Click here to load reader

Seance 1 2 -BI

  • View
    336

  • Download
    1

Embed Size (px)

DESCRIPTION

Cours de BI

Text of Seance 1 2 -BI

  • 1. SYSTMES DCISIONNELS SAIR ABDELLAH
  • 2. INTRODUCTION Linformatique dcisionnelle (en anglais Business intelligence , parfois appel tout simplement le dcisionnel ) gre l'exploitation des donnes de l'entreprise dans le but de faciliter la prise de dcision par les dcideurs, c'est--dire la comprhension du fonctionnement actuel et l'anticipation des actions pour un pilotage clair de l'entreprise.
  • 3. INTRODUCTION Question : O se trouve la place du systme linformation dans une organisation ? Lapproche systmique permet de reprsenter une organisation ou entreprise (Systme) en Trois sous-systmes interdpendants :
  • 4. INTRODUCTION
  • 5. Brahim ER-RAHA
  • 6. LA NOTION DE SYSTME DINFORMATION Le systme d'information est la reprsentation de l'activit du systme oprant ,construite par et pour le systme de pilotage pour en faciliter le fonctionnement. Le systme d'information a deux grandes fonctions : recueillir, mmoriser et diffuser les informations assurer le traitement de ces informations joue un rle la fois stratgique, tactique et oprationnel contribue leur croissance et leur prennit constitue un outil de comptitivit est un catalyseur de l'innovation amliore leur efficacit et ractivit en favorisant la prise de dcision
  • 7. LE SYSTME DINFORMATIONS le systme de pilotage (celui qui rflchit, dcide, oriente) le systme oprant (celui qui produit, transforme, agit) le systme d'information (celui qui mmorise) Cest lactivit dcisionnelle de lentreprise Cest le systme de mmorisation entre loprant et dcision Cest la transformation des ressources , lactivit de production Brahim ER-RAHA
  • 8. Brahim ER-RAHA
  • 9. INTRODUCTION Le dcisionnel : Le systme d'information dcisionnel est un ensemble de donnes organises de faon spcifique, facilement accessible et appropries la prise de dcision ou encore une reprsentation intelligente de ces donnes au travers d'outils spcialiss. La finalit d'un systme dcisionnel est le pilotage de l'entreprise.
  • 10. INTRODUCTION Figure : Le dcisionnel
  • 11. INTRODUCTION Les systmes dcisionnels sont ddis au management de l'entreprise pour l'aider au pilotage de l'activit, et indirectement oprationnels car n'offrant que rarement le moyen d'appliquer les dcisions.
  • 12. INTRODUCTION Ils constituent une synthse d'informations oprationnelles, internes ou externes, choisies pour leur pertinence et leur transversalit fonctionnelles, et sont bass sur des structures particulires de stockage volumineux (datawarehouse, bases OLAP).
  • 13. INTRODUCTION Le principal intrt d'un systme dcisionnel est d'offrir au dcideur une vision transversale de l'entreprise intgrant toutes ses dimensions.
  • 14. INTRODUCTION Les outils dcisionnels sont bass sur l'exploitation d'un systme d'information dcisionnel aliment grce l'extraction de donnes diverses partir des donnes de production, d'informations concernant l'entreprise ou son entourage et de donnes conomiques.
  • 15. INTRODUCTION Un outil appel ETL (Extract, Transform and Load) est ainsi charg d'extraire les donnes dans diffrentes sources, de les nettoyer et de les charger dans un entrept de donnes appell Datawarehouse.
  • 16. SYSTMES DCISIONNELS
