Rapport Reguiai Kawtar

PROJET DE FIN D’ÉTUDE
Présenté en vue d’obtenir le

DIPLÔME D’INGÉNIEUR D’ÉTAT
EN GÉNIE INDUSTRIEL
Chef de Produit
Par
Kawtar REGUIAI
Développement d’une solution Data Analytics pour

répondre aux besoins métiers.
Les travaux relatifs au présent PFE ont été

réalisés auprès de JESA, Shore 27, Nearshore,
Bd al Quods, Casablanca.
Sous la direction de :
Tuteur d’entreprise : Tuteur pédagogique

M.Benzakour Anouar M.Touil Achraf
Data Hub & Automation Enseignant à l’ESITH
Manager
Rapport confidentiel
2022 - 2023
Rapport de stage PFE – REGUIAI Kawtar 1|Page

Ingénieur génie industriel – Chef de produit
Note de confidentialité
Les données et les informations de ce rapport de stage, qu’elles soient explicites,
sous-entendues ou masquées, sont strictement confidentielles.
Dès lors, toute reproduction, sous quelque forme que ce soit, est formellement
interdite.

Dédicaces
A mon cher défunt père,
Je souhaite rendre hommage à votre souvenir, à l'homme extraordinaire
que vous étiez et à tout ce que vous aviez représenté dans ma vie.
Avec tout mon amour !
A ma chère mère,
Aucun mot aussi signifiant soit-il, le saurait exprimer le degré de gratitude,
de respect et de reconnaissance que j’éprouve pour vous. Ma pensée la
plus forte aille vers ma mère, à qui je dois la vie.
A mes adorables cousines Soumya et Fatima-Ezzahraa,

Pour votre aide et support tout au long de mes études, votre présence est
une source constante de bonheur.
A mes chers cousins Taoufiq et Mahdi,

Pour m’encourager, me conseiller et me guider sur le chemin de la
réussite. Notre lien familial est précieux et je suis reconnaissante de
pouvoir compter sur vous.
A ma chère grande famille,

C’est un moment de plaisir de vous dédier ce travail, en signe d’amour, de
reconnaissance et de gratitude pour votre soutien.
A mes très chers amis,

En souvenir de notre sincère et profonde amitié et des moments agréables
que nous avons passés ensemble.
REGUIAI Kawtar

Remerciements
C'est avec un grand plaisir que je réserve ces lignes en gage de remerciements et de gratitude
à tous ceux qui ont contribué à l'élaboration et à la réussite de ce travail.
Je tiens, tout d’abord, à exprimer ma profonde gratitude et toute ma reconnaissance à

M.BENKIRAN Ridouane pour l’opportunité de passer mon stage au sein du département
Transformation Digitale.
Mes vifs remerciements s’adressent à M.BENZAKOUR Anouar, mon encadrant au sein de
JESA, qui s’est toujours montré très disponible et à l’écoute tout au long de ma période de projet
de fin d’études. Je le remercie pour les renseignements qu’il m’a fournis, l’aide, et le temps qu’il
m’a consacré.
Je tiens à exprimer ma profonde gratitude à Mme.CHAHBOUN Nohaila, pour sa
disponibilité, son aide, ses explications et suggestions pertinentes.
Mes remerciements vont également à toute l’équipe du département transformation
digitale, pour l'accueil chaleureux, le soutien et la disponibilité dont ils ont fait preuve tout au
long de mon stage.
Grand merci à M.TOUIL Achraf, mon encadrant pédagogique pour son écoute, ses
orientations et sa confiance qui m’étaient une très grande source de motivation depuis le début de
mon projet de fin d’études.
Mes vifs remerciements à tout le corps professoral de « l’Ecole Supérieure des Industries
du Textile et Habillement » de Casablanca, pour la qualité de la formation et la compétence de
ses formateurs et de ses professeurs. Et plus précisément Mme.LAHRACHE Sanae, pour ses
remarques pertinentes et ses conseils.
Le présent rapport n’aurait pu voir le jour sans leur collaboration.

Sommaire
Note de confidentialité ................................................................................................................2
Dédicaces ....................................................................................................................................3
Remerciements............................................................................................................................4
Sommaire ....................................................................................................................................5
Liste des figures ..........................................................................................................................8
Liste des tableaux ...................................................................................................................... 10
Liste des abréviations ................................................................................................................ 11
Résumé ..................................................................................................................................... 12
Abstract .................................................................................................................................... 13
Introduction générale ................................................................................................................ 14
Revue documentaire .................................................................................................................. 15
Chapitre 1 : Cadre général du projet .......................................................................................... 18
I. Présentation de l’organisme d’accueil ............................................................................. 19
1. Groupe JESA........................................................................................................... 19
2. Historique ................................................................................................................ 20
3. Fiche signalétique .................................................................................................... 21
4. Organigramme de JESA .......................................................................................... 21
5. Activité de l’entreprise ............................................................................................ 24
6. Visions, missions et valeurs ..................................................................................... 27
II. Contexte général du projet .......................................................................................... 28
1. La problématique ..................................................................................................... 28
2. Cahier de charge ...................................................................................................... 28
3. Plan d’analyse des risques ....................................................................................... 31
III. RSE ............................................................................................................................ 36
Chapitre 2 : Conception du projet .............................................................................................. 38
I. Etude de l’existant .......................................................................................................... 39
1. Environnement ........................................................................................................ 39
II. Etude du besoin........................................................................................................... 43
1. Besoins fonctionnels ................................................................................................ 43
2. Besoins non fonctionnels ......................................................................................... 43

III. Définition du problème ............................................................................................... 44
IV. Planification du projet ................................................................................................. 44
V. Méthodologie du travail .............................................................................................. 47
1. Limites des approches classiques ............................................................................. 47
2. Méthode agile .......................................................................................................... 48
3. Scrum ...................................................................................................................... 51
VI. Reporting .................................................................................................................... 52
1. Les outils du reporting ............................................................................................. 53
2. Magic Quadrant ....................................................................................................... 53
3. Benchmarking des outils .......................................................................................... 55
Chapitre 3 : Réalisation du projet .............................................................................................. 56
I. Collecte des données ...................................................................................................... 57
II. Spécifications techniques ............................................................................................ 58
III. Modélisation DataWarehouse...................................................................................... 61
1. Les faits ................................................................................................................... 61
2. Les dimensions ........................................................................................................ 61
3. Schéma relationnel .................................................................................................. 61
IV. Visualisation des tableaux de bord .............................................................................. 63
V. Etude économique de la solution ................................................................................. 66
Chapitre 4 : Analyse prédictive : Segmentation des machines .................................................... 68
I. Introduction .................................................................................................................... 69
II. Apprentissage automatique supervisé .......................................................................... 69
1. Les réseaux de neurones .......................................................................................... 69
2. Les arbres de décision.............................................................................................. 69
3. Les algorithmes de classification ............................................................................. 70
4. Les algorithmes de régression .................................................................................. 70
III. Apprentissage automatique non supervisé ................................................................... 71
1. Le regroupement ..................................................................................................... 71
2. La détection des anomalies ...................................................................................... 72
3. K-means .................................................................................................................. 72
4. La méthode PCA ..................................................................................................... 75
IV. Analyse de données ..................................................................................................... 77
V. L’encodage des données .............................................................................................. 81
1. Meilleure valeur de K .............................................................................................. 82

2. PCA ........................................................................................................................ 85
3. K-means et PCA ...................................................................................................... 85
Conclusion et Perspectives ........................................................................................................ 88
Annexes .................................................................................................................................... 89
Bibliographie et Webographie ................................................................................................... 90

Liste des figures
Figure 1 : Les bureaux internationaux de JESA ......................................................................... 19
Figure 2 : Timeline JESA .......................................................................................................... 20
Figure 3 : Mot du directeur ........................................................................................................ 22
Figure 4 : Organigramme de JESA ............................................................................................ 22
Figure 5 : Organigramme division transformation digitale ......................................................... 23
Figure 6 : Les secteurs d'activité de JESA ................................................................................. 24
Figure 7 : Les Services de JESA ................................................................................................ 25
Figure 8 : Mot du directeur ........................................................................................................ 27
Figure 9 : Bêtes à cornes ........................................................................................................... 29
Figure 10 : Parties prenantes ..................................................................................................... 30
Figure 11 : Plateforme Collab.................................................................................................... 39
Figure 12 : Les bénéficiaires de la plateforme Collab ................................................................ 40
Figure 13 : Engins de terrassement ............................................................................................ 41
Figure 14 : Equipement de construction de routes...................................................................... 41
Figure 15 : Piling rigs ................................................................................................................ 42
Figure 16 : Jack up Platform...................................................................................................... 42
Figure 17 : Concrete Batching Plants......................................................................................... 43
Figure 18 : La charte du projet .................................................................................................. 46
Figure 19 : Les phases du cycle en cascade ............................................................................... 47
Figure 20 : Scrum Process ......................................................................................................... 52
Figure 21 : Magic Quadrant for Business Intelligence and Analytics Platforms ......................... 54
Figure 22 : Benchmarking des outils du Reporting .................................................................... 55
Figure 23 : Modèle DWH .......................................................................................................... 63
Figure 24 : Home page .............................................................................................................. 64
Figure 25 : Technical documents page ....................................................................................... 64
Figure 26 : Association KPI page .............................................................................................. 65
Figure 27 : Machinery location page ......................................................................................... 66
Figure 28 : Itération 0 ................................................................................................................ 72

Figure 32 : Données d'origine .................................................................................................... 76
Figure 33 : Données après PCA ................................................................................................. 76
Figure 34 : Déclaration des bibliothèques .................................................................................. 78
Figure 35 : Visualisation ........................................................................................................... 78
Figure 36 : Cordonnées des machines et Assignment Rate......................................................... 79
Figure 37 : Business Unit .......................................................................................................... 80
Figure 38 : Machinery status ..................................................................................................... 80
Figure 39 : Type of warning ...................................................................................................... 81
Figure 40 : Encodage ................................................................................................................ 81
Figure 41 : K-means avec selection de K ................................................................................... 83
Figure 42 : Méthode du coude - Score silhouette ....................................................................... 84
Figure 43 : Code PCA ............................................................................................................... 85
Figure 44 : K-means + PCA ...................................................................................................... 85
Figure 45 : Clustering ................................................................................................................ 87
Figure 46 : Plateforme JPASS ................................................................................................... 89
Figure 47 : Machinery page ....................................................................................................... 89

Liste des tableaux
Tableau 1 : Fiche signalétique de JESA ..................................................................................... 21
Tableau 2 : Nature des risques ................................................................................................... 32
Tableau 3 : Cotation probabilité d'occurrence ............................................................................ 33
Tableau 4 : Cotation gravité ...................................................................................................... 34
Tableau 5 : Matrice de vraisemblance ....................................................................................... 34
Tableau 6 : AMDEC ................................................................................................................. 35
Tableau 7 : Suite AMDEC ........................................................................................................ 36
Tableau 8 : QQOQCP ............................................................................................................... 44
Tableau 9 : Les avantages de la méthode agile........................................................................... 49
Tableau 10 : Les principales méthodes agiles ............................................................................ 51
Tableau 11 : Extract de la recette ............................................................................................... 57
Tableau 12 : Les indicateurs de performance ............................................................................. 60
Rapport de stage PFE – REGUIAI Kawtar 10 | P a g e

Liste des abréviations
IA Intelligence Artificielle
KPI Key Indicator Performance
OCP Office Chérifien du Phosphates
T&D Transmission & Distribution
PCA Principal Component Anlysis
EPCM Engineering, Procurement and Construction Management
BI Business Intelligence
SQL Structured Query Language

Résumé
Le présent rapport résume le travail réalisé en guise de projet de fin d’études effectué au sein
du groupe JESA, qui s’inscrit dans la formation d’ingénieur industriel de l’Ecole Supérieure des
Industries du Textile et Habillement (ESITH).
Au cours de mon stage, j’ai intégré l’équipe data du département transformation digitale. Une
équipe multidisciplinaire composée d'experts en data science, en ingénierie logicielle et en gestion
de projet.
Notre approche consistait à recueillir, à nettoyer et à organiser les données disponibles au sein
de JESA, puis à les analyser de manière approfondie afin d’améliorer la gestion des différentes
machines sous la plateforme JPASS.
La solution de visualisation des différents indicateurs que nous avons développée a permis à
l'entreprise de prendre des décisions plus éclairées et plus stratégiques.
Dans ce rapport, nous décrivons en détail les différentes étapes que nous avons suivies pour
atteindre l'objectif établi dès le début.
Mots-clés : Business Intelligence, Machine Learning, Visualisation, Segmentation, gestion des

machines.

