i

Remerciements

C’est avec un grand plaisir que je réserve cette page en signe de gratitude et de profonde
connaissance à tous ceux qui m’ont aidée à la réalisation de ce travail

Je remercie,monsieur KHEMIRI NABIL, mon encadrant à FSJEG Jendouba pour

sa disponibilité, ses directives et ses conseils si enrichissants.

Mes remerciements vont également à monsieur MASTOURI AYMEN, mon

encadrant à la Direction de la Société Délice, pour les conseils et les orientations qui
ma aidée à dépasser certaines contraintes.

Pour finir, je souhaite remercier toute personne ayant contribué de prés ou de loin à la
réalisation de ce travail.
Table des matières

Introduction générale 1

1 Contexte général 3
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1 Présentation de société délice CLN et Les missions . . . . . . . . . . . . . 4
1.2 Problématique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Solution proposée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4 Méthodologie de travail . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4.1 Méthodologie de Ralph Kimball . . . . . . . . . . . . . . . . . . . . 6
1.4.2 Méthodologie de Gimsi . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4.3 Choix de la méthodologie . . . . . . . . . . . . . . . . . . . . . . . 11
1.5 Explication du projet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2 Planification et spécification des besoins 13

Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.1 Planification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2 Spécification fonctionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2.1 Besoins fonctionnels . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2.2 Besoins non fonctionnels . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3 Architecture globale du projet . . . . . . . . . . . . . . . . . . . . . . . . 16
2.4 Environnement de développement . . . . . . . . . . . . . . . . . . . . . . 17
2.4.1 Environnement matériel . . . . . . . . . . . . . . . . . . . . . . . . 17

ii
TABLE DES MATIÈRES iii

2.4.2 Environnement logiciel . . . . . . . . . . . . . . . . . . . . . . . . . 18

[Link] Overleaf . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
[Link] Excel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
[Link] SQL SERVER . . . . . . . . . . . . . . . . . . . . . . . . 19
[Link] SQL SERVER management studio(SSMS) . . . . . . . . 20
[Link] Microsoft Visual studio 2019 . . . . . . . . . . . . . . . . 21
[Link] Microsoft SQL Server Integration Service(SSIS) . . . . . . 21
[Link] Microsoft SQL Server Analysis Service(SSAS) . . . . . . . 21
[Link] Power BI . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

3 Conception de l’entrepôt de données 24

Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.1 Conception du modèle dimensionnel . . . . . . . . . . . . . . . . . . . . . 25
3.1.1 Modèle en étoile . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.1.2 Modèle en flocon de neige . . . . . . . . . . . . . . . . . . . . . . . 25
3.1.3 Modèle en constellation . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.1.4 Choix du modèle dimensionnel . . . . . . . . . . . . . . . . . . . . 26
3.1.5 Jointures entre les tableau . . . . . . . . . . . . . . . . . . . . . . . 27
3.2 Identification des faits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2.1 Table de fait Vente . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.3 Identification des dimensions . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.3.1 Les axes d’analyse du fait VENTE . . . . . . . . . . . . . . . . . . 30
3.3.2 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

4 Intégration des données 32

Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.1 Préparation des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.1.1 Préparation des connexions . . . . . . . . . . . . . . . . . . . . . . 33
4.1.2 Alimentation de la base de données temporaire SA . . . . . . . . . 35
TABLE DES MATIÈRES iv

4.1.3 Développement de la phase Extraction, Transformation et Charge-

ment (ETL) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.2 Alimentation des tables de faits . . . . . . . . . . . . . . . . . . . . . . . . 39
4.2.1 Alimentation de la table de fait bdvente . . . . . . . . . . . . . . 39
4.2.2 Préparation le cube OLAP . . . . . . . . . . . . . . . . . . . . . . 40
4.2.3 Préparation la base de donnée DataWarehouse . . . . . . . . . . . 41
4.2.4 Préparation une vue de source de donnée . . . . . . . . . . . . . . 48
4.2.5 Création le cube OLAP . . . . . . . . . . . . . . . . . . . . . . . . 49
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

5 Restitution des données 52

Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.1 Développement de l’application utilisateur . . . . . . . . . . . . . . . . . . 53
5.1.1 Interface d’accueil . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.1.2 Suivi Gestion de vente . . . . . . . . . . . . . . . . . . . . . . . . . 54
5.1.3 SuiviProduit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.1.4 Suivi chiffre d’affaire par région . . . . . . . . . . . . . . . . . . . . 55
5.1.5 Suivi Vue globale . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.1.6 Mesures utilisées . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.1.7 Power BI mobile . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.1.8 Le business intelligence mobile : . . . . . . . . . . . . . . . . . . . . 58
5.1.9 Les avantages de Business intelligence mobile . . . . . . . . . . . . 58
5.1.10 Visualisation notre rapport sur business intelligence mobile . . . . . 59
5.1.11 Power BI Web . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
5.1.12 Les avantages de Business intelligence Web . . . . . . . . . . . . . . 61
5.1.13 Visualisation notre rapport sur business intelligence Web . . . . . . 62
5.1.14 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65

Conclusion et Perspectives 66

Webographie 68
Liste des tableaux

1.1 Cycle de vie de la méthodologie Ralph Kimball . . . . . . . . . . . . . . . 9

1.2 Cycle de vie de la méthodologie Gimsi . . . . . . . . . . . . . . . . . . . . 11

3.1 Présentation des colonnes du fait vente . . . . . . . . . . . . . . . . . . . . 30

3.2 Présentation des colonnes du fait vente . . . . . . . . . . . . . . . . . . . . 31

v
Table des figures

1.1 CLN [1] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.2 Cycle de vie dimensionnel Ralph Kimball[3] . . . . . . . . . . . . . . . . . 7

2.1 Diagramme de GANTT . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

2.2 Architecture globale du projet . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.3 Spécification de la machine . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.4 Overleaf[8] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.5 Excel [9] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.6 SQL SERVER [10] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.7 Logo SSMS [11] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.8 Microsoft Visual studio 2019[15] . . . . . . . . . . . . . . . . . . . . . . . . 21
2.9 Logo SSIS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.10 Logo SSAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.11 Logo Power BI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

3.1 Modèle en étoile [19] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

3.2 Modèle en flocon de neige [20] . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.3 Modèle en constellation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.4 jointures entre les tableau . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.5 Schéma du fait Vente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

4.1 Métadonnées connexion à la base de données DAta wrhouse . . . . . . . . 34

4.3 Métadonnées connexion à la base de données SQL SERVER . . . . . . . . 34
4.2 Métadonnées test de la connexionc . . . . . . . . . . . . . . . . . . . . . . 35

vi
TABLE DES FIGURES vii

4.4 Échantillon de l’alimentation de la SA . . . . . . . . . . . . . . . . . . . . 36

4.5 Transformation de la dimension commande . . . . . . . . . . . . . . . . . . 37
4.6 Transformation de la dimension Produit . . . . . . . . . . . . . . . . . . . 37
4.7 Transformation de la dimension Magasin . . . . . . . . . . . . . . . . . . . 38
4.8 Transformation de la dimension Région . . . . . . . . . . . . . . . . . . . 38
4.9 Alimentation de la table de fait vente . . . . . . . . . . . . . . . . . . . . 39
4.10 Création d’un projet SSAS on choisi le modéle Analysis Service multidi-
mensional and data mining project . . . . . . . . . . . . . . . . . . . . . . 40
4.11 Création la projet SSAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.12 La source de donnée DataWarehouse . . . . . . . . . . . . . . . . . . . . . 42
4.13 Métadonnées connexion à la base de données DataWarehouse . . . . . . . . 43
4.14 Métadonnées de creation et connexion pour la préparation la DataWare-
house . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.15 Métadonnées de test de la connexion . . . . . . . . . . . . . . . . . . . . . 45
4.16 Métadonnées connexion à la base de données Data warhouse . . . . . . . . 46
4.17 Métadonnées de la selection des tables et des vues . . . . . . . . . . . . . 47
4.18 Métadonnées fin de l’Assistant . . . . . . . . . . . . . . . . . . . . . . . . 47
4.19 Les étapes de préparation la vue de source de donnée . . . . . . . . . . . . 48
4.20 – Le diagramme datawarehouse de la vue du source de donnée . . . . . . . 49
4.21 Exemple de remplir les diemensions et le fait pour le cube . . . . . . . . . 50
4.22 Le cube SSAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

