Baha Eddin Inoubli 3BI

REPUBLIQUE TUNISIENNE
Ministère de l’Enseignement Supérieur et de la Recherche

Scientifique.
Université De Jendouba.
La Faculté des Sciences Juridiques, Economiques et de Gestion
de Jendouba.
rapport de projet de fin d’étude

Pour l’obtention de
«diplôme de la Licence en Informatique de gestion (Business
Computing)»
Spécialité : Business Intelligence
Solution BI et Analyse de la phase

d’environnement et santé sécurité
Au sein de : ASTEELFLASH
Réalisé par : Inoubli Baha Eddin
Encadrante académique : Dr. Neila Rjaibi
Encadrante professionnel :Mme Rym Almiya
Année universitaire : 2022-2023

i
Remerciements
Avant tous nous remercions le bon Dieu de nous avoir aidé à réaliser ce
modeste travail de projet de fin d’études
Je remercie Mme.Rym Almiya, mon encadrante professionnelle , pour m’avoir
accepté dans son honorable établissement, et de m’avoir donné l’opportunité,
à travers mon stage.
Je tiens à remercier également mon encadrante académique Dr. Neila Rjaibi
pour son encadrement de qualité, sa motivation professionnelle, son encou-
ragement, ses conseils et critiques constructives, sa gentillesse et sa patience
ainsi pour le temps qu’elle a consacré à la réalisation de ce travail
je remercie les membres du Jury d’avoir accepté d’évaluer ce modeste travail
en espérant qu’ils trouvent dans ce rapport les qualités de clarté et de
motivations qu’ils attendent.
Finalement, je remercie ma famille et mes amis qui m’ont toujours soutenue
dans mon cursus universitaire que dans mes choix personnels.
ii
Table des matières
Remerciements ii
Table des matières iv
Table des figures vi
1 Context Générale 3
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Historique Business Intelligence (BI) . . . . . . . . . . . . . . . 1
1.3 Présentation de ASTEELFLASH . . . . . . . . . . . . . . . . . 2
1.4 Etude de l’existant . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.5 Critique de l’existant . . . . . . . . . . . . . . . . . . . . . . . . 3
1.5.1 Problématique . . . . . . . . . . . . . . . . . . . . . . . . 4
1.6 Solution proposée . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.7 Diagramme de Gantt . . . . . . . . . . . . . . . . . . . . . . . . 6
1.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2 Data warehouse(DW) 8
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 l’importation de DW . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2.1 SharePoint . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2.2 Le JavaScript Object Notation (JSON) . . . . . . . . . . 10
2.2.3 Chargement les bases des données dans power BI . . . . 10
2.2.4 Présentation des Tables . . . . . . . . . . . . . . . . . . 13
2.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
iii
3 Implémentation de la solution BI 28
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.2 Les outils de développement . . . . . . . . . . . . . . . . . . . . 29
3.2.1 PYTHON . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.2.2 Microsoft Power BI . . . . . . . . . . . . . . . . . . . . . 30
3.2.3 Pandas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.2.4 Matplotlib . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.2 Analyse des données . . . . . . . . . . . . . . . . . . . . . . . . 31
3.2.1 Dax . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.3 Tableaux de bord . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.4 Intégration code python dans power BI . . . . . . . . . . . . . . 38
3.5 Analyse ResSource Humaine (RH) . . . . . . . . . . . . . . . . . 38
3.5.1 Ressource Humain . . . . . . . . . . . . . . . . . . . . . 38
3.5.2 Tableaux de bord R.H . . . . . . . . . . . . . . . . . . . 39
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4 Analyse Prédictive 42
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.2 Préparation des données . . . . . . . . . . . . . . . . . . . . . . 43
4.3 Les technologies . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.3.1 Colaboratory . . . . . . . . . . . . . . . . . . . . . . . . 43
4.3.2 Bibliothèque . . . . . . . . . . . . . . . . . . . . . . . . 44
4.4 Prédiction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.4.1 Régression linéaire . . . . . . . . . . . . . . . . . . . . . 45
4.4.2 L’arbre de décision . . . . . . . . . . . . . . . . . . . . . 46
4.4.3 Matrice de corrélation . . . . . . . . . . . . . . . . . . . 47
4.4.4 Les interface de prediction . . . . . . . . . . . . . . . . . 48
4.5 Prise de décision . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
Liste des figures
1.1 Logo ASTEELFLASH . . . . . . . . . . . . . . . . . . . . . . . 2

1.2 Croisssance de Groupe . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Diagramme de Gantt . . . . . . . . . . . . . . . . . . . . . . . . 7
2.1 Interface de sharepoint . . . . . . . . . . . . . . . . . . . . . . . 9

2.2 Logo JSON . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.3 Code Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.4 Premiére étape . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5 Deuxiéme étape . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.6 Troisième étape . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.7 Data warehouse . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.8 Table EHS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.9 Table ATL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.10 Table BED . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.11 Table EBE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.12 Table BHF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.13 Table BNN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.14 Table EST . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.15 Table HAM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.16 Table IDF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.17 Table LOR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.18 Table NOR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.19 Table PLZ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.20 Table SKR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.21 Table SUZ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.22 Table MAPS . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.1 Logo Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

3.2 Logo Power BI . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
v
3.3 Logo Pandas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.4 Logo Matplotlib . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.5 Logo DAX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.6 Requêtes DAX . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.7 Page Home . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.8 Page Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.9 Page Water Intesnity . . . . . . . . . . . . . . . . . . . . . . . . 34
3.10 Page energie Intesnity . . . . . . . . . . . . . . . . . . . . . . . 35
3.11 Page hazardouse waste Intesnity . . . . . . . . . . . . . . . . . 35
3.12 comparison . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.13 Page HEALTH SAFETY . . . . . . . . . . . . . . . . . . . . . 37
3.14 Code python . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.15 les performance des indicateurs . . . . . . . . . . . . . . . . . . 39
3.16 les performance des indicateurs 2022 en mois . . . . . . . . . . 40
4.1 Processus de prédiction . . . . . . . . . . . . . . . . . . . . . . 43

