PROJET DE FIN D’ÉTUDES

Présenté en vue d’obtenir le

DIPLÔME DE MASTER SPÉCIALISÉ

E-Logistique
Par
Soumaya HABCHI & Hajar BARKAL

Gestion intelligente de la chaîne logistique chez SIMRA

MAROC : Utilisation de Power BI, déploiement d'un modèle
Machine Learning pour une solution end-to-end

Les travaux relatifs au présent PFE ont été réalisés auprès de

SIMRA MAROC
Technopole Aéroport Mohamed V, Nouacer, Casablanca
Sous la direction de
Madame Majda MAZRI (Encadrante Pédagogique - ESITH)

Madame Naima SEBBAGH (Encadrante dans l'Entreprise - SIMRA)

2022-2023
 Gestion intelligente de la chaîne logistique chez SIMRA
MAROC : utilisation de Power BI, déploiement d'un modèle
Machine Learning pour une solution end-to-end

Mots clés
Apprentissage automatique, Visualisation percutante des données, Qualité des produits,
Décisions, Tableaux de bord, Fournisseurs, Liste de produits qualifiés, FAI (First Article
Inspection), Manufacturing, Product Owner, Scrum Master, Équipe de développement,
Product Backlog, Personas utilisateurs, Cas d'utilisation, Épics, Fonctionnalité, Régression,
Ingénierie des caractéristiques, Clustering, Erreur quadratique moyenne, Erreur absolue
moyenne, Imputation, Encodage one-hot, Standard Scaler, DataFrame, MinMaxScaler, Coude
(pour le clustering), Clustering hiérarchique, Prédiction, Surajustement (overfitting), Sélection
de caractéristiques (SelectKBest), Déploiement.

Keywords
Dashboard, Machine Learning, Streamlit Share, Supply Chain, Repository, Scrum, Design
Thinking, End-to-end, Make-to-Order (MTO), Engineer-to-Order (ETO), KPIs, Qualified
Products List, FAI (First Article Inspection), Product Owner, Manufacturing, Scrum Master,
Development Team, Product Backlog, User Personas, Use Case, Epics, Feature, K-means,
Gradient Boosting, DecisionTreeRegressor, Random Forest, Feature Engineering, Clustering,
Root Mean Square Error, Mean Absolute Error, Business Intelligence, Seaborn Heatmap,
Imputation, One-Hot Encoder, Standard Scaler, DataFrame, MinMaxScaler, Elbow (for
clustering), Hierarchical Clustering, Prediction, Regression, Overfitting, SelectKBest,
Deployment.

1
Résumé
Le projet s’est concentré sur la gestion intelligente de la chaîne logistique chez SIMRA
MAROC. L'objectif était de concevoir et mettre en œuvre une solution complète intégrant des
outils avancés d'analyse, de prédiction et de visualisation des données. Grâce à l'utilisation de
technologies telles que Power BI, le Machine Learning et l'application PrediX, nous avons
réussi à améliorer la gestion des approvisionnements, à réduire les coûts et à améliorer la
qualité des produits pour SIMRA MAROC. Cette solution a permis à l'entreprise de prendre
des décisions plus éclairées, d'anticiper les besoins en matières premières et d'optimiser sa
chaîne logistique. L'intégration du modèle ML "XGBOOST" dans une application web a
également facilité l'accès et l'utilisation des fonctionnalités d'analyse avancée pour les
utilisateurs. Ce projet de PFE a été une réussite, démontrant l'efficacité de l'approche de
gestion intelligente de la chaîne logistique et ouvrant la voie à de nouvelles opportunités
d'amélioration pour SIMRA MAROC.

2
Abstract
The project focused on the intelligent management of the supply chain at SIMRA MAROC.
The aim was to design and implement a comprehensive solution integrating advanced data
analysis, prediction, and visualization tools. By utilizing technologies such as Power BI,
Machine Learning, and the PrediX application, we successfully improved procurement
management, reduced costs, and enhanced product quality for SIMRA MAROC. This solution
empowered the company to make informed decisions, anticipate raw material needs, and
optimize its supply chain. The integration of the "XGBOOST" ML model into a web
application also facilitated user access and utilization of advanced analytics capabilities. This
PFE project was a success, showcasing the effectiveness of intelligent supply chain
management and opening up new opportunities for improvement at SIMRA MAROC.

3
Remerciements
Nous souhaitons tout d'abord remercier chaleureusement notre encadrante pédagogique,
Madame Majda MAZRI, pour sa guidance précieuse et ses précieux conseils tout au long du
projet. Sa disponibilité, sa patience et sa passion pour l'enseignement ont été une source
d'inspiration pour nous.

Nous exprimons notre sincère reconnaissance envers Monsieur Jamal LMARIOUH, le chef
de filière, pour sa confiance en nos compétences et son soutien indéfectible. Ses
encouragements et sa disponibilité ont renforcé notre détermination à atteindre nos objectifs.

Nous souhaitons exprimer notre profonde gratitude envers Monsieur Mohamed LAGHDAF,
le directeur de l'organisation, pour avoir permis la réalisation de notre projet au sein de son
entreprise. Sa confiance en notre équipe et son soutien logistique ont été d'une importance
cruciale pour mener à bien notre projet.

On remercie madame Fadoua HAKKOU, responsable Système d'Information, pour son

assistance précieuse lors de notre stage au sein de son équipe. Sa présence bienveillante, ses
conseils éclairés et sa collaboration active ont été d'une aide inestimable tout au long du
projet.

Nous sommes également reconnaissantes envers notre encadrante responsable SUPPLY

CHAIN, Naima SEBBAGH, pour son soutien constant et son expertise technique. Ses
conseils perspicaces, sa rigueur méthodologique et sa disponibilité ont grandement contribué
à notre progression et à la qualité de notre travail, nous tenons également à remercier tous les
membres de l'équipe SIMRA pour leur collaboration, leurs conseils et leur soutien tout au
long de cette aventure. Leur expertise, leur disponibilité et leur esprit d'équipe ont grandement
contribué à notre réussite.

Enfin, nous exprimons notre reconnaissance envers tous nos enseignants qui ont partagé leur
savoir, leur expérience et leur passion pour l'apprentissage tout au long de notre parcours
universitaire. Leurs enseignements et leurs encouragements ont été essentiels pour notre
développement académique et professionnel.

Nous sommes conscients que notre réussite est le fruit du soutien et de l'implication de toutes
ces personnes, nous leur témoignons notre profonde gratitude et notre reconnaissance sincère.

4
Dédicace
Nous dédions ce rapport à nos familles et à nos proches, qui nous ont soutenues tout au long
de notre parcours universitaire. Leur amour, leur encouragement et leur soutien indéfectibles
ont été notre moteur et notre source de motivation. Ce travail est le résultat de leur confiance
et de leur soutien inconditionnel. Nous leur sommes infiniment reconnaissantes.

Nous dédions également ce rapport à tous les étudiants qui poursuivent leurs études et qui
s'efforcent de réaliser leurs projets académiques. Que notre travail puisse inspirer et
encourager d'autres étudiants dans leurs propres réalisations.

5
Liste des abréviations
SA : societe anonyme

ISO: international organization for standardization

NADCAP: national aerospace and defense contractor accreditation program

En9100 : norme de systeme de management de la qualite pour l'aerospatiale

BPMN : business process model and notation

ADV : administration des ventes

QPL : qualified products list

EXW : ex works (incoterm pour les conditions de vente)

FAI : first article inspection

CBN : calcul des besoins nets (MRP - material requirements planning)

MTO : make to order (fabrication a la commande)

ETO: engineer to order (ingenierie a la commande)

FIFO: first in, first out (premier entre, premier sorti)

KPI : key performance indicator (indicateur cle de performance)

OMG : object management group

GPAO : gestion de la production assistee par ordinateur

IDE : environnement de developpement integre (integrated development environment)

HTTP : hypertext transfer protocol (protocole de transfert hypertexte)

HTML : hypertext markup language (langage de balisage hypertexte)

API : application programming interface (interface de programmation d'application)

VSM : value stream mapping (cartographie du flux de valeur)

IEEE : institute of electrical and electronics engineers (institut des ingenieurs electriciens et
electroniciens)

CNN : convolutional neural network (reseau neuronal convolutif)

6
RNN : recurrent neural network (reseau neuronal recurrent)

IRM : images de résonance magnétique

IA: intelligence artificielle

ML: machine learning

OQD: on quality delivery

OTD : on time delivery

RMSE : root mean square error (erreur quadratique moyenne en français)

MAE : mean absolute error (erreur absolue moyenne en français)

N°BL : numéro de bon de commande

N°BC : numéro de bon de livraison

BD : base de données

CC : certificat de conformité

Ifs : système d'identification du répertoire des établissements

QTE : quantité

Siret : système d'identification du répertoire des établissements

NC : non-conformité

N° FNC : numéro de fiche de non-conformité

Nb PCS NC : nombre de pièces non conforme

QTE GEST : quantité de gestion

PC : prix constant

REM : remise

MT H.T : montant hors taxe

MT T.T.C : montant toutes taxes comprises

EMETT : émetteur

REF : référence

AQ : assurance qualité

7
N° ARC : numéro accuse de réception commande

MP : matière première

CLT : client

EMP : employer

PIECES FAB : pièces fabriquées

OF : ordre fabrication

CNQ : cout de non-qualité

8D : un processus structure en huit étapes (d1 a d8) visant à identifier, analyser et résoudre les
problèmes de manière systématique.

N° B.R : le numéro de bordereau de réception.

N°DC : le numéro de document commercial

Mat : matricule

PS : préparation de surface

CND : contrôle non destructif

DAX : data analysis expressions

TPS D’APPRO : temps d’approvisionnement

P.U : prix unitaire

OP : operateur

SI : système d’information

SQL : structured query language

PPM : parties par million

TDS : traitement de surface

SCM : Supply Chain management

8
 Table des matières
MOTS CLES ......................................................................................................................................................... 1

KEYWORDS ......................................................................................................................................................... 1

RESUME ............................................................................................................................................................... 2

ABSTRACT ........................................................................................................................................................... 3

REMERCIEMENTS ............................................................................................................................................ 4

DEDICACE ........................................................................................................................................................... 5

LISTE DES ABREVIATIONS ............................................................................................................................ 6

CHAPITRE 1 : CONTEXTE DU PROJET ...................................................................................................... 16

1. CONTEXTE GENERAL ET SPECIFIQUE DE LA PROBLEMATIQUE .......................................... 16

1.1 CONTEXTE GENERAL .......................................................................................................................... 16

1.1.1 Présentation de l’entreprise et de son secteur d’activité ................................................................................. 16

1.1.2 Présentation du groupe SEGULA technologies et son secteur d’activité ...................................................... 16

1.1.3 Présentation de l’entreprise d’accueil SIMRA MAROC ................................................................................ 18

1.2 CONTEXTE SPECIFIQUE DU PROJET .................................................................................................... 22

1.2.1 Présentation du service Achat ......................................................................................................................... 22

1.2.2 Présentation du service Production ................................................................................................................ 23

1.2.3 Présentation du service d’Administration Des Ventes.................................................................................... 25

CHAPITRE 2 : CADRAGE DU PROJET ........................................................................................................ 26

1 ÉTUDE ET ANALYSE DE L’EXISTANT .............................................................................................. 26

1.1 SERVICE ACHAT.................................................................................................................................. 27

1.1.1 Achat import .................................................................................................................................................... 27

1.1.2 Achat local ....................................................................................................................................................... 27

1.1.3 Mission du service ACHAT ............................................................................................................................. 27

1.1.4 La cartographie BPMN relative au processus achat ...................................................................................... 28

1.1.5 Descriptif de la cartographie processus achat : .............................................................................................. 29

1.2 SERVICE DE L’ADMINISTRATION DES VENTES.................................................................................... 29

1.2.1 Les missions du service ADV .......................................................................................................................... 30

1.2.2 La cartographie BPMN relative au processus de l’administration des ventes .............................................. 30

1.2.3 Descriptif de la cartographie processus ADV ................................................................................................. 30

9
 1.3 SERVICE QUALITE DE LA PRODUCTION ............................................................................................. 31

1.3.1 Processus de production .................................................................................................................................. 31

1.3.2 Processus contrôle qualité de production ....................................................................................................... 35

1.3.3 La cartographie BPMN relative au processus Qualité de la production ....................................................... 37

1.3.4 Descriptif de la cartographie processus Qualité de la production : ............................................................... 38

2 PRESENTATION DE LA PROBLEMATIQUE ET LES OBJECTIFS PROJET .............................. 38

3 CHARTE DU PROJET ............................................................................................................................. 41

3.1 DIAGRAMME DE GANTT PREVISIONNEL .......................................................................................... 41

3.2 METHODE DE CONDUITE DU PROJET .................................................................................................. 41

3.2.1 Présentation de l’équipe projet (La Scrum Team) et les rôles associés ......................................................... 41

3.2.2 Planning du Product BACKLOG.................................................................................................................... 42

3.3 OBJECTIFS DU PROJET ET DE LA MISSION .......................................................................................... 42

3.4 RISQUE DU PROJET.............................................................................................................................. 45

4 REVUE DOCUMENTAIRE ..................................................................................................................... 46

5 REVUE LITTERATURE .......................................................................................................................... 51

CHAPITRE 3 : CONCEPTION DU PROJET ................................................................................................. 57

1 TABLEAU COMPARATIF DES OUTILS ET JUSTIFICATION DU CHOIX .................................. 57

2 COLLECTE DES DONNEES ................................................................................................................... 58

3 CHOIX DES OUTILS DE DEVELOPPEMENT, DE DEPLOIEMENT ET DE TEST ...................... 59

3.1. OUTILS DE DEVELOPPEMENT ............................................................................................................. 59

3.2. OUTILS DE DEPLOIEMENT .................................................................................................................. 60

3.3. OUTILS DE TEST .................................................................................................................................. 61

4 SELECTION DES KPI’S SUPPLY CHAIN ............................................................................................ 61

4.1 KPI’S SERVICE ACHAT ....................................................................................................................... 61

4.2 KPI’S SERVICE QUALITE DE LA PRODUCTION ................................................................................... 62

5 SELECTION DES MODELES MACHINE LEARNING ET LEURS CRITERES APPROPRIES .. 63

6 ANALYSE ET EXPLOITATION DE LA BD ......................................................................................... 65

6.1 PRÉSENTATION ET EXPLICATION LA BD ............................................................................................ 66

6.1.1 Pour le processus Achat .................................................................................................................................. 66

6.1.2 Pour Processus Qualité de la production ....................................................................................................... 87

6.2 TYPES DE VARIABLES........................................................................................................................ 110

10
 6.3 DISTRIBUTION DES VARIABLES IDENTIFICATION DES DIFFÉRENTS UTILISATEURS ........................ 110

6.3.1 Identification des utilisateurs Achats............................................................................................................ 110

6.3.2 Identification des utilisateurs Qualité ........................................................................................................... 111

7 COMPARAISON ENTRE LES APPROCHES DE MODELISATION KIMBALL ET INMON .... 112

8 DESCRIPTION DES AXES D’ANALYSE ............................................................................................ 113

8.1 LES TABLES DES FAITS ET DE DIMENSIONS POUR L’ACHAT ............................................................ 114

8.2 LES TABLES DES FAITS ET DE DIMENSIONS POUR QUALITÉ............................................................. 127

9 PRESENTATION DES MESURES SUR POWER BI ......................................................................... 147

9.1 POUR LE PROJET ACHAT .................................................................................................................. 147

9.2 POUR LE PROJET QUALITÉ ............................................................................................................... 149

10 MODELE DIMENSIONNEL.................................................................................................................. 151

10.1 SERVICE ACHAT................................................................................................................................ 151

10.2 SERVICE QUALITÉ ............................................................................................................................ 151

CHAPITRE 4 : CONDUITE DU PROJET EN FAVEUR DU PROCESSUS ACHAT .............................. 153

PARTIE 1 : LE DEPLOIEMENT DES HUIT MODELES DE MACHINE LEARNING EN FAVEUR DU

PROCESSUS ACHAT ...................................................................................................................................... 153

1 DATA PREPROCESSING ...................................................................................................................... 153

1.1 TRAITEMENT DES VALEURS MANQUANTES ...................................................................................... 156

1.1.1 L’imputation par la moyenne ........................................................................................................................ 158

1.2 FEATURE ENGINEERING OU FEATURE SELECTION SI NECESSAIRE ................................................ 159

1.2.1. Feature Engineering ..................................................................................................................................... 159

1.3. ENCODAGE DES DONNEES ................................................................................................................. 163

1.4. NORMALISATION DES DONNEES ....................................................................................................... 164

2 REALISATION DES MODELES DE PREDICTION DE MACHINE LEARNING VALIDES PAR

LEURS PROPRES INDICATEURS DE PERFORMANCE ........................................................................ 166

2.1 CHOIX DES MODELES APRES EXPERIMENTATION ............................................................................ 166

2.1.1 Objectif 1 : Réduction du délai d’approvisionnement .................................................................................. 166

A. Modèle Non supervisé Clustering ................................................................................................................. 166

a. L’algorithme Kmeans .................................................................................................................................... 166

b. Clustering hiérarchique ................................................................................................................................ 170

11
 2.1.2 Objectif 2 : Prédiction de la quantité à commander pour les achats locaux et les achats import chez SIMRA
MAROC 171

A. Modèle supervisé régression pour Achat Local ............................................................................................ 171

a. Régression de poisson ................................................................................................................................... 171

b. Régression par arbre de décision .................................................................................................................. 174

c. Régression par forêt aléatoire ....................................................................................................................... 176

d. Régression par gradient boosting XGBoost .................................................................................................. 178

B. Modèle supervisé ‘régression’ pour Achat Import ....................................................................................... 182

a. Régression linéaire ........................................................................................................................................ 182

b. Régression polynomiale ................................................................................................................................ 183

c. Régression par forêt aléatoire ....................................................................................................................... 186

d. Régression par arbre de décision .................................................................................................................. 188

e. Régression par gradient boosting XGBoost .................................................................................................. 191

2.2 VALIDATION DU CHOIX ..................................................................................................................... 195

2.2.1 Comparaison des performances des modèles en utilisant les KPIs sélectionnés en amont ......................... 195

A. Les performances des modèles utilisés dans les achats locaux .................................................................... 195

a. Erreur quadratique moyenne RMSE ............................................................................................................ 195

b. Erreur absolue moyenne MAE ..................................................................................................................... 196

c. Coefficient de détermination R2 ................................................................................................................... 197

B. Les performances des modèles utilisés dans les achats imports ................................................................... 199

a. Erreur quadratique moyenne RMSE ............................................................................................................ 199

b. Erreur absolue moyenne MAE .................................................................................................................... 200

c. Coefficient de détermination R2 .................................................................................................................. 200

2.3 GANTT REEL POUR LE PROJET LIE AU PROCESSUS ACHAT ............................................................. 202

PARTIE 2 : DEPLOIEMENT ET INTEGRATION DU MODELE ML « XGBOOST » VIA UNE

APPLICATION WEB ...................................................................................................................................... 203

1. CONCEPTION DE LA SOLUTION ...................................................................................................... 204

2. USER PERSONA ..................................................................................................................................... 204

3. USER MAP ............................................................................................................................................... 209

3.1 AUTHENTIFICATION.......................................................................................................................... 211

