Élaboration d’une solution décisionnelle pour l’ATB

Ce projet s’inscrit dans le domaine de l’informatique décisionnelle appliquée au secteur bancaire. Il traite de la conception et de la mise en œuvre d’une solution décisionnelle pour l’Arab Tunisian Bank (ATB). Cette étude intéressera particulièrement les étudiants et professionnels souhaitant comprendre comment structurer et exploiter efficacement de grandes quantités de données bancaires pour améliorer la prise de décision.

La question

Le travail aborde le problème de la gestion et de l’analyse des données volumineuses et dispersées au sein de la banque ATB. La banque possède de nombreuses sources de données liées aux engagements, produits, garanties et à la classification des actifs, mais ces données sont hétérogènes, non structurées et difficiles à exploiter. Les décideurs se retrouvent noyés dans cette masse d’informations, ce qui complique la prise de décisions stratégiques. Il était donc nécessaire de développer une solution décisionnelle capable de centraliser, structurer et restituer ces données de manière claire et synthétique, facilitant ainsi leur analyse et leur exploitation.

Concepts de base

Pour comprendre ce projet, il est essentiel de saisir plusieurs notions clés :

• Informatique décisionnelle (Business Intelligence) : ensemble des méthodes et outils permettant de collecter, stocker, analyser et présenter des données pour aider à la prise de décision.
• Engagements, produits et garanties bancaires : les engagements correspondent aux crédits accordés aux clients, les produits aux services bancaires fournis, et les garanties sont des sûretés exigées pour sécuriser les remboursements.
• Sources de données hétérogènes : données provenant de plusieurs applications et bases de données différentes, souvent non compatibles entre elles.
• Data Warehouse (entrepôt de données) : base de données centralisée conçue pour stocker des données intégrées, nettoyées et organisées selon des dimensions, facilitant l’analyse.
• Modèle en flocon de neige : schéma de base de données décisionnelle où les tables de dimensions sont normalisées, ce qui réduit la redondance des données.
• Méthodologie Agile SCRUM : méthode de gestion de projet itérative et incrémentale, basée sur des cycles courts appelés sprints, favorisant la collaboration avec le client et l’adaptabilité.
• Langages et outils techniques : utilisation de SQL Server, Visual Studio, SQL Server Data Tools, SSIS (Integration Services), SSRS (Reporting Services), MDX (MultiDimensional eXpressions) pour la manipulation, l’intégration et la restitution des données.
• Processus ETL (Extraction, Transformation, Chargement) : étapes fondamentales pour extraire les données des sources, les transformer (nettoyage, tri, suppression des redondances, enrichissement), puis les charger dans le Data Warehouse.
• Drill through : fonctionnalité permettant de naviguer d’un rapport synthétique vers un rapport détaillé en un clic, facilitant l’exploration des données.

Approche

Le projet a été réalisé en adoptant la méthodologie Agile SCRUM, qui s’est avérée cohérente avec le cycle de vie d’un Data Warehouse selon Ralph Kimball. Cette méthode repose sur des itérations courtes appelées sprints, chacune couvrant l’analyse des besoins, la conception, la réalisation et les tests. Cette approche itérative permet d’impliquer étroitement le client et de garantir que la solution apporte une réelle valeur métier.

Pour la conception du système décisionnel, l’approche Top down de Bill Inmon a été choisie. Elle commence par l’extraction des données depuis les sources multiples, suivie de leur transformation puis de leur chargement dans l’entrepôt de données. Enfin, les données sont restituées sous une forme synthétisée et normalisée, facilitant leur exploitation par les décideurs.

Le modèle de données retenu est celui en flocon de neige, adapté à la complexité des données bancaires. Le Data Warehouse comprend une table de faits nommée Fact_suivi, contenant des mesures clés, et sept tables de dimensions qui permettent d’analyser les données selon différents axes.

Les outils choisis sont Visual Studio et SQL Server, qui offrent un environnement complet pour le développement web dynamique (HTML, CSS, JavaScript, C#) et la gestion des données (SQL, MDX). SQL Server Data Tools a été utilisé pour l’intégration des données, tandis que SQL Server Reporting Services a permis de créer des rapports et tableaux de bord dynamiques et interactifs.

Résultats

La première phase du projet (Sprint 1) a permis de mettre en place le Data Warehouse en appliquant les transformations nécessaires aux données sources : tri, élimination des redondances, jointures, et création de colonnes dérivées via MDX. Le chargement dans l’entrepôt a été assuré par un mapping précis.

La phase de restitution a abouti à la création de rapports dynamiques et de tableaux de bord interactifs. Par exemple, un rapport sur les engagements permet de comparer les variations d’une année à l’autre. Grâce à la fonction « Drill through », il est possible d’accéder aux détails des engagements, avec une répartition précise par agence ou type de crédit.

Un tableau de bord interactif permet également de suivre la répartition des crédits et le total des engagements par agence, avec la possibilité d’explorer l’évolution des découverts mensuels sur l’année 2017.

Les sprints suivants ont poursuivi le développement et l’enrichissement de la solution, bien que les détails spécifiques de ces phases ne soient pas entièrement exposés dans le document.

Limites et questions ouvertes

Le document ne détaille pas explicitement les limites rencontrées ni les questions ouvertes. Cependant, on peut noter que la solution développée repose sur un modèle en flocon de neige et une méthodologie itérative, ce qui implique que des ajustements et améliorations peuvent être nécessaires au fil du temps. De plus, la gestion des données distribuées et hétérogènes reste un défi, notamment en termes d’accès à distance et de performance.

Enfin, bien que la solution ait été mise en œuvre avec succès pour certains modules, l’intégration complète et la couverture exhaustive de toutes les sources de données de la banque ne sont pas explicitement confirmées.

Glossaire

• Engagements : Crédits et obligations financières contractées par les clients envers la banque.
• Produits bancaires : Services et commissions proposés par la banque.
• Garanties : Sûretés exigées pour sécuriser le remboursement des crédits.
• Data Warehouse : Entrepôt centralisé de données structuré pour l’analyse décisionnelle.
• Modèle en flocon de neige : Schéma de base de données normalisé avec plusieurs tables de dimensions.
• Méthodologie Agile SCRUM : Méthode de gestion de projet basée sur des cycles courts et itératifs.
• ETL (Extraction, Transformation, Chargement) : Processus de préparation et intégration des données dans le Data Warehouse.
• MDX (MultiDimensional eXpressions) : Langage utilisé pour manipuler et interroger des données multidimensionnelles.
• Drill through : Fonctionnalité permettant d’accéder aux détails d’un rapport synthétique.
• SQL Server Data Tools (SSDT) : Ensemble d’outils pour le développement et la gestion des bases de données SQL Server.
• SSIS (SQL Server Integration Services) : Outil pour l’intégration et la transformation des données.
• SSRS (SQL Server Reporting Services) : Outil pour la création de rapports et tableaux de bord dynamiques.