Syst

1
Systèmes dAide à la Décision

• B. Ballaz, Professeur à l IAE/UPMF Grenoble

2
Quest-ce quun SIAD ?
Système Interactif dAide à la Décision
Système dinformation de lentreprise
Base dinformations
Interface
Interface
Base de modèles
3
Les théories de la décision

• l'homme rationnel de la théorie économique
  classique (Smith,.., von Neumann) la recherche
  de la solution optimale ...
• la rationalité limitée la décision comme un
  processus de résolution de problème dans un
  contexte organisationnel (Simon) la recherche de
  la solution satisfaisante
• la théorie générale des systèmes la décision
  comme un processus de pilotage (Bertalanffy,
  Ashby,....)
• La théorie comportementale de la firme (Cyert,
  March, Argyris,..) la décision comme un
  processus de changement et d'apprentissage
  organisationnel
• la théorie politique de la décision la décision
  comme un processus de négociation (Crozier,
  Etzioni, Lindblom)
• le modèle du Garbage Can (March) l'anarchie
  organisée, la décision comme un processus de
   mise à la poubelle du problème  

La caverne de Platon ...
4
Arbre de décision
5
Le positionnement conceptuel des SIAD
Degré de structuration du problème Degré de
programmation de la décision
Rationalité organisationnelle
Rationalité limitée
Théorie des systèmes
Consensus sur les objectifs
Le processus de décision - processus de
pilotage de système - processus de résolution
de problème
6
Le degré de structuration du problème décision
programmable ou non programmable ? (H.Simon)

• Un problème structuré peut être mis sous une
  forme dont la solution peut être calculée par un
  algorithme décision programmable
• Un problème non structuré ne peut être résolu
  qu en faisant appel à l intuition décision non
  programmable
• La plupart des problèmes de gestion se présente
  sous une forme semi structurée

La matrice de Gorry et Scott-Morton croise le
type de problème et le niveau de management
Degré de structuration
Thème de pub
Nouveau produit
absentéisme
Non structuré
Modélisation
Gestion des risques
Analyse des coûts
Semi structuré
Choix d investissement
Ordonnancement
Lancement d un nouveau produit
Choix de financement M L T
Structuré
Niveau de management
Opérationnel
Management
Stratégie
7
2 - La décision en tant que processus de
résolution de problème
8
Pratique de la décision la rationalité limitée

• Séparation et traitement séquentiel des problèmes
  (Règles d'attention)
• Recherche des solutions au voisinage des
  symptômes
• Reconduction des solutions éprouvées
• Réduction de l'incertitude
• Contrôle par la structuration hiérarchique des
  activités

9
Le processus de décision comme un processus
résolution de problème (H. Simon)
Intelligence
Domaine dapplication des SIAD
Design
Choice
Review
10
La décision en tant que processus de résolution
de problème
Qu'est-ce qu'un problème? "Les touristes
japonais" "Je suis gérant d'une agence de voyage
qui travaille surtout avec l'Extrême-Orient. Je
viens d'aller chercher 40 Japonais à Roissy. Ils
repartent demain matin pour Nice. Nous arrivons
au PLM St Jacques où les japonais doivent loger.
J'apprends que la réservation n'a pas été faite
et qu'il n'y a plus de chambres. Il est 19h
45... (P. Lemaitre, Des méthodes efficaces pour
étudier des problèmes Chotard 85)
11
Le problème Les travers habituels de la
définition d'un problème

• l'exprimer en terme de solution
• "Rechercher un autre hôtel..."
• YAKA verbe à l'infinitif exprimant une action
• Réponse du type question
• "Le problème c'est comment loger les japonais..."
• réduction de l'espace des solutions
• Réponse de type catégorie
• "C'est un problème de logement...."
• Il n'y a pas toujours de solution type applicable
  à la catégorie identifiée
• Réponse de type sanction
• "Qui a oublié de faire la réservation?.."
• recherche du responsable/coupable

12
Le problème
Un écart entre une situation réelle perçue et
une situation future désirée
Situation future désirée
Les insatisfactions actuelles
Situation réelle perçue
Problème
Les objectifs
13
Le problème les biais de perception
Situation future désirée
Problème réel
Problème perçu
Situation réelle perçue
Situation réelle
Modèle
14
L'acteur et ses limitations cognitives