5.1 Page d’accueil . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

5.2 Suivi Gestion de vente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
5.3 Suivi Produit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.4 Suivi chiffre d’affaire par région . . . . . . . . . . . . . . . . . . . . . . . . 56
5.5 Suivi Vue globale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.6 Mesures utilisées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.7 Power Bi mobile . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
5.8 login . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
5.9 Page connexion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
5.10 Exemple du visuel sur appareil mobile . . . . . . . . . . . . . . . . . . . . 60
5.11 Power Bi Web . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5.12 Visualisation notreapport sur business intelligence web . . . . . . . . . . . 63
5.13 mot de passe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
5.14 Gestion de vente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
5.15 vue globale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64

viii
Introduction générale

Dans le monde des affaires d’aujourd’hui, la prise de décisions éclairées est essentielle
pour maintenir un avantage concurrentiel. La Business Intelligence (BI) joue un rôle
crucial dans ce processus, en fournissant des informations précieuses et exploitables pour
orienter les décisions stratégiques.
Actuellement, L’objectif principal de ce projet est de mettre en place une solution (BI)
complète qui permettra à l’entreprise de prendre des décisions stratégiques éclairées en
matière de ventes. Cela implique la collecte, le nettoyage, la modélisation et la
visualisation des données de vente, en utilisant des outils et des technologies spécialisés
tels que les entrepôts de données, Extract, Transform, Load,( ETL)les tableaux de
bord interactifs et les rapports analytiques. En utilisant ces informations précieuses,
l’entreprise pourra prendre des décisions éclairées pour optimiser ses stratégies de vente,
allouer efficacement ses ressources, identifier de nouveaux marchés potentiels et
améliorer globalement ses performances commerciales.
Le projet (BI) que nous allons présenter est axé sur l’analyse des ventes. Dans un
environnement commercial dynamique et compétitif, il est essentiel pour les entreprises
de comprendre et d’exploiter efficacement les données relatives à leurs ventes. L’analyse
des ventes permet de transformer ces données brutes en informations exploitables,
offrant ainsi aux décideurs une visibilité approfondie sur les performances commerciales,
les tendances du marché et les opportunités de croissance.
Dans la suite de ce projet, nous détaillerons les différentes étapes impliquées dans la
mise en place de cette solution (BI) pour l’analyse des ventes, en mettant l’accent sur les
outils, les techniques et les meilleures pratiques nécessaires pour garantir des résultats

1
 2

pertinents et exploitables.
A ce titre, notre projet sera lié à la préparation du projet final,
Il est réalisé par «Société Delice»pendant quatre mois et notre objectif principal est la
mise en place d’une solution Business Intelligence (BI) qui aide les décideurs de
l’entreprise à prendre les meilleures décisions.
Nous répartissons notre travail en six chapitres :
Le premier chapitre consiste en une présentation du cadre général du projet incluant
une présentation de l’entreprise d’accueil, le contexte du projet dans un premier lieu.
Nous définissons la méthodologie adoptée pour mettre en place notre solution dans un
deuxième lieu.
Le deuxième chapitre définit la planification des tâches, les acteurs, les besoins
fonctionnels et non fonctionnels et étale aussi une étude technique de la solution
proposée tout en spécifiant l’architecture suivie et l’environnement technique.
Le troisième chapitre sera consacrée pour l’identification du modèle dimensionnel et
la conception du modèle physique de l’entrepôt de données.
Le quatrième chapitre détaillera la conception et le développement de notre
processus d’intégration et l’analyse de données.
Le cinquième chapitre englobe l’étape de restitution de d’analyse de données qui
représente les différentes interfaces de nos tableaux de bord pour notre solution.
Enfin, une conclusion synthétisera notre travail et présentera les perspectives futures. .
Chapitre 1

Contexte général

3
1.1. Présentation de société délice CLN et Les missions 4

Introduction

Dans ce chapitre, nous allons présenter l’organisme d’accueil :

société délice , l’établissement au sein duquel nous avons effectué notre projet de fin
d’études. Ensuite, nous procéderons à la présentation du cadre du projet
qui nous permettra de mieux comprendre le problème étudié et en déduire des solutions.
Enfin, nous allons présenter la méthodologie du travail adoptée.

1.1 Présentation de société délice CLN et Les missions

La société Centrale Laitière Du Nord (CLN) est une société anonyme. Spécialisée dans la
transformation du lait et la production de ses dérivés. Ainsi que la commercialisation des
produits laitiers et ses dérivés. Ainsi que tous produits agroalimentaires. Les missions de
la Direction du Système d’Information[1].

Figure 1.1 – CLN [1]

Les produits vendus :

Fort de plus de 30 ans d’expérience. Assure la fidélité et la satisfaction de client à travers

sa technologie et ses produits, afin de répondre au mieux aux besoin des chefs d’entreprise.
(CLN) fournit une variété de marque, notamment, Produits laitiers.
Les secteurs :
— CLN travaille dans les départements suivants Service
— Financière Administration
— Informatique
— Assurance
1.2. Problématique 5

— Production
— Logistique

1.2 Problématique

Le concept de vente est l’un des concepts sur lesquels repose la stratégie marketing. Ce
dernier le principe de priorité à la vente de produits ou de services produits par des
entreprises . Plutôt qu’à la création de nouveaux produits ou services répondant aux
besoins des clients. Il est supposé que les clients ont besoin de nombreuses activités de
promotion et de vente à grande échelle pour les persuader de prendre une décision
d’achat. Dans ce temps , les clients de la société (CLN) présente certains problèmes au
niveau de la couche décisionnelle comme suit :

• Des problèmes de qualité des données.

• Le manque d’outils décisionnels et des technologies pour collecter et transformer

les données.

• Quels sont les produits ou services les plus vendus ?

• Quelles sont les performances de vente par région ?

• Quelles sont les prévisions de ventes pour les périodes futures ?

• Quelles sont les opportunités de croissance identifiées grâce à l’analyse des

ventes ?

1.3 Solution proposée

La solution envisagée, est un système d’aide à la décision permettant de mettre à la

disposition des décideurs les moyens nécessaires pour qu’ils puissent prendre les
décisions stratégiques et opérationnelles les plus adéquates.
Dans ce cas , les décideurs de (CLN) doivent enrichir Enterprise Resource Planning
(ERP) JD EDWARDS en intégrant une partie décisionnelle qui se base sur les
tableaux de bord . Afin de résoudre ces problèmes .
1.4. Méthodologie de travail 6

J’ai proposé comme solution la réalisation d’une plateforme décisionnelle basée sur
(ERP) JD EDWARDS .
À la suite des discussions avec le Product Owener , j’ai fixé les objectifs suivante :
— L’ accès aux donnes d’une manière rapide et simple Offrir aux décideurs un accès
à partir de tout type d’appareil Conception d’un entrepôt de centralisé et non
volatile Fournir une visualisation clair qui comprendre les informations
nécessaires qui peuvent les servir à prendre de bonnes décisions .
— L’extraction, la transformation et le chargement des données.
— La partie réalisation des tableaux de bord interactifs et l’analyse des données
d’aide à la décision.