Abstract
The present report summarizes the work carried out as part of the final project conducted
within the JESA group, as part of the industrial engineering program at the Higher School of
Textile and Clothing Industries (ESITH).
During my internship, I joined the data team of the digital transformation department, a
multidisciplinary team comprising experts in data science, software engineering, and project
management.
Our approach involved gathering, cleaning, and organizing the available data within JESA,
and then conducting in-depth analysis to enhance the management of various machines under the
JPASS platform.
The visualization solution for various indicators that we have developed has enabled the
company to make more informed and strategic decisions
This report provides a detailed description of the different steps we followed to achieve the
objective set from the beginning.
Keywords : Business Intelligence, Machine Learning, Visualization, Segmentation, Machine

Management.

Introduction générale
Dans le monde des affaires d'aujourd'hui, la quantité de données générée et collectée par les
organisations a considérablement augmenté. Ces données sont devenues une ressource précieuse,
renfermant des informations essentielles sur les tendances, les préférences des clients, les
performances opérationnelles et bien plus encore.
Cependant, leur exploitation efficace et leur transformation en connaissances exploitables
nécessitent des outils et des méthodes adaptés.
C'est dans ce contexte que s'inscrit mon stage de fin d’études au sein de l'entreprise JESA.
Pendant cette période, j'ai eu l'opportunité de participer au développement d'une solution de data
analytics visant à répondre aux besoins métiers de l'entreprise.
Ce rapport de stage vise à présenter les différentes étapes de ce projet, les outils utilisés, les
problématiques rencontrées ainsi que les résultats obtenus.
L'objectif principal de ce stage était de développer une solution de data analytics qui permettrait
d'exploiter pleinement les données issues de la plateforme JPASS, le potentiel de ses données pour
prendre des décisions éclairées et optimiser ses performances.
Pour ce faire, j'ai travaillé en étroite collaboration avec l'équipe transformation digitale.
Ce rapport de stage présentera donc en détail les différentes étapes de ce projet, les outils et
technologies utilisés. Il s’articule autour de 4 chapitres :
Chapitre 1 : Cadre général du projet

Chapitre 2 : Conception du projet
Chapitre 3 : Réalisation du projet
Chapitre 4 : Analyse prédictive : Segmentation des données

Revue documentaire
L’analyse de données
L'analyse de données est une discipline qui provient du domaine des statistiques et qui consiste à
établir des liens entre différentes données statistiques afin de les classer, les décrire et les analyser
de manière concise. Son objectif principal est d'extraire des informations statistiques pour obtenir
une compréhension plus précise du profil des données. Les résultats obtenus permettent ensuite
d'optimiser la stratégie de l'entreprise en ajustant certains aspects.
Business Intelligence
La Business Intelligence (BI) ou informatique décisionnelle est un ensemble de processus, de
technologies, de compétences et d'applications utilisés pour fournir des informations pertinentes
aux responsables et aux managers d'entreprises. Son objectif est d'analyser des volumes de données
considérables stockées dans les data warehouses et les rendre des informations exploitables.
Machine Learning
Le machine learning (apprentissage automatique) est une branche de l'intelligence artificielle (IA)
qui se concentre sur la création de systèmes capables d'apprendre et d'améliorer leurs performances
en se basant sur les données qu'ils traitent.
La performance
Dans le contexte d'une entreprise, la performance peut être définie comme le degré de réalisation
des résultats par rapport aux efforts déployés et aux ressources utilisées. Cette notion repose
principalement sur les concepts d'efficacité et d'efficience.
KPI (Key Indicator Performance)

Une mesure ou un ensemble de mesures qui se concentre sur un aspect critique de la
performance globale de l'organisation. Un indicateur de performance ne laisse jamais le décideur
indifférent, car il fournit des informations essentielles pour évaluer et prendre des décisions
éclairées.

AMDEC (Analyse des Modes de défaillance, de leurs effets et leur criticité)
L’association Française de normalisation (Afnor) définit l’AMDEC comme étant « une méthode
inductive qui permet de réaliser une analyse qualitative et quantitative de la fiabilité ou de la
sécurité d’un système ».
Brainstorming
Le brainstorming est une méthode de génération d'idées dans laquelle les participants d'un groupe
proposent des idées de manière libre et non structurée. Au cours de cette activité, les idées sont
initialement recueillies sans être jugées ou censurées, puis elles sont ensuite triées et évaluées.
Charte de projet
Une charte de projet est un document officiel émis par l'initiateur ou le commanditaire du projet,
qui confirme l'existence du projet et donne au gestionnaire du projet l'autorité pour utiliser les
ressources organisationnelles dans le cadre des activités liées au projet.
Gantt
Le diagramme de Gantt est une représentation visuelle utilisée pour la planification et la gestion
de projets. Il permet de diviser les projets en tâches distinctes et concrètes, organisées dans le
temps. Dans le diagramme de Gantt, chaque activité (tâche) est représentée par une barre. La
position et la longueur de la barre reflètent la date de début, la durée et la date de fin de l'activité.
Bête à cornes
La bête à cornes est un diagramme graphique utilisé pour évaluer la satisfaction des utilisateurs
vis-à-vis d'un produit ou d'un service. Son nom provient de sa ressemblance avec une tête de
taureau, avec une ligne reliant les deux bulles situées en haut du diagramme.
QQOQCP
La méthode QQOQCP est un outil de collecte et d'analyse d'informations visant à comprendre une
situation et identifier un problème. En technique de vente, cette méthode de questionnement

permet d'orienter les échanges et de proposer un produit ou un service en adéquation avec le besoin
du client.
Le sigle signifie : Qui ? Quoi ? Où ? Quand ? Comment ? Pourquoi ?
Benchmarking
Le benchmarking des outils consiste à évaluer et comparer différentes solutions en fonction de
critères spécifiques pour déterminer quelle option répond le mieux à vos besoins.

Chapitre 1 : Cadre général du
projet
Cette première partie du rapport, donne une vision globale et une perspective
d’ensemble du projet, y compris l’environnement de son déroulement, et le
contexte professionnel lié à notre problématique.

I. Présentation de l’organisme d’accueil
1. Groupe JESA
Le groupe JESA est un leader africain en matière de conception, d’ingénierie, de réalisation
de projets et de services de gestion d’actifs, offrant une valeur supérieure à ses clients grâce à
des solutions bout en bout, innovantes et durables pour le progrès industriel et urbain.
Créée en 2010, JESA est soutenue par deux puissances mondiales, OCP et WorleyParsons
(Ex. Jacobs Engineering Groupe INC).
En tant que l’une des plus grandes sociétés d’ingénierie en Afrique et au Maroc, couvrant
l’exploitation minière, l’industrie, le développement urbain et les infrastructures, JESA
développe des solutions personnalisées grâce à des partenariats gagnant-gagnant, des
capacités et des écosystèmes locaux et en partageant son savoir-faire.
Les principes fondateurs et les engagements de JESA sont profondément enracinés dans la
sécurité et le bien-être de tous les collaborateurs, clients, partenaires et communautés locales
partout où nous sommes présents.
JESA compte près de 2500 collaborateurs ayant des bureaux au Maroc, en Côte d’Ivoire, en
Éthiopie, au Bénin, au Sénégal et aux États-Unis, avec une forte portée mondiale.
JESA est une ressource clé et un catalyseur pour la prestation de services professionnels de
classe mondiale au Maroc et en Afrique.
Figure 1 : Les bureaux internationaux de JESA

2. Historique
JESA a pu franchir plusieurs étapes dès son début et a connu une croissance et un
enrichissement continus de son offre de service.
Grâce à l’acquisition et la création des sociétés dans des pays où le groupe a obtenu des
contrats importants, JESA est devenu aujourd’hui l’un des plus puissants groupes d’ingénierie
et de conseil technique en Afriques, avec un héritage inégalé et un avenir prometteur.
Figure 2 : Timeline JESA

3. Fiche signalétique
Raison sociale JESA
Statut juridique Société anonyme
Directeur général Hicham Kabbaj
Secteur d’activité - Bâtiment & Infrastructure.

- Industrie de process.
- Energie et Exploitation.
- Maintenance.
Effectif 2500 collaborateurs (2022)
Siège social Shore 27 Casablanca Nearshore Park, 1100 Bd Al Qods,

Casablanca, MA
Site web http://www.jesagroup.com
Tel +212.5.22.87.70.00
Fax +212.5.22.87.72.34
Email info@jesagroup.com
Tableau 1 : Fiche signalétique de JESA
4. Organigramme de JESA
Pour répondre aux besoins en constante évolution de ses clients, JESA compte sur une
équipe talentueuse et diversifiée, composée de professionnels hautement qualifiés issus de
différents domaines.

Figure 3 : Mot du directeur
Chaque membre de l'entreprise apporte ses compétences uniques et sa passion pour

l'innovation, créant ainsi une culture d'excellence et de collaboration.
Pour mieux comprendre la structure organisationnelle de JESA, voici l'organigramme de
l'entreprise :
Managing Director
Mr.Kabbaj Hicham
JESA institue Internal Audit R3
Growth ADS M&I B&I AM JESA technology
Fertlizers Buildings
Corporate Business Support

Energy Ports & Transport Bu
Human Ressources E&D

Mining Water & Env.
Finance Assurance
PMO JESA studio
Communications Project Delivery

Ashoc Project Ashoc Project
Legal Supply Chain

PMO
IT
Figure 4 : Organigramme de JESA

Dans le cadre de mon stage, j’ai eu l’opportunité de faire partie du département
transformation digitale. L’équipe accompagne les projets de transformation vers un modèle
centré sur les données, en permettant l’adoption des meilleurs systèmes et produits
numériques disponibles.
Cette division comporte 3 disciplines, à savoir :
 Innovation & Digital Product Development ;
 Data & Automation Hub ;
 Digital Project Delivery.
L’organigramme de la division Transformation digitale est comme suit :
Managing Director
Mr.Kabbaj Hicham
Project Delivery
Project Delivery Director
Head of Digital
Transformation
Digital Data Delivery
Data Hub & Automation Manager
Principal
Data Data
Data &
System
Architect Integratio
Engineer
n Enginer
Figure 5 : Organigramme division transformation digitale

5. Activité de l’entreprise
JESA est le plus grand groupe d’ingénierie au Maroc qui offre un service complet de qualité
et à forte valeur ajoutée à l’ensemble de ses clients. Il propose un conseil stratégique,
opérationnel et digital, en s’appuyant sur la recherche et l’innovation, pour satisfaire les
attentes les plus exigeantes, et relever de nouveaux défis.
Grâce à la synergie avec OCP, JESA est devenu ainsi le leader mondial dans l’ingénierie
des phosphates avec son bureau de Lakeland qui est le centre mondial de la technologie
des phosphates.
La division conseil de JESA, à travers son département « Advisory & Digital Solution »,
fournit une véritable offre de bout en bout pour les clients tout au long du cycle de vie du
projet, à l’aide de ses consultants, experts et ingénieurs de classe mondiale dans toutes les
disciplines (intégrant la stratégie, une expertise en gestion et en conseil technique avec une
connaissance approfondie du domaine, appuyée par une expérience du monde réel.)
a. Secteurs d’activité
La force et la richesse de JESA reposent principalement sur la polyvalence de ses
services et la diversité des secteurs dont il opère :
INDUSTRY INFRASTRUCTURE CITIES & BUILDINGS

 Phosphate & Fertilizer ;  Transport & Logistics (Roads,  Urban Planning &
 Metals & Mining ; Brigdes, Railway, Ports) ; Recilience Cities ;
 Basic Chemicals  Power & Energy (Thermal,  Buildings (Higher
Materials ; Renewable Solar, Wind, T&D) ; Education, Health Care,
 Oil & Gaz,  Water & Watse (Dams, Supply Hospitality, Leisure).
Petrochemicals ; Network, Treatment
 Agro-processing. desalination).
Figure 6 : Les secteurs d'activité de JESA
i. Industrie
Ce secteur comporte les domaines leader du groupe JESA, tel que le domaine de la
production d’engrais et de phosphate.
 Métaux et Mines,
 Produits chimiques de base,
 Pétrole et gaz, pétrochimie,

 Agro-traitement.
ii. Infrastructure
L’infrastructure comporte plusieurs domaines :
 Transport et Logistique (routes, ponts, chemins de fer, ports),
 Energie (Thermique, solaire renouvelable, éolienne, T&D),
 Eau et Déchets (Barrages, réseau d’alimentation, traitement, dessalement,
eaux usées).
iii. Villes et bâtiments
Au niveau national et africain, le groupe JESA opère aussi dans le domaine de la
construction :
 Urbanisme et villes de résilience,
 Bâtiments (Enseignement supérieur, santé, hôtellerie, loisirs).
b. Services
STRATEGY & ORGANIZAITON OPERATIONS INDUSTRIAL DIGITALIZATION

 Growth & Sustainability  Operatoins &  Digital Asset Strategy,
Strategies ; Maintenance Design & Implementation
 Technology & Business excellence ; Support ;
Case ;  Supplu Chain ;  Process Workflow
 Organization & Business  Procurement ; Digitalisation & Automation ;
Transformation ;
 Product  Solution Architect ;
 Investment, Financing & Development ;  Digital Technology Advisory
Business Planning ;
 Asset Due Diligence ; & Consulting.
 Capital Portfolio
Management.  Project Due Diligence,
Figure 7 : Les Services de JESA

i. Stratégie et organisation
JESA collabore en domaine de la gestion stratégique et d’investissement en
s’appuyant sur :
 Stratégies de croissance et de durabilité ;
 Analyse de rentabilité technologique et commerciale ;
 Transformation organisationnelle et commerciale ;
 Investissement, financement et planification des activités ;
 Gestion du portefeuille de capitaux.
ii. Opérations
 Excellence des opérations et de la maintenance ;
 Chaine logistique ;
 Approvisionnement ;
 Développement de nouveaux produits ;
 Asset due diligence ;
 Project due diligence.
iii. Digitalisation industrielle
La digitalisation de l’industrie est synonyme d’une nouvelle révolution industrielle.
Les entreprises sont obligées d’opérer ce changement pour s’adapter au marché
d’aujourd’hui.
Dans ce cadre, JESA propose :
 Digitalisation et automatisation des flux de travail ;
 Conception et mise en œuvre des données numériques ;
 Architecture des solutions ;
 Consulting en technologie numérique.

