Conception et mise en place d’un tableau de bord de maintenance pour la société CLC-Délice

Ce mémoire s'inscrit dans le domaine des systèmes d’information décisionnels, plus précisément dans la conception et la mise en place d’un tableau de bord de maintenance pour une entreprise industrielle. Il s’adresse aux étudiants et professionnels souhaitant comprendre comment organiser et exploiter les données d’une entreprise pour améliorer la prise de décision, notamment dans le cadre de la maintenance industrielle.

La question

Le travail aborde le problème de la gestion et de l’analyse des données de maintenance dans une entreprise, ici la société CLC-Délice. Les données issues des systèmes d’information opérationnels sont souvent nombreuses, dispersées et non organisées, ce qui complique leur exploitation pour le pilotage stratégique. Le projet vise donc à concevoir un tableau de bord décisionnel qui permette de collecter, organiser et présenter les indicateurs clés de performance liés à la maintenance, afin d’aider les décideurs à mieux comprendre et piloter leurs activités.

Concepts de base

Pour comprendre ce projet, il est essentiel de maîtriser quelques notions fondamentales de la Business Intelligence (BI) et des systèmes d’information décisionnels.

Business Intelligence (BI)

La BI regroupe un ensemble de solutions informatiques destinées à transformer les données brutes en informations exploitables pour la prise de décision. Elle s’appuie sur des outils et méthodes permettant d’analyser les données de l’entreprise de façon synthétique et prospective, notamment à travers des rapports et tableaux de bord.

Historiquement, la BI a évolué depuis les années 70, passant par les infocentres dans les années 80, jusqu’aux entrepôts de données (Data Warehouse) dans les années 90. Ces évolutions ont permis d’intégrer et d’organiser les données issues de systèmes hétérogènes pour les rendre accessibles aux décideurs.

Systèmes transactionnels vs systèmes décisionnels

Il est important de distinguer deux types de systèmes d’information :

• Systèmes transactionnels (OLTP) : ils gèrent les opérations courantes de l’entreprise (ajouts, mises à jour, suppressions) et stockent les données détaillées en temps réel. Ils ne conservent pas d’historique et sont optimisés pour la rapidité des transactions.
• Systèmes décisionnels (OLAP) : ils sont conçus pour l’analyse et le pilotage. Ils offrent une vision historique, agrégée et thématique des données, permettant des requêtes complexes et une aide à la décision stratégique.

Le tableau suivant résume ces différences :

Différences	Systèmes transactionnels	Systèmes décisionnels
Orientation	Applications	Thème et sujet
Situation	Instantanée	Historique
Données	Détaillées, codées, non redondantes	Information agrégée, cohérente, souvent redondante
Usage	Activité quotidienne	Analyse et prise de décision
Utilisateurs	Opérationnels	Décideurs
Requêtes	Simples	Complexes
Temps de réponse	Immédiat	Moins critique
Volume	Faible par transaction	Large volume manipulé
Conception	Mise à jour	Extraction

Data Warehouse et Data Marts

Le Data Warehouse est une base de données spécialisée, orientée sujet, intégrée, non volatile et évolutive dans le temps, conçue pour supporter les processus d’aide à la décision. Il intègre des données provenant de sources multiples, les historise et les organise pour faciliter l’analyse.

Un Data Mart est un sous-ensemble ciblé du Data Warehouse, destiné à un domaine métier spécifique. Il contient des données agrégées et organisées pour répondre à des besoins précis, facilitant ainsi les requêtes et analyses dans ce domaine.

La chaîne décisionnelle

La mise en place d’une solution BI suit une chaîne de traitement en trois étapes :

• Alimentation : collecte, extraction, transformation et chargement (ETL) des données depuis les systèmes sources vers le Data Warehouse. L’ETL est un processus clé qui garantit la qualité et la cohérence des données.
• Stockage : les données nettoyées et consolidées sont stockées dans le Data Warehouse, puis organisées en Data Marts selon les besoins analytiques.
• Exploitation : accès aux données par les utilisateurs finaux via des outils de reporting, tableaux de bord, analyse OLAP et data mining, facilitant la prise de décision.

Modélisation multidimensionnelle

Pour organiser les données dans un Data Warehouse, on utilise la modélisation multidimensionnelle, qui facilite l’analyse rapide et intuitive. Cette modélisation repose sur :

• Table de faits : table centrale contenant les mesures quantitatives (indicateurs de performance) à analyser.
• Tables de dimensions : tables associées qui décrivent les axes d’analyse (temps, équipement, centre de coût, etc.) et permettent de détailler les faits.