3.2 ACHAT ............................................................................................................................................... 212

3.3 ADMINISTRATION ............................................................................................................................. 213

12
 3.4 FEEDBACK ......................................................................................................................................... 214

4. USE CASE ................................................................................................................................................ 214

5. LES REGLES DE GESTION.................................................................................................................. 218

6. PROTOTYPE ........................................................................................................................................... 223

6.1 AUTHENTIFICATION.......................................................................................................................... 224

6.2 ADMIN ............................................................................................................................................. 226

6.3 ACHAT ............................................................................................................................................... 227

6.3 FEEDBACK ......................................................................................................................................... 228

7. DIAGRAMME DE DEPLOIEMENT .................................................................................................... 228

8. CHARTE PROJET .................................................................................................................................. 230

8.1. GANTT REEL...................................................................................................................................... 230

8.2. WBS .................................................................................................................................................. 231

9. REALISATION DE L'APPLICATION ................................................................................................. 232

9.1 PAGE D’ACCUEIL............................................................................................................................... 232

9.2 PAGE D’AUTHENTIFICATION ............................................................................................................ 233

9.2.1 Login .............................................................................................................................................................. 233

9.2.2 Utilisateurs connecté ..................................................................................................................................... 233

9.3 CHOISIR LE TYPE D’ACHAT .............................................................................................................. 234

9.3.1 L’utilisateur est connecté à l’achat local ...................................................................................................... 235

9.3.2 Visualisation des données réelles par rapport à la prédiction pour le modèle XGBOOST ......................... 235

9.3.3 Importer le fichier Excel ............................................................................................................................... 236

9.3.4 Afficher le fichier Excel ................................................................................................................................ 236

9.3.5 Afficher les prédictions ................................................................................................................................. 237

9.3.6 Télécharger le fichier Excel .......................................................................................................................... 237

9.4 PAGE ADMIN ..................................................................................................................................... 237

9.4.1 Se connecter au tant qu’administrateur ....................................................................................................... 238

9.4.2 Afficher la liste des utilisateurs ..................................................................................................................... 238

9.4.3 Ajouter un utilisateur .................................................................................................................................... 239

9.4.4 Modifier et supprimer un utilisateur............................................................................................................. 239

9.5 PAGE DES FEEDBACKS ...................................................................................................................... 239

10. TEST ET DEPLOIEMENT ................................................................................................................ 240

13
 10.1. TESTS................................................................................................................................................. 240

10.1.1. Test unitaire login user ................................................................................................................................. 242

10.1.2. Test de performance ...................................................................................................................................... 243

10.1.3. Test unitaire: login_user, create_usertable, add_userdata .......................................................................... 244

10.1.4. login_user, add_userdata, delete_user .......................................................................................................... 246

10.1.5. Locust Test..................................................................................................................................................... 247

10.2. DEPLOIEMENT ............................................................................................................................. 249

10.2.1 Sur GITHUB ................................................................................................................................................. 250

10.2.2 Sur streamlit Share........................................................................................................................................ 251

PARTIE 3 : ELABORATION DE LA SOLUTION BI EN FAVEUR DU PROCESSUS ACHAT ........... 253

1. REALISATION DES DASHBOARD ACHAT : ................................................................................... 253

1.1. DASHBOARD 1 : SUIVI DES FOURNISSEURS SIMRA MAROC......................................................... 253

1.2. DASHBOARD 2 : SUIVI DES MATIÈRES PREMIÈRES CONSOMMÉES PAR SIMRA MAROC EN 2022 254

1.3. DASHBOARD 3 : KPI’S LIÉ À LA PERFORMANCE DU SERVICE ACHAT SIMRA MAROC EN 2022 . 255

CHAPITRE 5 : CONDUITE DU PROJET EN FAVEUR DU PROCESSUS QUALITE DE LA

PRODUCTION ................................................................................................................................................. 260

1. REALISATION DES DASHBOARD QUALITE DE LA PRODUCTION : ...................................... 260

1.1. DASHBOARD 1 : QUALITE INTERNE DE SIMRA MAROC .............................................................. 260

1.2. DASHBOARD 2 : QUALITE EXTERNE DE SIMRA MAROC ............................................................. 264

1.3. DASHBOARD 4 : SUIVI DES ILOTS DE SIMRA MAROC .................................................................. 269

1.4. DASHBOARD 5 : SUIVI CLIENT DE SIMRA MAROC ...................................................................... 272

2. GANTT REEL DU PROJET QUALITE DE LA PRODUCTION ...................................................... 275

CHAPITRE 6 : CLOTURE DU PROJET ...................................................................................................... 276

1. RECOMMANDATION ET PERSPECTIVE DE DEVELOPPEMENT ............................................ 276

2. DIFFICULTES RENCONTREES .......................................................................................................... 282

3. LES ACTIONS MENEES FACE AUX DIFFICULTES RENCONTREES ....................................... 283

4. BENEFICES DE L’ENTREPRISE ........................................................................................................ 284

5. COMPETENCES ACQUISES LORS DU PROJET ............................................................................. 284

CONCLUSION.................................................................................................................................................. 287

TABLE DES TABLEAUX ............................................................................................................................... 288

TABLE DES FIGURES .................................................................................................................................... 289

14
ANNEXES ......................................................................................................................................................... 298

BIBLIOGRAPHIES ET WEBOGRAPHIES ................................................................................................. 304

15
 Chapitre 1 : Contexte du projet
Dans ce premier chapitre, nous introduisons le contexte général et spécifique de la
problématique abordée. Nous présentons l'entreprise et son secteur d'activité, ainsi que le
groupe SEGULA Technologies et son domaine d'expertise. De plus, nous décrivons
l'entreprise d'accueil, SIMRA MAROC, en mettant en évidence son rôle et sa position dans
l'industrie. On va détailler le service Achat, la Production et l'Administration des Ventes. Cette
présentation nous permet de mieux comprendre le cadre dans lequel le projet se déroule et
d'appréhender les enjeux spécifiques auxquels nous devrons répondre.

1. Contexte général et spécifique de la problématique

1.1 Contexte général
1.1.1 Présentation de l’entreprise et de son secteur d’activité

Le projet de PFE se déroule dans la société SIMRA MAROC qui fait partie du groupe
SEGULA TECHNOLOGIES, un leader mondial en ingénierie. Avec 13 000 salariés répartis
dans 30 pays, SEGULA gère des projets allant de la phase d'étude à la production, en
travaillant sur des innovations telles que l'avion électrique et la voiture autonome.

Dans le secteur de l'aéronautique, SIMRA est un partenaire clé pour les plus grands industriels
marocains et internationaux. Selon une étude menée par l'Association du Transport Aérien
International, le marché de l'aéronautique devrait atteindre 5,6 milliards de dollars d'ici 2025,
ce qui souligne l'importance de l'industrie pour l'économie mondiale

1.1.2 Présentation du groupe SEGULA technologies et son secteur d’activité

SEGULA Technologies est une entreprise française qui se concentre sur la conception et
l'ingénierie de produits et de systèmes. Fondée en 1985, elle est aujourd'hui présente dans plus
de 30 pays et emploie plus de 13 000 personnes dans le monde entier.

La société assure des services de conception et d'ingénierie pour une grande variété de
secteurs, notamment l'aérospatiale, l'automobile, l'énergie, les produits de consommation, les
transports ferroviaires et maritimes, et les technologies de l'information et de la
communication.

SEGULA est également spécialisée dans la conception et la production de pièces et de

systèmes pour les véhicules électriques et hybrides, ainsi que dans les technologies de la
mobilité durable. Il propose des solutions de transformation numérique pour les entreprises,

16
notamment dans les domaines de la cybersécurité, de l'analyse de données et de l'Internet des
objets.

✓ Fiche technique SEGULA

Raison social SEGULA Technologies

Forme Société Anonyme (SA)

juridique

Date de 1985
création

Capital Selon les données de 2021, le capital social de SEGULA Technologies

s'élève à 76 306 965 euros.

Siège social 27 rue Charles Durand, 18000 Bourges, France

Président Laurens van den Acker

Slogan Engineering the Future

Effectif Selon les données de 2021, SEGULA Technologies emploie plus de 13

000 personnes dans le monde.

Activités La conception et l'ingénierie de produits et de systèmes.

SEGULA Technologies propose également des solutions de

transformation numérique pour les entreprises.

Secteur o L’aérospatiale.
o L’automobile.
o L'énergie.
o Les produits de consommation.
o Les transports ferroviaires et maritimes.
o Les technologies de l'information et de la communication.

Tableau 1: FICHE TECHNIQUE DE SEGULA TECHNOLOGIES

17
1.1.3 Présentation de l’entreprise d’accueil SIMRA MAROC

La filiale SIMRA est basée à Nouaceur, près de l'aéroport international de Casablanca, au

Maroc. Elle a été créée en 2003 et compte environ 200 employés.

SIMRA se concentre sur la tôlerie et le traitement de surface pour l'industrie aéronautique.

Elle propose des services allant de la conception à la fabrication de pièces métalliques pour
les avions, en passant par la production en série et l'installation. Elle travaille avec des
matériaux tels que l'aluminium, le titane et l'acier inoxydable pour fabriquer des structures
telles que les ailes, les fuselages, les portes et les volets.

En plus de la fabrication de pièces métalliques, SIMRA offre également des services de

traitement de surface, tels que le revêtement de surface, le chromage et la peinture, pour
protéger les surfaces métalliques contre la corrosion et l'usure.

SIMRA travaille avec de grands noms de l'industrie aéronautique, tels qu'Airbus, Safran,
Boeing, Daher et STELIA, l’entreprise est également engagée dans des projets de recherche et
développement pour améliorer la qualité et l'efficacité de ses services.

Enfin, SIMRA est certifiée ISO 9001 pour la qualité de ses processus et produits, et possède
également d'autres certifications telles que l'EN 9100 pour l'industrie aéronautique et
NADCAP une certification dédiée à l’industrie aérospatiale.

✓ Fiche technique de SIMRA MAROC

Date de création 17/04/2003

Capital et forme SOCIETE ANONYME

juridique

Effectif dernier 257 personnes

exercices clos

Chiffre d’affaires 4 millions euro en 2014

Capital 25 313 000 DH

18
Infrastructure SITE INDUSTRIEL
(locaux, superficie,
niveaux, …)

Profil du dirigeant Profil Aéronautique

(spécialisation,
expérience dans le
métier, …)

Appartenance à un SECTEUR Aéronautique

écosystème/ filière/
secteur

Partenariat GROUPE SEGULA

stratégique, groupe,
caractère familial

Certification et labels La certification NADCAP : (National Aerospace and Défense

Contractor Accréditation Program) est une accréditation
spécifique à l'industrie aéronautique et de défense qui évalue et
accrédite les fournisseurs en fonction de leurs processus, de leurs
compétences et de leurs performances. Cette accréditation est
reconnue par de nombreuses entreprises aéronautiques et de
défense, qui exigent souvent que leurs fournisseurs soient
NADCAP accrédités.
La certification ISO 9001 : est une norme internationale de
système de management de la qualité qui établit les exigences
pour les systèmes de management de la qualité. Cette norme est
conçue pour aider les organisations à assurer la satisfaction de
leurs clients et l'amélioration continue de leur système de
management de la qualité.

La certification EN9100 : est une norme de système de

management de la qualité pour les organisations impliquées dans

19
 l'aérospatiale. Elle est basée sur la norme ISO 9001 mais inclut
des exigences supplémentaires spécifiques à l'industrie
aéronautique. Cette certification est exigée par de nombreuses
entreprises aéronautiques et spatiales, notamment Airbus et
Boeing.

Adresse Technopole Aéroport Mohamed V, Casablanca 20100

Tableau 2: FICHE TECHNIQUE DE SIMRA MAROC

20
✓ Organigramme de l’entreprise SIMRA MAROC
Magasin de réception et contrôle

Responsable magasin

Magasin Quincaillerie

Achat Achat locale

Responsable Supply Chain Achat import

Assistant en administration
Vente
des ventes

Service méthode

service Technnique Bureau d'étude

SI

Chef de projet

contrôle
Directeur Général

Qualité HSE

Technicien laboratoire

Directeur Financier comptabilité Aide comptable Coursier

Responsable RH Assitante RH

Maintenance

Réferent métiers

Planification et
Détourage
ordonnancement

Repsonsable d'unité Chef d'équipe Pliage

chaudronnerie

Production traitement Surface

traitement thermique

Repsonsable d'unité Chef d'équipe Ressuage

Unité de peinture

Marquage - Montage

Repsonsable d'unité Chef d'équipe Usinage

figure 1 : Organigramme De l'entreprise SIMRA MAROC

21
1.2 Contexte spécifique du projet

Lors de ce chapitre, nous allons présenter de manière brève l’entité au sein de laquelle s’est
déroulé mon projet de fin d’étude : DÉPARTEMENT SUPPLY CHAIN

1.2.1 Présentation du service Achat

Le service achat de SIMRA Maroc où on a passé nos premières semaines est chargé de
l'approvisionnement en matières premières, pièces et équipements nécessaires pour la
production d'avions. Il est divisé en deux parties : l'achat étranger import et l'achat local

1.2.1.1 Achat import

Le service d'achat import de SIMRA Maroc s'occupe de l'approvisionnement en matières

premières, pièces et équipements provenant de fournisseurs étrangers.

1.2.1.2 Achat local

L'achat local chez SIMRA Maroc concerne l'acquisition de consommables et de matières

premières auprès de fournisseurs nationaux.

1.2.1.3 Approvisionnement

Principales Matières premières TOLE ALUMINUM, TUBE (ALU,

ACIER, INOX)

Principaux fournisseurs et degré de SERVICE CENTRE AERO, AERO

dépendance NEGOCE, BOEING, OSBOR METALS,
CASTLE METALS

Nature de la relation avec les CONTRACTUELLE

fournisseurs (contractuelle, formalisée,
Groupement export, …)

Tableau 3: APPROVISIONNEMENT

22
1.2.1.4 Organigramme de l’ACHAT

Achat

Responsable
Achat locale Achat import
magasin

Magasin de
Magasin
réception et
Quincaillerie
contrôle

Figure 2: Organigramme du service achat

1.2.2 Présentation du service Production

SIMRA MAROC peut effectuer deux types de productions : une production globale, qui
implique la prise en charge de la matière première depuis le détourage jusqu'à la peinture et au
contrôle final, ainsi qu'une production partielle ou une sous-traitance. Dans le cas de la sous-
traitance, le client demande seulement le traitement de certaines parties du processus de
fabrication, comme le traitement de surface, la peinture, le traitement thermique ou le
ressuage.

1.2.2.1 Activités et Métiers de SIMRA MAROC

Métier et évolution Fabricant de pièces spéciales Aéronautique

Gamme de produits/services Pièces Aéronautique

Parc machines (équipement, 87 Machines de : Détourage ; Ajustage ; Montage ; Pliage

technologie…) ; Soudage ; une salle de peinture et traitement de surface

Utilisation de l’outil de 70%

production (capacité
installée, taux d’utilisation)

23
 Positionnement dans la Sous-traitant
chaine de valeur

Tableau 4:ACTIVITÉS ET MÉTIERS DE SIMRA MAROC

1.2.2.2 Organigramme du service production

Maintenance

Réferent métiers

Planification et
Détourage
ordonnancement
Repsonsable
Chef d'équipe Pliage
d'unité
Production

chaudronnerie

traitement Surface

traitement
thermique
Repsonsable
Chef d'équipe Ressuage
d'unité

Unité de peinture

Marquage -
Montage
Repsonsable
Chef d'équipe Usinage
d'unité

Figure 3: Organigramme du service production

24
1.2.3 Présentation du service d’Administration Des Ventes

Ce service en aéronautique est responsable de plusieurs missions clés telles que la gestion de
la relation avec les clients, la prise en compte des commandes fermes et prévisionnelles, le
suivi des livraisons ainsi que la coordination avec les autres maillons de la SUPPLY CHAIN.

1.2.3.1 Marché et concurrence

Marché NATIONAL & INTERNATIONAL

STELIA, MATIS, DAHER, SAFRAN,

Principaux Clients
AIRBUS, CCA

BOMBARDIER, BOEING,
Principaux concurrents
CASABLANCA AERONAUTIQUE

Nature de la relation avec les clients

(contractuelle, formalisée, Groupement CONTRACTUELLE
export, …)

Couples segments/produits (marchés de NATIONAL & INTERNATIONAL

référence : national et international

Tableau 5: MARCHÉ ET CONCURRENCE

1.2.3.2 Organigramme du service vente

vente
assistant en
administration
des ventes

Figure 4: Organigramme service vente

25
 Chapitre 2 : Cadrage du projet
Dans ce chapitre, nous effectuerons une étude et une analyse de l'existant en examinant les
services de l'Achat, de l'Administration des Ventes et de la Qualité de la Production. Nous
examinons en détail les processus et les contrôles de chaque service pour identifier les lacunes
et les problèmes potentiels. Ensuite, nous présentons la problématique spécifique que notre
projet vise à résoudre, en mettant en évidence les objectifs attendus. Nous établissons
également la charte du projet, y compris le diagramme de Gantt prévisionnel, la méthodologie
de conduite de projet, les risques identifiés et les objectifs fixés. Enfin, nous effectuons une
revue documentaire et une revue de la littérature pour consolider nos connaissances et notre
compréhension du domaine.

1 Étude et Analyse de l’existant

SIMRA MAROC est une société anonyme spécialisée dans la fabrication de pièces spéciales
pour l'aéronautique, créée en 2003 et basée à NOUASSEUR, près de Casablanca, au Maroc.
L'entreprise propose des services de fabrication de pièces spéciales et de sous-ensembles
aéronautiques, ainsi que des services de traitement de surface, de peinture, de
tôlerie/chaudronnerie et d'assemblage.

Les produits et services de SIMRA MAROC sont destinés à une clientèle nationale et
internationale du secteur aéronautique, incluant des entreprises telles que STELIA, MATIS,
DAHER, SAFRAN, AIRBUS et CCA. L'entreprise est organisée en plusieurs départements,
chacun étant dirigé par un responsable et placé sous l'autorité d'une direction générale.

Le processus de production de SIMRA MAROC est axé sur la fabrication de pièces

aéronautiques spéciales et comprend plusieurs étapes clés, telles que la conception, la
fabrication, le traitement de surface, la peinture, la tôlerie/chaudronnerie et l'assemblage de
sous-ensembles aéronautiques.

Cependant, l'entreprise doit faire face à plusieurs défis, notamment la concurrence accrue sur
le marché de l'aéronautique, la complexité des processus de production, l'optimisation des
coûts et l'adoption de nouvelles technologies. La gestion des ressources humaines est
également un défi majeur pour SIMRA MAROC, en termes de formation et de
développement des compétences.

26
Pour répondre à ces défis, SIMRA MAROC a mis en place plusieurs mesures, telles qu'une
stratégie de différenciation, des processus de production innovants et efficaces, des
programmes de formation pour les employés, une collaboration étroite avec les clients pour
répondre à leurs besoins spécifiques et une attention particulière à la gestion des coûts.

1.1 Service Achat

1.1.1 Achat import

Avant de passer commande auprès de ses clients tels qu’AIRBUS, SIMRA Maroc effectue
une vérification des certificats de conformité (QPL’ QUALIFIED PRODUCTS LIST ’pour
s'assurer que le fabricant est bien habilité à fournir les composants nécessaires. L’incoterm
appliqué généralement est EXW.