4.2 Logo Colaboratory . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.3 Logo seaborn . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.4 Logo Scikit-learn . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.5 code régression linéaire . . . . . . . . . . . . . . . . . . . . . . 46
4.6 Code l’arbre de décision . . . . . . . . . . . . . . . . . . . . . . 47
4.7 ode matrice de corrélation . . . . . . . . . . . . . . . . . . . . . 48
4.8 prédiction ATL . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.9 Prédiction BED . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.10 Prédiction BHF . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.11 Prédiction BNN . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.12 Prédiction EBE . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.13 Prédiction EST . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.14 Prédiction HAM . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.15 Prédiction IDF . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.16 Prédiction LOR . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.17 Prédiction SKR . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.18 Prédiction SUZ . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
Introduction générale
La RSE est souvent considérée comme une stratégie commerciale avantageuse

pour les entreprises, car elle peut améliorer leur réputation auprès des consom-
mateurs et des investisseurs, renforcer leur engagement envers la durabilité à
long terme et les aider à anticiper et à gérer les risques sociaux et environne-
mentaux.
Les entreprises peuvent adopter différentes approches pour gérer leur impact
environnemental dans le cadre de leur RSE. Cela peut inclure des initiatives
telles que l’utilisation d’énergies renouvelables, la réduction des déchets, l’effi-
cacité énergétique, la durabilité des produits et la préservation des ressources
naturelles, réduire les émissions de gaz à effet de serre et aussi gérer les aspects
de santé et de sécurité de leur RSE. Cela peut inclure des initiatives telles que
la mise en place de programmes de sécurité pour les employés, la formation sur
les risques pour la santé, la vérification de la conformité aux réglementations
en matière de santé et de sécurité, et la surveillance des conditions de travail
pour assurer la sécurité des employés.
Aujourd’hui, les entreprises s’appuient sur les logiciels de Business Intelligence

pour identifier et extraire des informations précieuses des grands volumes de
données qu’elles stockent. Ces outils permettent d’en tirer des informations
tels que des veilles concurrentielles et les tendances du marché, ainsi que des
informations internes tel que trouver les raisons des opportunités perdues.
Les entreprises peuvent utiliser différents outils de BI pour collecter et analyser

les données, tels que les tableaux de bord, les rapports, et les systèmes d’ana-
lyse de données. Les données peuvent être collectées à partir de différentes
sources internes et externes, telles que les systèmes de gestion de la relation
client (CRM), les systèmes financiers et les sources de données en ligne et
1
Introduction générale 2
aident les entreprises à renforcer leur compétitivité, à améliorer leur perfor-

mance et à prendre des décisions plus informées en utilisant une vaste quantité
de données fiables et à jour.
Dans l’industrie électronique, cela peut inclure la surveillance des conditions de

travail des employés pour assurer leur sécurité, la vérification de la conformité
aux réglementations en matière de santé et de sécurité, l’analyse des risques
environnementaux liés à la production et à la mise en décharge des déchets
électroniques, ainsi que la mesure de l’impact social et environnemental des
activités de l’entreprise.
L’objectif principal est d’améliorer la RSE de l’entreprise en utilisant des don-

nées quantitatives pour prendre des décisions informées et responsables, qui
tiennent compte des considérations de santé, de sécurité et de durabilité. Les
résultats peuvent inclure une amélioration de la réputation de l’entreprise, une
réduction des coûts associés à des incidents ou des litiges en matière de santé
et de sécurité, ainsi qu’une réduction de l’impact environnemental négatif de
l’entreprise .
1
Context Générale
Sommaire
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Historique Business Intelligence (BI) . . . . . . . 1
1.3 Présentation de ASTEELFLASH . . . . . . . . . . 2
1.4 Etude de l’existant . . . . . . . . . . . . . . . . . . . 3
1.5 Critique de l’existant . . . . . . . . . . . . . . . . . 3
1.6 Solution proposée . . . . . . . . . . . . . . . . . . . 5
1.7 Diagramme de Gantt . . . . . . . . . . . . . . . . . 6
1.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . 7
3
Context Générale 1
1.1 Introduction
Dans ce chapitre, nous allons présenter l’organisme d’accueil : ASTEELFLASH,

l’établissement au sein duquel nous avons effectué notre projet de fin d’études.
Ensuite, nous procéderons à la présentation du cadre du projet qui nous per-
mettra de mieux comprendre le problème étudié et en déduire des solutions.
1.2 Historique Business Intelligence (BI)
Dans les années 1950 et 1960, les entreprises ont commencé à utiliser des sys-
tèmes informatiques pour stocker et traiter des données. Cependant, ces sys-
tèmes étaient souvent limités et ne permettaient pas d’analyser efficacement
les données. Dans les années 1970, les premiers outils de BI ont été développés
pour aider les entreprises à extraire et à analyser des données à partir de leurs
systèmes informatiques. Cependant, ces outils étaient encore assez rudimen-
taires et coûteux. Dans les années 1980, les bases de données relationnelles ont
été introduites, ce qui a permis de stocker et de gérer des données de manière
plus efficace. Les outils de BI ont également commencé à se développer pour
tirer parti de ces nouvelles technologies. Dans les années 1990, les outils de
BI ont commencé à devenir plus conviviaux et plus accessibles, ce qui a per-
mis à un plus grand nombre de personnes dans l’entreprise de les utiliser. Les
tableaux de bord, qui fournissent une vue d’ensemble des indicateurs clés de
performance (KPI), ont également commencé à être largement utilisés. Dans
les années 2000, la croissance explosive de l’Internet a créé de nouvelles sources
de données et de nouveaux défis pour la BI. Les outils de BI ont commencé à
intégrer des fonctionnalités d’analyse de données en temps réel, de visualisa-
tion de données et de collaboration.
Aujourd’hui, les outils de BI ont évolué pour devenir des plates-formes com-
plètes qui intègrent des fonctionnalités d’analyse prédictive, d’intelligence ar-
tificielle (IA), d’apprentissage automatique (ML) et de traitement du langage
naturel (NLP). Les entreprises utilisent la BI pour prendre des décisions plus
éclairées, optimiser leurs opérations, améliorer leur efficacité et leur rentabilité,
et rester compétitives dans un marché en constante évolution.
1.3 Présentation de ASTEELFLASH
ASTEEL FLASH est une entreprise manufacturière internationale considérée

comme leader parmi les entreprises spécialisées en industrie électronique. AS-
TEELFLASH est une société mondiale de services de fabrication électronique
(EMS) qui fournit des services de conception, d’ingénierie et de fabrication de
produits électroniques. La société propose une gamme de services, notamment
la conception de produits, le prototypage, l’assemblage de cartes de circuits
imprimés, l’intégration de systèmes, les tests et la gestion de la chaîne d’ap-
provisionnement. ASTEELFLASH a une présence mondiale avec des installa-
tions de fabrication et des centres de conception en Europe, en Amérique du
Nord, Afrique du Nord et en Asie. La société dessert un large éventail d’in-
dustries, notamment l’automobile, l’aérospatiale, l’industrie, la médecine et les
télécommunications. Au premier trimestre 2016, ASTEELFLASH a démarré
la production à son usine nouvellement construite de La Soukra, en Tunisie.
21 900 m2 (235 730 pi2) de fabrication surface, environ 2121 m2 (22,830 pi2)
immédiatement disponible pour de nouveaux potentiels entreprise avec une
marge de croissance supplémentaire et +1300 employées.
Figure 1.1 : Logo ASTEELFLASH