  • 17. Introduction et position du problme La prise de dcision est un problme central dans les entreprises. Les dcisions concernent diffrents types d'activits : on peut ainsi distinguer les dcisions commerciales, administratives, financires. Les dcisions les plus importantes sont : les dcisions de financement (par exemple, raliser une augmentation de capital), les dcisions d'exploitation (par exemple, tablir le programme de production de l'anne), les dcisions d'investissement (par exemple, construire une nouvelle usine). Mais le problme de prise de dcision est complexe Grand nombre de facteurs Structuration du problme (problmes mal dfinis), considrations subjectifs et conflits dintrt Incertitude
  • 18. NOTION DE DECISION Un agent (personne, logiciel, groupe...), qui effectue un choix parmi un ensemble d'actions possibles, prend une dcision. Plusieurs cas sont possibles
  • 19. NOTION DE DECISION Les consquences de la dcision peuvent tre dtermines sans ambigut : cadre de la recherche oprationnelle Les consquences de la dcision peuvent tre influences par des vnements non contrlables : cadre de la thorie de la dcision Les consquences de la dcision peuvent tre influences par la dcision d'autres agents (ex : aux checs) cadre de la thorie des jeux
  • 20. NOTION DE DECISION Hypothse L'agent qui prend une dcision est rationnel, i.e. il prend les dcisions qui procurent les meilleures consquences prvisibles.
  • 21. TYPES DE MODLES DE DCISION Dcision en environnement certain Il ny a aucun facteur externe non contrl. Le dcideur connat parfaitement ltat de la nature Dcision en environnement incertain Ltat de la nature nest pas connu. Il dpend de facteurs dont on ne dispose pas de probabilit pour estimer leur occurrence. Dcision avec risque Ltat de la nature nest pas connu. Il dpend de facteurs dont on connat la probabilit de leur occurrence
  • 22. TYPES DE MODLES DE DCISION Environnement non certain Environnement certain Probabilits connues Programmation linaire NON Optimisation Sous contraintes Mthodes des scnarios (Opt, Att, Pess) OUI Thorie des jeux Analyse multicritres Thorie de la dcision Simulations stochastiques
  • 23. FORMALISER UN PROBLME DE DCISION Pourquoi ? Comment ? Pour permettre de dterminer (calculer) les meilleurs choix Pour expliquer et justifier les raisons des choix En reprsentant l'ensemble des lments qui constituent le problme de dcision : L'ensemble A des actions (dcisions) possibles. L'ensemble E des vnements non contrls qui peuvent survenir. L'ensemble C des consquences possibles des dcisions Les relations entre les lments de A, E et C. Une reprsentation simple : les arbres de dcisions
  • 24. Schmas dun problme de dcision Ensemble C des Consquences Rsultats Ensemble E des tats de la Nature vnements non contrls Ensemble A des Alternatives (Actions) Problme de dcision Tables de dcision : relation locale entre A, E et C Arbre de dcision : relation globale entre A, E et C
  • 25. DCISION EN ENVIRONNEMENT INCERTAIN ARBRES DE DCISION Reprsentation arborescente Noeud dcision contient l'ensemble des actions possibles A reprsentes de la manire suivante 1 A 2 A 3 A Noeud vnement contient l'ensemble des situations possibles e1 correspondant l'occurrence d'un vnement E e2 e3 Les feuilles de l'arbre contiennent les consquences des dcisions en fonction des vnements
  • 26. DCISION EN ENVIRONNEMENT INCERTAIN ARBRES DE DCISION Exemple simple Une entreprise vient de dvelopper une nouvelle ligne de produits et on doit choisir la manire de conduire la stratgie marketing. Trois stratgies principales sont possibles : A : stratgie agressive B : stratgie classique C : stratgie prudente L'efficacit de la stratgie choisie dpendra d'un facteur externe non contrl qui est la dynamique du march. Deux tats du march sont envisags : S : le march est porteur W : le march est peu porteur Les consquences des dcisions en fonction des vnements sont donnes par le tableau suivant