6. Visions, missions et valeurs
Figure 8 : Mot du directeur
a. Visions
Fournisseur de solutions de classe mondiale avec un ADN africain
b. Missions
 Devenir le leader africain des services de conception, d'ingénierie, de réalisation
de projets et de gestion d'actifs.
 Fournir des solutions de bout en bout, innovantes et durables pour l'avancement
industriel et urbain.
c. Valeurs fondamentales
We care
Montrer du respect à chaque personne ; en plaçant l'humain au cœur de l’entreprise
et de son développement, et le bien-être est une priorité.
La satisfaction des clients et des partenaires de l’écosystème est un facteur essentiel
du succès de JESA.
Se soucier de l'environnement et la durabilité fait partie intégrante des solutions de
l’entreprise.
We grow together
Innover et développer de nouvelles opportunités.
Prospérer grâce au développement des clients, de l’écosystème et des
collaborateurs.
We are agile

En se basant sur le leadership partagé, l’agilité est le levier de performance de
JESA : Innover et développer des solutions personnalisées pour soutenir le succès
de ses clients, en s’adaptant à la dynamique des divers environnements.
We are inclusive & diverse
Chez JESA, la diversité est estimée un élément essentiel de son identité, en
instaurant une culture inclusive qui permet à tous de se sentir valorisés, dignes de
confiance et responsables.
Elle est également consciente et encourage les différents talents qui composent sa
communauté.
II. Contexte général du projet
1. La problématique
Au cours des dernières années, l'adoption de technologies numériques a permis une
amélioration considérable dans le suivi et la gestion des projets.
Les logiciels de gestion de projet, les outils de communication en ligne et les plateformes
collaboratives ont facilité la planification, l'exécution et le suivi des projets, en permettant
aux équipes de travailler plus efficacement et de collaborer plus facilement.
La digitalisation a également permis une plus grande transparence dans le suivi des progrès
et l'utilisation des ressources, en offrant des analyses en temps réel et des tableaux de bord
pour suivre l'avancement des tâches et des objectifs.
L’équipe transformation digitale, pour répondre à ce besoin, a développé 2 plateformes :
Collab et Jpass.
2. Cahier de charge
a. Contexte pédagogique
Ce stage s’inscrit dans le contexte d’un projet de fin d’études intitulé : «
Développement d’une solution Data Analytics pour répondre aux besoins
métiers », pour l’obtention du diplôme d’ingénieur d’état en génie industriel option
chef de produit à l’Ecole Supérieure des Industries du Textile et Habillement de
Casablanca.

b. Expression du besoin
Afin de mieux cerner nos objectifs et exprimer nos besoins, on va utiliser un outil
d’analyse fonctionnelle, qui est la bête à cornes, pour s’assurer que le produit répond
bien au besoin.
La bête à cornes est un outil de formulation du projet, son objectif est de cadrer le
contexte dans lequel le projet voit le jour.
Cet outil s'interroge sur le pourquoi du projet. Il doit permettre de préciser le

périmètre du projet.
A qui rend-il service ? Sur quoi s’agit-il ?
Département
Plateforme JPASS
transformation digitale
Développement d’une
solution Data Analytics pour
répondre aux besoins
métiers
Dans quel but ?

- Avoir une visibilité sur les données extraites de la plateforme,
pour le suivi de la performance des machines.
- Améliorer la prise de décision.
Figure 9 : Bêtes à cornes

c. Parties prenantes
Identifier les acteurs du projet, qui seront à tout moments affectés par le projet, et
leur contribution peut avoir un impact direct sur l'issue du projet.
Cette étape permet non seulement de comprendre les attentes et les intérêts des
différentes parties impliquées, mais aussi de déterminer leurs responsabilités et de
planifier par la suite la répartition des tâches.
En comprenant les attentes et les préoccupations de chaque partie, il est plus facile
de prendre des décisions concernant la mise en œuvre du projet, de façon à ce que
chacun puisse en contribuer efficacement.
Le tableau ci-dessous présente les différentes parties prenantes du projet, à savoir :
 Le maître d’ouvrage : Le porteur du projet, qui pour son compte le projet a été
réalisé. Il est responsable de la définition du besoin et le choix des objectifs.
Le maître d’ouvrage peut être soit un client externe soit l’entreprise elle-même qui
décide de réaliser le projet pour son propre compte.
 Le maître d’œuvre : La personne qui pour sa compétence assure la mise en œuvre
des opérations pour réaliser le projet.
Il va mobiliser les moyens définis par le maître d'ouvrage pour atteindre les
objectifs fixés.
Pour assurer la réussite du projet, l’encadrement et le suivi sont exigés ;
l’encadrement implique l’aide et l’orientation des membres de l’équipe du projet,
et le suivi pour mesurer et évaluer l’avancement.
Parties prenantes Nom Rôle

Département transformation digitale,
Le maître d'ouvrage
Equipe Data
Acteurs du projet
Kawtar REGUIAI , Data Analyst Intern Le maître d'œuvre
M.Anouar BENZAKOUR, Data Hub &

Tuteur technique
Encadrement & Suivi Automation Manager
M.Achraf TOUIL, Professeur à L'ESITH Tuteur pédagogique

Figure 10 : Parties prenantes

3. Plan d’analyse des risques
Dans le contexte de la gestion de n’importe quel projet, il est essentiel d'identifier, d'évaluer
et de traiter les risques qui peuvent survenir tout au long du cycle de vie du projet et
entraîner des conséquences préjudiciables sur la progression du projet.
Le risque se réfère à un événement imprévu et nocif, plus ou moins prévisible qui peut se
produire et affecter un projet. Il se caractérise par : Sa nature, sa probabilité d’occurrence
et sa gravité.
Il n’existe pas de situation sans risque, néanmoins il est nécessaire d’anticiper les risques
pour éviter ou atténuer leur impact, en prenant le temps de les définir, d’estimer leur
probabilité d’occurrence et de mettre en place des actions.
Une analyse des risques rigoureuse est donc nécessaire pour garantir la réussite de notre
projet.
a. Inventaire des risques
Cette étape consiste à faire une recension des différents risques qui peuvent
influencer le bon déroulement du projet. Les risques peuvent êtres techniques,
humains, financiers, juridiques, organisationnels, ou intrinsèques au projet.
Le tableau ci-dessous regroupe le résultat d’un brainstorming avec l’équipe projet
et aussi une large consultation auprès des personnes qui ont approché par le passé
un projet similaire, pour répertorier les risques possibles.

Nature du risque Risque
Indisponibilité de l'équipe
Risques liés aux ressources
humaines Manque de collaboration et de communication entre
les membres de l'équipe
Dérapage sur le planning du fait d’une mauvaise

estimation de la durée nécessaire au projet
Risques liés aux délais
Changement fréquent des exigences ou du
périmètre du projet
Insatisfaction du client par rapport à la qualité du

Risques liés à la qualité
projet
Indisponibilité des données

Risques liés aux données
Non fiabilité des données
Tableau 2 : Nature des risques
b. Analyse qualitative des risques

AMDEC (Analyse des Modes de défaillance, de leurs effets et leur criticité), est
parmi les outils utilisés pour la prévention des risques potentiels, elle sert à évaluer
méthodiquement les défauts potentiels, qui pourraient apparaître au cours de la
réalisation d’un projet.
Elle a pour objectif, dans une démarche inductive rigoureuse, d’identifier les
défaillances dont les conséquences peuvent conduire à un dysfonctionnement et de
hiérarchiser les défaillances potentielles en se basant sur l’estimation du niveau de
risque, soit la criticité, afin de les maitriser pour déclencher par la suite des actions
prioritaires.
On obtient en sortie l'ensemble des dysfonctionnements potentiels associes à leur
criticité (probabilité d’occurrence et gravité des effets).
L’AMDEC vise principalement à :
 Déterminer et évaluer les modes de défaillance et leurs effets possibles ;
 Identifier et catégoriser les actions prioritaires à mener pour réduire les
risques liés à ces défaillances ;

 Minimiser les actions correctrices nécessaires ;
 Consigner cette démarche par écrit.
Pour déterminer le critère de la criticité, on a besoin d’une double cotation de la
probabilité d’occurrence et la gravité.
C=PxG
Avec :
P : La probabilité d’occurrence, soit la fréquence d’apparition du risque,
G : La gravité du risque, soit la sévérité.
Les tableaux ci-dessous présentent les échelles de cotation des 2 notions cités :
Impact projet Probabilité d'occurrence
Se produit rarement par projet Improbable 1
Se produit 1 à 2 fois par projet Possible 2
Se produit 3 à 4 fois par projet Probable 3
Se produit régulièrement Fréquent 4

Tableau 3 : Cotation probabilité d'occurrence

Impact projet Gravité
Pas d'effet sur le projet Faible 1
Les effets se font sentir Moyen 2
Pourrait toucher le bon

Sérieux 3
déroulement du projet
Pourrait résulter un frein au projet Grave 4
Tableau 4 : Cotation gravité
En combinant les 2 notions, on aboutit à la matrice de vraisemblance ci-dessous :

Gravité
Faible Moyen Sérieux Grave
Fréquent 4 8 12 16
d'occurrence
Probabilité
Probable 3 6 9 12
Possible 2 3 6 8
Improbable 1 2 3 4
Tableau 5 : Matrice de vraisemblance
Nous évaluons donc les risques :
Négligeable A améliorer A traiter Inacceptable
Un AMDEC dont est élaboré pour anticiper les événements qui peuvent survenir et
influencer l’avancement du projet, et pour mettre en place des actions préventives pour
éliminer ces risques :

Tableau 6 : AMDEC
Action
Nature Risque Effet Cause Pi Gi Ci
préventive
Programmer des
Indisponibilité réunions
3 2 6
de l'équipe hebdomadaires
Ne pas respecter Collaborateurs avec l’équipe
Risques les délais de surchargés +
liés aux Manque de livraison du projet + Non
ressources disponibilité sur
collaboration et Ne pas parvenir à Préciser
humaines atteindre les site (Mode
de clairement les
objectifs fixés. hybride)
communication 2 2 4 rôles pour
entre les augmenter leur
membres de implication
l'équipe
Prioriser les
tâches +
Dérapage sur le Prendre en
planning du fait considération
d’une mauvaise Report de la date Mauvaise les risques +
estimation de la de livraison du gestion des 3 2 6 Déployer un
durée projet plannings diagramme de
nécessaire au Gantt pour
projet visualiser
l'avancement du
Risques projet
liés aux Adopter une
délais méthode flexible
pour s'adapter
Evolution dans rapidement aux
Changement
la vision du nouvelles
fréquent des Inaccomplissement
projet + exigences +
exigences ou du des objectifs 1 3 3
Feedback des Maintenir une
périmètre du attendus
parties communication
projet
prenantes ouverte avec
toutes les
parties
prenantes