1.1.2 Achat local

Ce processus vise à assurer un approvisionnement en matériaux de qualité pour la production.

Il peut également inclure des commandes de sous-traitance pour certaines étapes de
production nécessitant des qualifications spécifiques, telles que la peinture qui peut être sous-
traitée par des partenaires locaux (des clients ou fournisseurs) tels que CASABLANCA
AERO.

1.1.3 Mission du service ACHAT

Le service achat de SIMRA Maroc a pour mission

✓ Négociation des prix

✓ Evaluation et sélection des fournisseurs
✓ L'établissement des demandes de prix
✓ Passation des commandes
✓ Réception des produits
✓ Evaluation des fournisseurs (performances)

De plus, ce service gère également les matières premières pour les projets FAI ‘FIRST
ARTICLE INSPECTION’ qui sont des inspections de qualité pour vérifier les pièces avant
leur lancement en production, l’article inspecté n’est pas nécessairement le « premier »
produit, mais un article ou un échantillon aléatoire de pièces du premier lot.

27
1.1.4 La cartographie BPMN relative au processus achat

Figure 5: Business Process Model and Notation Achat

28
1.1.5 Descriptif de la cartographie processus achat :

Le BPMN d'achat représente de manière concise et visuelle le processus d'approvisionnement

au sein du service des achats de SIMRA MAROC. Ce processus comprend plusieurs étapes
clés pour assurer un approvisionnement efficace en matières premières, pièces et équipements
nécessaires à la production des pièces aéronautiques des avions.

Le processus commence par la négociation des prix avec les fournisseurs. Cette étape
implique des discussions et des échanges pour déterminer des conditions commerciales
favorables. Ensuite, le service des achats évalue et sélectionne les fournisseurs potentiels en
fonction de critères tels que la qualité des produits, la fiabilité de livraison et la conformité
aux normes.

Une fois les fournisseurs choisis, le service des achats établit des demandes de prix détaillées
pour les articles nécessaires. Ces demandes comprennent des spécifications techniques et des
quantités requises. Sur la base des réponses reçues, le service des achats passe ensuite les
commandes aux fournisseurs sélectionnés.

Après avoir passé les commandes, le service des achats assure le suivi des livraisons. Il
s'assure que les produits sont expédiés dans les délais convenus et coordonne la réception des
marchandises. Une fois les produits reçus, ils font l'objet d'une évaluation pour s'assurer de
leur conformité aux spécifications techniques et de leur qualité.

En parallèle, le service des achats gère également les matières premières pour les projets FAI
(First Article Inspection), qui consistent en des inspections de qualité pour vérifier les pièces
avant leur lancement en production. Cela garantit que les pièces répondent aux exigences de
qualité et de performance attendues.

L'objectif ultime du processus d'achat est de garantir un approvisionnement fiable et de

qualité en matières premières, pièces et équipements nécessaires à la production des pièces
aéronautiques des avions. Le BPMN d'achat représente de manière claire les différentes étapes
de ce processus, permettant ainsi aux membres de l'organisation de suivre efficacement les
activités liées à l'approvisionnement.

1.2 Service de l’administration des ventes

Le service ADV participe activement à la mise en place de politiques et de procédures pour

améliorer l’efficacité de la chaîne d’approvisionnement et optimiser les coûts tout en
maintenant la qualité des produits.

29
1.2.1 Les missions du service ADV

Le service de l’administration des ventes de SIMRA Maroc a pour mission :

✓ Responsable de la gestion de la relation avec les clients.

✓ Gérer les commandes fermes et prévisionnelles et suivre les livraisons.

✓ Coordonner avec les autres maillons de la SUPPLY CHAIN.

1.2.2 La cartographie BPMN relative au processus de l’administration des ventes

Figure 6: Business Process Model and Notation de l'administration des ventes

1.2.3 Descriptif de la cartographie processus ADV

Le BPMN d'administration des ventes représente de manière concise et visuelle le processus

de vente au sein du service ADV de SIMRA MAROC. Ce processus englobe plusieurs étapes
clés pour assurer une gestion efficace des commandes et des relations clients.
30
Le processus débute par la gestion de la relation client, où le service ADV s'engage à
entretenir des échanges réguliers avec les clients, à répondre à leurs besoins de manière
efficace et à maintenir des relations solides avec eux. Ensuite, le service gère les commandes
fermes et prévisionnelles, en assurant leur planification et leur exécution dans les délais
impartis.

Le suivi des livraisons constitue une étape importante du processus d'ADV. Le service est
responsable de suivre les expéditions et de s'assurer que les produits sont livrés conformément
aux attentes des clients. Cela permet de garantir la satisfaction des clients tout au long du
processus de vente.

La coordination avec les autres maillons de la SUPPLY CHAIN est également essentielle. Le
service ADV collabore activement avec ces acteurs pour maintenir une chaîne
d'approvisionnement optimale, optimiser les coûts et préserver la qualité des produits. Cette
coordination permet de garantir une fluidité dans le processus d'approvisionnement et de
répondre efficacement aux demandes des clients.

En résumé, le BPMN d'administration des ventes du service ADV de SIMRA MAROC

représente de manière concise et visuelle le processus de vente. Il met en évidence les étapes
clés telles que la gestion de la relation client, la gestion des commandes, le suivi des livraisons
et la coordination avec les autres acteurs de la SUPPLY CHAIN. L'objectif ultime est
d'assurer une gestion efficace des ventes, de maintenir des relations solides avec les clients et
de garantir la satisfaction des clients ainsi que la qualité des produits.

1.3 Service Qualité de la production

1.3.1 Processus de production

Le processus de production se compose de dix sous processus qui représentent le flux

physique des articles chez SIMRA MAROC.

✓ Sous processus Détourage

Le détourage des tôles en aluminium est une étape essentielle dans la réalisation des pièces
aéronautiques. Cette technique permet de découper les pièces à partir d'un empilage de tôles
selon les commandes du programme de la machine. La machine de détourage est équipée d'un
tableau de suivi qui permet d'ajuster les valeurs et les outils utilisés en fonction des besoins de
production. Cette étape de production constitue la première étape du LEAN
MANUFACTURING chez SIMRA Maroc et sera au centre de notre stage

31
 Figure 7: Machine de détourage

✓ Sous processus Usinage

Cette étape consiste à donner forme à des pièces en utilisant des machines-outils spécialisées
telles que des tours, des fraiseuses, des perceuses et des rectifieuses. Les matériaux bruts, tels
que les métaux, les plastiques ou les composites, sont transformés en pièces finies en enlevant
de la matière jusqu'à obtenir les dimensions et la forme désirées. L'usinage est une opération
complexe qui nécessite des compétences techniques approfondies et un équipement de pointe
pour garantir la qualité et la précision des pièces produites. Chez SIMRA MAROC, cette
étape est effectuée par une équipe de professionnels qualifiés qui veillent à ce que chaque
pièce soit usinée avec précision pour répondre aux exigences de qualité les plus élevées.

✓ Sous processus Pliage

Au niveau de cette étape, le plus utilisé est la machine de pliage de tôles CNC (Commande
Numérique par Ordinateur). Ces machines sont équipées de systèmes de contrôle avancés et
peuvent être programmées pour plier des tôles en fonction des spécifications exactes de
conception. Elles sont utilisées pour plier des pièces en métal pour des structures d'aéronefs,
des équipements intérieurs et extérieurs, des panneaux de fuselage, des ailes et d'autres
composants. Les machines de pliage de tôles CNC sont précises, rapides et fiables, ce qui les
rend essentielles dans le secteur aéronautique pour produire des pièces de haute qualité avec
une grande précision et une grande efficacité.

✓ Sous processus Traitement de surface

Les traitements de surface sont des procédés essentiels dans l'industrie aéronautique, qui
modifient les propriétés superficielles des matériaux utilisés. Ces traitements permettent
d'améliorer les propriétés mécaniques, électriques, chimiques, thermiques, esthétiques et
protectrices des pièces aéronautiques. Les alliages d'aluminium, largement utilisés dans la

32
construction aéronautique, bénéficient ainsi de traitements de surface tels que l'anodisation ou
la conversion chimique pour augmenter leur résistance à la corrosion. Les traitements de
surface peuvent également être utilisés à des fins décoratives, pour améliorer l'adhérence des
peintures ou pour faciliter l'écoulement d'air sur certaines pièces, améliorant ainsi leur
performance aérodynamique. En somme, les traitements de surface sont des procédés
critiques pour la qualité et la durabilité des pièces aéronautiques.

✓ Sous processus Ressuage

Le ressuage est une méthode utilisée pour détecter des discontinuités de surface sur des
matériaux. Cette technique repose sur l'application d'un liquide pénétrant qui se propage dans
les fissures et les discontinuités, puis est retiré de la surface. Ce liquide rend visible toute
discontinuité en créant une coloration différente sur la surface, permettant ainsi une détection
visuelle facile. Cette technique est couramment utilisée dans l'industrie aéronautique pour
s'assurer de la qualité et de la sécurité des composants. Le ressuage est une méthode simple,
rapide et peu coûteuse qui peut être utilisée pour détecter les défauts de surface avant qu'ils ne
deviennent des problèmes plus importants.

✓ Sous processus Traitement thermique

Ce traitement consiste en une opération de trempe de pièces métalliques qui est réalisée dans
un four. Ce four est équipé d'un dispositif de régulation de température permettant une très
bonne homogénéité de la température. La trempe doit être suivie d'un refroidissement très
rapide, pour cela l'eau est souvent utilisée comme milieu de trempe. Après la sortie du four, la
charge est acheminée vers un bac d'eau où elle tombe par gravité. Cette opération de trempe
permet d'améliorer les propriétés mécaniques des pièces métalliques en augmentant leur
dureté et leur résistance.

✓ Sous processus Chaudronnerie

La chaudronnerie est un processus qui débute avec la conceptualisation de la pièce finale et la

création d'un plan pour organiser le travail. Les différentes étapes et opérations de fabrication
sont ensuite conçues à partir de ce dossier technique ou plan. Les pièces peuvent être débitées,
mises en forme par pliage, cintrage ou roulage. Enfin, la chaudronnerie peut inclure le
soudage des pièces pour assembler la structure finale. Ce processus est important dans de
nombreux secteurs tels que l'aéronautique, la construction navale et l'industrie automobile.

33
 ✓ Sous processus Montage

En construction aéronautique, il existe plusieurs moyens d'assemblage pour la réalisation des

différents ensembles tels que le rivetage, le boulonnage, le vissage, le soudage et le collage.
Chaque méthode d'assemblage présente des particularités propres, mais toutes les pièces
doivent être positionnées correctement et maintenues en place par un outillage approprié pour
garantir la qualité de l'assemblage. La précision de l'ajustement des pièces est primordiale
pour éviter tout jeu excessif ou mauvais alignement, qui pourrait compromettre la fiabilité de
la structure assemblée. Le choix de la méthode d'assemblage dépend de plusieurs facteurs, tels
que la géométrie des pièces à assembler, les contraintes mécaniques auxquelles l'assemblage
sera soumis et les exigences de sécurité.

✓ Sous processus Peinture

Ce processus de peinture est divisé en trois étapes pour garantir un résultat optimal :

➢ L'étape de masquage (dépend du client) : Elle consiste à protéger les zones de la pièce
qui ne doivent pas être peintes en utilisant divers matériaux tels que du scotch adhésif
ou du papier abrasif. Il est important de choisir le bon matériau de masquage pour
éviter toute altération de la qualité finale de la pièce après le séchage de la couche de
finition.

➢ L'étape de préparation : Avant de peindre une pièce, il est essentiel de la préparer pour
assurer une qualité de finition optimale. Cette étape de préparation implique plusieurs
opérations telles que le nettoyage de la surface, le ponçage pour enlever les
imperfections et la réactivation de la peinture existante. Il est important de réaliser ces
étapes avec soin pour garantir une adhérence parfaite de la peinture sur la surface de la
pièce.

➢ L'étape de peinture : dans la construction aéronautique se déroule dans une cabine

spéciale où les paramètres tels que le niveau de température et d'humidité sont
contrôlés pour garantir la qualité de la peinture. La peinture peut être à base de solvant
ou à base d'eau, et se fait à l'aide de programmes de peinture adaptés. Les produits
utilisés pour la peinture à base de solvant sont composés d'une base, d'un durcisseur et
d'un diluant, et se caractérisent par un dégazage rapide en contact avec l'air. Pour la
peinture à base d'eau, les produits utilisés sont la base, le durcisseur et l'eau, et le
dégazage se fait lentement en contact avec l'air.

34
 ✓ Sous processus Marquage

Le marquage numérique attribue un numéro d'identification à chaque pièce fabriquée, ce qui

est crucial pour la traçabilité tout au long du processus de production. Ce numéro est essentiel
pour engager la responsabilité de SIMRA en cas de défaillance de la pièce lors de son
utilisation. En somme, cette étape est importante pour garantir la sécurité et la qualité des
pièces produites.

1.3.2 Processus contrôle qualité de production

Le processus contrôle qualité de production se compose de quatre catégories de contrôle :

✓ Le contrôle dimensionnel :

Le contrôle dimensionnel consiste à inspecter visuellement les pièces en cours de fabrication

et celles qui ont été livrées afin de vérifier leur conformité aux spécifications. Cette étape
permet de s'assurer que les pièces ont les dimensions et les caractéristiques requises pour leur
utilisation, c’est une étape qui se fait après la sortie de la pièce depuis l’usinage, montage,
peinture ....

✓ Le contrôle final :

Le contrôle final est une étape essentielle qui vise à vérifier l'aspect global de la pièce en se
basant sur une gamme de contrôle spécifique pour chaque pièce. Cette étape implique
également une série de tests et de vérifications de conformité effectués par le service de
contrôle qualité. Toutes les pièces ne répondant pas aux normes de qualité et présentant un
risque de défaillance sont rejetées selon les exigences de la norme EN 9100.

✓ Le contrôle peinture (le test d'adhérence par arrachement)

Le test d'adhérence par arrachement est une méthode utilisée dans l'industrie aéronautique
pour évaluer la solidité de l'adhérence de la peinture sur les surfaces des composants. Il
mesure la force nécessaire pour détacher la peinture de la surface, ce qui est important pour
assurer la durabilité, la résistance aux intempéries et la sécurité des composants
aéronautiques. Les résultats du test sont comparés aux normes de l'industrie pour garantir une
adhérence suffisante de la peinture.

✓ Le contrôle mural de qualité

Le contrôle mural de qualité est une procédure effectuée chez SIMRA MAROC pour garantir
la conformité des produits aux normes et aux exigences spécifiques des clients. Il s'agit d'une

35
étape supplémentaire de vérification de la qualité qui intervient après le montage et le
marquage des pièces élémentaires. Le contrôle mural consiste à inspecter visuellement les
pièces pour détecter d'éventuels défauts, imperfections ou non-conformités. Cette mesure vise
à assurer la satisfaction du client en fournissant des produits de haute qualité qui répondent à
leurs attentes. Le contrôle mural de qualité permet d'identifier les problèmes potentiels et de
prendre des mesures correctives avant la livraison des produits aux clients.

36
1.3.3 La cartographie BPMN relative au processus Qualité de la production

Figure 8: Business Process Model and Notation de la qualité de la production

37
1.3.4 Descriptif de la cartographie processus Qualité de la production :

Le processus qualité au sein de SIMRA MAROC est essentiel pour assurer la satisfaction des
clients et maintenir des normes élevées de qualité. Ce processus repose sur des directives
claires et des procédures rigoureuses pour garantir une gestion efficace des non-conformités et
des actions correctives.

Lorsqu'un client demande l'utilisation de ses propres formulaires, le pilote qualité produit doit
exploiter ces formulaires et suivre la démarche spécifiée dans ces derniers lors de la
sécurisation et de l'établissement des plans d'action. Cela permet de s'aligner sur les exigences
spécifiques du client et d'assurer une approche cohérente dans le traitement des non-
conformités.

De plus, si le client spécifie des délais pour la sécurisation, l'établissement des plans d'actions
ou d'autres étapes du processus, il est crucial de prendre en compte et de respecter ces délais
lors du traitement des non-conformités client. Cela démontre l'engagement de SIMRA
MAROC envers la satisfaction du client et la gestion efficace des problèmes de qualité.

Le processus qualité met également l'accent sur l'évaluation continue des performances et la
mise en place d'actions correctives. Les non-conformités sont soigneusement analysées, des
plans d'action sont élaborés pour résoudre les problèmes identifiés, et des mesures sont prises
pour prévenir toute récurrence.

En résumé, le processus qualité de SIMRA MAROC vise à assurer la satisfaction des clients
et le maintien des normes de qualité. Il inclut la prise en compte des formulaires spécifiques
du client et le respect des délais spécifiés, ainsi que l'évaluation continue des performances et
la mise en œuvre d'actions correctives appropriées. Ce processus contribue à garantir la
qualité des produits et la satisfaction des clients tout au long de leur expérience avec SIMRA
MAROC.

2 Présentation de la problématique et les objectifs projet

Lors de notre projet de fin d'études au département SUPPLY CHAIN de SIMRA MAROC,
notre objectif principal était d'améliorer les performances opérationnelles de l'entreprise. Nous
avons commencé par visiter l'entreprise afin de découvrir les différentes zones de SIMRA
Maroc.

Au cours de la première semaine, nous nous sommes concentrées sur le service des achats
locaux. Nous avons assisté aux demandes d'achat et avons pris note des difficultés auxquelles
38
l'acheteuse était confrontée quotidiennement pour répondre aux besoins en matières premières
des demandeurs. Ensuite, nous avons travaillé sur la partie des achats import. Notre objectif
était d'analyser le processus sur une semaine et de réaliser une cartographie du processus
achat orientée BPMN, nous avons constaté que la demande d'achat devait passer par le service
financier et le directeur général de l'entreprise, ce qui entraînait parfois des retards.

De plus, les délais d'approvisionnement étaient souvent très longs, pouvant aller jusqu'à 1 an.
Après avoir passé quelques jours avec les acheteuses, nous avons souhaité explorer les
opérations effectuées au magasin, notamment la réception, le contrôle qualité et le stockage,
afin de mieux comprendre la phase amont de la chaîne logistique de SIMRA MAROC.

Le magasin était composé de trois zones distinctes : la réception, le contrôle (zone rouge) et le
stockage. Ils utilisaient la méthode FIFO (premier entré, premier sorti) pour gérer les articles,
pendant notre visite du magasin, nous avons pu observer les processus de réception, de
contrôle qualité et technique, ainsi que les zones de stockage et de préparation pour la
production et l'expédition. Nous avons également constaté que l'inventaire n'était jamais
effectué et que la classification ABC n'était pas utilisée pour définir les articles à forte
rotation.

Dans le cadre de notre mission, nous avons également eu l'opportunité de discuter avec la
planificatrice et la responsable de la SUPPLY CHAIN, qui est notre encadrante. À ce stade,
notre problématique n'était pas encore définie, car nous souhaitions d'abord explorer et
approfondir nos analyses à tous les maillons de la chaîne, en collectant des données à travers
des entretiens directs, des extractions de données auprès du responsable SI (Clipper) et des
indicateurs métiers.