1.4 Méthodologie de travail

Dans le domaine Business Intelligence (BI ), un projet (BI) n’est pas un projet
informatique traditionnel. Il est gourmand en matière de :
— Précision lors de la restitution des données d’une entreprise .
— Temps et de performance lors de la réalisation des différents rapports.
Pour ce faire , nous devons implémenter une méthodologie qui diffère des méthodologies
de développement des systèmes transactionnels. De ce fait, nous avons effectué une
recherche qui nous aidera à faire notre choix entre les deux méthodologies de Ralph
Kimball et Gimsi expliquées ci-dessous.

1.4.1 Méthodologie de Ralph Kimball

La méthodologie Kimball a été conçue au milieu des années 1980 par des membres du
Groupe Kimball. Cette méthodologie a été utilisée avec succès pour la réalisation des
projets d’entrepôt de données et de business intelligence dans pratiquement tous les
domaines et les secteurs d’activité [2] .
La figure suivante décrit le cycle de vie d’un projet BI, son avancement ainsi
que le séquencement des différentes tâches.
1.4. Méthodologie de travail 7

Figure 1.2 – Cycle de vie dimensionnel Ralph Kimball[3]

Dans ce qui suit, nous allons détailler les différentes étapes pour une meilleure
compréhension du cycle de vie dimensionnel [4].
1.4. Méthodologie de travail 8

Étape Objectif

Planification du Projet
— Définir l’étendue du projet ainsi que sa planification
qui dépend des besoins comme l’indique la flèche en
double sens de la figure ci-dessus (figure 1.2).
— Étudier les ressources et l’affectation des tâches.

Définition des Besoins BI Cette phase permet d’identifier les utilisateurs de l’application
et leurs besoins. Une fois les besoins définis , trois trajectoires
parallèles seront lancés qui sont la technologie, les données et
les interfaces utilisateur.

Gestion du projet
— Garantir que les activités du cycle de vie restent sur la
bonne voie et sont bien synchronisées,
— Détecter et résoudre les problèmes.

Définition de l’architecture
— Définir la vue globale de l’architecture technique à
technique
mettre en œuvre,
— Étudier les outils de conception de la zone de prépara-
tion des données et de restitution des résultats.

Sélection et Installation des En se basant sur l’architecture technique, et en répondant aux

produits besoins de notre projet, nous avons choisi de définir l’outil sur
lequel se base notre projet.

Modélisation Dimension-
— Définir les données requises pour répondre aux besoins
nelle
des utilisateurs,
— Construire la matrice qui représente les processus mé-
tier clés et leurs dimensionnalités,
— Réaliser le modèle dimensionnel (La granularité de la
table de faits ainsi que les dimensions associées).
1.4. Méthodologie de travail 9

Conception du modèle phy- La conception physique comporte la définition du modèle éla-

sique (DW) boré de l’entrepôt de données(DW).

Conception et développe-
— Concevoir l’ODS ou la Staging Area (SA),
ment de la zone de prépa-
— Effectuer le processus ETL(Extract, Trasform, Load ).
ration des données

Spécification de l’applica- Cette phase englobe la préparation des maquettes à réaliser

tion utilisateur dans la phase qui suit.

Développement de l’appli- Après la réalisation des différentes phases précédentes, cette

cation BI phase nous permettra la réalisation des différents tableaux de
bord nécessaires pour répondre aux besoins client.

Déploiement
— Converger la technologie, les données, et les applica-
tions décisionnelles aux utilisateurs accessibles,
— Assurer une formation, pour les utilisateurs, des pro-
cessus de communication et un support utilisateur.

Maintenance et croissance Après la mise en place de la solution, l’entrepôt va donc évo-

luer et croître et le changement doit être perçu comme un
facteur de succès et non d’échec. Il faut donc assurer le fonc-
tionnement optimal du système et prévoir l’ajout de nouvelles
fonctionnalités.

Tableau 1.1 – Cycle de vie de la méthodologie Ralph Kimball

1.4.2 Méthodologie de Gimsi

Gimsi définit un cadre méthodologique afin de mieux formaliser les conditions de

réussite du projet Business Intelligence centré sur la problématique du "tableau de
bord". La méthode a pour ambition de dynamiser l’originalité et la créativité des
concepteurs et utilisateurs. C’est ainsi que l’on réussit l’intégration du système de
1.4. Méthodologie de travail 10

tableaux de bord au cœur de la culture d’entreprise sans perdre de vue la question du

pilotage de la performance [4]. Cette méthode se compose de 4 phases principales
découpées en 10 étapes [5] :

Phase Étape Objectif

Identification Stratégie de l’entre- Analyse de l’environnement éco-

prise nomique et de la stratégie de l’en-
treprise afin de définir le péri-
mètre et la portée du projet.
Processus de l’entre- Analyse de la structure de l’en-
prise treprise pour pouvoir par la suite
identifier les processus et les ac-
teurs concernés.

Conception Objectifs de perfor- Sélection des objectifs tactiques

mance de chaque équipe en fonction de
la stratégie générale.
Conception du ta- Définition du tableau de bord de
bleau de bord chaque équipe.
Choix des indicateurs Choix des indicateurs en fonction
des objectifs choisis, du contexte
et des acteurs concernés. C’est
une tâche réalisée en coopération
avec les décideurs.
Collecte des informa- Identification des informations
tions nécessaires à la construction des
indicateurs.
Système de tableaux Construction du système de ta-
de bord bleau de bord, contrôle de la co-
hérence globale.
1.5. Explication du projet 11

Mise en œuvre Choix des Outils Élaboration de la grille de sélec-

tion pour le choix des progiciels
adéquats.
Déploiement de la so- Implantation des progiciels, dé-
lution ploiement à l’entreprise.

Amélioration perma- Audit Suivi permanent du système.

nente

Tableau 1.2 – Cycle de vie de la méthodologie Gimsi

1.4.3 Choix de la méthodologie

Après avoir étudié les deux différentes méthodologies, pouvant être utilisées pour la mise
en place de notre solution, nous remarquons que la méthodologie GIMSI est une
méthode coopérative basée sur la prise de décision répartie ce qui implique la présence
d’un très grand nombre de décideurs, chose que notre client ne détient pas.
C’est dans cette optique que nous avons choisi de travailler avec la méthodologie de
Ralph Kimball qui est la plus adéquate pour notre projet vu qu’elle s’adapte au mieux à
nos besoins en termes de compétences, de temps, de coût et d’exigence en ce qui
concerne l’intégration de données.

1.5 Explication du projet

Lors de mon stage, j’ai été affecté à une entreprise disposant d’une vaste base de
données SQL Server.
En tant que stagiaire, on m’a confié une partie de cette base de données, qui m’a été
fournie sous forme d’un fichier Excel.
Mon rôle consistait à analyser, organiser et interpréter les données contenues dans ce
fichier afin d’en tirer des informations pertinentes pour l’entreprise. Cela m’a permis de
développer mes compétences en matière de manipulation de données et de me
familiariser avec l’utilisation de SQL Server dans un contexte professionnel.
1.5. Explication du projet 12

Dans le cadre d’un projet BI, j’ai travaillé avec une base de données Excel contenant
initialement 65 000 lignes. Cependant, après avoir effectué le processus ETL à l’aide de
SSIS (SQL Server Integration Services), le nombre de lignes a été réduit à 35 000 lignes.
Ce résultat est dû à la suppression des lignes comportant des répétitions ainsi que des
lignes vides lors du chargement dans SQL Server.

Conclusion

Ce chapitre introductif nous a permis de détailler le cadre général du système. Après

avoir décrit l’organisme d’accueil d’une part, et la solution que nous allons concevoir et
développer d’autre part, nous avons présenté la méthodologie à adopter pour la
réalisation du projet.
Chapitre 2

Planification et spécification des besoins

13
2.1. Planification 14

Introduction

Dans ce deuxième chapitre, nous commençons à suivre et à appliquer notre démarche

adoptée de Ralph [Link] premier lieu, nous planifions notre projet en identifiant sa
portée, les acteurs et les tâches qui seront suivies. Par la suite, nous donnons une
identité à notre projet en définissant les besoins fonctionnels. Enfin, nous décrivons
l’environnement technique les outils utilisés.