• La capacité cognitive limitée
• Le non discernement des inférences
• La dissonance cognitive
• L'ancrage sur la première information
• La préférence pour le statu-quo
• La préférence pour un choix justifiant des choix
  antérieurs
• Distorsions dans l'évaluation de l'incertitude
• Le style cognitif

15
La capacité cognitive

• Test quel est le N de téléphone de mon voisin?
• La loi des 7 /- 2 de Miller

Quantité d'informations reconnues
7
Quantité d'informations transmises
Miller G.A., The magical number seven, plus or
minus two some limits on our capacity for
processing Information, The Psychological Review,
Vol. 63, N2, 1956
16
Le modèle STI de H. Simon
Mémoire associative de stockage
Mémoire de travail siège des processus cognitifs
conscients
Stimulis
Environnement
Mémoire long terme
Mémoire court terme
Capacité limitée 7/-2
Capacité infinie
Accès rapide
Accès moins rapide
17
Capacité cognitive Conséquences pour la
conception de SIAD

• Nécessité de disposer de modèles mentaux simples
  et génériques
• Avantage des représentations graphiques
• Structuration hiérarchisée des informations
• Utilisation de graphes conceptuels
• Utilisation systématique des interfaces
  graphiques

18
Capacité cognitive Avantage des représentations
graphiques
Avantage aux représentations graphiques.
19
Capacité cognitive représentation conceptuelle
par un graphe
20
La dissonance cognitive (L. Festinger)

• Choix, incertitude et stress
• Filtrage des informations et renforcement des
  choix antérieurs

21
Le non discernement des inférences

• "le bureau est éclairé. Sur la porte, il est
  écrit Mr Dupont, Directeur"
• question1 Il fait nuit? O N (?)
• question2 Mr Dupont est le directeur de la
  société ? O N (?)

22
La préférence pour le choix préservant le
statu-quo

• Rompre le statu-quo engage à l'action donc à la
  prise de responsabilité, de risques et expose à
  d'éventuels futurs regrets et/ou à la critique
• Plus les choix sont multiples, plus le statu-quo
  est préféré

Hammond J.S., Keeney R.L., Raiffa H., The hidden
traps in decision making, Harvard Business
Review, Sept-Oct 1998
23
L'ancrage sur la première information

• La population de l'Indonésie est-elle supérieure
  à 80 millions d'habitants?
• Quelle est votre estimation de la population de
  l'Indonésie?
• La population du Bresil est-elle supérieure à 150
  millions d'habitants?
• Quelle est votre estimation de la population du
  Bresil ?

Hammond J.S., Keeney R.L., Raiffa H., The hidden
traps in decision making, Harvard Business
Review, Sept-Oct 1998
24
La préférence pour un choix justifiant des choix
antérieurs

• Le refus de reconnaître une erreur passée, par
  crainte du jugement des autres ou par crainte de
  blesser sa propre estime, pèse sur la liberté de
  choix et peut conduire à persister dans l'erreur
• L'acteur surestime les chances d'amélioration des
  situations (ex prêts bancaires à une entreprise
  en difficultés)

Hammond J.S., Keeney R.L., Raiffa H., The hidden
traps in decision making, Harvard Business
Review, Sept-Oct 1998
25
Le conditionnement de la préférence par la
structuration du problème

• L'opportunité ci-après est-elle intéressante?
• (A) Vous avez 2000 Euros sur votre compte,
  acceptez vous une opportunité à 50-50 de perdre
  300 ou de gagner 500 ?
• (B) Préfèrez vous conserver 2000 euros sur votre
  compte ou accepter une opportunité 50-50 d'avoir
  1700 euros ou 2500 euros?
• En général l'opportunité 50-50 est acceptée dans
  le cas (B) et refusée dans le cas (A)

Hammond J.S., Keeney R.L., Raiffa H., The hidden
traps in decision making, Harvard Business
Review, Sept-Oct 1998
26
Difficultés et distorsions dans l'estimation de
l'incertitude