Après la réalisation du BPMN achat, nous avons demandé à l'une des acheteuses de nous
fournir la procédure interne afin de l’aligner avec notre cartographie BPMN. Ensuite, nous
avons eu une réunion avec le responsable de la première unité de production, la responsable
SUPPLY CHAIN et le directeur général de SIMRA MAROC. Au cours de cette réunion, qui a
duré environ une heure, nous avons expliqué notre vision et notre volonté de combiner
l'informatique et la logistique.

Suite aux différents échanges effectués avec les acheteuses, nous avons constaté que 40% des
fournisseurs rejetaient les demandes de SIMRA en raison de retards de paiement. De plus, le
Calcul des Besoins Nets (CBN) était généré de manière hebdomadaire, voire quotidienne, ce

39
qui influençait les décisions prises par le service de la SUPPLY CHAIN, entraînant des sous-
estimations ou des excès au niveau des besoins.

En ce qui concerne l'ADV (Administration des Ventes), nous avons cherché à comprendre le
comportement des clients SIMRA, les types de cycles utilisés dans les commandes et surtout
les paiements, car tout retard de paiement des clients pouvait entraîner des problèmes de fonds
de roulement et de liquidité pour l'entreprise.

Pendant notre deuxième mois de stage, nous avons commencé la semaine par un petit
debriefing avec le responsable de la première unité de production chez SIMRA MAROC.
Cette unité gérait trois îlots de production : le détourage, le pliage et la chaudronnerie. Nous
avons posé plusieurs questions pour comprendre le flux de production, car SIMRA MAROC
fabrique des pièces aéronautiques pour la construction d'avions. Ils utilisent deux stratégies
industrielles : la fabrication à la commande (MTO - MAKE TO ORDER) et l'ingénierie à la
commande (ETO - ENGINEER TO ORDER), cette dernière étant utilisée pour les premières
inspections d'articles (FAI - First Article Inspection), l'une des premières observations que
nous avons faites est l'absence d'identification des délais de fabrication, alors que Clipper
indique un délai moyen de 4 semaines pour des milliers de références. Nous nous sommes
donc tournés vers le service méthodes pour analyser les gammes de fabrication, mais nous
avons constaté que les délais de fabrication n'étaient pas spécifiés. De plus, nous avons
remarqué que les indicateurs de performance étaient principalement liés aux opérateurs et à
leurs productivités.

Au fil des semaines, nous avons constaté qu'il n'y avait pas vraiment d'indicateurs de mesure
clairs. Les ordres de fabrication étaient gérés par Clipper, avec une coordination entre les
planificateurs et le magasinier pour le lancement et la récupération des matières premières.

En ce qui concerne la qualité, nous avons constaté une bonne gestion avec un suivi adéquat
des non-conformités internes et des retours clients. Cependant, nous avons également
remarqué l'absence d'indicateurs de mesure pour la maintenance préventive ou corrective.

Nous avons mené des entretiens avec les employés de l'entreprise pour comprendre leur point
de vue sur les problèmes opérationnels. Il est apparu que ces derniers ne bénéficiaient pas de
formations ou d'améliorations en termes de compétences.

Face à ces obstacles, nous avons réalisé l'importance de proposer des solutions efficaces et
adaptées pour améliorer la performance de chaque maillon de la chaîne d'approvisionnement.
Nous avons également compris qu'il était essentiel de tenir compte des contraintes et des

40
spécificités de chaque maillon pour contribuer à l'amélioration de l'entreprise. Ainsi, notre
rapport de PFE se concentrera sur l'analyse des données et la proposition de nouveaux
indicateurs de performance afin d’apporter des solutions concrètes et efficaces pour améliorer
la situation actuelle de la chaîne d'approvisionnement de SIMRA MAROC.

3 Charte du projet
3.1 Diagramme de GANTT prévisionnel

Figure 9: Gantt prévisionnel

3.2 Méthode de conduite du projet

3.2.1 Présentation de l’équipe projet (La Scrum Team) et les rôles associés

L'équipe Scrum est formée de trois éléments : le Product OWNER, l'équipe de développement
et le Scrum Master. Le modèle Scrum a été conçu pour optimiser la flexibilité, la créativité et
la productivité de l'équipe.

Le Product OWNER (PO) HABCHI Soumaya, a pour rôle de présenter les caractéristiques et
les fonctionnalités du produit à développer, ainsi que d'approuver le produit livré.

Le Scrum Master (SM) BARKAL Hajar, supervise l'avancement global du projet et les
activités de l'équipe. Il s'occupe également de l'organisation des réunions et garantit la bonne
application de la méthode AGILE.

L'équipe de développement est composée de HABCHI et BARKAL, ainsi que d'autres

membres si nécessaire. Elles sont responsables de la réalisation des histoires utilisateurs et de
l'élaboration des sprints.

41
 3.2.2 Planning du Product BACKLOG

SPRINT DAILY SCRUM SPRINT SPRINT SPRINT

PLANNING RETRO REVIEW

SPRINT 1 : 13 février - 27 février 15 février - 26 13-Feb 28 février 27 février

février

SPRINT 2 : 28 février - 13 mars 2 mars - 12 mars 28-Feb 14 mars 13-Mar

SPRINT 3 : 14 mars - 27 mars 16 mars - 26 mars 14-Mar 28-Mar 27-Mar

SPRINT 4 : 28 mars - 10 avril 30 mars - 9 avril 28-Mar 11-Apr 10-Apr

SPRINT 5 : 11 avril - 24 avril 13 avril - 23 avril 11-Apr 25-Apr 24-Apr

SPRINT 6 : 25 avril - 8 mai 27 avril - 7 mai 25-Apr 9-May 8-May

SPRINT 7 : 9 mai - 22 mai 11 mai - 21 mai 9 mai 23 mai 22 mai

SPRINT 8 : 23 mai - 5 juin 25 mai - 4 juin 23 mai 6 juin 5 juin

SPRINT 9 : 6 juin -18 juin 7 juin - 17 juin 5 juin 19 juin 18 juin

Tableau 6: Planning du product backlog

3.3 Objectifs du projet et de la mission

Le présent projet de stage a pour objectif principal d'améliorer la performance de la chaîne

d'approvisionnement de l'entreprise SIMRA en apportant des solutions concrètes et efficaces
aux défis identifiés. Des objectifs spécifiques et SMART ont été définis.

Tout d'abord, il s'agit de prédire avec précision la quantité de produits qui sera commandée
par le service achat. En anticipant la demande, nous pourrons faciliter la planification de la
production et optimiser les niveaux de stock, contribuant ainsi à réduire les délais
d'approvisionnement des fournisseurs SIMRA.

Le deuxième objectif consiste à améliorer la qualité des pièces produites en fixant des
indicateurs et en analysant les retours des clients. Nous allons mettre en place des méthodes
pour analyser les non-conformités et calculer des indicateurs clés de performance (KPI) liés à

42
 la qualité. Ces informations seront utilisées pour former les contrôleurs et les opérateurs, afin
d'identifier et de corriger les problèmes de qualité et d'optimiser les processus.

Enfin, nous souhaitons anticiper les commandes clients afin de pouvoir honorer les délais qui
leur ont été communiqués. Certains clients de SIMRA ont des cycles prévisionnels
spécifiques, et en travaillant au niveau de l'ADV (Administration des Ventes), nous serons en
mesure de mieux planifier la production et les livraisons, assurant ainsi la satisfaction des
Clients.

Objectif Spécifique Mesurable Atteignable Réaliste Temporellement

défini

Réduire les délais Réduire le délai Mesurer le temps Établir des En tenant compte Atteindre le délai
d'approvisionnement moyen moyen entre la actions et des des ressources et de 6 mois dans un
des fournisseurs d'approvisionnement demande améliorations des mesures délai d’un an
SIMRA de 11 mois à 6 mois d'approvisionnement concrètes prévues, l'objectif
et la réception des pour réduire est réalisable
produits par SIMRA les délais à 6
mois

Améliorer la qualité Réduire le taux de Mesurer le nombre Mettre en En tenant compte Atteindre le taux de
des pièces produites non-conformité de de produits non œuvre des des solutions 8% dans un délai
15.65% à 8% conformes par actions pour prévues pour d’un an
rapport au nombre réduire le taux améliorer la qualité,
total de produits à 8% l'objectif est
réalisable

Améliorer la qualité Réduire le nombre Mesurer le nombre Mettre en En tenant compte Atteindre le nombre
des pièces produites moyen de retours total de retours place des des actions de de 8 retours par
client de 11.58 par client par mois mesures pour correction prévues, mois dans un délai
mois à 8 par mois réduire les l'objectif est d’un an
retours à 8 par réalisable
mois

Améliorer la qualité Réduire le taux de Taux de rebuts 19.46% 10% D'ici la fin du
des pièces produites rebuts trimestre

43
Prédire la quantité Réduire l'erreur de Erreur de prévision +/- 30.86% +/- 18% D'ici la fin de
commandée par le prévision moyenne moyenne l'année
service achat

Améliorer la qualité Augmenter le taux OQD Client 60% 80% D'ici la fin du
des produits de satisfaction client semestre

Tableau 7: objectifs SMART pour le projet

Objectif Statistique Situation Situation Formule de calcul Méthode de Atteignable

actuelle prévue calcul (en
chiffres)

Réduire les délais Délai moyen 60jours 35 jours (Somme des délais 360000/60000 = Oui
d'approvisionnement d'approvisionnement d'approvisionnement 60jours
des fournisseurs de chaque
SIMRA references / Nombre
total de references)

Améliorer la qualité Taux de non- 15.65% 8% (Nombre de produits (18 / 115) x 100 = Oui
des pièces produites conformité non conformes / 15 %
Nombre total de
produits) x 100

Améliorer la qualité Nombre moyen de 11.58par 8 par Nombre total de 278 / 24 = 11.58 Oui
des pièces produites retours client mois mois retours client /
Nombre total de
mois

Améliorer la qualité Temps moyen de 30 jours 20 jours Temps total de 20 jours Oui
des pièces produites résolution des résolution des
problèmes de qualité problèmes de qualité
/ Nombre total de
problèmes de qualité

Améliorer la qualité Taux de rebuts 19.46% 10% (Nombre de produits (121504/624222) Oui
des pièces produites rebuts / Nombre x 100 = 19.46%
total de produits) x
100

44
Prédire la quantité Erreur de prédiction +/- +/- 18% (Quantité réellement ((676196 - Oui
commandée par le moyenne 30.86% commandée - 467525) / 676196)
service achat Quantité prévue) / x 100=30,86%
Quantité réellement
commandée x 100

Améliorer la qualité OQD Client 2000 1500 ((Nombre de (960 / 480 000) * Oui
des produits commandes non 1 000 000
conforme livré /
Nombre total de
commandes client
retourné) x 100

Tableau 8: objectifs et mesures de performance

En résumé, ce projet de stage vise à améliorer la performance de la chaîne

d'approvisionnement de SIMRA en prédisant les quantités commandées, en réduisant les
délais d'approvisionnement, en analysant les non-conformités et en anticipant les commandes
clients. À travers une analyse approfondie et l'utilisation d'outils avancés, nous fournirons des
solutions concrètes pour aider SIMRA à prendre des décisions plus fiables et efficaces,
contribuant ainsi à l'optimisation des opérations de l'entreprise.

3.4 Risque du projet

Il est important de reconnaître les risques associés à la réalisation de notre projet et de prendre
des mesures pour les éviter ou les atténuer. Parmi les risques les plus courants, on peut citer la
collecte de données inutiles ou erronées, qui peut entraîner une mauvaise analyse et une prise
de décision inefficace. De plus, des données incohérentes ou incomplètes peuvent fausser les
résultats et rendre l'analyse incomplète. La résistance au changement de la part des employés
peut empêcher l'application efficace des solutions proposées basées sur les résultats de
l'analyse de données. Enfin, il est possible que les résultats de l'analyse ne s'adaptent pas à la
stratégie SIMRA, ce qui peut entraîner une résistance de la part de la direction ou des
employés à la mise en œuvre des solutions proposées. Il est donc essentiel de rester vigilant et
de prendre des mesures pour diminuer ces risques afin d'assurer le succès de l'analyse de
données.

45
4 Revue documentaire
Introduction :

La revue documentaire est une étape clé de tout projet de recherche. Elle consiste à
rassembler et à analyser des informations à partir de différentes sources afin de mieux
comprendre le contexte et de préciser les objectifs de la recherche. Dans cette partie de notre
projet, nous allons effectuer une revue documentaire pour identifier les outils et les
méthodologies appropriés à notre étude.

BPMN

BPMN (Business Process Modeling Notation) 2.0 de l'OMG (Object Management Group) est
une notation graphique standardisée permettant de modéliser les processus métiers de manière
claire et compréhensible pour les utilisateurs métiers tels que les analystes, les développeurs
et les gestionnaires. Elle vise également à créer une passerelle normalisée entre la
modélisation des processus métiers et les langages d'exécution métiers. L'objectif principal de
cette méthode est de fournir un cadre commun pour la description des processus
indépendamment de l'outil utilisé. Les diagrammes d'orchestration, les diagrammes de
collaboration, le diagramme de chorégraphie et le diagramme de conversation sont les quatre
catégories de diagrammes utilisés pour représenter les différentes perspectives d'un processus.

Machine Learning

Le Machine Learning est une méthode de traitement de données qui permet à un ordinateur
d'apprendre et de s'améliorer à partir de données, sans être explicitement programmé. Cette
méthode peut être utilisée à différentes phases du projet, notamment pour analyser les
données, élaborer des modèles prédictifs et optimiser les résultats. Les avantages du Machine
Learning sont nombreux, notamment sa capacité à traiter de grandes quantités de données, à
fournir des résultats précis et à s'adapter à des situations complexes.

Deep Learning

Le Deep Learning est une méthode plus avancée de traitement de données qui utilise des
réseaux de neurones artificiels pour effectuer des tâches complexes. Cette méthode peut être
utilisée pour des tâches telles que la reconnaissance d'images et de voix, la traduction de
langues et la prédiction de résultats. Le Deep Learning est souvent utilisé en conjonction avec
le Machine Learning, car il peut aider à traiter des données plus complexes et à obtenir des
résultats plus précis.

46
Power BI

Power BI est un outil de visualisation de données qui permet de transformer les données
brutes en informations visuellement attrayantes et faciles à comprendre. Il offre une interface
utilisateur intuitive pour la création de rapports, de tableaux de bord et de graphiques
interactifs. Nous avons utilisé Power BI pour analyser les données collectées dans notre étude,
en les transformant en graphiques et en tableaux, ce qui nous a permis de mieux comprendre
les tendances et les relations entre les variables.

JUPYTER

JUPYTER est un environnement de développement interactif pour la création de documents

informatiques qui combinent du texte, des équations mathématiques, des visualisations et du
code informatique. Il permet de travailler avec différents langages de programmation tels que
Python, R et Julia. Nous avons utilisé JUPYTER pour développer nos codes Python, en
intégrant des visualisations et des explications textuelles pour mieux comprendre les résultats
obtenus.

Python

Python est un langage de programmation populaire qui est largement utilisé dans l'analyse de
données, le machine Learning, la visualisation de données et la science des données. Nous
avons utilisé Python pour effectuer l'analyse statistique de nos données, pour générer des
graphiques et des tableaux de bord interactifs, ainsi que pour implémenter des modèles de
MACHINE LEARNING pour prévoir les résultats de notre étude.

FIGMA/FIGJAM

FIGMA est un outil de design graphique collaboratif basé sur le Cloud qui permet la
collaboration en temps réel sur un projet et offre différentes fonctionnalités avancées pour une
meilleure visibilité et une grande maîtrise du flux de travail. Il fonctionne sur différents
systèmes d'exploitation et propose un plan gratuit pour créer et stocker 3 projets actifs
simultanément.

FIGJAM est un outil de tableau blanc en ligne qui facilite les brainstormings en équipe.

SCRUM

La méthode SCRUM consiste à développer progressivement une solution informatique en

gardant une liste transparente des demandes d'évolution ou de corrections à apporter. En
livrant régulièrement des versions fonctionnelles de la solution, généralement toutes les 4
47
semaines, le client peut bénéficier rapidement des améliorations apportées. Au fur et à mesure
de l'avancée du projet, la solution devient de plus en plus complète et offre de nouvelles
fonctionnalités.

Pour ce faire, la méthode préconise des cycles de développement itératifs à un rythme

constant d'une durée de 2 à 4 semaines. Le cycle de vie de l’approche SCRUM est illustré
dans la figure ci-dessous :

Figure 10: Le cycle de vie du SCRUM

Comme nous pouvons le remarquer dans cette figure, pour mettre en place l’approche
SCRUM, il faut tout d'abord définir les différentes fonctionnalités de l’application qui forment
le BACKLOG du produit. Ensuite, l’équipe procède à la planification du sprint pour définir le
plan détaillé d'une itération.

Les sprints durent généralement deux à quatre semaines. Durant un sprint, il y a toujours des
réunions quotidiennes entre les différents collaborateurs du projet afin de présenter l'état
d'avancement des différentes tâches en cours, les difficultés rencontrées ainsi que les tâches
restantes à réaliser.

Une fois le produit partiel est prêt, nous vérifions la conformité de ce qui a été fait. Durant le
sprint et nous pouvons alors l'améliorer en procédant à l'étape de rétrospective.

✓ DAILY SCRUM

Tenue de réunions quotidiennes de Scrum pour discuter de l'avancement des tâches et des
éventuels obstacles rencontrés

✓ SPRINT PLANNING

Organisation d'une réunion de planification de sprint pour discuter des tâches à réaliser pour
le prochain sprint

48
 ✓ SPRINT RETRO

Organisation d'une réunion de rétrospective de sprint pour discuter des leçons apprises et des
améliorations possibles pour les sprints suivants

✓ SPRINT REVIEW

Organisation d'une réunion de revue de sprint pour présenter les nouvelles fonctionnalités
implémentées et discuter de leur pertinence par rapport aux objectifs du projet

CLICKUP

CLICKUP est un outil très utile dans la gestion agile de projet car il permet de planifier,
suivre et exécuter les projets en utilisant les méthodologies agiles telles que Scrum et Kanban.
En utilisant CLICKUP, les équipes peuvent organiser leurs tâches sous forme de listes et de
tableaux Kanban, créer des sprints et des user stories, affecter des tâches aux membres de
l'équipe, suivre les temps et les budgets, et suivre l'avancement du projet en temps réel. De
plus, CLICKUP offre des fonctionnalités de collaboration telles que les commentaires, les
mentions et les notifications qui permettent aux membres de l'équipe de travailler ensemble de
manière plus efficace. En somme, CLICKUP est un outil très puissant pour les équipes qui
cherchent à mettre en pratique les méthodologies agiles dans leur gestion de projet.

Clipper GPAO

Clipper GPAO est un outil de gestion de production assistée par ordinateur qui permet de
planifier, d'organiser et de contrôler les opérations de production. Nous avons utilisé Clipper
GPAO pour suivre les différentes étapes de notre étude, en nous assurant que nous respectons
les délais et les budgets prévus.

EXCEL

Excel est un logiciel de tableur développé par Microsoft qui permet de manipuler des
données, de créer des graphiques et des tableaux. Nous avons utilisé Excel pour organiser et
analyser les données collectées dans notre étude, en les transformant en graphiques et en
tableaux, ce qui nous a permis de mieux comprendre les tendances et les relations entre les
variables.