Figure 1.2 : Croisssance de Groupe
1.4 Etude de l’existant
Il existe de nombreux exemples de projets de Business Intelligence axés sur

l’analyse de la phase d’environnement et santé sécurité et qui ont été réalisés
à l’aide d’outils de Business Intelligence.
1.5 Critique de l’existant
Dans un monde en constante évolution, la gestion efficace de La respon-

sabilité sociétale des entreprises (RSE) est cruciale pour la réputation et la
durabilité de notre entreprise. Cependant, la quantité de données associées à
ces domaines peut être difficile à gérer manuellement. C’est pourquoi j’ai choisi
de mener une étude sur la façon de mettre en place une solution de BI pour
améliorer notre capacité à collecter, analyser et utiliser ces données de manière

plus efficace.
L’analyse des données environnementales et de santé et sécurité est im-

portant pour la prise de décisions informées en matière de protection de l’en-
vironnement et de sécurité au travail. Le but de mon projet est de fournir une
analyse approfondie des données environnementales et de santé et sécurité, afin
d’aider à identifier les opportunités d’amélioration et à élaborer des stratégies
pour minimiser les impacts environnementaux et garantir la santé et la sécurité
de nos employés.
Ce projet comprend une analyse de consommation d’énergie, de émissions

de gaz à effet de serre, de programmes de gestion des déchets et de la sécurité
au travail, ainsi que des recommandations pour améliorer ces domaines.
1.5.1 Problématique
Dans notre entreprise les données sont stockées sans analyse. Ce qui est en
gendre des problèmes comme :
• Déluge de données : De nombreuses organisations ont trouvé des moyens

de collecter des quantités massives de données. Malheureusement, la ca-
pacité de collecter des données dépasse de loin la capacité de la plupart
des organisations à traiter, gérer et analyser les données. Trop de don-
nées, en particulier des données non structurées, se traduit par des lacs
de données qui occupent de l’espace sans contribuer de quelque manière
que ce soit aux résultats financiers de votre entreprise. Pour aggraver
les choses, plus les données restent longtemps sans gestion, moins elles
deviennent précieuses
• Duplication de données : La duplication des données se produit lorsque

vous avez des copies excessives de données à plusieurs endroits. Cela
réduit à son tour votre capacité de stockage sans ajouter de valeur sup-
plémentaire. Pour résoudre ce problème, les organisations doivent déve-
lopper une source unique de vérité pour les données, ce qui est souvent la
valeur de la création de pipelines de données qui alimentent les entrepôts
de données.
• Manque de visualisation : Un autre problème de données courant est le

manque de visualisation des données. Lorsque cela se produit, il n’y a
aucun moyen de raconter des histoires basées sur les données ou de glaner
rapidement des informations à partir de vos données. Vous collectez donc
des tonnes de données, mais vous ne pouvez pas en faire bon usage
ode matrice de corrélation
• Liaison de données incorrecte : les données souvent rencontré dans les

entreprises est le manque de capacité à connecter différents ensembles
de données entre eux pour effectuer des requêtes sémantiques. Ou si les
données sont liées entre elles, ces données sont mal liées et donc moins
valables pour la prise de décision.
1.6 Solution proposée
L’objectif principal de notre projet est d’élaborer un tableau de bord dont le

but est de mieux visualiser les indicateurs clés de l’entreprise et effectuer une
analyse prédictive.
• La première étape consiste à collecter les données pertinentes pour votre

analyse. Nous pouvons collecter des données sur les incidents de sécurité,
les accidents de travail, les émissions de gaz à effet de serre, la consom-
mation d’énergie, la production de déchets, etc.
• Transformation des données : Ensuite, nous devons transformer les don-

nées collectées en données structurées et utilisables pour votre analyse.
Cette étape peut inclure la consolidation des données provenant de diffé-

rentes sources, la normalisation des données, la suppression des données
inutiles ou incomplètes, etc...
• Stockage des données : Vous devez stocker les données dans une base de
données, qui peut être une base de données relationnelle, un entrepôt de
données ou une base de données No SQL, en fonction de vos besoins.
• Calucul : utilisation des fonctions DAX pour calculer des valeurs bien
déterminer
• Analyse des données : Ensuite, nous pouvons utiliser des outils de BI tels
que des tableaux de bord, des rapports, des visualisations de données
pour analyser les données collectées.
• -Prévention et amélioration continue : Enfin, en fonction des résultats de

l’analyse, nous pouvons proposer des mesures pour prévenir les risques
pour la santé et la sécurité au travail et réduire l’impact environnemental
de l’entreprise. Nous pouvons également proposer des plans d’améliora-
tion continue pour maintenir les performances de l’entreprise à un niveau
optimal.
En utilisant cette approche, notre projet BI peut aider l’entreprise à identifier

les risques et les opportunités d’amélioration en matière de SST et d’environ-
nement, à prendre des décisions éclairées et à mettre en place des mesures pour
améliorer ses performances en la matière.
1.7 Diagramme de Gantt
Dans cette partie, on va voir le diagramme de Gantt pour organiser et planifier

les tâches à mener.
Figure 1.3 : Diagramme de Gantt
1.8 Conclusion
A travers ce premier chapitre, nous avons introduit le contexte général de notre

projet en exposant la problématique et la solution proposée ainsi que la mé-
thodologie adoptée. Nous pouvons passer au chapitre suivant qui se concentre
la Data Warehouse.
2
Data warehouse(DW)
Sommaire
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . 9
2.2 l’importation de DW . . . . . . . . . . . . . . . . . 9
2.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . 27
8
Data warehouse 9
2.1 Introduction
La gestion efficace des données est devenue une priorité majeure pour les
organisations modernes. Les entreprises collectent une quantité considérable
de données provenant de diverses sources telles que les ventes, les opérations,
les finances et le marketing. Cependant, pour tirer pleinement parti de ces
données et en extraire des informations précieuses, il est essentiel de disposer
d’un système de gestion des données robuste et organisé.
2.2 l’importation de DW
2.2.1 SharePoint
SharePoint est une série de logiciels de type applications web développée