Tableau 7 : Suite AMDEC
Opter pour une

méthode qui
favorise une
Insatisfaction du approche
Le projet ne Mauvaise
Risques client par rapport itérative et
répond pas aux compréhension du 1 4 4
liés à la qualité à la qualité du collaborative, en
attentes du client besoin client
projet impliquant
activement le
client tout au
long du projet
Demander
Retard dans la
Indisponibilité des Système de l'accès auprès
livraison du 2 4 8
données confidentialité du service
projet
concerné
Effectuer un
nettoyage
régulier des
Risques liés données +
Manque de
aux données Connaître la
Endommager les contrôle qualité
source des
Non fiabilité des données qui des sources +
2 4 8 données +
données impacteront la Erreurs de frappes
Garder un
prise de décision ou d'omission +
journal des
Absence DWH
mises à jour
effectuées à la
base de
données
III. RSE
La Responsabilité Sociale des Entreprises (RSE) revêt une importance croissante dans le
contexte actuel, où les entreprises sont de plus en plus conscientes de leur impact sur la société
et l'environnement. Dans le cadre de mon stage, j'ai pu constater l'importance accordée à la
RSE dans la gestion des machines au sein de l'entreprise.
JESA se positionne comme un acteur responsable, en adoptant des pratiques respectueuses de
l'environnement et en veillant à la sécurité et à la santé des travailleurs. Dans cette optique,

des mesures ont été mises en place pour réduire l'empreinte écologique des machines utilisées,
telles que l'adoption de technologies plus économes en énergie et la promotion de sources
d'énergie renouvelable.
De plus, l'entreprise accorde une grande importance à la sécurité des travailleurs. Des
protocoles de sécurité rigoureux ont été mis en place pour l'utilisation et l'entretien des
machines, et les employés ont bénéficié de formations spécifiques afin de garantir une
utilisation en toute sécurité. Des mesures ont également été prises pour minimiser les impacts
négatifs sur la santé des travailleurs, en fournissant des équipements de protection individuelle
adéquats.
Aussi en utilisant des qualifications des employés grâce à la numérisation du code QR (à l'aide
de l'application mobile) : En scannant le code QR, seuls les employés éligibles peuvent
accéder à certaines zones ou projet spécifique. Cette approche renforce la sécurité et permet
de contrôler l'accès.
L'implication des parties prenantes est également valorisée dans la gestion des machines. Les
avis et les besoins des opérateurs et des utilisateurs finaux ont été pris en compte lors de la
sélection et de l'acquisition des machines, afin d'assurer une meilleure adéquation avec leurs
exigences spécifiques.
Enfin, l'entreprise se soucie de son impact sur la communauté locale. Des mesures ont été
prises pour minimiser les nuisances générées par les machines, telles que le bruit, les
vibrations et les émissions polluantes, afin de préserver la qualité de vie des communautés
environnantes.
Grâce à ces initiatives, JESA témoigne de son engagement envers la RSE et sa volonté d'agir
de manière responsable sur les plans social et environnemental. Ces pratiques reflètent les
valeurs éthiques et durables de l'entreprise, contribuant ainsi à sa réputation positive et à sa
position en tant que leader dans son secteur d'activité.
Synthèse :
Au cours de ce chapitre, on a présenté le contexte général du projet, à savoir une présentation de
l’organisme d’accueil, ainsi que la problématique et le cahier de charge.

Chapitre 2 : Conception du
projet
Dans le présent chapitre, nous allons définir notre projet pour bien cerner la
problématique, en commençant par une analyse fonctionnelle du projet et
définir la méthodologie à suivre pour réaliser la solution.

I. Etude de l’existant
Cette étape vise à expliquer l’état actuel, pour bien comprendre l’environnement et dégager
les points faibles afin de pouvoir déterminer la portée du projet et les améliorations prévues.
1. Environnement
Le département transformation digital au sein de JESA, afin d’automatiser les processus,
a développé deux plateformes dans le but est de digitaliser les processus de travail de
JESA.
Cette initiative vise à réduire les erreurs humaines, d’accélérer les délais de traitement et
d’améliorer la productivité globale.
 Collab :
Un environnement qui permet aux parties prenantes du projet de suivre
efficacement l’avancement et le progrès des projets dont ils sont affectés.
Collab est né d’une nécessité exprimée par les contributeurs du projet afin de crée
un environnement commun pour tous les intervenants impliqués dans l’exécution
du projet, afin d’avoir une vue d’ensemble centralisée.
Figure 11 : Plateforme Collab
Atouts : Une exécution du projet, sûre et sans faille du projet, en respectant le

budget alloué et les délais planifiés par :
 Diminution du temps consacré à la planification des ressources du projet ;
 Résolution plus rapide des problèmes de matériaux et de main d’œuvre ;

 Minimisation du temps d’inactivité des employés et des équipements sur
site ;
 Réduction de la conception, des modifications d'exécution et des
réclamations ;
 Réduction de la charge de travail liée à la collecte de données, et au calcul
des indicateurs de performance clés.
Bénéficiaires :
Figure 12 : Les bénéficiaires de la plateforme Collab
 Jpass :
Une plateforme destinée aux employées JESA et aux clients et fournisseurs, afin
d’identifier, contrôler et suivre les différents intervenants et équipements clés
pendant les phases des projets.
La plateforme contient 3 volets :
 Contractor Personnel ;
 Construction Equipment ;
 Procured Equipment & Material.
Dans le cadre de mon stage, j’étais chargée du 2ème volet qui est Construction
Equipment.
 Construction Equipment :

Ce volet englobe les différentes machines utilisées dans les projets de JESA, dans
de divers domaines, y compris leurs spécifications et fonctionnalités distinctes.
Dans la plateforme JPASS, on a accès à un large éventail de machines, qu'elles
soient mobiles ou fixes.
Parmi les 1600 machines disponibles, on trouve une variété de types, adaptées aux
différents besoins.
On trouve notamment :
- Les engins de terrassement
Figure 13 : Engins de terrassement
Figure 14 : Equipement de construction de routes
- Les équipements de construction de routes

- Les équipements de forage
Figure 15 : Piling rigs
- Les équipements flottants pour travaux marins
Figure 16 : Jack up Platform

- Les équipements de bétonnage
Figure 17 : Concrete Batching Plants
II. Etude du besoin
Pour améliorer la performance des machines utilisés dans les projets JESA, le client a
demandé un outil de suivi et de pilotage des performances qui fournit une représentation
visuelle afin d’affiner la qualité de la prise de décision.
1. Besoins fonctionnels
Les besoins fonctionnels que doit satisfaire cet outil sont :
 Extraire les machines inactives et réduire le temps d’inactivité ;
 Visualiser l’avancement des différents projets ;
 Communiquer avec toutes les parties prenantes, à savoir opérateurs, managers,
clients, fournisseurs …
2. Besoins non fonctionnels

Ce sont les besoins qui ne sont pas liés directement aux fonctionnalités spécifiques. Ils
permettront d’améliorer la qualité des services ce notre outil comme :
 L’ergonomie de l’interface qui doit être simple et facile à utiliser par tous les
utilisateurs, en prenant en considération la convivialité et l’accessibilité ;
 L’évolutivité en s’adaptant aux besoins évolutifs ;

III. Définition du problème
Tel qu'il est formulé au départ le problème s'exprime souvent de façon vague, subjective, voire
abstraite.
II convient de clarifier le problème, d’identifier de quoi s’agit-il, qui est concerné, pour quelle
période … On va utiliser la méthode « QQOQCP » : La démarche implique la collecte et
l'analyse approfondie de toutes les informations pertinentes disponibles en posant un large
éventail de questions sur notre problématique :
Qui ?
Qui est concerné par le problème ? Employés et clients de JESA.
Quoi ?
De quoi s'agit-il ? Non visibilité sur les ressources matérielles.
Où ?
Où aura-t-il lieu ? Service transformation digitale.
Quand ?
Quand résoudre le problème ? Période de stage.
Comment ?
Comment résoudre le problème ? Développer une solution Data Analytics.
Pourquoi ?
Avoir une visibilité sur les données extraites de
Pourquoi résoudre le problème ? la plateforme, pour le suivi de la performance
des machines.
Tableau 8 : QQOQCP
IV. Planification du projet

La planification du projet est une étape incontournable qui a pour objectif d'organiser de
manière logique les différentes tâches à réaliser.
Elle prend en compte la durée, les échéances et les ressources disponibles afin de suivre
l'avancement des actions et de rendre compte de l'état d'avancement du projet. Cette phase

permet d'établir un ordre de priorité, de définir les dépendances entre les tâches et de garantir
une gestion efficace du temps et des ressources pour atteindre les objectifs fixés.
A cet effet, l’élaboration d’un planning à suivre pendant la période du stage permet à tout
moment d’avoir une vision globale du projet et s’y situer.
On a élaboré donc, au début du stage, un diagramme de Gantt prévisionnel qui était aussi une
base de communication avec les parties prenantes.
Figure 19 : Diagramme de Gantt prévisionnel
On présente ci-dessous la charte du projet :

Figure 18 : La charte du projet
Charte de projet
Développement d'une
Intitulé du solution Data Analytics Chef de projet Kawtar REGUIAI
projet pour répondre aux

besoins métiers. Période de stage Du 20/02/2023 au 02/06/2023
Organisme d'accueil Encadrant pédagogique Encadrant d'entreprise
JESA M. Achraf TOUIL M. Anouar BENZAKOUR
Objectif du projet
Pour avoir une visibilité sur l'ensemble des machines utilisés dans les projets JESA, le client a exprimé un
besoin d'un outil de visualisation afin d'augmenter la qualité de la prise des décisions. Le but de ce projet est
de : Améliorer la performance des machines - Anticiper la surcharge et l'inactivité - Assurer la cohérence et
l'alignement entre toutes les parties prenantes.
Service concerné
Le projet consiste à développer une solution Data Analytics pour faire le suivi de la performance des
machines enregistrées sous la plateforme Jpass. Jpass est une plateforme digitale conçue par JESA, qui
permet l'identification, le contrôle et le suivi des différents intervenants et équipements clés pendant les
phases des projets.
Mme. Nohaila CHAHBOUN / Associate Data

Equipe du System Engineer Périmètre Digital transformation
projet
Kawtar REGUIAI / Data Analyst Intern

V. Méthodologie du travail
La finalisation du projet dans les délais de livraison est le souci majeur de chaque équipe de
développement d’une solution BI. L'un des problèmes les plus fréquemment affrontés lors de
la construction du logiciel est la mauvaise spécification et le changement brusque des besoins.
Cela peut influencer non seulement l'équipe de développement en créant un environnement de
stress, mais aussi le temps consacré pour la réalisation du projet et donc des délais de livraison
dépassées.
Afin d'éviter ces situations critiques, nous avons adopté la méthode AGILE pour la gestion de
notre projet.
1. Limites des approches classiques
Depuis des décennies, les projets ont été traditionnellement gérés selon une approche
classique, souvent appelée "en cascade" qui repose sur des activités séquentielles.
Ces méthodologies se distinguent par leur forte volonté de tout planifier et de rendre tout
prévisible dès le début du projet. C'est pourquoi elles sont qualifiées d'approches "prédictives".
Un plan de gestion de projet décrit comment et quand le travail sera réalisé, les étapes de
planification, d'exécution, de suivi et de clôture du projet.
Figure 19 : Les phases du cycle en cascade

Les failles d’une approche en cascade :
 Une mauvaise communication : L'absence de jalons intermédiaires empêche la
validation de ce sera la version finale du produit.
Il est nécessaire d'attendre que la phase de développement soit bien avancée avant
de pouvoir découvrir les premiers écrans ;
 La levée tardive des facteurs à risques : Plus le projet avance, plus l'impact des
risques augmente, car détecter une anomalie tardivement rend plus complexe le
retour en arrière, la correction coûtera plus cher et les effets secondaires seront
plus menaçants ;
 La rigidité de l’approche : En conséquence, l'approche "en cascade" est trop rigide
pour permettre des retours en arrière ; elle suppose que tout soit parfait dès le
premier essai. Une décision ou une anomalie détectée dans une phase ultérieure
de la cascade peut remettre en question partiellement ou totalement les travaux
précédemment validés et considérés comme définitifs.
2. Méthode agile
Une méthode agile est une approche itérative et progressive, caractérisée par une collaboration
étroite et un niveau de formalisme adapté. Elle génère un produit de haute qualité tout en
prenant en compte les évolutions des besoins des clients.
Le concept du développement itératif implique de diviser le projet en plusieurs étapes,
appelées itérations, d'une durée de quelques semaines.
Au cours de chaque itération, une version minimale du produit attendu est développée et
présentée au client sous forme de version intermédiaire, afin d'être validée. Les fonctionnalités
sont ainsi intégrées de manière progressive tout au long du cycle de vie, ce qui permet au
système de s'enrichir graduellement pour atteindre les niveaux de satisfaction et de qualité
requis.
Chaque itération est essentiellement un projet en miniature, englobant toutes les activités de
développement menées en parallèle, telles que l'analyse, la conception, la programmation et
les tests, sans oublier les activités de gestion de projet. L'objectif est d'obtenir, à la fin de
chaque itération, un sous-ensemble fonctionnel du système cible, et à la fin de la dernière
itération, la version finale du produit.