PYCHARM :

PYCHARM est un environnement de développement intégré (IDE) spécialement conçu pour

Python. Il offre des fonctionnalités avancées telles que l'achèvement du code, le débogage, la

49
gestion de projets et l'intégration avec des outils de contrôle de version. PYCHARM améliore
la productivité des développeurs Python grâce à son interface conviviale et à ses
fonctionnalités puissantes.

FLASK :

Flask est un Framework web léger et flexible pour Python. Il est utilisé pour développer des
applications web de manière simple et rapide. Flask offre des fonctionnalités essentielles pour
la création de routes, la gestion des requêtes HTTP et la création de modèles HTML.

BIZAGI

BIZAGI est un outil de modélisation de processus d'affaires qui permet de visualiser et

d'analyser les flux de travail et les interactions entre les différents acteurs d'une organisation.
Nous avons utilisé BIZAGI pour modéliser les processus impliqués dans notre étude, en
identifiant les étapes clés et en décrivant les interactions entre les différents acteurs.

STREAMLIT

STREAMLIT est une bibliothèque Python utilisée pour créer des applications web
interactives pour la visualisation de données et le déploiement de modèles de Machine
Learning. Il permet aux développeurs de convertir facilement leur code Python en
applications web sans avoir à se soucier de la gestion de la mise en page ou des interactions
utilisateur complexes.

ANVIL

ANVIL est une plateforme puissante pour créer des applications Web avec Python, offrant
simplicité et flexibilité. Utilisé dans divers domaines, ANVIL permet de concevoir rapidement
des applications puissantes sans connaissances avancées en développement Web.

TRELLO

Trello est un outil de gestion de projet agile en ligne basé sur le système de tableau Kanban. Il
permet aux équipes de suivre et d'organiser leurs tâches à l'aide de cartes, de listes et de
tableaux. Trello est apprécié pour sa convivialité et sa flexibilité, ce qui en fait un excellent
choix pour la gestion de projets collaboratifs et le suivi des tâches.

FastAPI

FastAPI est un Framework Web moderne et performant pour la création d'API en utilisant
Python. Il offre une approche basée sur les annotations de type pour définir les routes, les

50
paramètres et les réponses de l'API, ce qui facilite la création d'API rapides et bien
structurées. FastAPI est connu pour sa vitesse et sa scalabilité, ce qui en fait un choix
populaire pour le développement d'applications Web.

GitHub :

GitHub est une plateforme de développement logiciel basée sur Git, un système de contrôle de
version distribué. Il permet aux développeurs de collaborer, de gérer et de partager
efficacement du code source et des projets. Sur GitHub, vous pouvez héberger vos dépôts de
code, suivre les modifications, soumettre des demandes de fusion, signaler des problèmes,
collaborer avec d'autres développeurs et gérer les versions de votre code. Il offre des
fonctionnalités telles que la gestion des branches, le suivi des problèmes, la documentation

✓ Synthèse

La revue documentaire nous a permis de sélectionner les outils et les approches adaptés à
notre étude. On utilisera Scrum pour la gestion, Power BI, Excel, FIGMA, Ishikawa, VSM, et
des modèles de Machine et Deep Learning pour l'analyse des données. BIZAGI sera utilisé
pour la gestion des processus métier.

5 Revue littérature
Introduction

Depuis leur création dans les années 1950, les réseaux de neurones ont connu une croissance
exponentielle. Ces dernières années, les systèmes d'apprentissage automatique basés sur les
réseaux de neurones ont permis des avancées significatives dans de nombreux domaines, tels
que la reconnaissance d'images, la compréhension du langage naturel et la conduite autonome.
Dans cette revue, nous passons en revue l'état de l'art des réseaux de neurones et des systèmes
d'apprentissage, en nous concentrant sur les dernières avancées technologiques, les
applications clés, les défis et les perspectives.

Section 1 : Histoire et développement des réseaux de neurones

Les réseaux de neurones artificiels ont été inspirés par le fonctionnement du cerveau humain.
McCulloch et Pitts ont été les premiers à proposer un modèle de neurone artificiel en 1943.
Rosenblatt a développé le perceptron en 1958, qui est un type de réseau de neurones artificiels
qui peut apprendre à classifier des données. Cependant, la plupart des chercheurs ont
abandonné les réseaux de neurones dans les années 1960 en raison de la difficulté à les

51
entraîner. Dans les années 1980, des algorithmes d'apprentissage plus efficaces ont été
développés, tels que la rétropropagation de l'erreur, qui a permis des avancées significatives
dans le domaine.

✓ Extraits de l'IEEE Transactions on Neural Networks and Learning Systems:

"Les réseaux de neurones artificiels sont des modèles de calcul inspirés par la façon dont le
cerveau traite l'information."

"La plupart des recherches sur les réseaux de neurones ont été abandonnées dans les années
1960 en raison de la difficulté à les entraîner."

"La rétropropagation de l'erreur est un algorithme d'apprentissage clé pour les réseaux de
neurones."

Section 2 : Apprentissage automatique et réseaux de neurones

Les réseaux de neurones sont devenus un domaine clé de l'apprentissage automatique. Les
algorithmes d'apprentissage automatique ont été développés pour aider à résoudre des
problèmes difficiles, tels que la reconnaissance de voix et d'image, la classification de
données et la prédiction. L'un des principaux avantages des réseaux de neurones est leur
capacité à apprendre des données brutes sans la nécessité d'une ingénierie de caractéristiques
explicite. Selon l'article de l'IEEE Transactions on Neural Networks and Learning Systems,
les réseaux de neurones sont de plus en plus utilisés pour résoudre des problèmes dans les
domaines de la vision par ordinateur, du traitement du langage naturel et de la reconnaissance
de forme.

Les réseaux de neurones sont inspirés par le fonctionnement du cerveau. Les neurones sont
des cellules qui transmettent des signaux électriques et chimiques dans le cerveau. Les
réseaux de neurones artificiels sont composés de neurones artificiels, également appelés
"unités", qui sont interconnectés pour former des couches. Les réseaux de neurones sont
capables d'apprendre à partir de données en ajustant les poids et les biais des unités pour
minimiser l'erreur de prédiction.

Les réseaux de neurones peuvent être classés en fonction de leur architecture. Les réseaux de
neurones à propagation avant, également appelés réseaux de neurones multicouches, sont les
plus couramment utilisés. Les réseaux de neurones récurrents sont utilisés pour les tâches de
séquence, telles que la prédiction de séquences temporelles. Les réseaux de neurones
convolutifs sont utilisés pour la reconnaissance d'image et la vision par ordinateur.

52
L'apprentissage profond est une extension de l'apprentissage automatique qui utilise des
réseaux de neurones profonds pour apprendre des caractéristiques hiérarchiques à partir des
données. Les réseaux de neurones profonds sont des réseaux de neurones avec plusieurs
couches cachées. Selon l'article de l'IEEE Transactions on Neural Networks and Learning
Systems, l'apprentissage profond a révolutionné la reconnaissance d'image, la traduction
automatique, la reconnaissance de la parole et bien d'autres domaines.

✓ Les extraits

"L'apprentissage automatique est une méthode permettant aux ordinateurs d'apprendre à partir
de données sans être explicitement programmés. Les réseaux de neurones sont une technique
d'apprentissage automatique basée sur le fonctionnement des neurones biologiques" (source :
IEEE Transactions on Neural Networks and Learning Systems, vol. 26, no. 8, pp. 1614-1629,
2015).

"Les réseaux de neurones sont capables de traiter des données complexes et de découvrir des
relations non linéaires entre les entrées et les sorties. Ils sont utilisés pour résoudre des
problèmes de classification, de régression, de segmentation d'image, etc." (source : IEEE
Transactions on Neural Networks and Learning Systems, vol. 23, no. 2, pp. 201-221, 2012).

Section 3 : Systèmes d'apprentissage profond

Les systèmes d'apprentissage profond (Deep Learning) sont une sous-catégorie de

l'apprentissage automatique qui utilise des réseaux de neurones profonds pour résoudre des
problèmes complexes. Contrairement aux réseaux de neurones traditionnels qui ont des
couches peu profondes (généralement moins de dix), les réseaux de neurones profonds ont des
couches beaucoup plus profondes (parfois plus de 100). Ces couches supplémentaires
permettent aux réseaux de neurones profonds de modéliser des relations de plus en plus
complexes dans les données d'entrée, ce qui les rend plus précis dans la prédiction.

Un exemple de système d'apprentissage profond largement utilisé est le réseau de neurones

convolutif (CNN), qui est couramment utilisé dans la vision par ordinateur pour la
classification d'images. Les CNN sont capables de détecter des motifs complexes dans les
images, tels que les bords, les coins et les textures, grâce à leur architecture de filtrage de
convolution.

Une autre architecture de réseau de neurones profond couramment utilisée est le réseau de
neurones récurrents (RNN), qui est utilisé pour modéliser les séquences de données telles que

53
les séquences de mots dans le traitement du langage naturel. Les RNN sont capables de
conserver une mémoire à court et à long terme des informations précédemment traitées, ce qui
leur permet de prendre en compte le contexte et de produire des prédictions plus précises.

Selon l'article "Deep Learning for Sensor-based Activity Recognition : A Survey" publié dans
l'IEEE Transactions on Neural Networks and Learning Systems, les systèmes d'apprentissage
profond ont montré une grande efficacité dans de nombreux domaines, tels que la
reconnaissance d'activités, la reconnaissance vocale, la vision par ordinateur, la traduction
automatique et la génération de texte. Cependant, la formation de réseaux de neurones
profonds peut être très coûteuse en termes de temps de calcul et de ressources, nécessitant
souvent l'utilisation de GPU haut de gamme et d'infrastructures de calcul distribuées.

Dans la prochaine section, nous explorerons les applications des réseaux de neurones et des
systèmes d'apprentissage.

✓ Les extraits

"Les systèmes d'apprentissage profond sont des réseaux de neurones à plusieurs couches,
capables d'apprendre des représentations hiérarchiques de données. Ils ont été utilisés avec
succès dans des domaines tels que la reconnaissance d'images, la traduction automatique et la
synthèse de la parole" (source : IEEE Transactions on Neural Networks and Learning
Systems, vol. 28, no. 3, pp. 504-521, 2017).

"Les systèmes d'apprentissage profond sont souvent entraînés à l'aide de l'algorithme de

rétropropagation, qui permet de calculer les gradients de l'erreur par rapport aux poids du
réseau. Des techniques telles que le dropout et l'augmentation de données peuvent être
utilisées pour améliorer les performances des systèmes d'apprentissage profond" (source :
IEEE Transactions on Neural Networks and Learning Systems, vol. 29, no. 5, pp. 1710-1725,
2018).

Section 4 : Applications des réseaux de neurones et des systèmes d'apprentissage

Les réseaux de neurones et les systèmes d'apprentissage ont une large gamme d'applications
dans de nombreux domaines, notamment la reconnaissance vocale et faciale, la traduction de
langues, la reconnaissance d'objets, la prédiction de données, l'analyse de sentiments, la
conduite autonome, la médecine, la finance, etc. Selon Goodfellow et al. (2016), les
applications les plus courantes des réseaux de neurones sont la reconnaissance de caractères
manuscrits, la reconnaissance de la parole et la reconnaissance d'objets dans les images.

54
Une application intéressante des réseaux de neurones est la détection de fraudes dans les
transactions financières. Selon le rapport de l'IEEE Transactions on Neural Networks and
Learning Systems, les réseaux de neurones peuvent être utilisés pour détecter les fraudes dans
les transactions en ligne en identifiant les modèles anormaux et les comportements inhabituels
des utilisateurs.

Les réseaux de neurones ont également été utilisés dans le domaine médical pour la détection
de maladies et l'analyse de radiographies. Selon LeCun et al. (2015), les réseaux de neurones
convolutifs ont été utilisés pour la détection de cancers du sein à partir de mammographies et
pour la segmentation d'images de résonance magnétique (IRM) du cerveau. Les systèmes
d'apprentissage profond ont également été utilisés pour détecter les signes de rétinopathie
diabétique à partir de photos de l'œil.

✓ Extraits de l'article "Applications of Deep Learning : A Review" de LeCun et al. :

"La reconnaissance de la parole est une application clé des réseaux de neurones et des
systèmes d'apprentissage profond, car les réseaux de neurones peuvent apprendre à extraire
des caractéristiques discriminantes à partir de signaux acoustiques."

"La vision par ordinateur est un domaine clé pour les réseaux de neurones profonds, qui
peuvent apprendre à reconnaître des objets, des visages, des scènes et des actions à partir
d'images."

"La traduction automatique est une autre application majeure des réseaux de neurones et des
systèmes d'apprentissage profond, qui peuvent apprendre à traduire des phrases d'une langue à
une autre en utilisant des données d'entraînement."

Section 5 : Défis et limites des réseaux de neurones et des systèmes d'apprentissage

Bien que les réseaux de neurones et les systèmes d'apprentissage soient devenus des outils
essentiels dans de nombreux domaines, ils présentent encore des défis et des limites. L'un des
défis les plus importants est la nécessité de données volumineuses pour l'entraînement des
réseaux de neurones, ce qui peut poser des problèmes de confidentialité et de sécurité pour
certaines applications. En outre, les réseaux de neurones peuvent être coûteux en temps et en
ressources de calcul pour l'entraînement, ce qui peut limiter leur utilisation dans des
applications en temps réel. Enfin, la compréhension de la manière dont les réseaux de
neurones parviennent à des résultats est souvent difficile, ce qui peut limiter leur
interprétabilité et leur acceptation par les utilisateurs.

55
En termes de limites, les réseaux de neurones peuvent être soumis à des biais et à des erreurs,
ce qui peut réduire leur précision dans certaines situations. En outre, les réseaux de neurones
peuvent être confrontés à des problèmes de surapprentissage (overfitting) ou de sous-
apprentissage (underfitting) lorsqu'ils sont mal entraînés ou mal configurés.

Cependant, malgré ces défis et limites, les réseaux de neurones et les systèmes d'apprentissage
continuent de susciter un grand intérêt dans de nombreux domaines, et de nouvelles approches
et techniques sont en constante évolution pour surmonter ces défis.

✓ Extraits de l'article "Challenges and Opportunities in Machine Learning" de Jordan et

Mitchell :

"Le surapprentissage est un problème courant dans les réseaux de neurones et les systèmes
d'apprentissage profond, où les modèles apprennent à mémoriser les données d'entraînement
plutôt qu'à généraliser à de nouvelles données."

"Le biais algorithmique est un autre défi important, où les modèles peuvent apprendre des
préjugés et des stéréotypes à partir des données d'entraînement."

"La transparence et l'interprétabilité des résultats sont des préoccupations croissantes dans les
applications critiques, telles que les soins de santé, où il est important de comprendre
comment les décisions sont prises."

✓ Synthèse

En conclusion, les réseaux de neurones et les systèmes d'apprentissage sont des outils
puissants pour la résolution de nombreux problèmes dans différents domaines. Leur utilisation
a connu une croissance rapide au cours des dernières années, et il existe de nombreuses
applications réussies de ces techniques. Cependant, des défis et des limites persistent, et de
nouvelles recherches sont nécessaires pour surmonter ces obstacles. En fin de compte, les
réseaux de neurones et les systèmes d'apprentissage continueront de jouer un rôle important
dans les années à venir, en offrant des solutions innovantes aux défis actuels et futurs.

56
 Chapitre 3 : Conception du projet
Dans ce chapitre crucial de notre projet PFE, nous abordons la conception détaillée de notre
solution. Nous commençons par présenter un tableau comparatif des outils sélectionnés et
justifions nos choix. Ensuite, nous nous concentrons sur la collecte des données et choisissons
les outils de développement, de déploiement et de test appropriés. Nous sélectionnons
également les indicateurs clés de performance (KPI’s) de la chaîne d'approvisionnement, et
nous nous penchons sur le choix des modèles d'apprentissage automatique et leurs critères
appropriés. En outre, nous analysons et exploitons la base de données, décrivons les types de
variables et identifions les différents utilisateurs. Nous comparons également les approches de
modélisation Kimball et Inmon, décrivons les axes d'analyse et présentons les tables de faits
et de dimensions pour les Achats et la Qualité. Enfin, nous exposons les KPI’s spécifiques à
chaque projet et proposons un modèle dimensionnel pour les deux services.

1 Tableau comparatif des outils et justification du choix

Outil Comparaison Justification du choix

SCRUM VS SPOTIFY Nous avons choisi Scrum car c'est un FRAMEWORK

de gestion de projet agile bien établi, qui a été utilisé
avec succès dans de nombreuses organisations. Il est axé
sur la collaboration, la transparence et l'adaptabilité, ce
qui en fait un choix idéal pour les projets de
développement logiciel. Bien que Spotify ait une
approche similaire, Scrum est plus universel et offre une
plus grande flexibilité.

PYTHON VS R Nous avons choisi Python car c'est un langage de

programmation plus polyvalent et plus populaire que R.
Python est utilisé dans de nombreux domaines, de
l'analyse de données à l'apprentissage automatique, en
passant par la création d'applications web. De plus,
Python est facile à apprendre et à utiliser, dispose d'une

57
 grande communauté de développeurs et d'une
bibliothèque riche et variée.

BIZAGI VS Nous avons choisi BIZAGI car c'est un outil plus

WONDERSHARE complet et professionnel pour la modélisation de
processus métier. BIZAGI offre une interface utilisateur
conviviale, une personnalisation facile, un support client
réactif et une gamme d'options d'intégration. Bien que
WONDERSHARE soit un outil pratique pour la
modélisation de processus simple, il manque de
fonctionnalités avancées.

TRELLO VS CLICKUP Nous avons choisi Trello car il offre une interface
simple et intuitive, une gestion visuelle des tâches, une
flexibilité et une adaptabilité élevées, ainsi qu'une
collaboration en temps réel. Trello est largement adopté,
dispose d'une communauté active et offre des
intégrations avec d'autres outils populaires. Ces
caractéristiques en font un choix solide pour la gestion
de projet.

JUPYTER VS GOOGLE Nous avons choisi JUPYTER car c'est un outil plus
COLAB polyvalent et plus personnalisable que Google COLAB.
JUPYTER est un environnement de développement de
données interactif qui prend en charge plusieurs
langages de programmation, tels que Python, R, Julia,
etc. Il offre également une interface utilisateur
conviviale, des fonction

Tableau 9: Comparatif des outils

2 Collecte des données

Dans cette phase cruciale de nos projets sur Power BI et le Machine Learning, nous avons
entrepris la collecte de différentes sources de données pour l'analyse et la modélisation dans
les domaines de l'achat et de la qualité.

58
Pour le projet sur l'achat, nous avons rassemblé les sources de données nécessaires à l'analyse
de la chaîne d'approvisionnement SIMRA MAROC. Nous avons sollicité les acheteurs, le
responsable du système d'information (Clipper), la responsable de la chaîne
d'approvisionnement et le service financier pour obtenir les mesures pertinentes. Nous avons
également extrait des données à partir de bases de données et de fichiers sources. Des fiches
de suivi, des procédures internes sous forme de documentations et des extractions Clipper ont
également été récupérées pour enrichir notre ensemble de données.

Pour le projet sur la qualité, nous avons recueilli des données provenant de différentes
sources. Nous avons interrogé les responsables de production, l'équipe de qualité et de
contrôle SIMRA MAROC pour obtenir des informations sur les processus de qualité, les
défauts, les contrôles effectués, etc. Nous avons également récupéré des fiches de suivi et des
données supplémentaires en posant des questions ciblées.