par Microsoft. Disponible depuis 2001, elle est principalement destinée aux
entreprises. Le produit est une solution de portails collaboratifs qui combine
des fonctions de portail web CMS avec des fonctions destinées à la collaboration
tel que la gestion électronique de documents ou encore le moteur de recherche.
Suivant les versions d’autres fonctions sont également disponibles telle que les
forums, les formulaires, les workflows ou encore les statistiques décisionnelles.
Figure 2.1 : Interface de sharepoint
Nous avons exporté les bases de tous les entreprises de format Excel puis je les
Data warehouse 10
transformées en format JSON
2.2.2 Le JavaScript Object Notation (JSON)
Une base de données JSON est une base de données No SQL de type docu-
ment, idéale pour stocker des données semi-structurées. Il est beaucoup plus
flexible que le format lignes-colonnes, qui est fixe et coûteux lorsqu’il s’agit
d’implémenter même de petites modifications de schéma.
Figure 2.2 : Logo JSON
Pour la transformation de format JSON nous avons utilisées un code python
Figure 2.3 : Code Python
2.2.3 Chargement les bases des données dans power BI
Représentation de la premiére étape de chargement des données figure 2.4 :

Data warehouse 11
Figure 2.4 : Premiére étape
Représentation de la deuxiéme étape de chargement des données figure 2.5 :
Figure 2.5 : Deuxiéme étape
Représentation de la troisième étape de chargement des données figure 2.6 :

Data warehouse 12
Figure 2.6 : Troisième étape
Charggement des données en power BI et vusialisation des tableaux de chaque

entreprise figure 2.7 :
Figure 2.7 : Data warehouse

Data warehouse 13
2.2.4 Présentation des Tables
Dans une base de données bien conçue, chaque table stocke les données d’un
sujet spécifique, tel que les employés ou les produits. Une table contient des
enregistrements (lignes) et des champs (colonnes). Les champs ont des types
de données différents, tels que du texte, des nombres, des dates etc... Nous
allons présenter tous les tables de notre base des données.
Figure 2.8 : Table EHS
Cette table « EHS » contient tous les données d’autre entreprise

Table « EHS » est une table contient les champs suivant : Année : qui repré-
sente l’années de l’action de chaque entreprise
Mois : qui représente chaque mois de l’action de chaque entreprise
Site : qui représente le nom de l’entreprise de chaque entreprise
Major : EHS défets qui représente les actions dangereuses dans l’entreprise de
chaque
entreprise
EHS fines : qui représente les amandes de chaque entreprise
Revenue : représente le revenu de chaque entreprise
Data warehouse 14
Water cons : la consommation d’eau de chaque entreprise

Water intensity : la consommation d’eau par rapport le revenu de chaque en-
treprise
Hazardouse waste (kg) : les déchets dangereux de chaque entreprise en kg
Hazardouse waste intensité :les dechets par rapport le revenu de chaque entre-
prise
Power cons : consommation d’énergie de chaque entreprise
Power intensity : consommation d’energie de chaque entreprise
Accidents : le nombre d’accidents dans chaque entreprise
Injuries : les nombres injuries dans chaque entreprise
Figure 2.9 : Table ATL
« ATL » une entreprise en France est une de groupe asteelflash

Table « ATL » est une table contient les champs suivant :
Année : qui représente l’années de l’action de entreprise
Mois : qui représente chaque mois de l’action de entreprise
Site : qui représente le nom de l’entreprise de entreprise
entreprise
EHS fines : qui représente les amandes de entreprise
Data warehouse 15
Revenue : représente le revenu de entreprise

Water cons : la consommation d’eau de l’entreprise
Water intensity : la consommation d’eau par rapport le revenu de entreprise
Hazardouse waste (kg) : les déchets dangereux de entreprise en kg
Hazardouse waste intensité :les dechets par rapport le revenu de entreprise
Power cons : consommation d’énergie de entreprise
Power intensity : consommation d’energie de entreprise
Accidents : le nombre d’accidents dansl’entreprise
Injuries : les nombres injuries dans l’entreprise
Figure 2.10 : Table BED
« BED » une entreprise en Angleterre est une de groupe asteelflash

Table « BED » est une table contient les champs suivant :
entreprise
Data warehouse 16

Figure 2.11 : Table EBE
« BED » une entreprise en Allemagne est une de groupe asteelflash

Table « EBE » est une table contient les champs suivant :
entreprise
Data warehouse 17

Figure 2.12 : Table BHF
« BHF » une entreprise en Allemagne est une de groupe asteelflash

Table « EBE » est une table contient les champs suivant :
entreprise
Data warehouse 18

Figure 2.13 : Table BNN
« BNN » une entreprise en Allemagne est une de groupe asteelflash

Table « BNN » est une table contient les champs suivant :
entreprise
Data warehouse 19

Figure 2.14 : Table EST
« EST » entreprise en France est une de groupe asteelflash

Table « EST » une table contient les champs suivant :
entreprise
Data warehouse 20

Figure 2.15 : Table HAM
« HAM » entreprise en Allemagne est une de groupe asteelflash

Table « HAM » est une table contient les champs suivant :
entreprise
Data warehouse 21

Figure 2.16 : Table IDF
« IDF » entreprise en France est une de groupe asteelflash

Table « IDF » est une table contient les champs suivant :
entreprise
Data warehouse 22

Figure 2.17 : Table LOR
« LOR » une entreprise en France est une de groupe asteelflash

Table « LOR » est une table contient les champs suivant :
entreprise
Data warehouse 23

Figure 2.18 : Table NOR
« NOR » entreprise en France est une de groupe Asteelflash
Table « NOR » est une table contient les champs suivant :

entreprise
Data warehouse 24

Figure 2.19 : Table PLZ
« PLZ » est une entreprise en Tchéquie est une de groupe Asteelflash

Table « PLZ » est une table contient les champs suivant :
entreprise
Data warehouse 25

Figure 2.20 : Table SKR
« SKR » est une entreprise en Tunisie est une de groupe Asteelflash

Table « SKR » est une table contient les champs suivant :
entreprise
Data warehouse 26