• L'estimation de probabilité est peu fiable il
  serait nécessaire de disposer de feed-back pour
  soutenir un processus d'apprentissage dans
  l'évaluation d'une probabilité (constitution
  d'historique de situations comparables ex météo)
• Confiance excessive elle sous estime les
  dispersions de valeur (ex la fourchette
  d'estimation à 95 d'une prévision est fixée à
  une valeur trop étroite en général)
• Prudence excessive facteur de sécurité trop
  important dans des décisions reposant sur des
  estimations. ex plan de production ou niveau de
  stock à partir d'une prévision commerciale
• Influence excessive, sur une prévision, des
  informations affectant la capacité à se souvenir
  d'événements antérieurs.(ex listes de
  personnalités H/F à 50-50 plus d'hommes (ou
  femmes ) si plus d'hommes (femmes) très connus.)
  C'est particulièrement le cas des événements
  passés "catastrophiques" .

Hammond J.S., Keeney R.L., Raiffa H., The hidden
traps in decision making, Harvard Business
Review, Sept-Oct 1998
27
Conséquences des limitations cognitives

• Pour les théories
• La rationalité limitée et le développement de
  théories de l'entreprise (Simon, March,
  Williamson)
• Pour l'intérêt des modèles
• les difficultés dans la maîtrise de la complexité
  et de l'incertitude justifient l'utilité du
  recours à des supports externes ( prothèse
  cognitive ) que constituent les systèmes d'aide
  à la décision
• Elles expliquent la différence entre situation
  perçue et situation réelle
• La conception et la mise en oeuvre des SIAD le
  style cognitif
• Le processus de décision selon H. Simon

28
3 - La décision en tant que processus de
pilotage de système
29
Qu'est ce qu'un système?4 mots clés.

• Ensemble de parties interdépendantes (structure)
• Chaque partie est le siège de processus E/S
• Les processus sont finalisés (objectif)
• Le système est plongé dans un environnement

Lentreprise  système  soppose à lentreprise
 découpée  en fonction
30
Lentreprise  système 
Privilégier lapproche transversale
Ex stock et dérive fonctionnelle des objectifs
Vente
Achat
Production
-

-

Composants, En-cours
Stock PF
-

Clients
-
Finance
Fournisseurs
La solution le concept de chaîne de la valeur
31
Fonctions de support Stratégie, Marketing,
Finances, Achats, Ressources humaines,
Développement technologique
L information irrigue en profondeur la chaîne de
la valeur
32
Schank, 1995
33
Schank, 1995
34
Système dInformation l intégration
fonctionnelle
Gestion de la relation client
Gestion de la relation fournisseur
Gestion intégrée des ressources
E-Achats
E-ventes
Enterprise Ressource Planning
Customer Relationship Management
Supplier Relationship Management
Clients
Fournisseurs
Supply Chain Management
Reach
SI
Range
Mentzer et Al, Définir le Supply Chain
Management, Logistique et Management, Vol. 9,
N2, 2001
Keen, Shaping the future, HBSP, 1991
35
(No Transcript)
36
La décision acte de pilotage de système
Système de pilotage
S.I. décisionnel
Objectifs
Système d'information transactionnel
Système physique
37
Le contrôle efficace

• La loi de la variété requise (Ashby)
• Variété (contrôle) gt variété (système)
• variété nombre d'états que peut prendre un
  système
• Conséquence la hiérarchisation des systèmes
• le schéma ultra stable d'Ashby

Contrôleur
Objectifs
Régulateur
Perturbations
Résultats
Système
38
La hiérarchisation du contrôle application de
la loi dAshby pour la maîtrise de la complexité
(Anthony)
Moyen et long terme
Management stratégique
Mois, semaine
Management
Management


Agrégation
Désagrégation
Temps réel
Management opérationnel
Management opérationnel


Processus commerciaux, industriels,
administratifs,...
39
Piloter un système ?