2.1 Planification

Afin de bien organiser et planifier les tâches à mener pour réussir le projet pendant une
période bien définie au préalable, nous avons choisi d’utiliser un outil d’ordonnancement
et de gestion de projet permettant de visualiser chronologiquement les diverses tâches
composant un projet.
L’outil est le diagramme de GANTT. C’est un outil utilisé (souvent en complément d’un
réseau PERT) en ordonnancement et en gestion de projet permettant de visualiser dans
le temps les diverses tâches composant un projet [6].
La figure ci-dessous illustre le diagramme de GANTT associé à notre projet.

Figure 2.1 – Diagramme de GANTT

Une fois que le sujet est bien défini, nous effectuons une phase de recherche, afin de
trouver les solutions pouvant répondre au problème posé. Les recherches portaient sur
les technologies à adopter et les différents besoins fonctionnels métier.
Une fois cette étape achevée, nous passons à la définition de l’architecture de notre
solution et à la conception du modèle physique de l’entrepôt de données.
L’étape suivante consiste à la préparation et l’alimentation des données pour pouvoir
élaborer les tableaux de bord et passer par la suite à la phase d’analyse de données.
2.2. Spécification fonctionnelle 15

Il est à noter que la rédaction du rapport de stage se fait en parallèle avec la partie
programmation.

2.2 Spécification fonctionnelle

Cette branche est consacrée à l’étude des acteurs, besoins fonctionnels et non
fonctionnels de notre application.

2.2.1 Besoins fonctionnels

Les projets de Business Intelligence répondent toujours au même objectif de base :

Doter l’entreprise des moyens nécessaires pour qu’elle puisse prendre les décisions
stratégiques et opérationnelles les plus adéquates en utilisant comme base l’analyse de
données.
Notre solution doit donc garantir un tableau de bord bien ciblé avec des données filtrées
afin de fournir au décideur la possibilité de :
— Suivi la totale de vente.
— Suivi nombre de commande par type .
— Suivi les produits .
— Suivi les produits par regions .
— Reporting : Les systèmes de vente doivent être capables de produire des rapports
en temps réel sur les ventes, l’inventaire, les performances des employés et les
autres mesures clés pour permettre aux dirigeants de l’entreprise de prendre des
décisions éclairées..

2.2.2 Besoins non fonctionnels

Les besoins non fonctionnels sont définis comme des indicateurs qui détermine la qualité
et la performance de notre système .
La norme ISO/CEI 25000[7] a sélectionné une liste d’indicateurs qui peut être utilisée
dans différents projets.
2.3. Architecture globale du projet 16

Notre système doit satisfaire les besoins non fonctionnels suivants :

— Fiabilité : Le système doit offrir au décideur des résultats pertinents,
significatifes et corrects.
— Maintenabilité : Notre système doit être souple pour tout type d’amélioration
et modification.
— Performance : Notre système doit être performant et rapide même si on envoie
un nombre important d’interrogations à traiter dans le tableau de bord.
— Facilité d’utilisation : Notre solution doit être simple à comprendre et a
utiliser.
Après avoir terminé la phase de spécification des besoins et l’identification des acteurs,
l’étape suivante du cycle de vie de Ralph Kimball consiste à définir une vision globale
sur l’architecture technique et le choix des différents outils à utiliser pour assurer le bon
fonctionnement de notre solution puis entamer la phase de modélisation dimensionnelle
et la conception du modèle physique.

2.3 Architecture globale du projet

Pour mettre en place notre système, une source de données d’entreprise nous a été
fournie en entrée, cette source est une base de production sur JD EDWARDS
Database qui contient les tables des activités .
Nous avons commencé par implémenter une base de données Staging Area (SA) qui
représente une copie conforme de la source où les données seront détruites après
l’exécution de (ETL). Nous avons choisi d’implémenter la (SA) pour des raisons
opérationnelles. Il permet de surveiller les dernières données insérées avant la prochaine
exécution de (ETL) . Il réduit la charge sur le serveur de production et permet de
reprendre le traitement rapidement si un problème de qualité des données se produit.
Par la suite, nous avons effectué les transformations, les croisements des tables en
utilisant (SA) comme source.
Une fois les données extraites et transformées, nous allons les intégrer dans notre
entrepôt de données (Data Wahrehouse). En effet les données qui seront présentes
2.4. Environnement de développement 17

dans cette base dimensionnelle sont des données figées et consolidées.

Ces données sont mises à la disposition des utilisateurs et des décideurs sous forme de
tableaux de bord et d’analyse des données.

La figure ci-dessous illustre l’architecture globale de notre projet.

Figure 2.2 – Architecture globale du projet

2.4 Environnement de développement

Un bon environnement matériel et logiciel assure le bon déroulement du travail et

garantit de bons résultats. Cette section est consacrée pour la présentation des langages
et d’outils de programmation utilisés pour la réalisation de notre application.

2.4.1 Environnement matériel

Pour le développement de notre projet, nous avons utilisé une machine HP possédant les
caractéristiques suivantes :
— Système d’exploitation : Windows10 64-bits.
— Processeur : Intel(R) Core(TM) i5-7200 CPU @ 2.50Ghz 2.71 Ghz.
— Mémoire RAM : 8Go.
— Disque dur : 1 To.
2.4. Environnement de développement 18

Figure 2.3 – Spécification de la machine

2.4.2 Environnement logiciel

Pour la réalisation de notre projet, nous avons eu recours à différents outils et nous
avons choisi pour :
— Source de données :ERP( JD EDWARDS ).
— Importation les donnes : Microsoft SQL Server.
— ETL :Utiliser SSIS, SSAS : Microsoft Visual Studio 2019.
— Analyse des données : Microsoft SSAS .
— Le reporting : Power BI,power BI Web et Mobile.

[Link] Overleaf

Overleaf est un éditeur en ligne pour LaTeX. Il permet de créer des documents en
utilisant le langage LaTeX directement dans un navigateur web, sans nécessiter
d’installation de logiciel supplémentaire. Overleaf facilite la rédaction de documents
LaTeX en offrant une interface conviviale, des outils de compilation en temps réel et des
fonctionnalités de collaboration pour travailler avec d’autres utilisateurs simultanément
2.4. Environnement de développement 19

sur le même projet.

Figure 2.4 – Overleaf[8]

[Link] Excel

Excel est un logiciel de tableur, de calculs et d’analyse de données publié par Microsoft.
Dans sa version complète, il permet de réaliser des fichiers ultras sophistiqués.

Figure 2.5 – Excel [9]

[Link] SQL SERVER

Le SQL server désigne couramment un serveur de base de données. Il est étroitement lié
à celle du langage SQL (Structured Query Language), un langage informatique
permettant d’exploiter des bases de données. Concrètement, un SQL server est un outil
qui possède toutes les caractéristiques pour pouvoir accompagner l’utilisateur dans la
manipulation, le contrôle, le tri, la mise à jour, et bien d’autres actions encore, de bases
de données grâce au langage SQL.
2.4. Environnement de développement 20

Figure 2.6 – SQL SERVER [10]

[Link] SQL SERVER management studio(SSMS)

SQL Server Management Studio (SSMS) est un environnement intégré pour la gestion
de toute infrastructure SQL, de SQL Server à Azure SQL Database. SSMS fournit des
outils pour configurer, surveiller et administrer des instances de SQL Server et des bases
de données. Utilisez SSMS pour déployer, surveiller et mettre à niveau les composants
de la couche données utilisés par vos applications, et créer des requêtes et des scripts.
Utilisez SSMS pour interroger, concevoir et gérer vos bases de données et entrepôts de
données, où qu’ils se trouvent - sur votre ordinateur local ou dans le cloud.

Figure 2.7 – Logo SSMS [11]

2.4. Environnement de développement 21

[Link] Microsoft Visual studio 2019

Visual Studio est un ensemble complet d’outils de développement permettant de générer

des applications Web [Link], des Services Web XML, des applications bureautiques
et des applications mobiles .