  • 27. ARBRE DE DCISION Etat du march A 30 -8 S W Choix de stratgie B 20 7 C 5 15 L'arbre de dcision pour le problme prcdent s'crit : March S W 30 March S W 20 March S W 5 A Stratgie B C -8 7 15 Comment slectionner la meilleure dcision ? Il faut dfinir un critre d'valuation de chaque dcision
  • 28. Decision dans lincertain CRITRES BASS SUR LES EXTRMES On calcule deux valeurs Critre de Wald ou MaxiMin Critre de MaxiMax On choisit la dcision qui maximise le gain minimal (ici m(d)) Stratgie de prudence extrme On choisit la dcision qui maximise le gain maximal (ici M(d)) Stratgie de risque extrme Critre de Hurwitcz H(d)=.m(d) +(1-).M(d) o est comprise entre 0 et 1
  • 29. Decision dans lincertain EXEMPLE: Etats de la Nature March Alternatives March Maximum Minimum Hurwitcz Favorable Dfavorable En colonne En colonne =0.5 200,000 -180,000 200,000 -180,000 10,000 Construire Grand projet Construire 100,000 Petit projet Rien 0 -20,000 100,000 -20,000 40,000 0 0 0 0 Maximax Maximin Hurwitcz
  • 30. Decision dans lincertain Critre bas sur les regrets Ide : on va anticiper les regrets (manque gagner) que l'agent pourrait avoir en ayant pris une dcision, aprs observation des vnements Regret d'une dcision par rapport un vnement Gain A B C 1 2 3 (proba ) (proba ) (proba ) 10 20 30 4 25 30 5 15 50 R1(B)=max{c1(A),c1(B),c1(C))- c1(B)} R1(B)=10-4=6 Re gre ts A B C 1 0 6 5 2 10 5 10 3 20 20 0
  • 31. CRITRE BAS SUR LES REGRETS Critre de Savage S(d)=Max i=0,1....n { ri (d)} Minimiser Regrets A B C 1 0 6 5 2 10 5 10 3 20 20 0 A B C S(d) 20 20 10 C>A=B
  • 32. EXEMPLE DAPPLICATION
  • 33. LES CRITRES DE DCISION EN UNIVERS NON MESURABLE : DECISION DANS LINCERTAIN
  • 34. 1- LE CRITRE DE LAPLACE Fonction de valorisation : valuer la moyenne des rsultats de chaque action. Va j 1 ei en Ra j ,ei n ei e1 Critre de choix : Choisir laction dont la moyenne est la plus leve. a* arg max(Vaj)
  • 35. EXEMPLE DAPPLICATION Actionstats e4 20 25 40 100 5 30 50 125 a3 Va3 e3 a2 Va2 e2 a1 Va1 e1 40 50 75 0 1 20 25 40 100 46,25 4 1 5 30 50 125 52,5 4 1 40 50 75 0 41,25 4 arg max Va j a* a2 a2 a1 a3
  • 36. CRITIQUE DU CRITRE DE LAPLACE : Critre Car de la raison insuffisante. tout se passe comme si on cherchait maximiser une esprance mathmatique de gain comme si on tait dans un univers risqu et quiprobable.
  • 37. 2- LE CRITRE DU MAXIMAX Fonction de valorisation : Dterminer le rsultat maximum que peut rapporter chaque action. Va j Critre de choix : sup Ra ,e j i e i Choisir laction dont la fonction de valorisation est la plus leve a* arg max Va j
  • 38. EXEMPLE DAPPLICATION Actionstats e1 e2 e3 e4 a1 20 25 40 100 a2 5 30 50 125 a3 40 50 75 0 Va1 sup 20; 25; 40; 100 100 Va2 sup 5; 30; 50; 125 125 Va3 sup 40; 50; 75; 0 75 arg max Va j a* a2
  • 39. CRITIQUE DU CRITRE DU MAXIMAX Critre trop optimiste En effet, en utilisant le critre du MaxiMax, lagent se comporte comme un optimiste qui ne voit que la possibilit de gagner le plus possible en omettant les possibilits de gain infrieur.
  • 40. 3- LE CRITRE DE WALD OU MAXIMIN Fonction de valorisation : Dterminer le rsultat minimum que peut rapporter chaque action. Va j inf R j ,i ei Critre de choix : Choisir laction dont la fonction de valorisation est la plus leve. a* arg max Va j
  • 41. EXEMPLE DAPPLICATION Actionstats e1 e2 e3 e4 a1 20 25 40 100 a2 5 30 50 125 a3 40 50 75 0 Va1 inf 20; 25; 40; 100 Va2 inf 5; 30; 50; 125 Va3 inf 40; 50; 75; 0 20 5 0 arg max Va j a* a1