Figure 2.21 : Table SUZ
« SUZ » est une entreprise en Chine est une de groupe Asteelflash Table «
SUZ » est une table contient les champs suivant :
entreprise
Data warehouse 27
Figure 2.22 : Table MAPS
Table « MAPS » qui présente la localisation de chaque entreprise et contient

les champs suivant :
COUNTRY : qui presente le pays de chaque entreprise
Région : Représente la région de chaque entreprise
CITY : Présente la ville de chaque entreprise
Sites : contient le nom de chaque entreprise
entreprise
Latitude : contient latitude de chaque entreprise
Longitude : contient longitude de chaque entreprise
2.4 Conclusion
Dans ce chapitre nous avons commencé par une présentation des concepts
de DW et la présentation des tables warehouse et ses différents composants.
Chaque nom de table représente le nom de chaque entreprise.
3
Implémentation de la solution BI
Sommaire
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . 29
3.2 Les outils de développement . . . . . . . . . . . . 29
3.2 Analyse des données . . . . . . . . . . . . . . . . . . 31
3.3 Tableaux de bord . . . . . . . . . . . . . . . . . . . 33
3.4 Intégration code python dans power BI . . . . . . 38
3.5 Analyse ResSource Humaine (RH) . . . . . . . . . 38
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . 41
28
Implémentation de la solution BI 29
3.1 Introduction
Dans ce chapitre nous allons mettre en valeur les 3 phases de ce projet qui sont
dans l’ordre suivant : Compréhension et analyse des données, Elaboration des
tableaux de bord
3.2 Les outils de développement
Dans cette section, nous allons explorer les différentes technologies et biblio-
thèques de Python que nous allons utiliser pour atteindre les objectifs de ce
projet.
3.2.1 PYTHON
Python : langage de programmation open source le plus utilise. Il s’est vu

propulsé à la tête de la gestion d’infrastructure, d’analyse de données et dans
le domaine du développement de logiciels. Il permet au développeur de se
concentrer sur ce qu’il fait plutôt que sur la manière dont il le fait. Il l’a
libéré de toute contrainte de forme. Le développement de code est plus rapide
avec python qu’avec d’autres langages. Python est utile a la programmation
d’applications, à la création de services web, a la génération de code et à la
méta programmation
Figure 3.1 : Logo Python

3.2.2 Microsoft Power BI
Microsoft Power BI : est une solution d’analyse de données de Microsoft. Il

permet de créer des visualisations de données personnalisées et interactives
avec une interface suffisamment simple pour que les utilisateurs finaux créent
leurs propres rapports et tableaux de bord2. Power BI est un ensemble de ser-
vices logiciels, d’applications et de connecteurs qui fonctionnent ensemble pour
transformer différentes sources de données en informations visuelles, immer-
sives et interactives. Plusieurs sources de données peuvent être utilisées telles
que des fichiers Excel, des sources SQL, ou des entrepôts de données hybrides
locaux ou sur le cloud. Les données sont personnalisées et interactives avec
une interface suffisamment simple pour que les utilisateurs finaux créent leurs
propres rapports et tableaux de bord.
Figure 3.2 : Logo Power BI
3.2.3 Pandas
Pandas est une bibliothèque du langage de programmation Python, elle faci-

lite la manipulation et l’analyse des données, suggère des structures de données
et des opérations de manipulation de tableaux numériques et de séries tempo-
relles. Pandas est un logiciel libre sous licence BSD.
Figure 3.3 : Logo Pandas
3.2.4 Matplotlib
Matplotlib est une bibliothèque du langage de programmation Python des-

tinée à tracer et visualiser des données sous forme de graphiques5. Elle peut
être combinée avec les bibliothèques python de calcul scientifique NumPy et
SciPy6. Elle fournit également une API orientée objet, permettant d’intégrer
des graphiques dans des applications, utilisant des outils d’interface graphique
polyvalents.
Figure 3.4 : Logo Matplotlib
3.2 Analyse des données
3.2.1 Dax
DAX est une collection de fonctions, d’opérateurs et de constantes qui peuvent

être utilisés dans une formule, ou une expression, pour calculer et retourner
une ou plusieurs valeurs. DAX vous aide à créer des informations à partir des
données déjà présentes dans votre modèle
Figure 3.5 : Logo DAX
Dans notre projet nous avons utilisées des requêtes DAX pour calculer la
consommation d’eau et la consommation d’énergie et le recyclage des déchets
par rapport la revenue de chaque entreprise.
Figure 3.6 : Requêtes DAX
• Les fonctions DAX
- Fonction DIVIDE ou opérateur de division (/)

- La fonction DAX SUM appartient au moteur d’agrégation, et additionne
toutes les valeurs dans une colonne unique pour retourner le résultat.
3.3 Tableaux de bord
Durant cette partie, nous allons élaborer les tableaux de bord. Il s’agit d’un re-
porting pour le suivi des indicateurs demandés par la société selon l’agrégation
visée par plusieurs filtres (home, Overview, water intensity, énergie intensity,
hazardous wast intensity, Health safety) et la comparaison entre les années de
chaque entreprise.
Figure 3.7 : Page Home
Dans cette interface dans figure 3.7 nous avons présentés la région, le pays et la
localisation de chaque entreprise dans le monde. Cette interface est interactive
avec une carte géographique bien localiser avec longitude et latitude.
Figure 3.8 : Page Overview

Dans cette interface dans figure 3.8 nous avons analysés total water intensity,
total energy intensity, total waste recycling et waste recycling distribution de
tous les entreprises selon les années. L’indice d’intensité en eau est une mesure
qui permet d’évaluer la consommation d’eau d’une entreprise. Plus l’indice est
élevé, plus la consommation d’eau est importante. Dans ce cas, « ATL » a
le niveau le plus élevé, ce qui suggère qu’elle utilise une quantité considérable
d’eau dans ses opérations.
Pour évaluer l’intensité d’énergie on trouve « SUZ » a une consommation

d’énergie parce que la plus grande usine par a rapport les autres.
Et aussi « PLZ » qui a une le recyclage des déchets 100 pourcent et 20 pourcent
par rapport d’autres usines
Figure 3.9 : Page Water Intesnity
Dans cette interface dans figure 3.9 nous avons analysés water intensity de
chaque entreprise selon les mois. Une augmentation de l’intensité d’eau dans
l’entreprise « ATL » mars 2021 et mars 2022 peut être le résultat d’une crois-
sance des activités, d’une utilisation inefficace de l’eau ou de changements
externes. Il est crucial pour l’entreprise de prendre des mesures pour réduire
cette intensité, en adoptant des pratiques plus durables et en favorisant une
utilisation efficace de l’eau dans ses opérations.
Figure 3.10 : Page energie Intesnity
Dans cette interface dans figure 3.10 nous avons analysés energy intensity de
chaque entreprise selon les mois. L’intensité d’énergie a augmenté janvier 2021
et janvier 2022, cela pourrait indiquer une augmentation de la consommation
d’énergie de l’entreprise « ATL » ou du secteur concerné. Une telle augmenta-
tion peut être due à plusieurs facteurs, notamment la croissance de l’activité
économique, l’expansion de l’entreprise, l’ajout de nouvelles installations ou
l’utilisation accrue de machines et d’équipements énergivores.
Figure 3.11 : Page hazardouse waste Intesnity