a. Les avantages de méthode agile
Avantages
Les malentendus et les incompréhensions sont mis en évidence tôt dans

Une communication le projet ; il est donc encore possible de les corriger avant qu'elles ne
meilleure deviennent problématiques. Le client bénéficie de preuves concrètes de
l'avancement du projet, ce qui renforce sa confiance
Le client a la possibilité de visualiser régulièrement les avancées du
projet, étape par étape, sans avoir à attendre sa finalisation. À la fin de
Une visibilité chaque itération, les fonctionnalités sélectionnées sont développées,
meilleure testées, documentées et validées, prêtes à être utilisées. Cela permet une
approche itérative où le client peut constater les progrès continus et
prendre des décisions plus éclairées tout au long du processus.
Une qualité évaluée Des tests sont réalisés à chaque itération du projet, ce qui permet de
en continu détecter les anomalies et les corriger au fur et à mesure.
Les coûts sont
La gestion par itérations limite les coûts et les risques au périmètre
contrôlés
Tableau 9 : Les avantages de la méthode agile
b. Les principales méthodes agiles
Les différentes méthodes agiles partagent les valeurs et les principes du Manifeste
Agile. Cependant, bien qu'elles aient un tronc commun de pratiques, elles se
distinguent par leur degré de formalisme.
Cela se reflète dans la quantité de documentation produite, les étapes formelles, les
revues, le rythme du projet, ainsi que le nombre et la durée des itérations.
Chaque méthode agile peut varier en termes de rigueur et d'approche
méthodologique. Certaines méthodes peuvent accorder plus d'importance à la
documentation et aux processus formels, tandis que d'autres privilégient la
flexibilité et la communication directe. De même, le rythme du projet peut varier,
avec des itérations plus courtes ou plus longues selon la méthode choisie.

On résume les principales méthodes agiles dans le tableau ci-dessous avec leurs
point forts et faibles :
Méthode Mot-clé Points forts Points faibles

Les priorités sont établies en
fonction de la valeur ajoutée La participation active du
du projet. Elle favorise la client est essentielle dans
communication et la Scrum. Si le client n'est pas
collaboration entre les disponible ou a du mal à
Valeur ajoutée
Scrum membres de l'équipe. De plus, fournir des retours ou à
pour le client
la méthode propose un clarifier ses besoins de
programme de certification manière itérative, cela peut
pour renforcer les ralentir le processus et
compétences et la maîtrise de entraîner des retards.
l'approche agile
Le client doit être représenté
Des itérations courtes entre 1
sur place pendant toute la
et 2 semaines, donc des
eXtreme durée du projet. Méthode
feedbacks fréquents.
Programming Simplicité pas évidente à appliquer et à
Favorise la réactivité de
(XP) maîtriser car elle demande
l'équipe et instaure un contrôle
beaucoup de discipline et de
continu de la qualité.
communication.
S'est imposée comme une
La méthode la moins agile
norme au sein de nombreuses
de toutes, qui peut être
Unified Process Gestion des organisations ;
difficile à mettre en œuvre.
(UP) risques Facilite la transition d'une
Elle requiert la production de
approche classique vers une
nombreux livrables
méthode itérative.

La méthode met l'accent sur la
valeur ajoutée dans le
processus de priorisation. Elle Son implémentation peut
Dynamic Software
Valeur ajoutée communique clairement au être laborieuse. Nécessite
Development
pour le client client que toutes les une quantité importante de
Method (DSDM)
fonctionnalités ne seront pas documentation ;
forcément incluses dans le
produit final
La seule méthode qui peut Equipe inférieur à 8
Crystal Criticité être modifiée en fonction de la personnes. Méthode n'est
criticité du projet pas trop répandue.
Tableau 10 : Les principales méthodes agiles
3. Scrum
La méthode Scrum est un cadre de travail qui permet d'aborder la réalisation de projets
complexes. Bien qu'elle ait été initialement conçue pour le développement de projets
informatiques, elle peut être appliquée à divers types de projets, qu'ils soient simples ou
innovants.
L'approche de Scrum est caractérisée par sa simplicité, ce qui en facilite la mise en œuvre.
Cette méthodologie offre la possibilité de s'adapter rapidement aux changements demandés
par le client. À intervalles réguliers (à la fin de chaque itération), l'équipe et le client réévaluent
les spécifications du projet. Cela signifie que le client reçoit plus fréquemment les
spécifications qu'il a demandées, avec la possibilité d'avoir un livrable par semaine. Cette
approche contribue à accroître la satisfaction du client. De plus, les spécifications développées
sont constamment réévaluées avant d'être entamées, ce qui garantit qu'elles restent pertinentes
pour le client. Ainsi, les ressources de développement sont optimisées en fonction des besoins
réels du client.
Scrum repose sur 3 principes fondamentaux :
 Transparence : Tous les membres de l'équipe ont accès aux informations
pertinentes concernant le produit en développement. Cela favorise la
collaboration et la compréhension commune des objectifs et des besoins.

 Inspection : Des évaluations régulières sont essentielles pour évaluer les progrès
réalisés et identifier les éventuels écarts par rapport aux attentes. Cela permet de
détecter rapidement les problèmes et de prendre des mesures correctives en
conséquence.
 Adaptation : Lorsqu'une inspection révèle des écarts par rapport aux résultats
attendus, il est nécessaire de prendre des mesures pour s'adapter et améliorer le
processus. Cela peut impliquer l'ajustement des objectifs, des changements dans
les priorités ou l'introduction de nouvelles mesures pour optimiser le projet.
Figure 20 : Scrum Process
VI. Reporting
Le reporting implique la création d'un rapport d'activité dans le but de rendre compte aux
responsables hiérarchiques des performances de cette activité.
Dans le cadre du reporting, les résultats de l'activité sont présentés sous forme de données
chiffrées à un moment précis, et l'évaluation de l'activité se fait à travers des indicateurs de
performance préalablement définis.
Les données sont présentées aux décideurs sans être accompagnées d'une analyse
approfondie.

1. Les outils du reporting
Les outils du reporting sont des solutions logicielles qui collectent, analysent et présentent
des données de manière informative.
Ils sont utilisés pour générer des rapports de performance, fournir des indicateurs de
performance clés et aider les décideurs à prendre des décisions éclairées.
Ces outils offrent des capacités de visualisation avancées pour créer des tableaux de bord,
des graphiques et des infographies interactifs personnalisés.
Ils prennent également en charge l'agrégation et l'intégration de données provenant de
différentes sources, offrant une vue d'ensemble des opérations commerciales.
2. Magic Quadrant
Le "Magic Quadrant" de Gartner pour la Business Intelligence (BI) est un rapport publié
chaque année par la société de recherche et de conseil Gartner. Ce rapport évalue et
positionne les principaux fournisseurs d'outils de BI sur un graphique en quadrants, en
fonction de leur vision stratégique et de leur capacité d'exécution.
Gartner utilise deux axes principaux pour classer les fournisseurs dans le Magic Quadrant ;
la complétude de leur vision et leur capacité d'exécution. L'axe de la vision évalue la clarté
et l'innovation de la stratégie du fournisseur, tandis que l'axe de l'exécution mesure la
performance opérationnelle, la viabilité financière, la qualité du produit, le support client,
etc.

Figure 21 : Magic Quadrant for Business Intelligence and Analytics Platforms
Les leaders identifiés dans le Magic Quadrant de Gartner pour la Business Intelligence
(BI) sont les fournisseurs qui se distinguent par leur solide capacité d'exécution et leur
vision claire du marché de la BI. Ces fournisseurs sont renommés pour leurs solutions
complètes, leur présence étendue sur le marché et leur historique éprouvé de fourniture
de solutions de haute qualité.
Dans la version 2022, Microsoft, Tableau et Qlik maintiennent leurs positions régulières
de Leaders.
Afin de choisir un seul outil de Reporting pour réaliser notre tableau de bord, on va
réaliser une étude comparative entre les 3 outils.

3. Benchmarking des outils
Figure 22 : Benchmarking des outils du Reporting
Power BI a été la solution privilégiée lors du processus de sélection de l’outil.

JESA possède en préalable une licence Power BI.
Power BI a la capacité à interroger et explorer les données de manière visuelle, ainsi que
fournir des tableaux de bord interactifs et des analyses enrichies.
Synthèse :
Dans la conception du projet, nous avons défini notre problématique en se basant sur la méthode
QQOQCP, et présenté la charte du projet, en abordant la méthodologie du travail et les différents
environnements utilisés pour réaliser la solution. Dans le chapitre suivant, nous présenterons la
solution déployée.

Chapitre 3 : Réalisation du
projet
Après avoir défini tous les éléments fonctionnels et techniques de la conception
dans la phase de conception du projet, nous aborderons la mise en œuvre du
projet et la solution qui a été déployée dans ce chapitre.

I. Collecte des données
La collecte de données est une étape clé dans le processus de création de rapports de
Business Intelligence (BI). Cela comprend l'identification, l'extraction et le traitement des
données pertinentes provenant de diverses sources.
L'objectif principal de la collecte de données est d'obtenir des informations précises et
fiables pour le reporting BI.
Cela nécessite souvent d'explorer et d'extraire des données de bases de données internes,
de systèmes externes, et de fichiers.
Les sources pour la collecte de données se diffèrent, pour notre cas on a recueilli les
données à partir de la plateforme JPASS.
Le tableau ci-dessous regroupe les différents tables et champs utilisés pour réaliser notre
tableau de bord :
Table Champs
ID, name, brand, serial_number, type, matriculation,
lifting_equip, more_information, photo, qr_code, creation_date,
Construction_equipment
update_date, longitude, latitude, upload_id, company,
subcontractor, is_deleted, linked_all_contracts
ID, constrution_equipment_id, project_id, start_date,
Construction_equipment_project
end_date, status, assignment_rate
Construction_equipment_employee ID, creation_date, construction_equipment, employee_id
ID, certificate_date, certificate_expiring_date,
accredited_organization, creation_date, update_date,
Construction_equipment_certificate
certificate_id, construction_equipment, validation_comment,
validation_status_id, file, mobile_id
ID, inspection_date, expiring_date, required_action,
description, creation_date, update_date,
Construction_equipment_inspection
construction_equipment, inspection, validation_comment,
validation_status_id, file, mobile_id
ID, warning_date, expiring_date, required_action, description,

Construction_equipment_warning creation_date, construction_equipment_id, warning,
validation_comment, validation_status_id, file, mobile_id
ID, Task, work_area, detail, start_date, end_date,

Task_history creation_date, update_date, construction_equipment_id,
mobile_id
Tableau 11 : Extract de la recette

II. Spécifications techniques
Après avoir récupéré toutes les tables qui contiennent les informations nécessaires, nous
abordons maintenant les spécifications techniques, à savoir les indicateurs de performances
qu’on doit élaborer dans le tableau de bord.
Les indicateurs de performance dans le domaine de la business intelligence (BI) sont des
mesures clés utilisées pour évaluer et analyser la performance d'une entreprise ou d'un
processus.
Ces indicateurs fournissent des données quantitatives et qualitatives qui permettent de
suivre et de comprendre les performances par rapport aux objectifs et aux résultats attendus.
En mode tabulaire, cet indicateur est créé à partir d’une mesure.
Les indicateurs de performance peuvent être calculés à l'aide de différents langages de
requête. Le choix du langage dépend souvent de l'outil ou de la plateforme de business
intelligence utilisée.
Nous avons fait recours au langage SQL : Il est principalement utilisé pour interagir avec
les bases de données relationnelles, il offre des fonctionnalités puissantes pour effectuer
des requêtes, filtrer les données, agréger les valeurs et effectuer des jointures entre les
tables, et également le SQL convient pour calculer des indicateurs de performance à partir
de données structurées et stockées dans des tables relationnelles.
Le tableau ci-dessous présentent les différents KPI’s avec leur formule de calcul :

KPI's Table Management rule
Contractors list (
construction_equipment Select company where machinery is not null
have Machinery )
Subcontractors list (
construction_equipment Select subcontractor where machinery is not null
have Machinery )
Total Machinery (
construction_equipment_project,
status = Actif & Count(distinct(matriculation)) where status= " Actif " && "Inactif"
construction_equipment
Inactif )
Total Machinery ( construction_equipment_project,
Count(distinct(matriculation)) where status= " Actif "
StatusActif ) construction_equipment
Machinery By
construction_equipment Count(distinct(matriculation)) by company
contractor
Machinery operators construction_equipment & Count(dictinct(matriculation)) by company /