• Définir les objectifs à atteindre
• Concevoir la trajectoire prévisionnelle
  (programmer les étapes intermédiaires)
• Evaluer les moyens nécessaires
• Les mettre en œuvre dans un environnement
  perturbé
• Contrôler les réalisations (mise en évidence des
  écarts)
• Définir les actions correctrices

Les SIAD interviennent dans ces différentes
étapes afin daméliorer la capacité de
lorganisation à atteindre ses objectifs
40
Pour piloter un système

• il faut disposer dune représentation du système
  et de son environnement

but reconstruire létat actuel et prévoir les
états futurs du système.
moyen disposer de modèles, représentations
symboliques du système et de son environnement
La métaphore cartographique la carte modèle du
territoire
41
La métaphore du nénuphar
Surface
Résolution du problème?
Perception du problème
Prévision
temps
t
t'
Constante de temps
42
Pilotage dynamique des systèmes à feed-back
dinformations
Etat futur désiré (Objectifs)
Système de décisions
retards
retards
Etat actuel apparent
Système dactions
(-)
biais
Système dinformations
Inertie, retards
retards
Système organisationnel à piloter
43
Le pilotage dun système la boucle de
rétro-action (feedback) par retour dinformation
Décision ? Boucle ouverte
Information sur le problème
Décision / Action
Résultats
Pilotage ? Boucle fermée
Objectifs
Décision / Action
Informations sur le problème
Feedback
Résultats
Le modèle générique fondamental
44
Le pilotage dun système la boucle de décision -
contrôle par rétro-action (feedback)
Le modèle générique
La métaphore
Action
Modèle mental
Flux deau
Niveau
Formalisme de J. Forrester
J. Forrester, Industrial Dynamics, MIT press
45
Modèle générique exemples en gestion
La boucle de décision modèle générique
Constante de temps (delay)
Objectif
Flux
(Décision)
Encaissements
Bilan au 01/01
Embauches
Commandes clients
Livraisons
Action
Information
Compte dexploitation mensuels
Trésorerie
Carnet de commandes
Stock produits
effectif
Niveau
(Stock, état)
Livraisons
Décaissements
Bilan au 31/12
Départs
Distribution
46
Passer du modèle graphique conceptuel, au modèle
numérique programmé
Léquation de niveau équation fondamentale de
létat du système à linstant t
Stock(t) Stock(t-dt) (Entrées - Sorties) dt
Les entrées et les sorties sont supposées
constantes pendant dt
Soit depuis linstant t
t
Stock(t) Stock(t0)
(Entrées - Sorties) dt
t
Dans le formalisme de Vensim Stock
INTEG(Entrées - Sorties, Stock(t))
47
Principes de modélisation des systèmes dynamiques
- Flux et niveaux sont les deux seuls concepts
nécessaires - on distingue les flux
dinformation, non conservatifs, des autres flux,
conservatifs
- Les niveaux changent selon les seules
variations des flux dentrée ou de sortie, ils ne
dépendent jamais dautres niveaux.
- Le débit des flux est contrôlé uniquement par
des valeurs de niveaux, jamais directement par
dautres flux
- Les décisions qui règlent le débit des flux
résultent du rapprochement entre les valeurs des
niveaux (létat du système) et la valeur des
objectifs qui sont assignés au système.
48
Capacité cognitiveUtilisation systématique des
interfaces graphiques
Graphe de dépendance entre variables
(modélisation avec VENSIM)
49
Capacité cognitive Utilisation systématique des
interfaces graphiques
Besoin exprimé INTEGER(5(5/3) RANDOM
NORMAL()) Sorties Besoin exprimé Commandes
fournisseur IF THEN ELSE(StockEn
commandeltStock minimum,50,0) Délai de livraison
3INTEGER(3RANDOM 0 1()) En commande
INTEG(Commandes fournisseur-Livraisons,0) Livrais
ons DELAY FIXED(Commandes fournisseur,Délai de
livraison,0) Stock INTEG(Livraisons-Sorties,50)
Stock minimum 20 Simulation Control
Paramaters FINAL TIME 100 INITIAL TIME
0 SAVEPER TIME STEP TIME STEP 1
Modèle programmé, généré à partir du graphe
construit dans linterface graphique de Vensim
50
Qu'est-ce qu'un système complexe?