Figure 2.8 – Microsoft Visual studio 2019[15]

[Link] Microsoft SQL Server Integration Service(SSIS)

SSIS est un outil d’extraction, de transformation et de chargement de données, en bref

ce que l’on appelle un ETL. On extrait des données d’une source de données, puis suit la
transformation si besoin, pour ensuite injecter ces données vers MS SQL Server.

Figure 2.9 – Logo SSIS

[Link] Microsoft SQL Server Analysis Service(SSAS)

SQL Server Analysis Services est la plateforme qui permet de créer et gérer des
structures multidimensionnelles. Pour cela, SSAS fournit des fonctions OLAP (On Line
Analytical Processing) qui permettent, à partir des entrepôts de données, d’analyser
2.4. Environnement de développement 22

l’activité de l’entreprise grâce à des statistiques : moyennes mobiles, coefficients de

corrélation, valeurs cumulées.

Figure 2.10 – Logo SSAS

[Link] Power BI

Power BI est un service d’analyse commerciale de Microsoft. Il vise à fournir des

visualisations interactives et des capacités de business intelligence avec une interface
suffisamment simple pour que les utilisateurs finaux puissent créer leurs propres
rapports et tableaux de bord.

Figure 2.11 – Logo Power BI

Power BI permet de :
— transformer les données en visuels conviviales et dynamiques,
— explorer et analyser visuellement les données, quelles soient locales ou situées
dans le cloud, dans une vue unique,
— collaborer et partager des tableaux de bord personnalisés et des rapports
interactifs,
— bénéficier d’une scalabilité avec une sécurité intégrée,
2.4. Environnement de développement 23

— bénéficier d’une meilleure protection des données Power BI avec Microsoft

Information Protection et Microsoft Cloud App Security [8].

Parmi les avantages du système de gestion de base de données Power BI, on peut citer :
— Disponible en Serveur Cloud,
— Accessible via le web, mobile et desktop,
— Facile à utiliser,
— Riche en composants graphiques,
— Supporte les données structurées et non structurées.

Conclusion

Ce chapitre a été consacré à la planification du projet et à la spécification des besoins

fonctionnels et non fonctionnels pour mieux identifier les objectifs attendus de notre so-
lution et de citer les technologies ainsi que les outils utilisés lors du projet.
Nous pouvons ainsi entamer la prochaine étape qui consiste à présenter la phase de défi-
nition de l’environnement technique.
Chapitre 3

Conception de l’entrepôt de données

24
3.1. Conception du modèle dimensionnel 25

Introduction

Dans ce chapitre, nous entamons la phase de modélisation dimensionnelle et la

conception du modèle physique de l’entrepôt de données.

3.1 Conception du modèle dimensionnel

Les magasins de données sont définis comme la version la plus petite de l’entrepôt de
données qui traite un seul sujet.
Les entrepôts de données peuvent être classés en trois types principaux :

3.1.1 Modèle en étoile

C’est une manière de relier une dimension à un fait dans un entrepôt de données. Dans
le modèle en étoile, on a une table de faits centrale qui est liée aux tables de dimensions.

Figure 3.1 – Modèle en étoile [19]

3.1.2 Modèle en flocon de neige

C’est une manière de relier une dimension à un fait dans un entrepôt de données. C’est
le modèle en étoile avec une relation entre les dimensions. Il peut exister des hiérarchies
des dimensions pour diviser les tables de dimensions lorsqu’elles sont trop volumineuses.
3.1. Conception du modèle dimensionnel 26

Figure 3.2 – Modèle en flocon de neige [20]

3.1.3 Modèle en constellation

Le schéma en constellation représente plusieurs relations de faits qui partagent des

dimensions communes. Ces différentes relations de faits composent une famille qui
partage les dimensions mais où chaque relation de faits a ses propres dimensions.

Figure 3.3 – Modèle en constellation

3.1.4 Choix du modèle dimensionnel

Un environnement décisionnel idéal serait une place où il serait possible de naviguer de

Data Mart en Data Mart à la recherche de l’information si précieuse. C’est pour cette
raison que nous avons choisi de modéliser notre entrepôt de données en utilisant
l’approche de modélisation en étoile.
3.2. Identification des faits 27

3.1.5 Jointures entre les tableau

Lors de mon travail avec SQL, j’ai importé des bases de données Excel dans SQL Server
et effectué des jointures entre les tables en utilisant des clés étrangères. Cette approche
m’a permis de connecter les données provenant de différentes tables, créant ainsi des
liens significatifs entre elles. Grâce à ces jointures, j’ai pu obtenir une vue consolidée des
données et réaliser des analyses approfondies. Ces manipulations de données ont été
essentielles pour extraire des informations utiles et faciliter la prise de décision au sein
de l’entreprise.

Figure 3.4 – jointures entre les tableau

3.2 Identification des faits

Une table de fait est une table qui contient les données observables (les faits) que l’on
possède sur un sujet et que l’on veut étudier, selon divers axes d’analyse (les
dimensions). En effet, ils représentent des associations dont l’existence d’une occurrence
dépend de l’existence des occurrences correspondantes dans les tables dimensionnelles.
C’est-à-dire que la table de faits contient toutes les mesures correspondant aux
informations d’activité à analyser. Au niveau de la “Société Délice “ il existe une base de
donnee qui stocker les informations de vente dans une base de données afin de suivre les
ventes, les clients, les stocks, les factures et autres données commerciales importantes.
L’utilisation d’une base de données peut aider à centraliser les données, à éviter les
3.2. Identification des faits 28

erreurs de saisie manuelle et à faciliter l’analyse des ventes pour améliorer les
performances commerciales. Cela nous amène à distinguer un table de fait qui est Vente .

3.2.1 Table de fait Vente

Le Tableau ci-dessous représente les mesures de la table de fait vente de notre modèle.
La table de fait vente décrit le gestion de vente dans la socite
3.2. Identification des faits 29

Colonne Description Type

Id vente Identifiant de Vente Clé primaire et clé étrangère

qui fait référence à la dimen-
sion vente

Id date Identifiant de la date de produit Clé primaire et clé étrangère

qui fait référence à la dimen-
sion date

Id numéro de Identifiant numéro de commande Clé primaire et clé étrangère

commande qui fait référence à la dimen-
sion numéro de commande

Numéro facture Identifiant de numéro facture Mesure non-additive

Societe Identifiant de la societe Clé primaire et clé étrangère

qui fait référence à la dimen-
sion societe

Type commande Identifiant du type de commande Clé primaire et clé étrangère

qui fait référence à la dimen-
sion type commande

Id produit Identifiant de produit Clé primaire et clé étrangère

qui fait référence à la dimen-
sion produit

Description description de produit Mesure non-additive

PU HT prix unitaire hors taxes Mesure non-additive

Qte Identifiant la quantité de produit Mesure non-additive

THT Total hors taxes Mesure non-additive

Id region Identifiant region Clé primaire et clé étrangère

qui fait référence à la dimen-
sion region

Id magasin Identifiant de magasin Clé primaire et clé étrangère

qui fait référence à la dimen-
sion magasin

Transport Identifiant de transport Clé primaire et clé étrangère

qui fait référence à la dimen-
3.3. Identification des dimensions 30

Tableau 3.1 – Présentation des colonnes du fait vente

3.3 Identification des dimensions

Les dimensions correspondent aux axes d’analyse selon lesquels on veut étudier des
données observables qui, soumises à une analyse multidimensionnelle, donnent aux
utilisateurs des renseignements nécessaires à la prise de décision .

3.3.1 Les axes d’analyse du fait VENTE

Chaque processus peut-être analysé sous différents axes que représentent les dimensions.
Dans notre cas, le processus de fait vente s’peut être analysé par commande ,par
magasin par region , par produit .