  • 42. CRITIQUE DU CRITRE DE WALD Critre trop pessimiste En effet, en utilisant le critre de WALD, lagent se comporte comme un pessimiste qui se dit : je nai pas de chance donc je vais choisir laction qui a le plus grand rsultat minimum : je suis certain davoir au moins ce minimum .
  • 43. 4- LE CRITRE DHURWICZ Fonction de valorisation : Dterminer une fonction prenant en compte le pire des rsultats avec la probabilit et le meilleur rsultat avec la probabilit (1- . Va j . inf Ra j ,ei ei (1 ) sup Ra j ,ei ei Critre de choix : Choisir laction dont la fonction de valorisation est la plus leve. a* arg max Va j
  • 44. EXEMPLE DAPPLICATION Actionstats e1 e2 e3 e4 a1 20 25 40 100 a2 5 30 50 125 a3 40 50 75 0 Va1 .20 (1 )100 100 80. Va2 .5 (1 ).125 125 120. Va3 .0 (1 ).75 75 75.
  • 45. Laction a1 est prfre si : 100 80. 100 80. 125 120. 75 75. 5 8 5 Optimisme Pessimisme Laction a2 est prfre si : 125 120. 125 120. 100 80. 75 75. 5 0 5 8 10 9 a*=a2 Laction a3 est prfre si : 75 75 75. 75 100 80. 125 120 . 5 10 9 0;1 8 1 a*=a1
  • 46. REMARQUES SUR LE CRITRE DHURWICZ : Gnralisation du choix dun agent qui ne serait ni compltement optimiste, ni compltement pessimiste. Si =0, lagent est rsolument optimiste Si =1, lagent est rsolument pessimiste Lagent doit connatre son degr doptimisme !
  • 47. 5- LE CRITRE DE SAVAGE Fonction de valorisation : On dtermine une fonction de regret qui mesure le manque gagner en nayant pas choisi la bonne action pour chaque tat de la nature. ei n Va j sup Ra j ,ei ei 1 aj Ra j ,ei Critre de choix : Choisir laction dont la fonction de regret est la plus faible. a* arg min Va j
  • 48. EXEMPLE DAPPLICATION Actionstats e1 e2 e3 e4 a1 20 25 40 100 a2 5 30 50 125 a3 40 50 75 0 Va1 40 20 Va2 40 5 Va3 40 40 50 25 50 30 50 50 75 40 75 50 75 75 125 100 105 125 125 80 125 0 125
  • 49. 6- LE CRITRE MOYENNE-VARIABILITE Fonction de valorisation : La fonction de valorisation est caractrise par un couple compos par la moyenne de laction et sa variabilit.. 1 ei n ei moy a j aj n Ra j ,ei 1 sup Ra j ,ei ei inf Ra j ,ei ei
  • 50. CRITRE DE CHOIX N 1 : moy(ak ) moy(al ) et (ak ) ak al si ou bien moy(ak ) moy(al ) et (ak ) (al ) (al ) Cette rgle de comparaison est assez restrictive : Elle ne prend pas en considration le fait quune forte variabilit compense par une forte moyenne puisse tre intressante. Donc ce critre ne fonctionne pas toujours : il faut le complter
  • 51. EXEMPLE DAPPLICATION Actionstats e1 e2 e3 e4 a1 20 25 40 100 a2 5 30 50 125 a3 40 50 75 0 1 moy a1 20 25 40 100 4 a1 100 20 80 1 moy a2 5 30 50 125 4 a2 125 5 120 moy a3 a3 1 40 50 75 0 4 75 0 75 46,25 52,5 41,25 Pas de dcision possible !
  • 52. CRITRE DE CHOIX N 2 : ak al si moy ak ak moy al al Cette rgle consiste mesurer le pourcentage de moyenne par unit de variabilit. La meilleur stratgie sera celle qui aura la plus grande moyenne par unit de variabilit
  • 53. Application du critre n2 : moy a1 a1 46,25 80 moy a1 a1 0,5781 moy a2 52,5 a2 120 moy a2 a2 0,4375 moy a3 a3 moy a3 a3 0,55 41,25 75 a1 a3 a2
  • 54. CRITRE DE CHOIX N 3 : ak al si moy a k ak moy al al Cette rgle apporte une notion de dplacement mesur par le Taux Marginal de Substitution entre la moyenne et la variabilit. On peut donc changer de stratgie condition que le taux dchange soit assez lev. Il faut toujours tester deux actions de telle faon que le numrateur et le dnominateur soient positifs
  • 55. Application du critre n3 : Comparaison de a1 et de a2 a2 a1 si moy a2 a2 moy a1 a1 52,5 46,25 0,15625 120 80 Comparaison de a2 et de a3 a2 a3 si moy a2 a2 moy a3 a3 52,5 41,25 0,25 120 75 Comparaison de a1 et de a3 a1 a3 si moy a1 a1 moy a3 a3 46,25 41,25 1 80 75
  • 56. a1 a2 a3 1 0,15625 0,25 1 0,15625 0,25 a2 a1 a1 a3