Lors de ces échanges, nous avons pris soin de prendre des notes détaillées pour garantir la
qualité des données collectées et l'exactitude des analyses ultérieures. Cela nous permettra de
disposer d'un ensemble de données complet et fiable pour alimenter nos analyses sur Power
BI et nos modèles d'apprentissage automatique.

En résumé, nous avons mis en place un processus rigoureux de collecte de données en

impliquant les parties prenantes pertinentes et en récupérant diverses sources telles que des
fiches de suivi, des procédures internes, des extractions Clipper et des données obtenues grâce
à des entretiens ciblés. Cette approche garantit la disponibilité d'informations complètes et
précises pour nos analyses ultérieures.

3 Choix des outils de développement, de déploiement et de test

3.1. Outils de développement
Outil Justification

Python Langage de programmation couramment utilisé dans le domaine de l'IA/ML. Syntaxe

simple et expressive, grande communauté d'utilisateurs et de contributeurs,
nombreuses bibliothèques disponibles.

Jupyter Environnement de développement interactif et flexible pour Python, particulièrement

adapté à la manipulation et la visualisation de données. Permet également de créer
des documents interactifs combinant code, texte et graphiques.

59
NumPy Une bibliothèque Python très populaire pour la manipulation et le calcul efficace de
tableaux multidimensionnels. Elle offre une API riche pour effectuer des opérations
mathématiques et statistiques sur ces tableaux.

Pandas Une bibliothèque qui fournit des fonctionnalités pour la manipulation et l'analyse de
données en tableaux, avec des capacités de filtrage, d'agrégation, de jointure, etc. Elle
offre également une API pour faciliter ces opérations.

scikit- Une bibliothèque d'apprentissage automatique utilisée pour des tâches telles que la
learn classification, la régression, le clustering et la sélection de modèle. Bien qu'elle ne
soit pas une API spécifique, elle fournit une API complète pour l'apprentissage
automatique.

Matplotlib Bibliothèque pour Python permettant de créer des graphiques 2D de haute qualité.
Utilisé en particulier pour visualiser les données et les résultats de l'apprentissage
automatique.

Seaborn Bibliothèque pour Python permettant de créer des graphiques statistiques avancés,
basés sur Matplotlib. Utilisé en particulier pour la visualisation des données.

Tableau 10: Outils de développement

3.2. Outils de Déploiement

Outil Justification

Streamlit Un framework Python open-source qui simplifie la création et le déploiement

d'applications web interactives pour les modèles d'apprentissage automatique et
l'exploration de données, offrant une approche simple et intuitive avec une API
conviviale pour gérer les composants de l'interface utilisateur et afficher des
visualisations de données.

Tableau 11:Outils de déploiement

60
 3.3. Outils de Test
Outil Justification

PyTest Pytest est un framework de test unitaire pour Python utilisé pour automatiser les tests
d'unité et d'intégration de modèles de Machine Learning et Deep Learning. Il permet de
garantir la qualité des modèles en vérifiant leur précision, leur fiabilité et leur
performance de manière automatisée.

Locust Le test "Locust" est une plateforme open-source populaire pour la réalisation de tests de
charge et de performance. L'avantage de Locust réside dans sa simplicité d'utilisation et
sa flexibilité. Il permet aux développeurs et aux testeurs de simuler des situations réelles
à grande échelle, afin de mesurer les performances d'une application ou d'un système
sous des charges de travail variables. Les résultats des tests de charge réalisés avec
Locust peuvent aider à identifier les goulots d'étranglement, les problèmes de
performances et les limites de capacité, ce qui permet aux équipes techniques de prendre
des décisions éclairées pour optimiser les performances de leurs applications.

Tableau 12: Outils de Test

4 Sélection des KPI’s Supply chain

4.1 KPI’s Service achat

Ces indicateurs permettent de mesurer et d'évaluer la qualité des fournisseurs ainsi que le
respect des délais de livraison dans le département des achats. Ils sont utilisés pour prendre
des décisions et mettre en place des actions d'amélioration si nécessaire

Indicateur Objectif Exploitation / Décision

Qualité liée aux Ne pas 0 ppm < OQD ≤ 2000 ppm : Bon résultat
fournisseurs (OQD) dépasser 2000
ppm

2000 ppm < OQD ≤ 5000 ppm : Satisfaisant

(rappel des objectifs)

61
 5000 ppm < OQD ≤ 10000 ppm : Insuffisant (Plan
d'action à fournir + Audit si pas d'amélioration
sous 3 mois)

OQD > 10000 ppm : Inacceptable

(Décision conjointe Achats / Qualité pour actions

à mener)

Nombre de commandes 97% 100% > OTD ≥ 97% : Bon résultat

livrées à l'heure (OTD)

97% > OTD ≥ 90% : Satisfaisant

(Rappel des objectifs)

90% > OTD ≥ 80% : Insuffisant

(Plan d'action à fournir)

OTD < 80% = Inacceptable

(Plan d'action à fournir, mise sous surveillance,

plan de rattrapage, audit si besoin)

Tableau 13: KPI's de service ACHAT

4.2 KPI’s Service qualité de la production

Dans le cadre de la gestion de la qualité de la production, la surveillance des indicateurs clés

de performance (KPI) est essentielle pour évaluer la conformité des pièces livrées aux clients
ainsi que des pièces fabriquées en interne. Ces KPI’s servent de référence pour évaluer le
niveau de qualité et prendre les décisions appropriées en termes d'amélioration continue et de
mesures correctives.

Indicateur Objectif Exploitation / Décision

Qualité liée aux pièces Ne pas 0 ppm < OQD ≤ 2000 ppm : Bon résultat
livrées aux Clients dépasser 2000
(OQD) ppm

62
 2000 ppm < OQD ≤ 5000 ppm : Satisfaisant
(rappel des objectifs)

5000 ppm < OQD ≤ 10000 ppm : Insuffisant (Plan

d'action à fournir + Audit si pas d'amélioration
sous 3 mois)

OQD > 10000 ppm : Inacceptable

(Décision conjointe Achats / Qualité pour actions à

mener)

Qualité liée aux pièces Ne pas 0 ppm < OQD ≤ 2000 ppm : Bon résultat
fabriqués (OQD) dépasser 2000
ppm

2000 ppm < OQD ≤ 5000 ppm : Satisfaisant

(rappel des objectifs)

5000 ppm < OQD ≤ 10000 ppm : Insuffisant (Plan

d'action à fournir + Audit si pas d'amélioration
sous 3 mois)

OQD > 10000 ppm : Inacceptable

(Décision conjointe Achats / Qualité pour actions à

mener)

Tableau 14: KPI's de service de la qualité de la production

5 Sélection des modèles Machine Learning et leurs critères

appropriés
Lors de la sélection des modèles de Machine Learning pour notre projet, il est crucial de
définir des critères de mesure appropriés pour évaluer leurs performances. Dans cette optique,
nous nous penchons sur divers indicateurs de mesure. Ces critères nous permettront de choisir
les modèles les plus performants, capables de fournir des prédictions précises et fiables, tout
en répondant à nos objectifs fixés.

63
Technique / Modèle Indicateur de mesure Mesure souhaitée

Clustering (K-means, Coefficient de silhouette > 0.5

Hiérarchique)
Inertie intra-classe La plus faible
possible

Nombre optimal de clusters Dépend du contexte

Régression Linéaire Erreur quadratique moyenne La plus faible

(RMSE) possible

Coefficient de détermination (R²) > 0.7

Erreur absolue moyenne (MAE) La plus faible

possible

Random Forest Regressor RMSE La plus faible

possible

MAE La plus faible

possible

Coefficient de détermination (R²) > 0.7

XGBoost RMSE La plus faible

possible

MAE La plus faible

possible

Coefficient de détermination (R²) > 0.7

Decision Tree RMSE La plus faible

possible

MAE La plus faible

possible

64
 Coefficient de détermination (R²) > 0.7

Poisson regression RMSE La plus faible

possible

MAE La plus faible

possible

Coefficient de détermination (R²) > 0.7

Regression polynomiale linéaire RMSE La plus faible

possible

MAE La plus faible

possible

Coefficient de détermination (R²) > 0.7

Tableau 15: modèle Machine Learning et leurs critères

6 Analyse et Exploitation de la BD
Dans le cadre de notre projet de fin d'études chez SIMRA MAROC, nous avons entrepris une
analyse approfondie des données du service achat et qualité. Nous avons collaboré avec les
acheteurs, le responsable qualité et son équipe, ainsi que le responsable du système
d'information pour recueillir un volume important de données pertinentes. Dans cette partie
du projet, nous présenterons et expliquerons en détail la base de données utilisée.

Nous avons effectué une analyse approfondie de la base de données pour comprendre sa
structure, ses tables et ses attributs. Cette étape nous a permis d'identifier les sources de
données clés, telles que les commandes, les fournisseurs et les non-conformités. Nous avons
également réalisé des opérations de nettoyage des données en utilisant des outils tels qu'Excel
avant de les importer dans Power BI, notre outil de prédilection pour la réalisation du projet.

En résumé, notre projet vise à exploiter les données du service achat et qualité chez SIMRA
Maroc en les transformant en informations exploitables grâce à des outils tels que Power BI et
des techniques de machine Learning. Nous contribuerons ainsi à l'amélioration continue des

65
processus d'achat, à l'optimisation des performances et à la prise de décisions plus éclairées au
sein de l'entreprise.

6.1 Présentation et explication la BD

Dans cette section, nous décrirons en détail les données d'entrée utilisées dans notre projet.
Nous fournirons des informations sur les différentes tables et les composent de chaque table
présente dans la base de données.
Par exemple, nous expliquerons les données relatives aux pièces, aux fournisseurs, aux
commandes, aux non-conformités, et plus encore. Nous mettrons également en évidence les
mesures de qualité qui ont été collectées pour évaluer les performances de SIMRA Maroc.

6.1.1 Pour le processus Achat

6.1.1.1 Les modèles Machine Learning en faveur du processus Achat

‘ Avant la transformation et le nettoyage des données’

Le premier fichier Excel, "Arrivage 2022", se compose de deux feuilles et qu’on a va

utiliser pour prédire la quantité à commander et réduire le délai d’approvisionnements.

Feuille 1 : Arrivages 2022

Figure 11: Feuille Arrivage 2022

66
Cette feuille contient les données principales liées aux arrivages des matières première. Les
colonnes de cette feuille comprennent les informations suivantes :

✓ N° BL : Le numéro de bon de livraison associé à l'arrivage de la marchandise.

✓ Affaire : Le numéro d'affaire lié à la transaction.
✓ Fournisseur : L'identifiant unique du fournisseur associé au code sur clipper
✓ Nom fournisseur : Le nom du fournisseur.
✓ N° BC : Le numéro de bon de commande correspondant à l'arrivage.
✓ Article : L'identifiant unique de l'article commandé.
✓ Date : La date de la transaction.
✓ Désignation : La description de l'article commandé.
✓ Qté Commandé : La quantité commandée de l'article.
✓ Unité Commande : L'unité de mesure utilisée pour la quantité commandée.
✓ Qté Récep : La quantité réceptionnée de l'article.
✓ Unité Récep : L'unité de mesure utilisée pour la quantité réceptionnée.
✓ Montant : Le montant total de la commande.
✓ Qté Gest : La quantité gérée de l'article.
✓ Unité Gest : L'unité de mesure utilisée pour la quantité gérée.
✓ Type : Le type de commande.
✓ Récepteur : Le nom du récepteur de la commande.
Ces statistiques donnent une idée de la taille des feuilles et du classeur "Arrivage 2022", ainsi
que du nombre de cellules contenant des données et d'autres éléments statistiques importants.

Figure 12: Statistique du classeur Arrivage 2022

67
Feuille 2 - "Liste des fournisseurs"

Figure 13: Feuille liste des fournisseurs

Cette feuille contient des informations spécifiques sur les fournisseurs. Les colonnes de cette
feuille comprennent :

✓ Nom société : Le nom de la société du fournisseur

✓ Code : le code fournisseur sue CLIPPER

Le deuxième fichier Excel que nous avons récupéré s'intitule "Export articles" et il contient
une seule feuille de données.

68
 Feuille 1 - "Articles"

Figure 14 : Feuille articles

Les colonnes de cette feuille comprennent les informations suivantes :

Désignation article

Larg/Ep/Diam/Pds
Code appel article

Fourniture de CC

Mode de gestion
Unité de gestion
Epaisseur/Diam

N° de Magasin

Motif Blocage
Désignation 2

Désignation 3

Date de sortie

Unité de prix
Code famille
Dimension 4

Dimension 5

Tps Réappro
ARTICLEM

Code Nature

Prix unitaire

Dernier prix
Etat matière
Lotie (O/N)

Fournisseur

Sortie (o/n)
Longueur
Id. Auto

Nuance
(O/N)

✓ Id. Auto ARTICLEM : L'identifiant automatique de l'article.

✓ Code appel article : Le code utilisé pour appeler l'article sur Clipper.
✓ Désignation article : La désignation principale de l'article.
✓ Désignation 2 : Une deuxième désignation pour l'article.
✓ Désignation 3 : Une troisième désignation pour l'article.
✓ Lotie (O/N) : Indique si l'article est loti ou non.
✓ Fourniture de CC (O/N) : présence de certificat de conformité ou non
✓ Longueur : La longueur de l'article.
✓ Larg/Ep/Diam/Pds : Les dimensions de l'article, telles que la largeur, l'épaisseur, le
diamètre ou le poids.
✓ Epaisseur/Diam : L'épaisseur ou le diamètre de l'article.
✓ Dimension 4 : Une quatrième dimension de l'article.
✓ Dimension 5 : Une cinquième dimension de l'article.
✓ Nuance : La nuance de l'article.

69
 ✓ Etat matière : L'état de la matière de l'article.
✓ Code Nature : Le code associé à la nature de l'article.
✓ Prix unitaire : Le prix unitaire de l'article.
✓ Fournisseur : L'identifiant unique du fournisseur associé à l'article.
✓ Code famille : Le code de la famille à laquelle l'article appartient.
✓ Sortie (o/n) : Indique si l'article est en sortie ou non.
✓ Unité de gestion : L'unité de gestion utilisée pour l'article.
✓ Tps d’appro : Le temps d’approvisionnement de l'article.
✓ Dernier prix : Le dernier prix enregistré pour l'article.
✓ N° de Magasin : Le numéro de magasin associé à l'article.
✓ Motif Blocage : Le motif de blocage éventuel de l'article.
✓ Date de sortie : La date de sortie de l'article.
✓ Mode de gestion : Le mode de gestion utilisé pour l'article.
✓ Unité de prix : L'unité de prix utilisée pour l'article.
Statistiques pour la feuille "Export articles" :

Figure 15:Statistiques du classeur "Export articles"

✓ Fin de la feuille : AA9035

✓ Cellules contenant des données : 190025
✓ Nombre total de tableaux : 0
✓ Nombre total de formules : 0

70
Ces statistiques nous donnent une idée de la taille de la feuille et du classeur "Export
articles", ainsi que du nombre de cellules contenant des données et d'autres éléments
statistiques pertinents.

Le troisième fichier Excel que nous avons récupéré s'intitule "Export code fournisseur" et
il contient une seule feuille de données.

Figure 16 : Feuille export code fournisseur

Les colonnes de cette feuille comprennent les informations suivantes :

✓ Nom société : Le nom de la société du fournisseur.

✓ Code : Le code associé au fournisseur.
✓ Localité : La localité du fournisseur.
✓ Ancien code IFS : L'ancien code IFS du fournisseur.
✓ Email : L'adresse e-mail du fournisseur.
✓ Code postal : Le code postal du fournisseur.
✓ Téléphone : Le numéro de téléphone du fournisseur.
✓ Télécopie : Le numéro de télécopie du fournisseur.
✓ Compte tiers : Le compte tiers associé au fournisseur.
✓ Pays : Le pays du fournisseur.
✓ Règlement : Les informations de règlement du fournisseur, le cycle de paiement
fournisseur
✓ Adresse (ligne 1) : La première ligne de l'adresse du fournisseur.
✓ Adresse (ligne 2) : La deuxième ligne de l'adresse du fournisseur.
71
 ✓ Adresse (ligne 3) : La troisième ligne de l'adresse du fournisseur.
✓ Adresse (ligne 4) : La quatrième ligne de l'adresse du fournisseur.
✓ SIRET : Le numéro SIRET du fournisseur.
✓ Club : Le club associé au fournisseur.
Statistiques pour la feuille "Export code fournisseur" :

Figure 17: Statistiques du classeur "Export code fournisseur"

✓ Fin de la feuille : Q188

✓ Cellules contenant des données : 2042
✓ Nombre total de tableaux : 0
✓ Nombre total de formules : 0
Ces statistiques nous donnent une idée de la taille de la feuille et du classeur "Export code
fournisseur", ainsi que du nombre de cellules contenant des données et d'autres éléments
statistiques pertinents.

‘ Après la transformation et le nettoyage des données’

Après avoir réalisé le nettoyage et la transformation des fichiers "Arrivage 2022", "Export
articles" et "Export code fournisseurs", nous avons consolidé les données pertinentes dans
un seul fichier, dans le but de prédire la quantité à commander et aussi pour réduire le délai
d’approvisionnement chez SIMRA.

72
 Pour la prédiction de la quantité à commander on va utiliser deux feuilles ‘import’ et ‘Local’

N° BC N° BL Qté Unité Qté_Commandé Unité_Commande Qté_Récep. Unité_Récep. Prix_unitaire Unite_de_prix Coût_unitaire_moyen Montant MT total Trimestre
7967,00 078/2022 600,00 u 600,00 u 600,00 u 3 u 3,00 1920 1920 Trim 1
9074,00 506/2022 1000,00 u 1000,00 u 1000,00 u 3 u 3,00 3000 3000 Trim 4
9074,00 503/2022 10,00 u 10,00 u 10,00 u 34.6 u 35,00 346 346 Trim 4
7611,00 142/2022 10,00 u 10,00 u 10,00 u 17.01 u 17,00 177 177 Trim 1
9039,00 224798 50,00 u 50,00 u 50,00 u 16.4 u 16,00 928 928 Trim 4
8717,00 223386 10,00 u 40,00 u 10,00 u 16.4 u 16,00 185.6 185.6 Trim 3
8608,00 223568 10,00 u 40,00 u 10,00 u 16.4 u 16,00 185.6 185.6 Trim 3
8717,00 223567 30,00 u 40,00 u 30,00 u 16.4 u 16,00 556.8 556.8 Trim 3
8608,00 223715 30,00 u 40,00 u 30,00 u 16.4 u 16,00 556.8 556.8 Trim 3
9039,00 224428 50,00 u 50,00 u 50,00 u 4.65 u 5,00 606 606 Trim 4
8490,00 BL222250 40,00 u 40,00 u 40,00 u 12.12 u 12,00 484.8 484.8 Trim 2
8448,00 50590 75,00 m 75,00 m 75,00 m 16.42 m 16,00 1231.19 1231.19 Trim 3
8448,00 50212 30,00 m 30,00 m 30,00 m 12.31 m 12,00 369.36 369.36 Trim 3
8544,00 80250235 20,00 u 20,00 u 20,00 u 149.039344 u 149,00 2980.79 2980.79 Trim 3
8332,00 H60YN6.101 10,00 gal 10,00 gal 10,00 gal 1520.75 gal 1521,00 11632.9 11632.9 Trim 4
Figure 18 : Feuille local

Figure 19 : Feuille import

73
Pour la réduction du délai approvisionnements on a utilisé la première feuille du fichier qui
s’appelle ‘data final’

Figure 20: Feuille data final

6.1.1.2 Le Business Intelligence en faveur du processus Achat

Dans le cadre de notre projet utilisant Power BI, nous visons à exploiter les fonctionnalités de
Business Intelligence pour créer un tableau de bord interactif. Ce tableau de bord présentera
des mesures pertinentes et permettra le calcul de l'OQD (On-Time Delivery) et de l'OTD (On-
Time Delivery) pour nos fournisseurs.