( by Contractor ) construction_equipment_employee (Count(distinct(employee_id)) by company
Machinery by city /
construction_equipment_project Count(matriculation) by project
Project
Total machinery
construction_equipment_certificate Count(certificate_id)
certificate
Total machinery
Count(certificate_id) where certificate_expiring_date => current
certificate ( expiring construction_equipment_certificate
date
date ⩾ Today )
Total machinery
Count(certificate_id) where certificate_expiring_date =< current
certificate ( expiring construction_equipment_certificate
date
date ⩽ Today )
Total machinery
warnings by construction_equipment &
Count(warning) by company / Count(warning) by subcontractor
contractor/ construction_equipment_warning
Subcontractor
Total machinery
construction_equipment_inspection Sum(inspection)
inspection
Total machinery
inspection by construction_equipment &
Sum(inspection) by company /Sum(inspection) by subcontractor
contractor/ construction_equipment_inspection
Subcontractor
validated certificates construction_equipment_certificate & Count(certificate_id) where validation_status="Validate"

/ Inspections / construction_equipment_warning & /Sum(inspection) where validation_status="Validate"
Warnings construction_equipment_inspection /Count(warning) where validation_status="Validate"
Machinery task construction_equipment & Select * from task_history, Select company from
history ( by construction_equipment_project & construction_equipment, Select project_id from
contractor/ project) task_history Construction_equipment_project
Approved construction_equipment_certificate &
assotiations KPI ( construction_equipment_warning & Count(approved_associations)
Total ) construction_equipment_inspection

construction_equipment_certificate &
Rejected association
construction_equipment_warning & Count(rejected_associations)
KPI ( Total )
construction_equipment_inspection
Approved
associations KPI by
construction_equipment_certificate & Count(approved_associations) by certificates
categorie(
construction_equipment_warning & Count(approved_associations) by inspections
certificates /
construction_equipment_inspection Count(approved_associations) by warnings
Inspections /
Warnings)
Rejected
associations KPI by
construction_equipment_certificate & Count(rejected_assocations) by certificates
categorie (
construction_equipment_warning & Count(rejected_assocations) by inspections
certificates /
construction_equipment_inspection Count(rejected_assocations) by warnings
Inspections /
Warnings)
certificate_expired = ( if
construction_equipment_certificate["certificate_expiring_date"] >=
current date return 0, else return 1) /inspection_expired = ( if
construction_equipment_inspection["expiring_date"] >= current
Total Expired date return 0, else return 1) / warning_expired = ( if
construction_equipment_warning &
Documents construction_equipment_warning["expiring_date"] >= current date
construction_equipment_inspection
return 0, else return 1) certificate_expired_document= Sum(
certificate_expired) / inspection_expired_document= Sum(
inspection_expired) /warning_expired_document= Sum(
warning_expired)
Total approved construction_equipment_warning &
Count(approved_documents) by company /
Documents by construction_equipment_inspection &
Count(approved_documents) by project
contractor/ Project construction_equipment &
construction_equipment_project
Machinery location (
construction_equipment
maps )
Tableau 12 : Les indicateurs de performance

III. Modélisation DataWarehouse
Un datawarehouse représente une base de données : les données étant intégrées, non
volatiles, et historisées. La conception et la modélisation de la DataWarehouse se ramènent
à définir deux concepts principaux : faits et dimensions.
C’est la mise en place de faits et de dimensions qui permet de définir le schéma de
modélisation que le DWH doit suivre :
1. Les faits
Une table de faits est une table qui contient les données observables (les faits) que l'on
possède sur un sujet et que l'on veut étudier, selon divers axes d'analyse (les
dimensions).
Les colonnes d’une table de faits représentent les faits ou les mesures. Ses données
sont généralement numériques, quantifiables et agrégeables.
2. Les dimensions
Une dimension est une table qui contient les axes d'analyse (les dimensions) selon
lesquels on veut étudier des données observables (les faits) qui, soumises à une analyse
multidimensionnelle, donnent aux utilisateurs des renseignements nécessaires à la
prise de décision.
Une table de dimension contient des colonnes, chaque colonne correspondant à un
attribut.
3. Schéma relationnel
Un schéma relationnel de DataWarehouse est une représentation visuelle de la
structure et de l'organisation des tables dans une base de données. Il définit les tables,
les colonnes, les relations et les contraintes qui permettent de stocker et de gérer les
données dans le DWH.
Les principaux types de schémas relationnels sont :
 Schéma en étoile (Star Schema) :
Dans un schéma en étoile, il y a une table centrale appelée table de faits. Autour de
la table de faits, il y a plusieurs tables de dimensions (dimension tables) qui
contiennent des attributs des données. Les tables de dimensions sont reliées à la
table de faits par des clés étrangères. Ce schéma est simple, facile à comprendre et
à interroger, mais il peut contenir des redondances de données.

 Schéma en flocon (Snowflake Schema) :
Le schéma en flocon est une extension du schéma en étoile, où les tables de
dimensions sont normalisées en plusieurs tables pour réduire les redondances. Cela
permet d'économiser de l'espace de stockage, mais rend les requêtes légèrement
plus complexes car elles nécessitent des jointures supplémentaires pour accéder aux
informations de dimension.
 Schéma en constellation (Constellation Schema) :
Le schéma en constellation combine plusieurs schémas en étoile ou en flocon pour
représenter des domaines de données distincts ou des niveaux de granularité
différents.
Il est utile lorsque différentes parties de l'entreprise nécessitent des structures de
données spécifiques. Les tables de dimensions peuvent être partagées entre les
schémas, ce qui peut simplifier la maintenance, mais il peut également augmenter
la complexité des requêtes.
Nous avons dû faire le choix parmi les modèles suivants, le modèle choisi est le
modèle en étoile car il est le plus simple et le plus adéquat au cas de notre DWH
pour les raisons suivantes :
Performance : dans ce modèle, on n’a besoin que de peu de jointures dans une
requête, ce qui fournit par la suite une facilité dans la navigation.
Volumétrie : les tables sources que nous avons définies ne sont pas très
volumineuses.
Le modèle conceptuel des données sera comme suit :

Figure 23 : Modèle DWH
IV. Visualisation des tableaux de bord
Les données utilisées dans cet exemple sont fictives et ne reflètent pas les données
spécifiques de l’entreprise.
Le tableau de bord ci-dessous met en place des indicateurs de performance pour assurer le
suivi des différents contractants et sous-contractants qui fournissent de machines, ainsi que
le nombre d’employés par contractant. On peut aussi visualiser l’état des machines si elles
sont actives ou inactives.

Figure 24 : Home page
Présentons dans un 2ème lieu les différents documents techniques de la machine, ainsi que l’état
de ces documents, s’ils sont validés, en cours de validation ou rejetés.
Aussi dans ce tableau de bord on peut extraire le total des machines par contractant et par
sous-contractant.
Le filtre peut être appliqué sur les 2 visuels, pour contrôler les caractéristiques.
Figure 25 : Technical documents page

Dans la 3ème page, on présente le task history des machines, qui fait référence à l'historique
des tâches ou des activités qui ont été exécutées sur cette machine. Il s'agit d'un journal des
actions et des événements passés liés à l'utilisation de la machine.
Ainsi que les associations rejetés et approuvés par catégorie : Certificate, Inspection et
Warning.
Figure 26 : Association KPI page
En utilisant les cordonnées de chaque machine, on peut visualiser graphiquement

l'emplacement des machines sur une carte. Cette fonctionnalité permet d'avoir une
représentation visuelle de la répartition géographique des machines grâce aux coordonnées
géographiques telles que la latitude et la longitude.

Figure 27 : Machinery location page
V. Etude économique de la solution

Une solution n’est considérée réussie qu’après avoir réalisé une étude économique. Pour ce,
nous allons nous contenter dans cette partie d’estimer les gains qui seront réalisés grâce à la
mise en place de notre solution, en se basant sur les réalisations faites jusqu’à l’instant.
La mise en place de la solution permettra :
 Gagner en termes de flexibilité :
Les tableaux de bord réalisés peuvent être mis à jour en temps réel, ce qui permet
aux utilisateurs de suivre les performances et les indicateurs en temps réel. Cette
capacité de suivi en temps réel permet de détecter rapidement les variations ou les
problèmes émergents, ce qui facilite la prise de décisions rapides et appropriées.
 Gagner en terme du temps :
Le manager aura un accès rapide aux informations, sans avoir à rechercher sur la
plateforme pour récupérer les données. Les données sont centralisées et présentées
de manière claire, ce qui permet de gagner du temps dans la recherche et l'analyse
d'informations pertinentes.

Avant le manager mettait à peu près 20 min pour collecter les différentes
informations concernant une seule machine, avec une moyenne de recherche de 5
machines par semaine.
20 min * 5 = 100min = 1h 40min
Donc on a pu après la mise en place du tableau de bord de diminuer le temps
consacré à la recherche d’informations liés aux machines, et d’avoir une vision
synthétique et visuelle des données, ce qui facilite l'analyse et la compréhension des
informations clés et d’accélérer le processus de la prise des décisions.
Synthèse :
Dans ce chapitre, nous avons présenté la solution proposée tout en mettant en œuvre les points
discutés dans la phase de conception, en précisant toutes les étapes suivies pour la réalisation.
Une étude économique du projet a été traitée en se basant sur de données et des projections
réalistes.

Chapitre 4 : Analyse
prédictive : Segmentation des
machines
Dans le cadre de ce chapitre, notre objectif est de développer et d'évaluer
plusieurs modèles de Machine Learning pour prédire l'état de l'équipement
industriel à partir de données simulées. Nous utiliserons à la fois des techniques
d'apprentissage supervisé et non supervisé.

I. Introduction
Dans le secteur industriel, la gestion des équipements joue un rôle crucial dans la gestion
efficace des opérations. Les équipements industriels sont soumis à des contraintes de
fonctionnement intensives, ce qui les expose à un risque accru de défaillance. Les pannes
d'équipement peuvent entraîner des conséquences graves pour les entreprises, allant de l'arrêt
de la production et de la perte de revenus à des accidents mettant en danger la vie des
travailleurs.
L'importance de la gestion des machines réside dans sa capacité à anticiper et à prévenir les
défaillances avant qu'elles ne se produisent. En identifiant les signes précurseurs de défaillance
et en prenant des mesures correctives à temps, les entreprises peuvent réduire les temps d'arrêt
imprévus, optimiser les performances des équipements et assurer la sécurité des travailleurs.
Toutefois, pour instaurer un programme gestion efficace, il est impératif de procéder à une
planification minutieuse. Il est essentiel de pouvoir anticiper l'état de l'équipement et prévoir
les défaillances éventuelles.
II. Apprentissage automatique supervisé
L'apprentissage automatique (Machine Learning ou ML) est en train de devenir un domaine
de recherche crucial pour la maintenance des machines. Les algorithmes de ML offrent la
possibilité d'optimiser les opérations de maintenance en fournissant des solutions plus
efficaces et plus précises. Dans ce domaine, les algorithmes de ML utilisés incluent les réseaux
de neurones, les arbres de décision, les algorithmes de classification et les algorithmes de
régression.
1. Les réseaux de neurones
Les réseaux de neurones sont des modèles d'apprentissage profond qui peuvent être utilisés
pour analyser de grandes quantités de données et extraire des modèles complexes.
Dans le contexte de la maintenance des machines, les réseaux de neurones peuvent être
utilisés pour prédire les défaillances d'équipement en analysant des données telles que les
relevés de capteurs, les journaux de maintenance et les paramètres de fonctionnement. Cela
permet de détecter les signes précurseurs de défaillance et de prendre des mesures
préventives avant que des pannes ne se produisent.
2. Les arbres de décision

Les arbres de décision ont des modèles de ML qui utilisent une série de règles de
décision pour classer les données. Dans la maintenance des machines, les arbres de
décision peuvent être utilisés pour prédire l'état de santé d'un équipement en fonction de
ses caractéristiques. Par exemple, en utilisant des données telles que l'âge de
l'équipement, les relevés de capteurs et les historiques de maintenance, les arbres de
décision peuvent classer un équipement comme étant en bon état de fonctionnement,
nécessitant une maintenance préventive ou nécessitant une intervention immédiate.
3. Les algorithmes de classification

Les algorithmes de classification sont utilisés pour attribuer une entrée à une catégorie
prédéfinie en fonction de ses caractéristiques. Dans le domaine de la maintenance des
machines, les algorithmes de classification peuvent être utilisés pour classer les
équipements en fonction de leur état de santé, de leur niveau de risque de défaillance ou
de leur besoin de maintenance. Cela permet de hiérarchiser les activités de maintenance
et d'allouer les ressources de manière efficace.
4. Les algorithmes de régression

Les algorithmes de régression sont utilisés pour prédire une valeur continue en fonction
des caractéristiques d'un équipement. Dans la maintenance des machines, les
algorithmes de régression peuvent être utilisés pour prédire des métriques telles que les
coûts de maintenance, la durée de vie restante de l'équipement ou la performance future.
Ces prédictions permettent d'optimiser les activités de maintenance, de planifier les
budgets et de prendre des décisions éclairées basées sur des données quantitatives.