Dans cette interface dans figure 3.11 nous avons analysés Hazardous Waste
intensity de chaque entreprise selon les mois.
L’augmentation de rejet de déchets dangereux en août 2021 indique une négli-

gence potentielle de la part de l’usine en termes de conformité aux réglementa-
tions environnementales. Cela soulève des inquiétudes quant à la manière dont
les déchets sont gérés, stockés et éliminés. Le fait que des déchets dangereux
aient été augmentés à nouveau en décembre 2022 souligne une récurrence du
problème. Cela peut indiquer une lacune dans les processus de contrôle et de
suivi mis en place par l’usine pour prévenir de tels rejets.
Figure 3.12 : comparison
Cette interface aide a comparer water intensity, energie intensity et hazardouse

waste intensity selon les années pour mieux comprendre la tendence et la chute.
Figure 3.13 : Page HEALTH SAFETY
Dans cette interface dans figure 3.12 nous avons analysés les accidents et les in-
juries de chaque entreprise selon les années. Le nombre d’injuries (blessures) et
d’accidents au sein d’une entreprise est un indicateur important de la sécurité
et du bien-être des employés. Les injures et les accidents peuvent entraîner des
conséquences graves pour les travailleurs et avoir un impact sur la productivité
et les opérations de l’entreprise. En comparant les données de l’entreprise «
SKR » de 2021 et 2022, on observe une légère diminution du nombre d’inju-
ries, passant de 5 à 4, ce qui suggère une amélioration dans la prévention des
blessures au sein de l’entreprise. Cependant, il est important de continuer à
maintenir et à améliorer les efforts en matière de sécurité pour réduire davan-
tage le nombre de blessures. En revanche, le nombre d’accidents a augmenté
de 2 en 2021 à 6 en 2022. Cette augmentation est préoccupante et nécessite
une analyse approfondie pour comprendre les raisons de cette hausse. Cela
pourrait indiquer des lacunes dans les procédures de sécurité, le respect des
réglementations ou la formation des employés. Bien que le nombre d’injuries
ait légèrement diminué, l’augmentation des accidents en 2022 est une préoc-
cupation majeure. L’entreprise doit poursuivre ses efforts pour prévenir les
blessures et les accidents en renforçant les mesures de sécurité, en améliorant
la formation et en promouvant une culture de sécurité. Une analyse plus ap-
profondie des incidents peut aider à identifier les causes et à mettre en place
des mesures préventives adéquates pour garantir un environnement de travail
sûr pour tous les employés.
3.4 Intégration code python dans power BI
Figure 3.14 : Code python
Dans cette figure 3.13 un script python pour histogramme avec l’éditeur de
Power BI
3.5 Analyse ResSource Humaine (RH)
3.5.1 Ressource Humain
Ils permettent de mettre en évidence les besoins en personnel de l’entreprise. La

fonction Ressources humaines définit donc les actions nécessaires pour combler
ces besoins : recrutement de personnels extérieurs, formation du personnel
interne, recours à des sous-traitants.
3.5.2 Tableaux de bord R.H
Dans cette section, nous avons analysé les performances des indicateurs pour
l’année 2021 et l’année 2022. Nous avons constaté que les indicateurs suivants :
"turnover" (taux de rotation du personnel), "taux de réalisation des formations
planifiées", "taux d’absentéisme", "heures de formation"
Figure 3.15 : les performance des indicateurs
On observe que tous les indicateures atteint leurs objectifs sauf "coût de la
formation".
Figure 3.16 : les performance des indicateurs 2022 en mois
Dans cette figure qui représente un tableau de bord pour les indicateurs en
mois on observe : Turnover (taux de rotation du personnel) : Le fait que le
taux de rotation du personnel ait atteint l’objectif fixé indique que l’entre-
prise a réussi à maintenir un niveau stable de fidélité de ses employés. Cela
peut être le résultat d’une gestion efficace des ressources humaines, d’une sa-
tisfaction élevée des employés ou d’autres mesures mises en place pour réduire
le turnover. Taux de réalisation : L’atteinte de l’objectif de janvier jusqu’à
juillet pour le taux de réalisation des formations planifiées suggère que l’en-
treprise a réussi à mettre en œuvre efficacement son programme de formation.
Cela témoigne d’une gestion proactive du développement des compétences des
employés et de l’investissement dans leur formation continue. Taux d’absen-
téisme : Le fait que le taux d’absentéisme ait atteint l’objectif fixé indique
une bonne gestion des absences au sein de l’entreprise. Cela peut être le ré-
sultat de politiques de congés équilibrées, d’un environnement de travail sain
et d’une communication transparente avec les employés. Heures de formation :
L’atteinte de l’objectif pour les heures de formation suggère que l’entreprise
a réussi à consacrer suffisamment de temps aux activités de formation de ses
employés. Cela démontre un engagement envers le développement des compé-
tences et la croissance professionnelle de ses membres. Coût de la formation :

L’atteinte de l’objectif fixé pour le coût de la formation indique une gestion
efficace des ressources allouées à la formation. Cela témoigne d’une utilisation
responsable des budgets alloués, en optimisant les dépenses liées à la forma-
tion tout en maintenant la qualité des programmes proposés. Dans l’ensemble,
l’atteinte des objectifs pour ces indicateurs clés reflète la performance positive
de l’entreprise en termes de gestion des ressources humaines, de développe-
ment des compétences et de suivi des indicateurs clés de performance. Cela
suggère une attention particulière portée à la satisfaction des employés, à la
réduction du turnover et à l’amélioration continue des compétences au sein de
l’organisation. Il convient de noter que ces résultats encourageants nécessitent
une vigilance constante et une analyse continue pour s’assurer que les objectifs
sont maintenus et que les performances restent à un niveau élevé. Cela peut
impliquer la mise en place de mécanismes de suivi et de réévaluation réguliers
pour garantir la durabilité et la progression des indicateurs de performance au
fil du temps.
3.5 Conclusion
Dans ce chapitre, nous avons implémenté notre solution BI et nous avons

exposé les différents tableaux de bord. Dans le chapitre qui suit, nous allons
faire notre analyse prédictive.
4
Analyse Prédictive
Sommaire
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . 43
4.2 Préparation des données . . . . . . . . . . . . . . . 43
4.3 Les technologies . . . . . . . . . . . . . . . . . . . . 43
4.4 Prédiction . . . . . . . . . . . . . . . . . . . . . . . 45
4.5 Prise de décision . . . . . . . . . . . . . . . . . . . 54
4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . 55
42
Analyse Prédictive 43
4.1 Introduction
Ce chapitre consiste à construire un modèle qui résout au mieux notre pro-

blème. Ce modèle est un Algorithme d’apprentissage automatique qui est formé
et testé à l’aide des données.
4.2 Préparation des données
La première étape du processus d’apprentissage automatique consiste à dé-

terminer ce que nous souhaitons prédire. Une fois que cela est établi, l’étape
suivante est la “préparation des données” qui désigne les opérations de net-
toyage et transformation qui doivent être appliqués aux données brutes avant
leur traitement et analyse.
Figure 4.1 : Processus de prédiction
4.3 Les technologies
4.3.1 Colaboratory
Colaboratory, souvent raccourci en "Colab", est un produit de Google Research.