Tout d'abord, nous avons collecté et préparé les données dans Microsoft Excel. Les données
sont organisées en plusieurs feuilles, chacune contenant des informations spécifiques. Après
avoir effectué les étapes de nettoyage et de transformation, nous avons consolidé les données
pertinentes dans un seul fichier Excel.

Ensuite, nous avons utilisé Power BI pour importer le fichier Excel et effectuer des
transformations supplémentaires sur les données. Power BI nous offre des outils puissants
pour fusionner des tables, appliquer des filtres, créer des relations entre les données et réaliser
des calculs avancés.

74
‘ Avant la transformation et le nettoyage des données sur EXCEL’
Le premier fichier Excel, "Arrivage 2022", se compose de deux feuilles et qu’on a va
utiliser pour prédire la quantité à commander et réduire le délai d’approvisionnements.

Feuille 1 : Arrivages 2022

Figure 21 : Feuille arrivages 2022

Cette feuille contient les données principales liées aux arrivages des matières première. Les
colonnes de cette feuille comprennent les informations suivantes :

✓ N° BL : Le numéro de bon de livraison associé à l'arrivage de la marchandise.

✓ Affaire : Le numéro d'affaire lié à la transaction.
✓ Fournisseur : L'identifiant unique du fournisseur associé au code sur clipper
✓ Nom fournisseur : Le nom du fournisseur.
✓ N° BC : Le numéro de bon de commande correspondant à l'arrivage.
✓ Article : L'identifiant unique de l'article commandé.
✓ Date : La date de la transaction.
✓ Désignation : La description de l'article commandé.
✓ Qté Commandé : La quantité commandée de l'article.
✓ Unité Commande : L'unité de mesure utilisée pour la quantité commandée.
✓ Qté Récep : La quantité réceptionnée de l'article.

75
 ✓ Unité Récep : L'unité de mesure utilisée pour la quantité réceptionnée.
✓ Montant : Le montant total de la commande.
✓ Qté Gest : La quantité gérée de l'article.
✓ Unité Gest : L'unité de mesure utilisée pour la quantité gérée.
✓ Type : Le type de commande.
✓ Récepteur : Le nom du récepteur de la commande.
Ces statistiques donnent une idée de la taille des feuilles et du classeur "Arrivage 2022", ainsi
que du nombre de cellules contenant des données et d'autres éléments statistiques importants.

Figure 22 : Statistiques du classeur Arrivage 2022

76
Feuille 2 - "Liste des fournisseurs" :

Figure 23 : Feuille liste des fournisseurs

Cette feuille contient des informations spécifiques sur les fournisseurs. Les colonnes de cette
feuille comprennent :

✓ Nom société : Le nom de la société du fournisseur

✓ Code : le code fournisseur sue CLIPPER
Le deuxième fichier Excel que nous avons récupéré s'intitule "Export articles" et il contient
une seule feuille de données.

Feuille 1 - "Articles"

Figure 24 : Feuille export articles

77
 Les colonnes de cette feuille comprennent les informations suivantes :
Id. Auto ARTICLEM

Désignation article

Larg/Ep/Diam/Pds
Code appel article

Fourniture de CC

Mode de gestion
Unité de gestion
Epaisseur/Diam

N° de Magasin

Motif Blocage
Désignation 2

Désignation 3

Date de sortie

Unite de prix
Code famille
Dimension 4

Dimension 5

Tps Réappro
Code Nature

Prix unitaire

Dernier prix
Etat matière
Lotie (O/N)

Fournisseur

Sortie (o/n)
Longueur

Nuance
(O/N)

✓ Id. Auto ARTICLEM : L'identifiant automatique de l'article.

✓ Code appel article : Le code utilisé pour appeler l'article sur Clipper.
✓ Désignation article : La désignation principale de l'article.
✓ Désignation 2 : Une deuxième désignation pour l'article.
✓ Désignation 3 : Une troisième désignation pour l'article.
✓ Lotie (O/N) : Indique si l'article est loti ou non.
✓ Fourniture de CC (O/N) : présence de certificat de conformité ou non
✓ Longueur : La longueur de l'article.
✓ Larg/Ep/Diam/Pds : Les dimensions de l'article, telles que la largeur, l'épaisseur, le
diamètre ou le poids.
✓ Epaisseur/Diam : L'épaisseur ou le diamètre de l'article.
✓ Dimension 4 : Une quatrième dimension de l'article.
✓ Dimension 5 : Une cinquième dimension de l'article.
✓ Nuance : La nuance de l'article.
✓ Etat matière : L'état de la matière de l'article.
✓ Code Nature : Le code associé à la nature de l'article.
✓ Prix unitaire : Le prix unitaire de l'article.
✓ Fournisseur : L'identifiant unique du fournisseur associé à l'article.
✓ Code famille : Le code de la famille à laquelle l'article appartient.
✓ Sortie (o/n) : Indique si l'article est en sortie ou non.
✓ Unité de gestion : L'unité de gestion utilisée pour l'article.
✓ Tps d’appro : Le temps d’approvisionnement de l'article.
✓ Dernier prix : Le dernier prix enregistré pour l'article.
✓ N° de Magasin : Le numéro de magasin associé à l'article.
✓ Motif Blocage : Le motif de blocage éventuel de l'article.
78
 ✓ Date de sortie : La date de sortie de l'article.
✓ Mode de gestion : Le mode de gestion utilisé pour l'article.
✓ Unité de prix : L'unité de prix utilisée pour l'article.
Statistiques pour la feuille "Export articles" :

- Fin de la feuille : AA9035

- Cellules contenant des données : 190025

- Nombre total de tableaux : 0

- Nombre total de formules : 0

Ces statistiques nous donnent une idée de la taille de la feuille et du classeur "Export
articles", ainsi que du nombre de cellules contenant des données et d'autres éléments
statistiques pertinents.

Le troisième fichier Excel que nous avons récupéré s'intitule "Export code fournisseur" et
il contient une seule feuille de données.

Figure 25 : Feuille export code fournisseur

Les colonnes de cette feuille comprennent les informations suivantes :

✓ Nom société : Le nom de la société du fournisseur.

✓ Code : Le code associé au fournisseur.
✓ Localité : La localité du fournisseur.
✓ Ancien code IFS : L'ancien code IFS du fournisseur.
✓ Email : L'adresse e-mail du fournisseur.

79
 ✓ Code postal : Le code postal du fournisseur.
✓ Téléphone : Le numéro de téléphone du fournisseur.
✓ Télécopie : Le numéro de télécopie du fournisseur.
✓ Compte tiers : Le compte tiers associé au fournisseur.
✓ Pays : Le pays du fournisseur.
✓ Règlement : Les informations de règlement du fournisseur, le cycle de paiement
fournisseur
✓ Adresse (ligne 1) : La première ligne de l'adresse du fournisseur.
✓ Adresse (ligne 2) : La deuxième ligne de l'adresse du fournisseur.
✓ Adresse (ligne 3) : La troisième ligne de l'adresse du fournisseur.
✓ Adresse (ligne 4) : La quatrième ligne de l'adresse du fournisseur.
✓ SIRET : Le numéro SIRET du fournisseur.
✓ Club : Le club associé au fournisseur.

Statistiques pour la feuille "Export code fournisseur" :

✓ Fin de la feuille : Q188

✓ Cellules contenant des données : 2042
✓ Nombre total de tableaux : 0
✓ Nombre total de formules : 0
Ces statistiques nous donnent une idée de la
taille de la feuille et du classeur "Export code
fournisseur", ainsi que du nombre de cellules
contenant des données et d'autres éléments
statistiques pertinents.

Figure 26: Statistiques du classeur Export code fournisseur

80
Le quatrième fichier Excel que nous avons récupéré s’appelle ‘ suivi NC fournisseur’

Figure 27 : Feuille suivi NC fournisseur

Le fichier ‘Suivi NC fournisseur’ contient des données relatives au suivi des non-
conformités fournisseurs. Les colonnes présentes dans ce fichier sont les suivantes :

✓ Fournisseur : Le nom du fournisseur associé à la non-conformité.

✓ Date : La date de la non-conformité.
✓ N° FNC Externe : Le numéro externe de la non-conformité.
✓ Statut : Le statut actuel de la non-conformité.
✓ Référence : La référence de la non-conformité.
✓ Désignation : La désignation de la non-conformité.
✓ Défaut : La description du défaut identifié.
✓ Nature de défaut : La catégorie ou la nature du défaut.
✓ Nb Pcs NC : Le nombre de pièces non conformes.
✓ Date cible de la sécurisation : La date prévue pour la sécurisation de la non-
conformité.
✓ Date de réception de la sécurisation : La date à laquelle la sécurisation de la non-
conformité a été reçue.
✓ Date cible du Plan d'action : La date prévue pour la mise en place du Plan d'action.
✓ Date de réception du Plan d'action : La date à laquelle le Plan d'action a été reçu.
✓ Date cible de preuve de mise en place du Plan d'action : La date prévue pour la preuve
de mise en place du Plan d'action.

81
 ✓ Date de réception de la preuve de mise en place du Plan d'action : La date à laquelle la
preuve de mise en place du Plan d'action a été reçue.
✓ Arrivage 1, Arrivage 2, Arrivage 3 : Les dates d'arrivée des produits associés à la non-
conformité.
✓ Efficacité : L'efficacité de la mise en place du Plan d'action.
✓ Commentaire : Un espace pour ajouter des commentaires supplémentaires.
En ce qui concerne les statistiques du fichier, la feuille se termine à la cellule U42. Il y a 296
cellules contenant des données, aucun tableau n'est présent et il y a 32 formules utilisées dans
la feuille. De plus, il y a une image et un objet intégrés dans le fichier.

Ces informations et statistiques du fichier ‘Suivi NC fournisseur’ sont essentielles pour

suivre et gérer les non-conformités avec les fournisseurs dans le cadre du projet.

Le dernier fichier Excel que nous avons récupéré s’appelle ‘Commandes 2022’

Figure 28: Feuille Commandes 2022

Le fichier ‘Commandes 2022’ contient des données relatives aux commandes passées en
2022. Les colonnes présentes dans ce fichier sont les suivantes :

✓ Edition : L'édition de la commande.

✓ N°BC : Le numéro de bon de commande.
✓ Article : Le code ou l'identifiant de l'article commandé.
✓ Délai : Le délai prévu pour la livraison de la commande.
✓ Désignation : La désignation de l'article commandé.
✓ Qté : La quantité commandée.

82
✓ Unité : L'unité de mesure de la quantité.
✓ Qté Gest : La quantité gérée.
✓ Unité Gest : L'unité de mesure de la quantité gérée.
✓ P.U. (Prix Unitaire) : Le prix unitaire de l'article.
✓ Unité Prix : L'unité de mesure du prix.
✓ Nom fournisseur : Le nom du fournisseur associé à la commande.
✓ Prix const. : Le prix constant de l'article.
✓ Rem (Remise) : La remise appliquée à l'article.
✓ Coût : Le coût de l'article.
✓ Mt H.T. (Montant Hors Taxe) : Le montant hors taxe de la commande.
✓ Mt T.T.C. (Montant Toutes Taxes) : Le montant toutes taxes comprises de la
commande.
✓ Livrée : Indique si la commande a été livrée.
✓ Reste : La quantité restante à livrer.
✓ Facturée : Indique si la commande a été facturée.
✓ Emett. : L'émetteur de la commande.
✓ Client : Le client associé à la commande.
✓ Famille : La famille de produits de l'article.
✓ Fournisseur : Le fournisseur de l'article.
✓ Affaire : L'affaire liée à la commande.
✓ Désignation 2 : Une deuxième désignation de l'article.
✓ Désignation 3 : Une troisième désignation de l'article.
✓ Pds/Lg : Le poids ou la longueur de l'article.
✓ Commande interne : Le numéro de commande interne.
✓ N°BL : Le numéro de bon de livraison.
✓ Réf fournisseur : La référence du fournisseur.
✓ Réf du fabricant : La référence du fabricant.
✓ Rang : Le rang de la commande.
✓ Phase : La phase de la commande.
✓ Gestionnaire : Le gestionnaire associé à la commande.
✓ AQ : La qualité associée à la commande.
✓ Réf/four : La référence du fournisseur.
✓ Fabricant : Le fabricant de l'article.

83
 ✓ Blocages : Indique s'il y a des blocages associés à la commande.
✓ N° ARC : Le numéro d'ARC.
✓ Devis : Le devis associé à la commande.
En ce qui concerne les statistiques du fichier, la feuille se termine à la cellule AO5185. Il y a
146,127 cellules contenant des données, aucun tableau n'est présent et il n'y a pas de formules
utilisées dans la feuille.

Ces informations et statistiques du fichier "Commandes 2022" sont essentielles pour suivre et
gérer les commandes passées en 2022 dans le cadre du projet.

‘ La transformation et le nettoyage des données sur Power bi ’

Dans la deuxième partie de notre projet sur Power BI, nous avons consacré notre attention aux
transformations de données afin de préparer un jeu de données cohérent et prêt à être utilisé
pour l'analyse.

Nous avons commencé par appliquer des filtres pour cibler les informations spécifiques
nécessaires à notre étude. Ensuite, nous avons fusionné des tables pour combiner des données
provenant de différentes sources, créant ainsi des relations significatives entre les données.

De plus, nous avons effectué une opération de suppression des doublons afin d'éliminer les
enregistrements redondants et garantir l'intégrité des données.

Par ailleurs, nous avons renommé les colonnes pour une meilleure compréhension et une
facilité d'utilisation dans notre modèle de données. Enfin, nous avons identifié et éliminé les
colonnes vides ou contenant des valeurs aberrantes, garantissant ainsi la qualité et la fiabilité
de notre jeu de données.

Ce processus de transformation nous a permis de préparer une base solide pour notre analyse
ultérieure et le choix des tables les plus pertinentes pour notre modèle.

La table de données utilisée pour notre projet, intitulée ‘Commande’, est alimentée par la
source de données ‘Arrivage’. C’est une source fournit des informations nécessaires pour
analyser les commandes et leur correspondance avec les arrivages de la matière première
Nous avons pu établir des relations et des liens significatifs entre les commandes passées et
les arrivages correspondants, ce qui nous permettra d'explorer et d'analyser les différents
aspects de notre projet avec une vue complète et intégrée des données.

84
 Figure 29: Étapes de transformation des données de la table 'COMMANDE'

Pour les fichiers ‘ NC fournisseur’, ‘Fournisseur’, ‘Détails commande’ et ‘MP’ voilà les
étapes appliquées sont :

85
Figure 33: Étapes de transformation des données de la table Figure 32: Étapes de transformation des données de la table ‘NC
‘fournisseur’ Fournisseur’

Figure 31: Étapes de transformation des données de la table Figure 30: Étapes de transformation des données de la table ‘MP’
‘Détails commande’

86
6.1.2 Pour Processus Qualité de la production
6.1.2.1 Le BI en faveur du processus Qualité de la production
Les données nécessaires pour notre projet proviennent de différentes sources telles que ‘Suivi
NC 2022’, ‘Suivi NC 2023’, ‘Statut Réclamation 2022’, ‘Statut Réclamation 2023’,
‘Pièces Fab’, ‘Code Défaut’, ‘Export BL Clt’, ‘Table Emp’ et ‘Grille de Compétences’.

Ces données ont été récupérées en collaboration avec l'équipe qualité et le responsable du
système d'information. De plus, nous avons créé un fichier Excel contenant une liste
actualisée des contrôleurs et des opérateurs, fournie par l'ingénieur qualité qui est responsable
de la mise en œuvre des procédures internes et du suivi des compétences au sein de
l'entreprise. Dans cette partie, notre objectif est d'analyser, d'expliquer et de transformer ces
données à la fois sur Excel et sur Power BI.

Figure 34: Vue d'ensemble des données récupérées chez SIMRA

87
‘ Avant la transformation et le nettoyage des données sur EXCEL’

Premier fichier Excel : ‘suivi non-conformité interne 2022’

Figure 35:Feuille suivi non-conformité interne 2022

On va se concentrer sur la première feuille du classeur, La feuille ‘Suivi des NC internes’ du

fichier contient des informations détaillées sur le suivi des non-conformités internes. Les
données sont organisées en plusieurs colonnes comprenant :

✓ DATE : La date de la non-conformité.

✓ Mois : Le mois correspondant à la non-conformité.
✓ Numéro de FNC : Le numéro de la fiche de non-conformité.
✓ N°AFF/OF : Le numéro de l'affaire ou de l'ordre de fabrication associé à la non-
conformité.
✓ Référence : La référence du produit concerné par la non-conformité.
✓ Client : Le client associé à la non-conformité.
✓ Quantité Totale : La quantité totale du produit.
✓ Qté NC : La quantité non conforme.
88
 ✓ Description de la non-conformité : Une description détaillée de la nature de la non-
conformité.
✓ Opérateur : L'opérateur responsable de la non-conformité.
✓ Code contrôleur : Le code du contrôleur chargé de la vérification.
✓ Contrôleur : Le nom du contrôleur.
✓ Code de non-conformité : Le code spécifique attribué à la non-conformité.
✓ Type de non-conformité : Le type de non-conformité (interne).
✓ ILOT - Concerné : L'ilot de production concerné par la non-conformité.
✓ Décision : La décision prise suite à la non-conformité.
✓ FAI / Série : Indique s'il s'agit d'un premier article d'inspection (FAI) ou d'une
production en série.
✓ Cout : Le coût associé à la non-conformité.
En ce qui concerne les statistiques de la feuille, nous avons un total de 44 121 cellules
contenant des données, sans tableaux ni formules. Le classeur comprend une seule feuille
avec un total de 472 286 cellules contenant des données et 8 028 formules.

Deuxième fichier Excel : ‘suivi non-conformité interne 2023’

Figure 36:Feuille suivi non-conformité interne 2023

89
La feuille "Suivi des NC Interne" du fichier "Suivi Non-Conformité 2023" contient des
données relatives au suivi des non-conformités internes pour l'année 2023. Les statistiques de
cette feuille sont les suivantes :

✓ Fin de la feuille : IS1328

✓ Cellules contenant des données : 23 059
✓ Tableaux : 0
✓ Formules : 8 206
✓ Images : 1
✓ Objets : 1
Les colonnes de la première feuille du classeur ‘Suivi des NC Interne’ comprennent :

✓ DATE : La date de la non-conformité.