En intégrant ces algorithmes de ML dans les opérations de maintenance des machines, les
entreprises peuvent améliorer leur efficacité, réduire les coûts et augmenter la disponibilité
des équipements. L'utilisation de modèles prédictifs permet de passer d'une approche
réactive à une approche proactive de la maintenance, en détectant les problèmes potentiels
avant qu'ils ne se manifestent et en planifiant les activités de maintenance de manière
préventive. Cela se traduit par une amélioration de la performance opérationnelle, une
réduction des temps d'arrêt et une meilleure gestion des ressources.
III. Apprentissage automatique non supervisé

L'utilisation de l'apprentissage automatique non supervisé peut également revêtir une
importance capitale dans la maintenance des machines. Les algorithmes non supervisés
sont employés pour identifier des modèles et des structures cachés dans les données, sans
nécessiter d'étiquettes ou de catégories préexistantes. Ils permettent d'explorer et d'analyser
les données de manière objective, facilitant ainsi la découverte d'informations précieuses..
1. Le regroupement
Il consiste à regrouper les données similaires en clusters afin de détecter des schémas
ou des groupes naturels dans les ensembles de données.
Par exemple, en utilisant des données telles que les relevés de capteurs, les paramètres
de fonctionnement et les caractéristiques de performance des machines, l'algorithme de
regroupement peut être utilisé pour regrouper les machines similaires en fonction de leur
comportement ou de leurs caractéristiques communes.
Cela peut aider à identifier les groupes de machines ayant des performances similaires,
des besoins de maintenance similaires ou des schémas de défaillance similaires.
En identifiant ces groupes, les entreprises peuvent prendre des décisions éclairées en
matière de maintenance, telles que l'allocation efficace des ressources de maintenance,
la planification des activités de maintenance préventive et la mise en place de politiques
de remplacement ou de réparation basées sur le comportement des machines dans
chaque groupe.

2. La détection des anomalies
Elle vise à identifier les observations ou les événements inhabituels ou aberrants dans
les données. Cela peut être extrêmement précieux pour détecter les défaillances
inattendues ou les comportements anormaux des machines.
En utilisant des techniques statistiques ou d'apprentissage automatique, l'algorithme de
détection d'anomalies peut être utilisé pour surveiller en continu les données des
capteurs et détecter les écarts significatifs par rapport aux modèles normaux. Cela
permet de prendre des mesures préventives pour prévenir les pannes et réduire les temps
d'arrêt imprévus.
3. K-means
L'algorithme K-means est l'un des algorithmes de regroupement les plus couramment
utilisés en apprentissage automatique non supervisé. Il permet de diviser un ensemble
de données en plusieurs groupes (clusters) en fonction de la similarité de leurs
caractéristiques. L'objectif est de trouver les centres de clusters qui minimisent la
variance intra-cluster et maximisent la variance inter-cluster.
Figure 28 : Itération 0

 Concept de base :
Le concept de base de l'algorithme K-means repose sur l'idée de trouver les centres de
clusters en minimisant la somme des distances au carré entre les points de données et les
centres de leurs clusters respectifs.

Voici les étapes principales de l’algorithme :
 Initialisation : Sélectionnez aléatoirement K centres de clusters dans l'espace des
données.
 Attribution : Pour chaque point de données, calculez sa distance par rapport à
chaque centre de cluster et attribuez-le au cluster dont le centre est le plus proche.
 Mise à jour : Recalculer les nouveaux centres de clusters en prenant la moyenne
des positions des points de données de chaque cluster.
 Répétez les étapes 2 et 3 jusqu'à ce qu'une convergence soit atteinte, c'est-à-dire
lorsque les centres de clusters ne changent plus ou que le nombre maximum
d'itérations est atteint.
 Avantages :
 Simplicité : L'algorithme K-means est relativement simple à comprendre
et à mettre en œuvre. Il est également efficace en termes de temps de
calcul, ce qui le rend applicable à de grands ensembles de données.
 Interprétabilité : Les résultats du K-means sont facilement interprétables,
car chaque point de données est assigné à un cluster spécifique.
 Inconvénients :
 Sensibilité aux valeurs aberrantes : L'algorithme K-means est sensible aux
valeurs aberrantes (outliers), ce qui peut affecter la qualité des clusters
générés.
 Dépendance à l’initialisation : Le choix initial des centres de clusters peut
influencer les résultats finaux. Différentes initialisations peuvent conduire
à des solutions différentes.
 Détermination du nombre de clusters : Il est souvent difficile de déterminer
le nombre optimal de clusters (valeur de K) à utiliser, ce qui peut entraîner
une interprétation subjective des résultats.
En résumé, l'algorithme K-means est un outil utile pour le regroupement des données. Il
offre une approche simple et efficace pour trouver des structures similaires dans les
ensembles de données. Cependant, il faut être conscient de ses limitations, notamment sa
sensibilité aux valeurs aberrantes et la difficulté de déterminer le nombre optimal de
clusters.

4. La méthode PCA
La méthode PCA (Principal Component Analysis), également connue sous le nom
d'analyse en composantes principales, est une technique d'apprentissage automatique
non supervisée utilisée pour réduire la dimensionnalité des données. Elle permet de
représenter les données dans un espace de dimensions inférieures tout en conservant
autant d'informations que possible.
Le concept de base de la PCA repose sur la transformation linéaire des données en un
nouvel espace de variables, appelées composantes principales. Les composantes
principales sont des combinaisons linéaires des variables d'origine qui capturent le
maximum de variance dans les données. Les premières composantes principales
représentent donc les dimensions les plus significatives des données.
Les étapes de la méthode PCA :
 Standardisation des données : Les données sont généralement standardisées pour
avoir une moyenne de zéro et une variance unitaire, afin de traiter toutes les
variables de manière égale.
 Calcul de la matrice de covariance : La matrice de covariance est calculée pour
mesurer les relations linéaires entre les variables d'origine.
 Calcul des valeurs propres et des vecteurs propres : Les valeurs propres et les
vecteurs propres de la matrice de covariance sont calculés. Les vecteurs propres
représentent les directions principales des données, tandis que les valeurs
propres représentent la quantité de variance expliquée par chaque vecteur
propre.
 Sélection des composantes principales : Les vecteurs propres sont ordonnés en
fonction de leurs valeurs propres, et les composantes principales sont
sélectionnées en fonction de la quantité de variance qu'elles expliquent. On peut
choisir un nombre fixe de composantes ou un seuil de variance expliquée.
 Transformation des données : Les données sont transformées en projetant les
observations sur les axes des composantes principales sélectionnées. Cela
permet de réduire la dimensionnalité tout en conservant autant d'informations
que possible.

Figure 32 : Données d'origine
Figure 33 : Données après PCA

 Avantages de la PCA
 Réduction de la dimensionnalité : La PCA permet de réduire la
dimensionnalité des données tout en conservant les informations les plus
importantes. Cela peut faciliter la visualisation et l'analyse des données, et
réduire les temps de calcul dans les modèles d'apprentissage automatique.
 Élimination de la corrélation : La PCA peut également être utilisée pour
éliminer la corrélation entre les variables d'origine en les projetant sur des
axes non corrélés.
 Inconvénients de le PCA
 Interprétation des composantes : Les composantes principales n'ont pas
nécessairement une signification physique directe, ce qui peut rendre leur
interprétation complexe.
 Perte d'informations : Malgré la conservation d'une grande partie de
l'information, la réduction de la dimensionnalité peut entraîner une perte
d'informations, en particulier si seules les premières composantes
principales sont conservées.
En résumé, la méthode PCA est une technique puissante pour la réduction de la

dimensionnalité des données. Elle permet de représenter les données dans un espace de
dimensions inférieures tout en conservant autant d'informations que possible. Cependant,
il est important de noter les limitations de la PCA en termes d'interprétation des
composantes et de perte potentielle d'informations.
IV. Analyse de données

L'analyse de données est une discipline qui vise à extraire des informations pertinentes et
exploitables à partir de vastes ensembles de données. Dans le contexte du code fourni,
différentes étapes de prétraitement des données sont mises en œuvre, ce qui constitue une
part essentielle de l'analyse de données.

 Importation des bibliothèques et le DataSets
Figure 34 : Déclaration des bibliothèques
 Visualisation
Figure 35 : Visualisation
Dans un premier temps, nous examinons les variables numériques en créant des
histogrammes. Ces graphiques nous permettent de visualiser la répartition des valeurs dans
ces variables. Grâce à l'utilisation de la fonction "hist()" de la bibliothèque Pandas, nous
générons des histogrammes pour chaque variable numérique présente dans le jeu de
données. Cette visualisation nous offre un aperçu des motifs et des tendances, facilitant
ainsi la détection de schémas significatifs.
Ensuite, nous portons notre attention sur les variables catégoriques et utilisons des
diagrammes de dénombrement (countplots). Ces diagrammes nous permettent d'observer
le nombre d'occurrences de chaque catégorie dans les variables catégoriques.

En utilisant la fonction "countplot()" de la bibliothèque seaborn (sns), nous créons un
diagramme de dénombrement pour chaque variable catégorique du jeu de données. Cela
nous aide à comprendre la distribution et l'équilibre des différentes catégories présentes.
Après avoir examiné les variables catégoriques, nous les codons en utilisant la méthode
"LabelEncoder()" de la bibliothèque scikit-learn. Le "LabelEncoder" convertit les valeurs
catégoriques en valeurs numériques, permettant ainsi à notre modèle d'apprentissage
automatique de les traiter de manière adéquate.
Enfin, nous mettons à l'échelle les variables numériques en utilisant la méthode
"StandardScaler()" de la bibliothèque scikit-learn. La mise à l'échelle revêt une importance
capitale, car elle permet de normaliser les valeurs numériques, garantissant ainsi que toutes
les variables sont comparables sur une même échelle. Cette étape peut améliorer les
performances des algorithmes d'apprentissage automatique, qui sont sensibles aux
différences d'échelle entre les variables.
Ces étapes de prétraitement des données jouent un rôle essentiel dans l'analyse de données,
car elles préparent les données de manière à les rendre appropriées pour l'analyse statistique
et la modélisation prédictive. En visualisant les distributions, les dénombrements, en
transformant les variables catégoriques en variables numériques et en mettant à l'échelle
les variables numériques, nous obtenons des informations précieuses prêtes à être
exploitées pour des analyses plus approfondies et des modélisations prédictives.
Figure 36 : Cordonnées des machines et Assignment Rate

Figure 37 : Business Unit
Figure 38 : Machinery status

Figure 39 : Type of warning
V. L’encodage des données
L'encodage des données joue un rôle crucial dans le cadre de l'apprentissage automatique
(Machine Learning) car de nombreux algorithmes ne peuvent traiter que des données
numériques. Lorsque nous travaillons avec des données catégoriques, il est nécessaire de les
encoder en valeurs numériques pour permettre aux modèles d'apprentissage automatique de
les utiliser efficacement.
Figure 40 : Encodage
Dans le code fourni, nous utilisons l'encodage des variables catégoriques à l'aide de la classe
"LabelEncoder" de la bibliothèque scikit-learn. Cela consiste à attribuer un identifiant
numérique unique à chaque catégorie de chaque variable catégorique. Par exemple, si une
variable catégorique possède trois catégories distinctes, elles seront encodées en 0, 1 et 2.
L'encodage des variables catégoriques permet de représenter les informations catégoriques
sous une forme numérique que les modèles d'apprentissage automatique peuvent
comprendre et traiter.
En ce qui concerne les variables numériques, nous effectuons une mise à l'échelle à l'aide de
la classe "StandardScaler" de scikit-learn. La mise à l'échelle est importante car elle permet

de normaliser les valeurs numériques, en s'assurant que toutes les variables sont comparables
sur la même échelle. Cela évite qu'une variable avec des valeurs numériques plus grandes
ou plus petites ne domine les calculs par rapport aux autres variables. La mise à l'échelle des
variables numériques peut améliorer les performances des algorithmes d'apprentissage
automatique en permettant une convergence plus rapide et en évitant les problèmes liés aux
écarts d'échelle entre les variables.
En résumé, l'encodage des données catégoriques et la mise à l'échelle des variables
numériques sont des étapes essentielles dans le prétraitement des données pour
l'apprentissage automatique. L'encodage permet de représenter les variables catégoriques
sous une forme numérique, tandis que la mise à l'échelle garantit une comparabilité équitable
des variables numériques. Ces étapes aident à préparer les données de manière à ce qu'elles
soient adaptées aux algorithmes d'apprentissage automatique et contribuent à obtenir de
meilleurs résultats prédictifs.
1. Meilleure valeur de K
L'algorithme K-Means est une technique de regroupement non supervisée couramment
utilisée en analyse de données. L'une des décisions clés à prendre lors de l'utilisation de K-
Means est de déterminer le nombre de clusters, souvent désigné par la valeur de K. La valeur
de K influence directement la performance et la qualité des regroupements obtenus.
Lorsque la valeur de K est trop faible, cela peut conduire à une fusion excessive de clusters et
à une perte de détails dans les données. Les regroupements obtenus peuvent ne pas être
significatifs et laisser des informations importantes non représentées. À l'inverse, si la valeur
de K est trop élevée, cela peut conduire à une fragmentation excessive des données, avec des
clusters trop petits et peu significatifs. Cela peut rendre l'interprétation des résultats plus
difficile et conduire à une surinterprétation des structures peu pertinentes.
Par conséquent, choisir la valeur de K appropriée est crucial pour obtenir des résultats
significatifs et interprétables. Il existe plusieurs méthodes pour déterminer la valeur optimale
de K, telles que la méthode du coude (Elbow method) ou la méthode de la silhouette
(Silhouette method). Ces méthodes évaluent la cohérence des clusters obtenus pour différentes
valeurs de K et aident à identifier le point où l'ajout d'un cluster supplémentaire n'apporte pas
beaucoup d'amélioration significative.