Plusieurs modèles existent pour structurer ces tables :

• Modèle en étoile : une table de faits centrale reliée directement à plusieurs tables de dimensions.
• Modèle en flocon : variante du modèle en étoile où certaines dimensions sont normalisées en sous-dimensions.
• Modèle en constellation : plusieurs tables de faits partagent des dimensions communes.

Approche

Le projet a suivi une démarche méthodique en plusieurs étapes :

• Analyse de l’existant : étude des systèmes d’information et des processus actuels de la société CLC-Délice, identification des limites et des besoins non satisfaits.
• Spécification des besoins : définition des besoins fonctionnels (indicateurs à suivre, types d’analyses) et non fonctionnels (performance, accessibilité).
• Modélisation conceptuelle : choix du modèle multidimensionnel adapté, définition des tables de faits et dimensions, sélection des indicateurs clés de performance (KPI).
• Réalisation technique : mise en place de l’environnement matériel et logiciel, développement des scripts ETL pour alimenter les tables, création des tableaux de bord interactifs.
• Évaluation : validation de la solution auprès des utilisateurs finaux, mesure de la satisfaction et ajustements éventuels.

Cette approche vise à aligner la solution BI avec la stratégie de l’entreprise, en facilitant l’accès aux données pertinentes et en permettant une navigation fluide dans l’information selon les besoins des utilisateurs.

Résultats

Le mémoire présente la conception et la mise en œuvre d’un tableau de bord décisionnel dédié à la maintenance pour la société CLC-Délice. La solution développée permet :

• La collecte et l’intégration des données de maintenance issues des systèmes opérationnels via un processus ETL rigoureux.
• Le stockage organisé des données dans un Data Warehouse structuré selon un modèle en étoile, avec une table de faits et plusieurs dimensions (équipement, centre de coût, type de maintenance, etc.).
• La création de tableaux de bord interactifs offrant des indicateurs clés tels que le coût de maintenance par centre, le nombre d’ordres de travail par type de maintenance, la consommation de pièces de rechange, et le temps moyen de réparation (MTTR) par technicien.
• Une meilleure visibilité pour les décideurs sur les performances de la maintenance, facilitant le pilotage et la prise de décision stratégique.
• Une évaluation positive de la solution par les utilisateurs, témoignant de sa pertinence et de son utilité dans le contexte industriel.

Limites et questions ouvertes

Le mémoire ne détaille pas certaines limites techniques ou organisationnelles spécifiques rencontrées, mais comme tout projet BI, des défis peuvent subsister :

• La qualité et la disponibilité des données sources restent un enjeu crucial pour la fiabilité du tableau de bord.
• La nécessité d’adapter et de faire évoluer les indicateurs en fonction des changements stratégiques ou opérationnels de l’entreprise.
• L’intégration possible d’analyses plus avancées, telles que le data mining, pour anticiper les pannes ou optimiser la maintenance, n’est pas abordée.
• La gestion des droits d’accès et la formation des utilisateurs pour garantir une exploitation optimale des outils décisionnels.

Glossaire

• Business Intelligence (BI) : ensemble de méthodes et outils informatiques pour transformer les données en informations utiles à la décision.
• Data Warehouse (DW) : entrepôt de données intégrées, historisées et organisées pour l’analyse.
• Data Mart : sous-ensemble du Data Warehouse dédié à un domaine métier spécifique.
• ETL (Extract, Transform, Load) : processus d’extraction, transformation et chargement des données dans le Data Warehouse.
• OLTP (On Line Transaction Processing) : systèmes transactionnels gérant les opérations courantes de l’entreprise.
• OLAP (On Line Analytical Processing) : systèmes décisionnels permettant l’analyse multidimensionnelle des données.
• Table de faits : table centrale contenant les mesures quantitatives dans un modèle multidimensionnel.
• Table de dimension : tables associées à la table de faits, représentant les axes d’analyse.
• Tableau de bord : interface graphique regroupant des indicateurs clés pour le suivi et la prise de décision.
• KPI (Key Performance Indicator) : indicateur clé de performance utilisé pour mesurer l’efficacité d’une activité.
• MTTR (Mean Time To Repair) : temps moyen de réparation, indicateur de performance en maintenance.