Figure 3.5 – Schéma du fait Vente

3.3. Identification des dimensions 31

Le Tableau ci-dessous représente les dimensions relatives à l’analyse du fait vente. Les
clés primaires sont ressorties en gras.

Tableau 3.2 – Présentation des colonnes du fait vente

Dimension Description Attributs

Produit Cette dimension correspond a la id produit, Dsc Article

Produit.

Commande Cette dimension correspond la com- n cmd, date,type

mande de Produit. cmd,transport

Region Cette dimension correspond la re- Idregion, region

gion de la société

Magasin Cette dimension correspond la ma- idmag,magasin

gasin de la société

3.3.2 Conclusion

Ce chapitre a été consacré à définir la conception du modèle physique de l’entrepôt de

données pour que nous puissions passer à la partie de préparation et l’intégration des
données dans le chapitre qui suit.
Chapitre 4

Intégration des données

32
4.1. Préparation des données 33

Introduction

Nous entamons dans ce chapitre la phase de la préparation des données tout en se

basant sur le cycle de vie dimensionnel Ralph Kimball et aussi la prépration des cubes
au niveau (SSAS).

4.1 Préparation des données

La phase de préparation des données est une phase primordiale dans le cycle de vie d’un
projet (BI). Dans cette phase, nous allons passer par l’alimentation de la base de
données temporaire, l’extraction, la transformation et le chargement des données dans
l’entrepôt de données.

4.1.1 Préparation des connexions

Une phase essentielle pour assurer le bon déroulement du projet est la préparation des
métadonnées qui assureront la connexion avec la source de données et les destinations de
stockages pour assurer la portabilité du projet et faciliter le chargement de fichiers
source ou de destination .
Dans notre cas, nous aurons besoin de configurer trois métadonnées pour assurer la
connexion des données
La figure ci-dessous expose la configuration des métadonnées qui assureront
la récupération des données à partir de la base de donnée source ’Délice’.
4.1. Préparation des données 34

Figure 4.1 – Métadonnées connexion à la base de données DAta wrhouse

La figure suivante présente la préparation de connexion de la base de données

temporaire SQL SERVER.

Figure 4.3 – Métadonnées connexion à la base de données SQL SERVER

4.1. Préparation des données 35

Figure 4.2 – Métadonnées test de la connexionc

La figure suivante présente la préparation de connexion de la base de

données Destination SQL SERVER de l’entrepôt de données.

4.1.2 Alimentation de la base de données temporaire SA

Dans cette étape, nous allons entamer la partie alimentation de la base de données
temporaire (SA). Puisqu’elle s’agit d’une base de production, nous allons vider les tables
à chaque fois avant de les charger. Cette phase servira à extraire les données à partir des
fichiers sources et les charger dans la SA sans apport de modification lourde.
La figure ci-dessous présente un échantillon du job d’alimentation de la base
données temporaire.
4.1. Préparation des données 36

Figure 4.4 – Échantillon de l’alimentation de la SA

Après avoir préparé les métadonnées pour assurer la connexion avec les sources de
données, nous allons les exploiter pour assurer l’ouverture de la connexion avec les bases
de données source et temporaire, pour pouvoir par la suite transférer les données sans
pour autant effectuer aucune mise à jour.

4.1.3 Développement de la phase Extraction, Transformation et

Chargement (ETL)

La phase la plus importante dans notre processus est (ETL).

Comme son nom l’indique, cette phase permettra l’extraction des données à partir de la
base de données temporaire.
Par la suite, nous allons pouvoir effectuer les différents changements nécessaires pour
homogénéiser et unifier les données afin de les rendre exploitables dans la phase de
préparation des données qui suit.
Finalement, nous allons pourvoir charger les données transformées et intégrées dans les
différentes tables de notre entrepôt.
Dans ce qui suit, nous allons détailler les différentes transformations que nous avons
4.1. Préparation des données 37

effectués pour assurer l’intégration des données.

Dimension Commande :

Pour alimenter la table «commande», nous utilisons le composant «OLEDB source»

pour créer une connexion avec «Staging Area». Les données sortantes de la source vont
êtres dirigées vers le composant «OLEDB Destination».

Figure 4.5 – Transformation de la dimension commande

Dimension Produit :

Pour alimenter la table «produit», nous utilisons le composant «OLEDB source» pour
créer une connexion avec «Staging Area». Les données sortantes de la source vont êtres
dirigées vers le composant «OLEDB Destination».

Figure 4.6 – Transformation de la dimension Produit

Dimension Magasin :
4.1. Préparation des données 38

Pour alimenter la table «Magasin», nous utilisons le composant «OLEDB source» pour
créer une connexion avec «Staging Area». Les données sortantes de la source vont êtres
dirigées vers le composant «OLEDB Destination» .

Figure 4.7 – Transformation de la dimension Magasin

Dimension Région :

Pour alimenter la table «Région », nous utilisons le composant «OLEDB source» pour
créer une connexion avec «Staging Area». Les données sortantes de la source vont êtres
dirigées vers le composant «OLEDB Destination».

Figure 4.8 – Transformation de la dimension Région

La dernière étape de transformation va être consacrée pour effectuer les chargements au

niveau des tables de faits.
4.2. Alimentation des tables de faits 39

4.2 Alimentation des tables de faits

La dernière étape de transformation va être consacrée pour effectuer les chargements au

niveau des tables de faits.
Le processus consiste à effectuer les jointures entre les dimensions reliées selon le modèle
déjà élaboré.

4.2.1 Alimentation de la table de fait bdvente

L’alimentation du fait bdvente se fait après avoir chargé les dimensions Produit,
Magasin,Region,Commande.
Nous commençons par charger les données existantes au niveau des tables «bdvente» de
la base de données temporaire et en utilisant les composants «Lookup», nous effectuons
les jointures avec les dimensions.
On commençons avec la chargement des données par clés primaires de les dimensions
pour remplir le table de fait avec l’aide de composant «Lookup» qui sert à rechercher de
correspondance entre les lignes existantes dans la destination et les nouvelles lignes de la
source.S’il existe de correspondance alors les lignes seront redirigées vers le composant
«OLE DB bdvente» pour effectuer les mises à jour, sinon elles vont être chargées dans la
destination au niveau du composant «OLE DB Destination».
La figure ci-dessous présente les chargements de la table de fait vente.

Figure 4.9 – Alimentation de la table de fait vente

4.2. Alimentation des tables de faits 40

4.2.2 Préparation le cube OLAP

En commençant dans cette partie par créer un nouveau projet SSAS comme en montrant
dans la figure suivante :

Figure 4.10 – Création d’un projet SSAS on choisi le modéle Analysis Service multidi-
mensional and data mining project

La figure suivante présente la création de projet Analysis Service

multidimensional :
4.2. Alimentation des tables de faits 41

Figure 4.11 – Création la projet SSAS

4.2.3 Préparation la base de donnée DataWarehouse

Cette phase est essentielle pour assurer la connexion avec la source de donnée
datawarehouse " Delice DW "qui contient les tables des dimensions et fait .
4.2. Alimentation des tables de faits 42

Figure 4.12 – La source de donnée DataWarehouse

La figure ci-dessous expose la configuration des métadonnées qui assureront

la récupération des données à partir de la base de donnée source Data
Warehouse.
4.2. Alimentation des tables de faits 43

Figure 4.13 – Métadonnées connexion à la base de données DataWarehouse

La figure suivante présente la préparation de connexion de la base de

données Datawarehouse.
4.2. Alimentation des tables de faits 44

Figure 4.14 – Métadonnées de creation et connexion pour la préparation la DataWare-

house

La figure suivante présente de la test connexion de la Data Warhouse.

4.2. Alimentation des tables de faits 45

Figure 4.15 – Métadonnées de test de la connexion

La figure suivante présente la préparation de connexion de la Data

Warhouse .
4.2. Alimentation des tables de faits 46

Figure 4.16 – Métadonnées connexion à la base de données Data warhouse

La figure suivante présente la selectionner des tables et des vues .

