fusionne les opérations et la BIA (Business Intelligence and
Analytics) dans une architecture de type Big Data avec Hadoop et d’autres outils évolués
comme SAP HANA.
Pour faciliter la tâche du Contrôleur de Gestion, la Technologie des
Télécommunications avec la 4 G, le smartphone utilisant Android avec un protocole Gson
Rpc met à notre disposition les moyens pour accéder aux informations et aux connaissances
en temps réel et à distance avec une grande mobilité.
Cette nouvelle vision du Contrôle de Gestion peut aussi donner naissance au concept
de l’entreprise mobile.
17
Bibliographie :
Articles, Thèses, colloques et conférences:
- BANSAL Veena and NEGI Tripti, (2008), «A Metric for ERP Complexity», p-369-379,
Springer.
- CAILEN Diana Andreea and SHARIFI Kobra, (2013), « Mobile ERP : a literature review on
the concept of Mobile ERP systems », Jonkoping international business school- Jonkoping
university, Master’s Thesis in Informatics, Sweden.
- CHAABOUNI Amel, (2006), «Implantation d’un ERP (enterprise resource planning) :
antécédents et conséquences», AIMS, 15ème conférence internationale de management
stratégique, Annecy – Genève-13-16-juin-2006.
- CHTIOUI Tawhid et BENNANI Az-Eddine, (2009), «Le contrôleur de gestion et les progiciels
ERP : nouvelles perspectives et nouvelles frontières», Volume-4,2009, IBIMA BUSINESS
REVIEW.
- DE RONGE Yves, (2000), «l’impact des ERP sur le contrôle de gestion : une première
évaluation», Volume-10,2000, FINECO.
- MEYSSONNIER François et POURTIER Frédéric, (2004), «ERP, changement
organisationnel et contrôle de gestion», congrès normes et mondialisation , Mai-2004, France.
- MEYSSONNIER François et POURTIER Frédéric, (2006), «les ERP changent-ils le contrôle
de gestion», association francophone de comptabilité, Tome-12, p-45-64, 2006/1,
CAIRN.INFO.
- MILLET Pierre Alain, (2013), «Toward a model-driven, alignment-oriented ERP
- LIM EE-Peng, CHEN Hsinchun, CHEN Guoqing, (2013), «Business Intelligence and
18
- ZAOUIA Abdellah, (2015), «Customer Relationship Management (CRM) et Technologies de
l’Information : vers une intégration des outils marketing et informatiques», REMA-40-p-227-
241-.
- ZELLAL Nouha and ZAOUIA Abdellah, (2015), « An exploratory investigation of factors
influencing data quality in data warehouse », IEEE-3rd World Conference On Complex
Systems (WCCS), ID-117, Marrakech, Maroc.
- XU Mark, WALTON John, (2005), «Gaining customer knowledge trough analytical CRM»,
Industrial Management and Data, Vol. 105 No. 7 (2005) pp. 955-971.
Ouvrages :
- BARTHAS Jean-Noël, (2011), Talend Open Studio: mettre en œuvre une solution d’intégration
de données, ENI Editions.
- BRUCHEZ Rudi, (2013), Les bases de données NoSQL, Eyrolles.
- CALE Stéphane, (2005), La gestion des projets télécoms, Lavoisier.
- CHRISTOPHER Martin, (2011), Logistics and supply chain management, Pearson Education.
- CHUCK Lam, (2011), Hadoop in action, Manning.
- FANTINI Sébastien, (2011), Business Intelligence avec SharePoint Server 2010 : créer un
portail décisionnel et piloter la performance, ENI Editions.
- FENDER Michel et BARON Franck, (2012), Pratique du Supply Chain Management, Dunod.
- HEIZER Jay, RENDER Barry, (2014), Principles of Operations Management, Pearson
Education.
- JOHNSON Thomas, BRÖMS Anders, (2002), La méthode MBM : pour un management de la
performance durable, Editions d’organisation.
- JOLIA-FERRIER Laurent, (2014), Big Data : concepts et mise en œuvre de Hadoop, ENI
Editions.
- KOUKI Ahmed, (2013), Les systèmes ERP et les indicateurs de la performance non financière,
Editions Universitaires Européennes.
- LAROSE T Daniel, VALLAUD Thierry, (2005), Des données à la connaissance : une
introduction au data mining, Vuibert.
- LEFEBURE René, VENTURI Gilles, (2005), Gestion de la relation client, Eyrolles.
- MENDOZA Carla, DELMOND Marie-Hélène, Giraud Françoise, LONING Hélène, (2002),
Tableaux de bord et balanced scorecards, Groupe Revue Fiduciaire.
- PINCKEARS Fabien, GARDINER Geoff, (2009), Open ERP pour une gestion d’entreprise
efficace et intégrée, Eyrolles.
- PINCKEARS Fabien, GARDINER Geoff, (2009), Open ERP for Retail and Industrial
Management, Open Object Press.
19
- PINCKEARS Fabien, VAN VOSSEL Els, (2012), Gestion commerciale et Marketing avec
Open ERP, Eyrolles.
- R.OWENS Jonathan, LENTZ Jon et FEMIANO Brian (2014), Hadoop par la pratique, Pearson
Education.
- SCHMARZO Bill, (2013), Big Data: understanding how data powers big business, WILEY.
- Cloudera-Hadoop- 2015, Machine virtuelle-VWMARE.
20