• les processus à feed-back positif ou négatif
• la non linéarité (exponentielle, mécanisme de
  saturation,...)
• les constantes de temps

Comportement contre-intuitif des systèmes
complexes...
51
Interactions entre sous-systèmes
Boucle de feedback (rétro-action)
- boucle positive (amplificatrice)
( )
Naissances
Population
()
()
- boucle négative (stabilisatrice)
(-)
Population
(-)
Décès
()
52
Population
Pollution
()
Naissances
Alimentation/tête
()
(-)
(-)
()
Population
(-)
(-)
Pollution/tête
Décès
()
()
()
()
Pollution
Sources de pollution
()
Comportement global (-)
53
(No Transcript)
54
Modèle de diffusion virale (Vardi) illustrant la
loi des réseaux (Metcalf)
55
4 - Lintégration des SIAD dans le système
dinformation,
56
La problématique de lalignement

• Dans les années pré-90, le SI de lentreprise se
  construisait dans la logique suivante
• Stratégie ? Structure dorganisation ? Système
  dinformation
• Conséquence on informatise lexistant
• Enjeu Post 2000 valoriser le levier
  organisationnel et stratégique que représentent
  les TI

Organisation
Stratégie
Ré-ingéniérie des processus
Avantages concurrentiels
Système dinformation
57
Information gt Décision

• Les SI en temps réel appuyés sur des ERP et
  immergés dans Internet gèrent de très grandes
  quantités dinformation
• Lanalyse et lexploitation de ces informations
  sont nécessaires pour déterminer les objectifs,
  définir et évaluer les politiques qui permettront
  de les atteindre, programmer les actions à mettre
  en œuvre, mesurer leur efficacité.
• Les produits/services nouveaux intègrent de plus
  en plus de contenu informationnel (P.
  Drucker)
• Or lhomme en tant que système de traitement
  de linformation a une capacité limitée
  (Loi des 7/-2, Miller)

Il doit donc disposer doutils (informatiques)
qui lui permettront de palier ses limitations
cognitives tout en utilisant au mieux ses
capacités dintuition et dinterprétation
58
Information / Décision

• Les besoins en information pour la décision sont
  erratiques en volume et en fréquence, ce qui rend
  difficile le dimensionnement technique du SID et
  le respect des contrats de service
• Ils nécessitent des historiques dinformation
  longs ( 1 à 5 ans)
• Les volumes dinformation sont gigantesques Ex
  Wall Mart 24 Terabytes 24 millions de millions
  doctets
• Dans les BD des systèmes décisionnels les
  informations sont regroupées par thème et les
  modèles de données sont structurés selon des
  dimensions hiérarchisées (temps, espace
  géographique, famille de produits, ), conçus
  pour faciliter la navigation dexploration (Drill
  Down, Roll Up, OLAP On Line Analytical
  Processing ).
• Les utilisateurs sont géographiquement dispersés
  ou distants des centres opérationnels ex
  MasterCard 22000 organismes financiers
• Pour des raisons de performance et de sécurité
  ces besoins ne peuvent pas être satisfaits par
  les bases de données dun système transactionnel
  (OLTP On Line Transactionnal Processing)
• Dans les BD du SI transactionnel, les modèles de
  données sont conçus pour faciliter les MAJ et
  préserver la cohérence des informations (SGBD
  relationnel)
• Elles stockent des historiques courts 60j, ,
  lt1an
• La gestion des transactions doit se faire en
  temps réel, elle ne doit pas être  ralentie ,
  voir bloquée par la satisfaction des besoins
  décisionnels

Il faut séparer le SI transactionnel du SI
décisionnel tout en assurant le transfert de
l information du Transactionnel gt Décisionnel
59
Système d'information la séparation
transactionnel / décisionnel
Objectifs
Système dAide à la Décision
Système de pilotage managérial
Pilotage opérationnel
Datawarehouse
transactionnel
périodique
Système d'Information
transactionnel
Système physique
60

Client/serveur principe darchitecture 3/3
Serveur d applications
Traitements
Application
BD
Middleware
BD
Résultats
Serveur de données
Middelware
Client
Tableur TT Navigateur Msg
BD
Procédure
Résultats
61
Les sources dinformation et domaines
dapplication

• Le Datawarehouse est alimenté à partir
• Des sytèmes transactionnels (ex ERP construits
  sur des bases de données avec des structures de
  données de type  snowflake , normalisées et
  optimisées pour favoriser la mise à jour, la
  cohérence et la sécurité des informations .
• Des systèmes de commerce électronique Intra
  Internet Based Systems (IIBS).
• Ces principaux domaines d application
• Marketing / vente gestion de la relation client
  (CRM)
• Achats gestion de la relation fournisseur (SRM)
• Contrôle de gestion (approche ABC/ABM)
• Yield management
• Le DW peut permettre une vue unifiée des
  clients, des produits, des fournisseurs et de
  l ensemble des coûts