4.2. Alimentation des tables de faits 47

Figure 4.17 – Métadonnées de la selection des tables et des vues

La figure suivante présente fin de l’Assistant.

Figure 4.18 – Métadonnées fin de l’Assistant

4.2. Alimentation des tables de faits 48

4.2.4 Préparation une vue de source de donnée

Dans cette étape on va choisir les tables de notre base DW de données qui est nécessaire
pour concevoir un cube . En clique sur le Data Source Views pour créer un nouveau vue
de source de donnée , après en cliquant sur next et en écrivant le nom de notre base de
données data warehouse , elle affiche automatiquement les dimensions et les faits que
nous avons choisis avec succès.

Figure 4.19 – Les étapes de préparation la vue de source de donnée

4.2. Alimentation des tables de faits 49

La figure suivante présente le diagramme datawarehouse qui nous avons

partager sur la source data views :

Figure 4.20 – – Le diagramme datawarehouse de la vue du source de donnée

4.2.5 Création le cube OLAP

Dans cette étape on va choisir les tables de notre base (DW) de données qui est
nécessaire pour concevoir un cube . En clique sur le Data Source Views pour créer un
nouveau vue de source de donnée , après en cliquant sur next et en écrivant le nom de
notre base de données data warehouse , elle affiche automatiquement les dimensions et
les faits que nous avons choisis avec succès.
4.2. Alimentation des tables de faits 50

Figure 4.21 – Exemple de remplir les diemensions et le fait pour le cube

La figure suivante présente le cube SSAS de notre base de données :

Figure 4.22 – Le cube SSAS

Conclusion

Après avoir préparé la partie modélisation dimensionnelle afin de bien identifier les
grandes lignes de notre solution, nous avons effectué, durant ce chapitre, les différents
4.2. Alimentation des tables de faits 51

changements nécessaires pour homogénéiser et unifier les données pour pouvoir par la
suite alimenter notre entrepôt de données.
Dans le chapitre suivant, nous allons décrire la phase de restitution des données.
Chapitre 5

Restitution des données

52
5.1. Développement de l’application utilisateur 53

Introduction

Dans le chapitre précédent, nous avons détaillé la partie alimentation et modélisation.

puis nous entrons dans la dernière phase de notre solution qui consiste au développement
de nos tableaux de bord et l’analyse de données avec des algorithmes de datamining et
au déploiement de l’application (BI).

5.1 Développement de l’application utilisateur

Après avoir réalisé l’étude de l’existant, nous commençons désormais le développement de

l’application utilisateur qui sera déployée par la suite et qui est dédiée aux décideurs. Dans
cette partie, nous allons utiliser les données nettoyées, consolidées et accessibles depuis
l’entrepôt de données.
Dans ce qui suit, nous allons présenter les différentes interfaces graphiques de notre solu-
tion.

5.1.1 Interface d’accueil

A l’ouverture de l’application, l’utilisateur reçoit une interface d’accueil contenant le nom

de l’application «Délice», l’utilisateur dispose de quatre boutons pour le redériger vers
l’ensemble des tableaux de bords représentant Gestion de vente, produit et par CA
par region,Vue globale.
5.1. Développement de l’application utilisateur 54

Figure 5.1 – Page d’accueil

5.1.2 Suivi Gestion de vente

Le tableau de bord ci-dessous nous procure gestion de vente .

Figure 5.2 – Suivi Gestion de vente

Ce tableau de bord contient aussi les visualisations suivantes :

— Un graphique en histogramme groupé qui représente nombre de commande de produit
par type date .
— Un graphique en secteur pour visualiser le pourcentage de transport par fourniseur .
— Un graphique en KPI qui resume chiffre d’affire.
-segment pour date.
5.1. Développement de l’application utilisateur 55

-segment pour description produit .

5.1.3 SuiviProduit

Ce tableau de bord concerne le totale par produi par type ,date par somme (tht) , par
numero facture ,par totale de qte .

Figure 5.3 – Suivi Produit

Nous pouvons visualiser également :

— Un graphique en groupé qui resume la quntité de produit.
— Un graphique en entommoir qui resume la somme totale de produit par année.
— Un segment date de produit par mois .
-un segment de description de produit.
— Un graphique en kpi nombre du facture de produit.

5.1.4 Suivi chiffre d’affaire par région

Le tableau de bord ci-dessous nous procure une vue globale sur secteur de vente .
5.1. Développement de l’application utilisateur 56

Figure 5.4 – Suivi chiffre d’affaire par région

Le tableau de bord affiche également :

— Un graphique histogramme empilé pour resume la totale de produit par region en mois
— sagment du date.

5.1.5 Suivi Vue globale

Le tableau de bord ci-dessous nous procure une la globale du produit .

Figure 5.5 – Suivi Vue globale

Le tableau de bord affiche également :

— Un segment date par année.
5.1. Développement de l’application utilisateur 57

— Un graphique en srcteur qui resume totale de produit qui a vendu par année.

5.1.6 Mesures utilisées

Dans ce projet, nous avons créé un mesures pour aider les décideurs interagit bien Avec
les données et prend le meilleur décision

Figure 5.6 – Mesures utilisées

5.1.7 Power BI mobile

La Business Intelligence mobile décrit la possibilité d’accéder à un reporting, à des gra-

phiques, à des tableaux de bord et à d’autres contenus de BI via des smartphones, des
tablettes et d’autres appareils portables. Les solutions mobiles de business intelligence
offrent un soutien important en temps réel dans la prise de décisions au sein des entre-
prises assurant ainsi une corrélation efficace de la stratégie décisionnelle avec les nouvelles
tendances dans l’industrie des TIC et des avantages concurrentiels importants. Dans ce
contexte, la présente étude sur les solutions de business intelligence pour les plates-formes
mobiles, à la fois open source ou payante, représente une source d’information importante
.
5.1. Développement de l’application utilisateur 58

Figure 5.7 – Power Bi mobile

5.1.8 Le business intelligence mobile :

La place de Power BI mobile dans les entreprises :

L’application Android pour Microsoft Power BI permet de vivre l’expérience mobile de
Power BI, de Power BI Report Server et de Reporting Services. Consultez les tableaux de
bord de votre organisation et interagissez avec eux, localement et dans le Cloud, en tout
lieu, grâce à un accès mobile en direct via une interface tactile. Explorez les données des
tableaux de bord et partagez-les avec les employées de l’entreprise par e-mail ou SMS.
Selon l’étude Mobile Business Intelligence Market Study de Dresner Advisory Services
Howard Dresner, Mobile Business Intelligence Market Study, Dresner Advisory Services,
2011, 33 Intelligence mobile à au moins 40 4

5.1.9 Les avantages de Business intelligence mobile

La capacité pour les managers d’accéder aisément aux données pilotages.

Augmenter la productivité de ses utilisateurs grâce à un accès à des données plus précise.
L’équipement mobile étant moins cher que les ordinateurs bureaux.
L’accomplissement de leur travail.
Les utilisateurs Les utilisateurs de Power BI mobile n’ont pas besoins du confort d’un
5.1. Développement de l’application utilisateur 59

bureau. Partager les données d’une façon simple avec les membres de l’entreprise. La
sécurité.

5.1.10 Visualisation notre rapport sur business intelligence mo-

bile

Grâce à business intelligence mobile nous avons le droit de consulter notre rapport sur des
smartphones ou tablettes. Donc les collaborateurs de l’entreprise ’Delice’ on peut vérifier
les tableaux de bords plusieurs fois par jours à distance, et prendre des décisions efficaces
c’est possible. Pour accéder à notre espace du travail avec smartphone, tout d’abord on
doit entrer login et mot passe. Dans notre cas, Pour accéder à notre espace du travail,
nous besoin d’une adresse mail Professionnelle. la figure suivante login application

Figure 5.8 – login

Figure 5.9 – Page connexion

Nous avons prend un exemple des visuels de notre projet que nous consultons grâce à
5.1. Développement de l’application utilisateur 60

business intelligence mobi.