Colab permet d’importer qui d’écrire et d’exécuter le code Python de son choix
par le biais du navigateur. C’est un environnement particulièrement adapté au

machine Learning, à l’analyse de données et à l’éducation.
Figure 4.2 : Logo Colaboratory
4.3.2 Bibliothèque
• Seaborn : est une bibliothèque permettant de créer des graphiques sta-

tistiques en Python. Elle est basée sur Matplotlib, et s’intègre avec les
structures Pandas. Cette bibliothèque est aussi performante que Mat-
plotlib, mais apporte une simplicité et des fonctionnalités inédites.
Figure 4.3 : Logo seaborn
• Scikit-learn : est une bibliothèque d’analyse de données open source et

la référence en matière d’apprentissage automatique (ML) dans l’écosys-
tème Python. Les concepts et fonctionnalités clés incluent est Méthodes
de prise de décision algorithmique, notamment ,Classification c’est iden-

tification et catégorisation des données en fonction de modèles.
Figure 4.4 : Logo Scikit-learn
4.4 Prédiction
Dans cette partie nous allons analyser les données avec deux modelés de pré-
diction comme ‘régression linéaire ’, l’arbre de décision ’.
4.4.1 Régression linéaire
Le principe de la régression linéaire : il consiste à étudier les liens entre une

variable dépendante et des variables indépendantes. La régression permet de
juger de la qualité d’explication de la variable dépendante par les variables
indépendantes. Nous avons appliqué cette model dans notre projet pour com-
parer les valeurs réelles par les valeurs de prédiction
Figure 4.5 : code régression linéaire
4.4.2 L’arbre de décision
Un arbre de décision est un algorithme de Machine Learning qui permet de

faire une prédiction ou un classement. Nous avons aussi appliqué cette model
dans notre projet pour le pourcentage de précision de la prédiction
Figure 4.6 : Code l’arbre de décision
4.4.3 Matrice de corrélation
Une matrice de corrélation est un tableau qui affiche la corrélation entre les
variables. Et enfin nous avons choisir la matrice de corrélation pour la classi-
fication
Figure 4.7 : ode matrice de corrélation
4.4.4 Les interface de prediction
Dans cette partie nous allons voir le résultat de la prédiction de chaque entre-
prise et nous allons l’interpréter .
Figure 4.8 : prédiction ATL
Nous avons remarqué dans cette figure 4.8 qu’il Ya une régression linéaire
moyenne avec une faible corrélation de précision 25%.
Figure 4.9 : Prédiction BED

moyenne aussi avec une moyenne corrélation de précision 44%.
Figure 4.10 : Prédiction BHF
faible avec une faible corrélation de précision 9%
Figure 4.11 : Prédiction BNN

Nous avons remarqué dans cette figure 4.11 qu’il Ya une bonne régression
linéaire avec une forte corrélation de précision 90%
Figure 4.12 : Prédiction EBE
linéaire avec une forte corrélation de précision 75
Figure 4.13 : Prédiction EST

Nous avons remarqué dans cette figure 4.12 qu’il Ya une mauvaise régression
linéaire avec une faible corrélation de précision 13
Figure 4.14 : Prédiction HAM
Nous avons remarqué dans cette figure 4.13 qu’il Ya une moyenne régression
linéaire avec une bonne corrélation de précision 44%.
Figure 4.15 : Prédiction IDF

Nous avons remarqué dans cette figure 4.14 qu’il Ya une très bonne régression
linéaire avec une forte corrélation de précision 99%
Figure 4.16 : Prédiction LOR
Nous avons remarqué dans cette figure 4.15 qu’il Ya une mauvaise régression
linéaire, faible corrélation de précision 2%.
Figure 4.17 : Prédiction SKR

linéaire, moyenne corrélation de précision 49%.
Figure 4.18 : Prédiction SUZ
Dans cette figure 4.16 qu’il Ya une mauvaise régression linéaires mauvaise
corrélation de précision 9%.
4.5 Prise de décision
• Audit énergétique et de l’eau : Effectuez un audit approfondi de la

consommation d’énergie et d’eau de votre usine. Identifiez les domaines
spécifiques où la consommation est la plus élevée, tels que les équipe-
ments de production, les systèmes de refroidissement, l’éclairage, etc.
• Optimisation des équipements : Remplacez les équipements obsolètes

par des modèles plus écoénergétiques. Choisissez des machines avec des
fonctionnalités d’économie d’énergie, comme des systèmes de veille au-
tomatique, des variateurs de vitesse pour les moteurs, et des dispositifs
de récupération de chaleur.
• Amélioration des procédés de production : Analysez vos procédés de

fabrication pour identifier les étapes qui consomment le plus d’eau et
d’énergie. Recherchez des alternatives qui permettent d’optimiser l’uti-
lisation des ressources, comme l’adoption de techniques de production à
faible consommation d’eau ou l’optimisation des paramètres de produc-
tion pour réduire les pertes d’énergie.
• Gestion de l’eau : Mettez en place des mesures de gestion de l’eau, telles

que l’installation de systèmes de recyclage de l’eau pour les procédés de
nettoyage, la réutilisation de l’eau de refroidissement, et la détection des
fuites pour éviter les gaspillages
• Éclairage efficace : Remplacez les ampoules traditionnelles par des am-

poules LED écoénergétiques. Installez des détecteurs de mouvement pour
éteindre automatiquement les lumières dans les zones non utilisées.
• Suivi et surveillance : Mettez en place un système de suivi et de sur-

veillance régulier de la consommation d’énergie et d’eau. Utilisez ces
données pour identifier les opportunités d’amélioration continues et pour
évaluer l’efficacité des mesures mises en place.
4.6 Conclusion
Ce chapitre constitue la dernière partie de notre rapport de projet de fin

d’études. Son objectif est de faire une analyse prédictive et faire un choix
de notre algorithme.
Conclusion générale
Ce rapport est la concrétisation de 3 mois de labeur dans le cadre d’un projet