62
DW le  mapping du business   et l alignement
Produit/Client

• Le DW cartographie exactement les impératifs
  commerciaux connaître le client, connaître le
  produit et savoir où et quand ils se rencontrent 
  afin de constituer le fait de base élémentaire
  mesurable.
• Le DW est une technologie de base pour la gestion
  des connaissances
• Il sera donc nécessaire de procéder à un
  inventaire des connaissances afin didentifier la
  nature des informations à recueillir et à
  stocker 
• 1 la connaissance des clients, éléments de style
  de vie, de leur habitude dachat, de leur
  comportement
• 2 connaître les produits, leurs attributs, leurs
  coûts d achats, de fabrication et de
  distribution
• 3 connaître linteraction entre le client et le
  produit
• 4 connaître les facteurs influençant la
  performance des produits et le comportement du
  consommateur
• 5 La représentation unifiée dans la même base de
  tous les produits et de tous les clients va
  permettre le  cross-selling 

63
Les concepts de base du modèle de données (1)

• Les dimensions  Elles caractérisent les
  inducteurs dactivité commerciale  clients,
  produits, services, fournisseurs, implantations
  géographiques, canaux de distribution, temps,
  actions commerciales (vendeurs, promotion,
  publicité, ), ...

Lou Agosta, The Essential Guide to Data
Warehousing, Prentice Hall, 2000
64
Les concepts de base du modèle de données ( 2)

• Les dimensions vont fournir les chemins uitlisés
  pour constituer des agrégats de données, le roll
  up ou le drill down, ils constituent des
  structures hiérarchiques
• les clients sont regroupés en hiérarchie
  géographique individu, commune, district,
  région, pays, lagrégation des informations
  caractérisant le comportement du consommateur se
  fera au niveau élevé de cette hiérarchie.
• Le produit sera dans une hiérarchie caractérisée
  par le code universel (UPC, EAN- gencod) item,
  produit, marque, catégorie,
• Le fait atomique dans un Datawarehouse
• Le client achète un produit à un moment donné
  dans un lieu donné lintersection de ces quatre
  dimensions définit une transaction la vente.
• Ceci constitue un fait qui sera mesurable par
  le prix, la quantité, le poids ...

65
DW Structure hièrarchique
Lou Agosta, The Essential Guide to Data
Warehousing, Prentice Hall, 2000
66
Lou Agosta, The Essential Guide to Data
Warehousing, Prentice Hall, 2000
67
Les concepts de base du modèle de données (3)

• Le cube de données
• Il est défini comme fournissant le niveau
  dagrégation des données adapté aux requêtes (ex
  SQL ou script) , cest lintersection des
  dimensions qui fournit la structure des faits
  pertinents pour le business. Le cube de base 
  clientproduittemps
• Les méta-données 
• Ce sont des données sur les données décrites dans
  une table dont chaque ligne pointe sur chaque
  colonne de chaque table du DW, en décrivant et
  expliquant tout ce quil est nécessaire de savoir
  sur cette colonne 
• sa signification sémantique
• son origine (base transactionnelle dorigine et
  programmes utilisés pour la transformer)
• son historique (forme initiale, formes
  successives, date des versions, niveaux
  successifs dagrégation, identifiants des
  supports utilisés pour larchivage
• ses créateurs (noms des intervenants aux
  différents niveaux)
• Les agrégats
• Ce sont des cubes qui accumulent les informations
  des transactions primaires, basés sur
  lintersection des dimensions de niveau non
  élémentaire, plus haut dans la hiérarchie 
  clients groupés en région, les produits en
  marque,.
• Le système GIGO  Data dirty
  ? data scrubbing ? knowledge

68
Lou Agosta, The Essential Guide to Data
Warehousing, Prentice Hall, 2000
69
Modèle de données en étoile
Lou Agosta, The Essential Guide to Data
Warehousing, Prentice Hall, 2000
70
Un technologie spécifique