Figure 5.10 – Exemple du visuel sur appareil mobile

5.1.11 Power BI Web

Power BI Web est un outil en ligne qui aide les utilisateurs à créer des tableaux de
bord interactifs à partir de leurs données. Cela leur permet de visualiser les informations
importantes sous forme de graphiques, de tableaux et de cartes. Ils peuvent également
partager ces tableaux de bord avec d’autres personnes, collaborer en temps réel et prendre
des décisions éclairées en se basant sur ces données. En bref, Power BI Web est un moyen
facile de transformer des données en informations utiles et de les partager avec les autres.
5.1. Développement de l’application utilisateur 61

Figure 5.11 – Power Bi Web

5.1.12 Les avantages de Business intelligence Web

La Business Intelligence Web présente les avantages suivants de manière simple :

Accès facile : Vous pouvez accéder aux tableaux de bord {et aux rapports depuis
n’importe quel appareil connecté à Internet.
Partage et collaboration : Vous pouvez partager des informations avec d’autres per-
sonnes et travailler ensemble sur les données.
Visualisations interactives : Les données sont présentées sous forme de graphiques et
de tableaux interactifs faciles à comprendre.
Connexion à différentes sources de données : Vous pouvez importer et combiner
des données provenant de diverses sources pour obtenir une vue d’ensemble complète.
Prise de décisions éclairées : Vous pouvez utiliser les données pour prendre des
décisions plus informées et améliorer les performances.
Automatisation des tâches : Certaines tâches de collecte et d’analyse des données
peuvent être automatisées, ce qui vous permet de gagner du temps.
5.1. Développement de l’application utilisateur 62

5.1.13 Visualisation notre rapport sur business intelligence Web

Grâce à business intelligence web nous avons le droit de consulter notre rapport sur compte
Power BI Web via un navigateur web.
Donc les collaborateurs de l’entreprise ’Delice’ on peut vérifier les tableaux de bords -
plusieurs fois par jours à distance, et prendre des décisions efficaces c’est possible.
-Pour accéder à notre espace du travail Une fois connecté, vous verrez votre tableau de
bord ou votre liste de rapports. Choisissez le rapport que vous souhaitez visualiser en
cliquant dessus.

-Le rapport s’ouvrira, et vous pourrez immédiatement voir les visualisations et les gra-
phiques qui représentent vos données.

-Observez attentivement les visualisations pour comprendre les informations qu’elles four-
nissent. Les graphiques, les tableaux et les cartes vous aideront à analyser vos données.

-Utilisez les filtres disponibles pour affiner les données affichées. Par exemple, vous pouvez
filtrer par date, par région ou par catégorie pour obtenir une vue spécifique.

-Cliquez sur les éléments du rapport pour obtenir plus de détails. Par exemple, cliquez sur
une barre dans un graphique pour afficher les données spécifiques associées à cette barre.
5.1. Développement de l’application utilisateur 63

Figure 5.12 – Visualisation notreapport sur business intelligence web

La figure suivante présente le mot de passe

Figure 5.13 – mot de passe

5.1. Développement de l’application utilisateur 64

Nous avons prend un exemple des visuels de notre projet que nous consultons grâce à
business intelligence web.

Figure 5.14 – Gestion de vente

Nous avons prend un autre exemple des visuels de notre projet que nous consultons grâce
à business intelligence web.

Figure 5.15 – vue globale

Grâce à cette version BI web les collaborateurs de l’entreprise ’Delice’ ainsi que les clients
peuvent consulter les rapports à distant et au temps réel.
5.1. Développement de l’application utilisateur 65

5.1.14 Conclusion

La phase de restitution et d’analyse de données représente la dernière étape de notre

travail. A travers cette phase, nous avons représenté les différentes interfaces de nos ta-
bleaux de bord ainsi que les résultats des analyses assurés sur les données et enfin les
étapes de déploiement de l’application [Link] avons définis le Power BI mobile
et nous avons déterminé l’importance dans les entreprises et leur avantage, enfin nous
avons visualisé les rapports à partir des appareils mobiles.
Conclusion et Perspectives

Nous vivons dans un monde où les données offrent des opportunités. pour une vision effi-
cace La capacité de collecter, d’analyser et de rendre les données utiles est requise.
Les entreprises sont conscientes La donnée est un capital mobilisable car elle peut consti-
tuer un avantage concurrentiel.
En conséquence, chaque entreprise s’efforce d’être la meilleure et de se différencier tout
en offrant à ses clients plus d’innovation et de flexibilité pour les attirer.
Dans de telles conditions, Il s’avère que l’utilisation d’outils d’intelligence d’affaires au
sein d’une organisation est tout aussi importante Bénéfique plus que nécessaire car il aide
les décideurs à prendre les bonnes décisions Cela a un impact direct sur les performances
de l’entreprise via le processus de récupération des données.
C’est dans ce contexte que nous avons réalisé notre projet de fin de recherche dans le
cadre de l’obtention d’une licence pour la fondation d’informatique de gestion au sein de
la compagnie d’assurance "Société Delice".
Nous mettons l’accent sur les connaissances générales acquises après l’application pratique
de nos connaissances théoriques dans un cadre professionnel.
L’objectif de notre projet est de concevoir et mettre en place un système d’aide à la dé-
cision dédié à l’analyse et au suivi de l’ensemble de gestion vente les décideurs.
Dans une première partie, nous étudions le cadre général du projet, analysons et élaborons
Permet de différencier les besoins des différents acteurs avec lesquels nous interagissons
Appliquer et déterminer les exigences fonctionnelles et non fonctionnelles du système.
Par la suite, nous avons défini l’architecture de la solution, et la mise en place de l’entre-
pôt de données La dernière partie du projet est consacrée à En présentant une interface

66
Conclusion et Perspectives 67

graphique et des tableaux de bord pour l’analyse des données. Cette expérience nousa
permis de découvrir et de nous approfondir dans le monde de l’entreprise Intelligence se-
lon la méthode de Ralph Kimball et ses principales étapes. Cela nous permet d’apprendre
à travailler avec de nouveaux outils tels que Power BI, SSIS et SSAS.
Au final, cette expérience a enrichi nos connaissances, notre formation Acquérir la théorie
et la pratique dans nos cours universitaires, améliorant ainsi notre capacité d’intégration
dans la vie professionnelle.
En termes de perspective, nous pouvons améliorer notre système en ajoutant de nouvelles
zones de tâches et des tableaux de bord basés sur les besoins de nos clients.
Les entreprises peuvent également mettre en place des solutions qui implémenteront
d’autres modules de "Société Delice".
Webographie

[1]Description de delice :
[Link] (02/02/2023)

[3]Définition de la méthodologie kimball :

[Link]
(07/02/2023)

[3]Cycle de vie de la méthodologie de Ralph kimball :

[Link] (09/02/2023)

[4]Définition de la méthodologie Gimsi :

[Link] [Link](10/03/2023)

[5]Cycle de vie de la méthodologie Gimsi :

[Link]

[6] définition de l’outil Gantt :

[Link] (20/03/2023)

[7] ISO/CEI 25000 :

[Link] (22/03/2023)

[8]Description de l’outil Power BI:

[Link] (25/04/2023)

[9]OVERLEAF:
[Link] (25/04/2023)

[11]Définition de la notion de fait :

[Link] (20/04/2023)

68
 69

[12]Définition de la notion de dimension :

[Link] (20/04/2023)

[13] Apprentissage supervisé :

[Link]
=IwAR06Gn6TjQSDXwa14Jwhvw3G4gGHGQ-MuuvrqtnUVvFN0-SjonJOLhy71FY (18/05/2023)

[14] EXCEL :
[Link] (18/05/2023)

[15] visual studio :

[Link]