de fin d’études pour l’obtention du diplôme Licence en informatique de gestion
(BI) Faculté des Sciences Juridiques, Economiques et de Gestion de Jendouba
et d’effectué au sein de l’entreprise ASTEELFLASH Tunisie.
Nous avons élaboré des tableaux de bords riches et interactifs suivant le besoin
de la société et aussi nous avons effectué une analyse prédictive. Pour atteindre
les objectifs fixés dès le départ, nous avons d’abord commencé par une étude
des besoins et des outils nécessaires avec une compréhension des données.
Puis j’ai élaboré les fichier JSON, et j’ai utilisé python pour les préparer les
données pour l’implémenter dans notre modèle de Machine Learning. Non
seulement j’ai réussi à capitaliser de bonnes connaissances sur l’analyse pré-
dictive avec Python et l’élaboration des tableaux de bord avec Power BI, mais
aussi j’ai développé mes capacités d’adaptation, de communication et de tra-
vail en équipe.
En plus, ce stage m’a donné une grande motivation pour mieux développer
mes compétences en BI vu l’intérêt qu’occupe ce domaine dans les entreprises
actuellement à travers l’aide à la décision principalement.
56
Bibliographie
[1] :https ://www.salesforce.com/fr/blog/2016/06/une-breve-histoire-de-la-business-
intelligence.html
[2] : https ://support.microsoft.com/fr-fr/office/
[3] :https ://www.journaldunet.fr/web-tech/dictionnaire-du-webmastering/1445308-
json-definition-et-presentation-de-ce-format-de-donnees/
[4] : ournaldunet.fr/web-tech/dictionnaire-du-webmastering/1445304-python-
definition-et-utilisation-de-ce-langage-informatique/
[5] : https ://powerbi.microsoft.com/fr-fr/what-is-power-bi/
[6] : https ://www.activestate.com/resources/quick-reads/what-is-pandas-in-
python-everything-you-need-to-know/
[7] : https ://www.techopedia.com/definition/33861/matplotlib
[8] : https ://learn.microsoft.com/fr-fr/power-bi/transform-model/desktop-quickstart-
learn-dax-basics
[9] : https ://research.google.com/colaboratory/faq.html ?
[10] : https ://seaborn.pydata.org/
[11] :https ://www.data-transitionnumerique.com/scikit-learn-python/
[12] :https ://aws.amazon.com/fr/what-is/linear-regression/
[13] :https ://www.lucidchart.com/pages/fr/arbre-de-decision
[14] :https ://www.zucisystems.com/be/blog/quest-ce-quune-matrice-de-correlation-
comment-lutiliser-pour-prendre-des-decisions-commerciales/
57

Baha Eddin Inoubli 3BI

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Baha Eddin Inoubli 3BI

Transféré par

Droits d'auteur :

Formats disponibles

REPUBLIQUE TUNISIENNE

Ministère de l’Enseignement Supérieur et de la Recherche

rapport de projet de fin d’étude

Solution BI et Analyse de la phase

Réalisé par : Inoubli Baha Eddin

Encadrante académique : Dr. Neila Rjaibi

Encadrante professionnel :Mme Rym Almiya

Année universitaire : 2022-2023

Table des matières iv

Table des figures vi

1.1 Logo ASTEELFLASH . . . . . . . . . . . . . . . . . . . . . . . 2

2.1 Interface de sharepoint . . . . . . . . . . . . . . . . . . . . . . . 9

3.1 Logo Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

4.1 Processus de prédiction . . . . . . . . . . . . . . . . . . . . . . 43

La RSE est souvent considérée comme une stratégie commerciale avantageuse

Aujourd’hui, les entreprises s’appuient sur les logiciels de Business Intelligence

Les entreprises peuvent utiliser différents outils de BI pour collecter et analyser

aident les entreprises à renforcer leur compétitivité, à améliorer leur perfor-

Dans l’industrie électronique, cela peut inclure la surveillance des conditions de

L’objectif principal est d’améliorer la RSE de l’entreprise en utilisant des don-

1.2 Historique Business Intelligence (BI) . . . . . . . 1

1.3 Présentation de ASTEELFLASH . . . . . . . . . . 2

1.4 Etude de l’existant . . . . . . . . . . . . . . . . . . . 3

1.5 Critique de l’existant . . . . . . . . . . . . . . . . . 3

1.6 Solution proposée . . . . . . . . . . . . . . . . . . . 5

1.7 Diagramme de Gantt . . . . . . . . . . . . . . . . . 6

Dans ce chapitre, nous allons présenter l’organisme d’accueil : ASTEELFLASH,

1.2 Historique Business Intelligence (BI)

et rester compétitives dans un marché en constante évolution.

1.3 Présentation de ASTEELFLASH

ASTEEL FLASH est une entreprise manufacturière internationale considérée

Figure 1.1 : Logo ASTEELFLASH

Figure 1.2 : Croisssance de Groupe

1.4 Etude de l’existant

Il existe de nombreux exemples de projets de Business Intelligence axés sur

1.5 Critique de l’existant

Dans un monde en constante évolution, la gestion efficace de La respon-

améliorer notre capacité à collecter, analyser et utiliser ces données de manière

L’analyse des données environnementales et de santé et sécurité est im-

Ce projet comprend une analyse de consommation d’énergie, de émissions

• Déluge de données : De nombreuses organisations ont trouvé des moyens

• Duplication de données : La duplication des données se produit lorsque

• Manque de visualisation : Un autre problème de données courant est le

ode matrice de corrélation

• Liaison de données incorrecte : les données souvent rencontré dans les

1.6 Solution proposée

L’objectif principal de notre projet est d’élaborer un tableau de bord dont le

• La première étape consiste à collecter les données pertinentes pour votre

• Transformation des données : Ensuite, nous devons transformer les don-

Cette étape peut inclure la consolidation des données provenant de diffé-

• -Prévention et amélioration continue : Enfin, en fonction des résultats de

En utilisant cette approche, notre projet BI peut aider l’entreprise à identifier

1.7 Diagramme de Gantt

Dans cette partie, on va voir le diagramme de Gantt pour organiser et planifier

Figure 1.3 : Diagramme de Gantt

A travers ce premier chapitre, nous avons introduit le contexte général de notre

SharePoint est une série de logiciels de type applications web développée

Figure 2.1 : Interface de sharepoint

transformées en format JSON

2.2.2 Le JavaScript Object Notation (JSON)

Figure 2.2 : Logo JSON

Pour la transformation de format JSON nous avons utilisées un code python

Figure 2.3 : Code Python

2.2.3 Chargement les bases des données dans power BI