• La puissance de traitement nécessaire exige des
  machines à architecture parallèle (NCR 3600,)
• Ces machines supportent des logiciels SGBD et des
  outils de Datamining capables d utiliser les
  architectures parallèles (Oracle 7,..)
• Les temps de réponse doivent être acceptables
  grâce aux techniques OLAP (On Line Analytical
  Processing) et à la préconstitution d agrégats
  d information
• contrat de service 90 des requêtes
  satisfaites en moins de 20 s
• le temps de réponse est fonction du niveau
  d agrégation ( niveau lt à la marque, la région
  et le mois, tmax15 mn)
• les agrégats de niveau plus élevé sont constitués
  en batch pendant la nuit

71
DW Technologies de support
Lou Agosta, The Essential Guide to Data
Warehousing, Prentice Hall, 2000
72
Laide à la décision  guidée par les données 
Ex Business Objects, outil de reporting et
danalyse.
73
Exemple doptimisation dune supply chain par
programmation linéaire

• Objectif programmer, sur un horizon de 8
  semaines, les flux entre 18 cartonneries et les 8
  papeteries qui les approvisionnent en maximisant
  la marge globale sur coûts de production des
  papeteries, coûts de transport et coûts
  dimmobilisation en stock.
• Soit les variables
• X(i,j,p,t) la quantité de papier p livrée de la
  papeterie i vers la cartonnerie j à la période t
• Fab(i,p,t) la quantité de papier p fabriquée à
  la papeterie i à la période t
• Stock (i,p,t) stock disponible à la période t
  de papier p à la papeterie i
• Capacité (i, t) capacité de production de la
  papeterie i pour la période t
• Besoin(j,p,t) besoin de la cartonnerie j en
  papier p pour la période t
• Système des contraintes
• Pour chaque période t
• Pour chaque cartonnerie j
• Pour chaque produit p
• ?i X(i,j,p,t) Besoin(j,p,t) La cartonnerie i
  peut sapprovisionner auprès de nimporte quelle
  papeterie, son besoin exprimé doit être
  satisfait
• Pour chaque papeterie i
• ?p Fab(i,p,t) Capacité (i, t) Les quantités
  fabriquées à la papeterie i sont à sa capacité
  de production
• Pour chaque produit p
• ?j X(i,j,p,t) Stock (i,p,t) Chaque papeterie ne
  peut pas expédier plus que son stock
• Stock (i,p,t) Stock (i,p,t-1) Fab(i,p,t) - ?j
  X(i,j,p,t) Variation du stock entre 2
  périodes successives

74
SIAD doptimisation dune supply chain par PL

• Nombre théorique de variables nb de papeteries
  nb de cartonneries nb de produits horizon
  de planification. (uniquement les quantités
  livrées de i gt j)
• n 8 18 40 8 46080 variables,
• Nombre de contraintes 9000 lt m lt 10 000
  contraintes
• Soit plus de 460 000 000 coefficients, densité
  lt 1/1000
• Doù
• Construction automatique du PL ( utilisation de
  langage de modélisation AMPL, Xpress, ..)
• Utilisation dun solveur implémentant des
  techniques spécialisées pour les PL de très
  grande taille à matrice très creuse ( sparse
  matrix ),
• Puissance de calcul pour un temps de réponse
  acceptable,
• Intégration dans le SI de lentreprise pour la
  Maj des informations, essentiellement le 2ième
  membre des contraintes et les coefficients de la
  fonction objectif,
• Solution retenue
• Utilisation dExcel pour limportation des
  informations des bases SAP
• Générateur développé en VBA, avec Excel comme
  interface utilisateur (paramètrage du générateur
  et résultats du solveur)
• Utilisation du solveur de Frontline Systems
  (Premium Solver Platform Large-Scale Linear
  Programming Solver 65000 65000, 2500)
• PC portable 512 Mo, 2,66 Ghz, ? temps de calcul
  1 h

75
SIAD doptimisation dune supply chain par PL
architecture de principe
Add-in Excel
Excel
Excel
Excel
Solveur
Résultats
Vba
Paramètres de structuration du PL
PL
Générateur du PL
40 feuilles
Excel
Vba
Maj du PL (FO RHS)
Capacité des papeteries Coûts de production Coûts
de transport Prix de vente
Excel
18 Cartonneries
Besoins cartonnerie i
Bases SAP
Besoins cartonneries consolidés
Bases SAP
Excel
Excel
Besoins cartonnerie n
Bases SAP
8 Papeteries