Il est également important de noter que la performance de K-Means peut varier en fonction de
la nature des données et du problème spécifique. Par exemple, des données présentant des
formes de clusters complexes ou des densités variables peuvent nécessiter des valeurs de K
différentes pour obtenir des résultats optimaux.
En conclusion, la valeur de K a un impact significatif sur la performance de K-Means. Il est
essentiel de choisir judicieusement cette valeur en utilisant des méthodes d'évaluation
appropriées pour obtenir des regroupements significatifs et interprétables.
Figure 41 : K-means avec selection de K
Dans le premier sous-graphique, nous utilisons la méthode du coude pour tracer les valeurs de
WCSS en fonction du nombre de clusters. La courbe représente la somme des carrés des
distances des points de données à leurs centroïdes de cluster respectif. Nous recherchons un
"coude" où l'ajout d'un cluster supplémentaire ne réduit pas significativement le WCSS. Ce
point est considéré comme le nombre optimal de clusters.
Dans le deuxième sous-graphique, nous traçons les scores de silhouette en fonction du nombre
de clusters. Le score de silhouette mesure la cohérence des points de données à l'intérieur de
leur propre cluster par rapport aux autres clusters. Un score élevé indique que les points sont
bien regroupés et séparés des autres clusters. Nous recherchons un pic net qui indique le
nombre.

Figure 42 : Méthode du coude - Score silhouette
L'interprétation des résultats se fait en examinant les graphiques générés :

Dans le graphique de la méthode du coude, si nous voyons un coude clairement identifiable,
cela suggère que le nombre de clusters correspondant au coude est un bon choix pour le
regroupement des données. Ce nombre représente un bon compromis entre la compacité des
clusters et la réduction des erreurs de regroupement.
Dans le graphique du score de silhouette, un pic plus élevé indique une meilleure séparation
entre les clusters. Par conséquent, un nombre de clusters qui correspond à un pic élevé serait
un choix optimal pour le regroupement des données.
En utilisant ces graphiques, nous pouvons prendre une décision éclairée sur le nombre optimal
de clusters pour nos données, en tenant compte à la fois du critère du coude et du score de
silhouette.

2. PCA
Figure 43 : Code PCA
3. K-means et PCA
Figure 44 : K-means + PCA

Le code fourni effectue une analyse de clustering en utilisant l'algorithme K-means et applique
également une réduction de dimension à l'aide de l'analyse en composantes principales (PCA).
Voici l'interprétation des résultats obtenus :
Premièrement, l'algorithme K-means est appliqué sur les données d'origine. La variable
"num_clusters" est définie pour spécifier le nombre de clusters souhaité. Une fois l'algorithme
K-means exécuté, chaque point de données se voit attribuer une étiquette de cluster (0, 1, 2,
...). Cette étiquette est ajoutée comme une colonne supplémentaire ("cluster") au DataFrame
"df".
Ensuite, la PCA est appliquée sur les données d'origine, en excluant la colonne "cluster". La
PCA permet de réduire la dimensionnalité des données tout en préservant autant
d'informations que possible. Ici, nous réduisons les données à deux composantes principales,
"Principal Component 1" et "Principal Component 2".
Après avoir effectué la réduction de dimension, l'algorithme K-means est à nouveau appliqué
sur les composantes principales obtenues. Les points de données sont répartis dans des clusters
basés sur ces deux composantes principales. Les étiquettes de cluster obtenues sont ajoutées
comme une colonne supplémentaire ("pca_cluster") au DataFrame "principalDf".
Enfin, les résultats de clustering de K-means avant et après la PCA sont comparés en utilisant
un graphique à deux sous-graphiques. Le premier sous-graphique représente les clusters
obtenus par K-means sur les données d'origine, où les points de données sont colorés en
fonction de leur étiquette de cluster. Le deuxième sous-graphique représente les clusters
obtenus par K-means sur les composantes principales, où les points de données sont colorés
en fonction de leur étiquette de cluster après la PCA.

Figure 45 : Clustering
Cette comparaison visuelle permet d'évaluer si la réduction de dimension a influencé la

structure des clusters. Si les points de données sont répartis de manière similaire dans les deux
sous-graphiques, cela suggère que la PCA n'a pas altéré significativement les informations de
clustering. Cependant, si la structure des clusters diffère entre les deux sous-graphiques, cela
peut indiquer que la PCA a introduit des changements ou des simplifications dans les clusters
d'origine.
Synthèse
Ce chapitre se penche sur une analyse exploratoire des données et un clustering.
Une partie intégrale de ce projet a été la mise en œuvre du clustering hiérarchique et K-means,
qui a révélé des clusters distincts dans les données. Nous avons utilisé la méthode du coude pour
déterminer le nombre optimal de clusters pour l'algorithme K-means.
Pour compléter notre clustering K-means, nous avons effectué une analyse en composantes
principales (PCA) sur les données, fournissant une représentation de faible dimension tout en
conservant autant d'informations que possible.
Les informations recueillies à partir de cette analyse pourraient former la base pour des études
futures ou potentiellement informer un modèle prédictif pour la gestion des machines.

Conclusion et Perspectives
Le présent rapport présente une synthèse du travail effectué au sein de JESA, dans le cadre du
projet de fin d’étude qui porte sur le développement d’une solution data analytics pour répondre
aux besoins métiers.
Grâce à cette nouvelle pratique, le client aura une meilleure visibilité sur l'ensemble de ses
projets et plus spécifiquement les machines allouées au projets, grâce à la visualisation des
différents indicateurs qui facilitent la prise de décisions et donc améliorer la performance.
Ce projet a été réalisé en suivant, comme méthodologie de référence, la méthode Agile.
Au cours de ce stage, j'ai eu l'occasion de collaborer étroitement avec l’équipe transformation
digitale. Cette collaboration a été cruciale pour concevoir une solution qui répondrait réellement
aux attentes des utilisateurs et qui apporterait une réelle valeur ajoutée à l'entreprise.
J'ai pu constater l'importance croissante des données dans le monde des affaires et la nécessité
d'exploiter efficacement ces ressources pour rester compétitif sur le marché.
Les résultats obtenus lors des tests de la solution ont été encourageants. Les utilisateurs ont
exprimé leur satisfaction quant aux fonctionnalités offertes par la solution et à sa capacité à les
aider à prendre des décisions éclairées.
Ma participation a eu un impact significatif sur le développement de mes compétences dans le
domaine de la gestion des données. Ma contribution assistée sur la compréhension du besoin du
client et le convertir en solution, m'ont permis non seulement de m'habituer à la réalisation des
tableaux de bord, mais aussi de me mettre dans la peau Data Analyst et de proposer un modèle
prédictif pour la gestion des machines au futur.
Je suis reconnaissante envers JESA de m'avoir offert cette opportunité et envers l'équipe avec
laquelle j'ai travaillé pour leur soutien et leurs conseils précieux.
Je suis confiante que cette expérience sera un atout précieux dans ma carrière future.

Annexes
Figure 46 : Plateforme JPASS
Figure 47 : Machinery page

Bibliographie et Webographie
 https://www.jesagroup.com – Site officiel de JESA – Dernière consultation 03/06/2023

 https://collab-rct.jesagroup.com/ - Plateforme Collab – Dernière consultation 02/06/2023
 https://collab-rct.jesagroup.com/jpass/ - Plateforme JPASS – Dernière consultation
03/06/2023
 JPASS status – Document confidentiel
 Jpass report – Docuemnt confidentiel
 Gestion de projet vers les méthodes agiles - Véronique Messager – Groupe Eyrolles


Rapport Reguiai Kawtar

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

Rapport Reguiai Kawtar

Transféré par

Droits d'auteur :

Formats disponibles

PROJET DE FIN D’ÉTUDE

Présenté en vue d’obtenir le

Développement d’une solution Data Analytics pour

Les travaux relatifs au présent PFE ont été

Tuteur d’entreprise : Tuteur pédagogique

Rapport de stage PFE – REGUIAI Kawtar 1|Page

Rapport de stage PFE – REGUIAI Kawtar 2|Page

A mes adorables cousines Soumya et Fatima-Ezzahraa,

A mes chers cousins Taoufiq et Mahdi,

A ma chère grande famille,

A mes très chers amis,

Rapport de stage PFE – REGUIAI Kawtar 3|Page

Je tiens, tout d’abord, à exprimer ma profonde gratitude et toute ma reconnaissance à

Le présent rapport n’aurait pu voir le jour sans leur collaboration.

Rapport de stage PFE – REGUIAI Kawtar 4|Page

Rapport de stage PFE – REGUIAI Kawtar 5|Page

Rapport de stage PFE – REGUIAI Kawtar 6|Page

Rapport de stage PFE – REGUIAI Kawtar 7|Page

Rapport de stage PFE – REGUIAI Kawtar 8|Page

Rapport de stage PFE – REGUIAI Kawtar 9|Page

Rapport de stage PFE – REGUIAI Kawtar 10 | P a g e

KPI Key Indicator Performance

OCP Office Chérifien du Phosphates

T&D Transmission & Distribution

PCA Principal Component Anlysis

EPCM Engineering, Procurement and Construction Management

SQL Structured Query Language

Rapport de stage PFE – REGUIAI Kawtar 11 | P a g e

Mots-clés : Business Intelligence, Machine Learning, Visualisation, Segmentation, gestion des

Rapport de stage PFE – REGUIAI Kawtar 12 | P a g e

Keywords : Business Intelligence, Machine Learning, Visualization, Segmentation, Machine

Rapport de stage PFE – REGUIAI Kawtar 13 | P a g e

Chapitre 1 : Cadre général du projet

Rapport de stage PFE – REGUIAI Kawtar 14 | P a g e

KPI (Key Indicator Performance)

Rapport de stage PFE – REGUIAI Kawtar 15 | P a g e

Rapport de stage PFE – REGUIAI Kawtar 16 | P a g e

Rapport de stage PFE – REGUIAI Kawtar 17 | P a g e

Rapport de stage PFE – REGUIAI Kawtar 18 | P a g e

Figure 1 : Les bureaux internationaux de JESA

Rapport de stage PFE – REGUIAI Kawtar 19 | P a g e

Figure 2 : Timeline JESA

Rapport de stage PFE – REGUIAI Kawtar 20 | P a g e

Statut juridique Société anonyme

Directeur général Hicham Kabbaj

Secteur d’activité - Bâtiment & Infrastructure.

Effectif 2500 collaborateurs (2022)

Siège social Shore 27 Casablanca Nearshore Park, 1100 Bd Al Qods,

Site web http://www.jesagroup.com

Tableau 1 : Fiche signalétique de JESA

Rapport de stage PFE – REGUIAI Kawtar 21 | P a g e

Chaque membre de l'entreprise apporte ses compétences uniques et sa passion pour

JESA institue Internal Audit R3

Growth ADS M&I B&I AM JESA technology

Corporate Business Support

Human Ressources E&D

Communications Project Delivery

Legal Supply Chain

Figure 4 : Organigramme de JESA

Rapport de stage PFE – REGUIAI Kawtar 22 | P a g e

L’organigramme de la division Transformation digitale est comme suit :

Project Delivery Director

Digital Data Delivery

Data Hub & Automation Manager