Licence Professionnelle

Gestion Informatisée des Organisations

Système d’information de Gestion

Mohammed ZOUHRI

Année Universitaire 2017 / 2018

 CHAPITRE 4

Système d’information décisionnel

Systèmes décisionnels

1. Objectifs de l’informatique décisionnelle ou Business

Intelligence (BI)

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

but d’améliorer ses performances.

Principaux acteurs : Business objects racheté par SAP, Cognos

racheté par IBM, Hypérion racheté par Oracle, Microsoft.

Systèmes décisionnels

2. Fonctionnement de l’informatique décisionnelle

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

Un SIAD est un système conçu pour apporter à toute personne

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

décisions, l’information nécessaire à cette tâche.

Systèmes décisionnels

ii. Structure d’un SIAD

Tout SIAD contient un certain nombre d’éléments :

 Des données

 Des modèles de traitement (algorithmes)

 Une interface Homme/Machine

iii. Types de SIAD

 Tableaux de bord simples et systématiques

 Tableaux de bord raisonnés (BSC)

 SIAD « orientés données » (OLAP)

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

opérationnelle)
Systèmes décisionnels

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

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

ii. Stockage
Plusieurs écoles (MOLAP, ROLAP, HOLAP)

iii. Exploitation
Utilisateurs occasionnels

Utilisateurs réguliers

Spécialistes
Systèmes décisionnels

C. Le DATAMINING (Fouille de données)

i. Définition

Le datamining est l’utilisation de techniques connues issues de

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

La découverte de structures intéressantes, inattendues, rentables

dans de grandes bases de données.
Systèmes décisionnels

ii. Applications possibles

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


Marketing direct (mailing, coefficient de lift)

 Contrôle (comportement bancaire des clients)

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

douteuses, fraudes alimentaires)

Vue d’ensemble du processus de l’informatique décisionnelle
Applications décisionnelles

SUBJECTIVES Reporting
Datawarehouse

Applications
Data Mart décisionnelles Hypercubes

ETL
Extract
Transform Data Mining
Load
ZOOM ANGLE de VUE

Bases
opérationnelles
Datawarehouse : définition

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

 Trois fonctions essentielles

 Collecte de données de bases existantes et chargement
 Gestion des données dans l’entrepôt
 Analyse de données pour la prise de décision
Construction d’un DataWarhouse

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

 Isoler les faits à étudier

 Schéma des tables de faits
 Définir les dimensions
 Axes d'analyse
 Normaliser les dimensions
 Éclater en plusieurs tables liés par contraintes référentielles
 Intégrer l'ensemble
 Plusieurs tables de faits partagent quelques tables de dimension
(constellation d’étoiles)
Alimenter le DataWarhouse
Fonctions d’un ETL

Fonctions Objectifs

Extraction paramétrée des données à partir de différentes

Extract
sources de données, éventuellement hétérogènes.

Algorithme de transformation permettant de filtrer ou de

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

Chargement des données transformées dans l’entrepôt de

Load
données.
Datawarehouse - Datamart

 Modèles relationnels

 Modèles dimensionnels

 Tables de faits

 Dimensions et indicateurs

 Modèle en étoile

 Modèle en flocon
Le multidimensionnel

 Indicateurs:  Dimensions:
 Nombre d’unités  Temps
vendues  Géographie
 CA  Produits
 Coût  Clients
 Marge.....  Canaux de
Modèle dimensionnel
 Modèle en étoile
Dimension
Dimension Temps
Temps
ID
ID temps
temps
année
année
mois
mois
jour
jour Dimension
Dimension produit
produit
Dimension
…… ID
ID produit
produit
Dimension Magasin
Magasin
ID nom
nom
ID magasin
magasin
description code
code
description Table
Table de
de faits
faits Achat
Achat
ville prix
prix
ville ID
ID client
client
surface poids
poids
surface ID
ID temps
temps
… groupe
groupe
… ID
ID magasin
magasin famille
famille
ID
ID région
région …
…
ID
ID produit
produit
Dimension
Dimension Région
Région Quantité
Quantité achetée
achetée Dimension
Dimension Client
Client
ID
ID région
région Montant
Montant desdes achats
achats ID
ID client
client
pays
pays nom
nom
description
description prénom
prénom
district
district vente
vente adresse
adresse
….
…. ……
 Modèle en flocon
Dimension
Dimension produit
produit
ID
ID produit
produit
Dimension
Dimension Temps
Temps ID
ID groupe
groupe
ID
ID temps
temps nom
nom
annee
annee code
code
mois
mois prix
prix
Dimension
Dimension Magasin
Magasin jour
jour poids
poids Dimension
Dimension groupe
groupe
ID
ID magasin
magasin …… …
… ID
ID groupe
groupe
description
description ID
ID famille
famille
ville
ville Table
Table de
de faits
faits Achat
Achat nom
nom
surface
surface ID
ID client
client …
…
…
… ID
ID temps
temps
ID
ID magasin
magasin
Dimension
Dimension Region
Region ID
ID région
région
ID région
ID région Dimension
Dimension Famille
Famille
ID
ID produit
produit
ID division vente
ID division vente ID
ID famille
famille
Quantité
Quantité achetée
achetée
pays
pays nom
nom
Montant
Montant desdes achats
achats
description
description ……
….
….
Dimension
Dimension
Dimension Client
Client
Dimension
ID
ID client
client
Division
Division vente
vente
nom
nom
ID
ID division
division vente
vente
prénom
prénom
description
description
adresse
adresse
….
….
……
Types de résultats

Types Utilisations

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

Rapports
manière périodique et récurrente.

Constitution d’une structure de tableaux croisés

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

Modélisations exploratoires des données, s’appuyant sur

Data Mining différents algorithmes du domaine statistique ou de la gestion
de l’incertain.
OLAP (On Line Analytical Processing)

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

données multidimensionnelles.

FONCTIONNALITÉS
 Présenter une vue des données multidimensionnelle et logique à l'utilisateur
sans des conditions quant à la façon dont les données sont stockées.
 Faire des prévisions, dépister des tendances, et exécuter d'autres analyses
complexes.
 Permettre aux utilisateurs de se déplacer d'une requête à l'autre et obtenir des
résultats rapidement et facilement.
 Modèle dimensionnel : hypercube

Sélection d’une portion de

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

Sur l’exemple ci-contre, le temps

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