✓ Mois : Le mois correspondant à la non-conformité.
✓ Numéro de FNC : Le numéro de la fiche de non-conformité.
✓ N°AFF/OF : Le numéro de l'affaire ou de l'ordre de fabrication associé à la non-
conformité.
✓ Référence : La référence du produit concerné par la non-conformité.
✓ Code client : Le code du client associé à la non-conformité.
✓ Client : Le nom du client.
✓ Quantité Totale : La quantité totale du produit.
✓ Qté NC : La quantité non conforme.
✓ Description de la non-conformité : Une description détaillée de la nature de la non-
conformité.
✓ Opérateur : L'opérateur responsable du contrôle.
✓ Code contrôleur : Le code du contrôleur chargé de la vérification.
✓ Contrôleur : Le nom du contrôleur.
✓ Code de non-conformité : Le code spécifique attribué à la non-conformité.
✓ Type de non-conformité : Le type de non-conformité.
✓ ILOT Concerné : L'ilot de production concerné par la non-conformité.
✓ Décision : La décision prise suite à la non-conformité.
✓ FAI/Série : Indique s'il s'agit d'un premier article d'inspection (FAI) ou d'une
production en série.
✓ Cout : Le coût associé à la non-conformité.
✓ Prix de la pièce : Le prix de la pièce concernée par la non-conformité.

90
Troisième fichier Excel : ‘ statut de réclamation 2022 ’

Figure 37: Feuille statut de réclamation 2022

Les colonnes de la feuille ‘Statut 2022’, qui fait partie du fichier ‘Statut Réclamation 2022’,
comprennent les informations suivantes :

✓ Client : Le nom du client concerné par la réclamation.

✓ Date : La date de la réclamation.
✓ Avis : L'avis ou le commentaire associé à la réclamation.
✓ Statut : Le statut actuel de la réclamation.
✓ CNQ (MAD) : Le coût de non-qualité en MAD (Monnaie Nationale).
✓ Référence : La référence liée à la réclamation.
✓ OF N° : Le numéro de l'ordre de fabrication associé à la réclamation.
✓ Désignation : La désignation du produit ou de l'article concerné.
✓ Défaut : La description du défaut ou de la non-conformité.
✓ Nature de défaut : La nature spécifique du défaut.
✓ Nombre des Pcs NC : Le nombre de pièces non conformes.
✓ Décision / Imputation : La décision ou l'imputation relative à la réclamation.
✓ Date Cible sécurisation : La date cible pour la sécurisation.
91
 ✓ Date d'envoi sécurisation : La date d'envoi de la sécurisation.
✓ Date cible 8D : La date cible pour l'analyse 8D.
✓ Date d'envoi 8D : La date d'envoi de l'analyse 8D.
✓ Date cible Preuves 8D : La date cible pour les preuves de l'analyse 8D.
✓ Date d'envoi Preuves 8D : La date d'envoi des preuves de l'analyse 8D.
✓ Statut clôture Client : Le statut de clôture de la réclamation du côté client.
✓ Mesure d'efficacité par N° BL : La mesure d'efficacité associée au numéro de bon de
livraison.
✓ Opérateur : L'opérateur responsable de l'activité.
✓ Contrôleur : Le contrôleur associé à l'activité.
✓ Activité : L'activité liée à la réclamation.
✓ OF : L'ordre de fabrication lié à la réclamation.
✓ Inclus KPI : Indique si les indicateurs de performance clés (KPI) sont inclus.
✓ Inclus Reporting : Indique si les rapports sont inclus.
✓ Commentaire : Les commentaires supplémentaires.
Les statistiques de la feuille ‘Statut de Réclamation 2022’ sont les suivantes :

✓ Fin de la feuille : AB373

✓ Cellules contenant des données : 5 587
✓ Tableaux : 0
✓ Formules : 851
✓ Images : 1
✓ Objets : 1
✓ Notes : 2
✓ Classeur :
✓ Feuilles : 7
✓ Cellules contenant des données : 6 093
✓ Tableaux : 2
✓ Tableaux croisés dynamiques : 6
✓ Formules : 887
✓ Graphiques : 4

92
Quatrième fichier Excel : ‘statut des réclamations 2023 ’

Figure 38: Feuille statut des réclamations 2023

Les colonnes de la feuille ‘Statut 2023’, qui fait partie du classeur ‘Statut Réclamation
2023’, sont les suivantes :

✓ Client : Le nom du client concerné par la réclamation.

✓ Date : La date de la réclamation.
✓ Avis : L'avis ou le commentaire associé à la réclamation.
✓ Statut : Le statut actuel de la réclamation.
✓ CNQ (MAD) : Le coût de non-qualité en MAD (Monnaie Nationale).
✓ Référence : La référence liée à la réclamation.
✓ OF N° : Le numéro de l'ordre de fabrication associé à la réclamation.
✓ Désignation : La désignation du produit ou de l'article concerné.
✓ Défaut : La description du défaut ou de la non-conformité.
✓ Nature de défaut : La nature spécifique du défaut.
✓ QTE NC : La quantité de pièces non conformes.
✓ Décision / Imputation : La décision ou l'imputation relative à la réclamation.
✓ Date Cible sécurisation : La date cible pour la sécurisation.
✓ Date d'envoi sécurisation : La date d'envoi de la sécurisation.
✓ Date cible 8D : La date cible pour l'analyse 8D.
✓ Date d'envoi 8D : La date d'envoi de l'analyse 8D.
✓ Date cible Preuves 8D : La date cible pour les preuves de l'analyse 8D.
93
 ✓ Date d'envoi Preuves 8D : La date d'envoi des preuves de l'analyse 8D.
✓ Statut clôture Client : Le statut de clôture de la réclamation du côté client.
✓ Mesure d'efficacité par N° BL : La mesure d'efficacité associée au numéro de bon de
livraison.
✓ Opérateur : L'opérateur responsable de l'activité.
✓ Contrôleur : Le contrôleur associé à l'activité.
✓ Activité : L'activité liée à la réclamation.
✓ OF : L'ordre de fabrication lié à la réclamation.
✓ Inclus KPI : Indique si les indicateurs de performance clés (KPI) sont inclus.
✓ Inclus reporting : Indique si les rapports sont inclus.
✓ Commentaire : Les commentaires supplémentaires.
Les statistiques de la feuille ‘Statut 2023’ sont les suivantes :

✓ Fin de la feuille : AB101

✓ Cellules contenant des données : 1 933
✓ Tableaux : 0
✓ Formules : 331
✓ Images : 1
✓ Objets : 1
✓ Notes : 3
✓ Classeur :
✓ Feuilles : 9
✓ Cellules contenant des données : 2 732
✓ Tableaux : 2
✓ Tableaux croisés dynamiques : 6
✓ Formules : 383
✓ Graphiques : 4

94
Cinquième fichier Excel : ‘EXPORT BL CLIENT’

Figure 39: Feuille EXPORT BL CLIENT

Le cinquième fichier, intitulé ‘EXPORT BL CLIENT’, comprend une seule feuille nommée
‘Suivi BL client’. Les colonnes de cette feuille sont les suivantes :

✓ N°BL : Le numéro du bon de livraison.

✓ T : La lettre T (peut représenter un type particulier de bon de livraison).
✓ Affaire : L'affaire associée au bon de livraison.
✓ Commande : La commande correspondante.
✓ Client : Le nom du client.
✓ Date : La date de la livraison.
✓ Qté : La quantité livrée.
✓ Nom client pour la livraison : Le nom du client pour la livraison.
✓ Pièce : La référence de la pièce livrée.
✓ Désignation : La désignation de la pièce.
✓ Reste : Le reste ou le solde à livrer.
✓ NB OF client : Le nombre d'ordres de fabrication liés au client.
✓ RESERVATION : La réservation associée.
✓ Commande interne : La commande interne correspondante.
✓ Lotie : L'indication si la pièce est lotie.

95
 ✓ Désignation 2 : Une deuxième désignation éventuelle.
✓ Désignation 3 : Une troisième désignation éventuelle.
✓ Désignation 4 : Une quatrième désignation éventuelle.
✓ N°DC : Le numéro de document commercial.
✓ Emett-. : L'émetteur du bon de livraison.
✓ @. Liv. : L'adresse de livraison.
✓ AQ : L'assurance qualité associée.
✓ Famille : La famille de produits.
✓ N° B.R. : Le numéro de bordereau de réception.
✓ Transporteur : Le transporteur chargé de la livraison.
✓ DEVIS : Le numéro de devis.
Les statistiques de la feuille ‘Suivi BL client’ sont les suivantes :

✓ Feuille active : Z26851

✓ Fin de la feuille : Z26851
✓ Cellules contenant des données : 458 526
✓ Tableaux : 0
✓ Formules : 1
Le classeur contient une seule feuille avec un total de 2 732 cellules contenant des données. Il
n'y a pas de tableaux présents dans cette feuille, mais une formule est utilisée.

96
Le sixième fichier Excel : ‘ Export pièces fabriqué’

Figure 40: Feuille Export pièces fabriqué

La feuille ‘Pièces’ du fichier ‘EXPORT PIECES FABRIQUE’ comprend plusieurs

colonnes qui fournissent des informations essentielles sur les pièces fabriquées. Voici une
description détaillée des colonnes :

✓ Blocages/Sortie : Indique si la pièce est bloquée ou en cours de sortie.

✓ Code Pièce : Le code unique attribué à chaque pièce.
✓ Famille : La famille à laquelle la pièce appartient.
✓ Désignation 1 : La première désignation de la pièce.
✓ Client : Le client associé à la pièce.
✓ Prix : Le prix de la pièce.
✓ Unité Prix : L'unité de mesure utilisée pour le prix de la pièce.
✓ Qté. Eco. : La quantité économique de la pièce.
✓ Cycle : Le cycle de la pièce.
✓ Cycle de Fab. : Le cycle de fabrication de la pièce.
✓ Niveau : Le niveau de la pièce.
✓ Code Activité : Le code d'activité lié à la pièce.
✓ Typologie : La typologie de la pièce.
✓ Code Pièce Interne : Le code interne de la pièce.
✓ Désignation 2 : La deuxième désignation de la pièce.

97
 ✓ Désignation 3 : La troisième désignation de la pièce.
✓ Motifs Blocage : Les motifs de blocage éventuels pour la pièce.
✓ Réf. Homologation : La référence d'homologation de la pièce.
✓ N° Plan : Le numéro de plan de la pièce.
✓ Indice plan : L'indice de plan de la pièce.
✓ Classement ABC : Le classement ABC de la pièce.
✓ Classe de pièce : La classe de la pièce.
✓ Date Sortie : La date de sortie de la pièce.
✓ Section : La section à laquelle la pièce est rattachée.
✓ Acheteur : L'acheteur responsable de la pièce.
✓ Approvisionneur : L'approvisionneur associé à la pièce.
✓ Préparateur : Le préparateur de la pièce.
✓ Nom Client : Le nom du client lié à la pièce.
✓ Approbateur : L'approbateur de la pièce.
✓ Date Approbateur : La date d'approbation de la pièce.
✓ Vérificateur : Le vérificateur de la pièce.
✓ Date Vérificateur : La date de vérification de la pièce.
✓ Référence Client : La référence client de la pièce.
✓ Existe ? (Macro-gamme DT CBN) : Indique si une macro-gamme de type DT CBN
existe pour la pièce.
✓ Date création (Macro-gamme DT CBN) : La date de création de la macro-gamme DT
CBN pour la pièce.
✓ Existe ? (Macro-gamme DT Dev) : Indique si une macro-gamme de type DT Dev
existe pour la pièce.
✓ Date création (Macro-gamme DT Dev) : La date de création de la macro-gamme DT
Dev pour la pièce.
✓ Macro-gamme : Le type de macro-gamme associé à la pièce.
✓ Prix réf. article : Le prix de référence de l'article.
✓ Unité Prix Article : L'unité de mesure utilisée pour le prix de référence de l'article.
✓ Pièce créée le ... : La date de création de la pièce.
✓ Par : L'auteur de la création de la pièce.
Statistiques de la feuille 'Pièces’ :

✓ Feuille active : 'Pièces'

98
 ✓ Fin de la feuille : AS5278
✓ Nombre de cellules contenant des données : 127 848
✓ Nombre de tableaux : 0
✓ Nombre de formules : 0
✓ Classeur :
✓ Nombre de feuilles : 1
✓ Nombre total de cellules contenant des données dans le classeur : 127 848
✓ Nombre total de tableaux dans le classeur : 0
✓ Nombre total de formules dans le classeur : 0
Ces informations fournissent une vue d'ensemble des colonnes présentes dans la feuille 'Pièce'
du fichier 'EXPORT PIECES FABRIQUE' et présentent les statistiques relatives à cette
feuille de données.

Septième fichier Excel : ‘export code défaut’

Figure 41: Feuille export code défaut

Les colonnes de la feuille ‘Défaut’ sont :

✓ Code : Le code du défaut.

✓ Désignation : La description du défaut.
✓ Type AQ Produit : Le type d'avis qualité pour le produit.

99
 ✓ Type AQ Système : Le type d'avis qualité pour le système.
Les statistiques de la feuille ‘Défaut’ du classeur ‘export code défaut’ sont les suivantes :

✓ Feuille active
✓ Fin de la feuille E120
✓ Cellules contenant des données : 598
✓ Tableaux : 0
✓ Formules : 0

Le huitième fichier Excel : ‘Employé’

Figure 42: Feuille Employé

Les colonnes de la feuille ‘Employé’ qui fait partie du fichier ‘Table Employé’ sont les
suivantes :

✓ Civilité : La civilité de l'employé.

✓ Code Employé : Le code d'identification de l'employé.
✓ Nom de l'employé : Le nom de famille de l'employé.
✓ Prénom : Le prénom de l'employé.
✓ Service / ILOT : Le service ou l'ILOT auquel l'employé est rattaché.
✓ Email professionnel : L'adresse email professionnelle de l'employé.

Les statistiques de la feuille 'Employé' sont les suivantes :

100
 ✓ Feuille active
✓ Fin de la feuille F196
✓ Cellules contenant des données : 800
✓ Tableaux : 0
✓ Formules : 0
✓ Classeur :
✓ Feuilles : 1
✓ Cellules contenant des données : 800
✓ Tableaux : 0
✓ Formules : 0

Le dernier fichier Excel : ‘Grille des compétences’

Figure 43: Feuille Grille des compétences

101
 Figure 44: deuxième partie de la feuille Grille des Compétences

La feuille ‘Compétences’ du fichier représente la grille des compétences chez SIMRA

MAROC. Elle contient plusieurs colonnes avec des informations sur les compétences des
employés. Voici un résumé des colonnes et des statistiques :

Colonnes de la feuille ‘Compétences’ :

✓ MAT : Matricule de l'employé

✓ NOM : Nom de l'employé
✓ Prénom : Prénom de l'employé
✓ Tampon : Champ de tampon (non spécifié)
✓ Initial : tache liée à la compétence
✓ Qualification Procédés Spéciaux : Niveau de qualification des procédés spéciaux
✓ Prochaine Qualification : Prochaine qualification prévue
✓ Management / encadrement : Responsable de l’employé
✓ Site rattachement : Site d'affectation de l'employé
✓ Date d’entrée : Date d'entrée dans l'entreprise
✓ Année d'expérience BE : Années d'expérience dans le service
✓ LOGISTIQUE : Compétences en logistique
✓ QUALITE : Compétences en qualité
✓ TECHNIQUE : Compétences techniques
✓ Traitement thermique/ Heat treatment: Compétences en traitement thermique
✓ Airb... : Détails spécifiques aux procédés de traitement thermique

102
 ✓ Conductivité : Compétences en conductivité
✓ Dureté : Compétences en mesure de dureté
✓ Détourage : Compétences en détourage
✓ Chaudronnerie : Compétences en chaudronnerie
✓ Soudage : Compétences en soudage
✓ USINAGE : Compétences en usinage
✓ Traitement de surface (PS) : Compétences en traitement de surface
✓ Peinture (PS) : Compétences en peinture
✓ Montage : Compétences en montage
✓ Opérations : Compétences en opérations
✓ CND : Compétences en contrôle non destructif
✓ METHODES DE TESTES : Compétences en méthodes de tests
✓ Marquage : Compétences en marquage
✓ SI : Compétences en systèmes d'information
✓ Maintenance : Compétences en maintenance
✓ Finances : Compétences en finances
✓ Contrôle de gestion : Compétences en contrôle de gestion
✓ Ressources humaines : Compétences en gestion des ressources humaines
✓ Management : Compétences en management
✓ ADV : Compétences en gestion des ventes
✓ Projet : Compétences en gestion de projet
✓ Langues : Compétences linguistiques
Statistiques de la feuille ‘Compétences’ :

✓ Cellules contenant des données : 5327

✓ Tableaux : 0
✓ Formules : 1774
✓ Images : 1
✓ Notes : 21
Ces données représentent les compétences des employés chez SIMRA MAROC et peuvent
être utilisées pour évaluer les compétences individuelles, identifier les domaines de
développement et effectuer des analyses plus approfondies

103
‘ La transformation et le nettoyage des données sur Power bi ’

Figure 46: Étapes de transformation des données de la table

Défaut

Figure 47: Étapes de transformation des données de la table

Qualité interne

Figure 45 Étapes de transformation des données de la table

Employé

104
Figure 49: Étapes de transformation des données de la table
Contrôleur
Figure 50: Étapes de transformation des données de la table Pièces

Figure 48: Étapes de transformation des données de la table Figure 51: Étapes de transformation des données de la table
Qualité externe ilots

105
 Figure 52: Étapes de transformation des données de la table
Figure 53: Étapes de transformation des données de la table operateur
Clients

✓ synthèse

Le projet Power BI du service qualité a subi une transformation majeure lors de cette phase.
Nous avons effectué des opérations de nettoyage et de transformation des données. De plus,
nous avons modifié le type de données pour certains fichiers récupérés à partir d'une
extraction clipper, où les données étaient stockées sous forme de nombres plutôt que de textes
ou de chaînes de caractères. Étant donné que des opérations de fusion étaient présentes, il était
essentiel de gérer correctement les types de variables.

Pour résumer, dans le cadre de l'apprentissage automatique, nous conserverons 3 feuilles de

calcul. Une de ces feuilles ‘Data final’ sera utilisée pour créer des modèles visant à traiter le
sujet de la réduction des délais d'approvisionnement de SIMRA Maroc. Les deux autres

106
feuilles, appelées ‘import’ et ‘locale’, seront dédiées à la prédiction de la quantité
commandée.

Les projets d'achat et de qualité ont été renommés et préparés avec des tableaux bien définis à
la suite des transformations réalisées avec Excel et Power BI. Ces tableaux pour le service
qualité comprennent les tables ‘opérateur’, ‘qualité interne’ et ‘qualité externe’ …
En ce qui concerne les achats, une table a été créée pour relier les fournisseurs et les
indicateurs de performance OTD (On-Time Delivery) afin d'évaluer les performances des
fournisseurs de SIMRA Maroc.

Nous partagerons une synthèse des tableaux avant et après l'exploration des données afin de
résumer tout ce qui a été réalisé jusqu'à présent. Cette étape est essentielle pour les prochaines
phases de réalisation de notre projet.

Achat pour Machine Learning avant transformation

Fichier lié au service Achat Nombre Nombre Feuilles

lignes colonnes

Arrivage 2022 4176 25 1

EXPORT ARTICLE 9035 27 1

Export fournisseur 188 17 1

Total 13399 69 3
Tableau 16: statistiques de données d'achat avant transformation

Achat Machine Learning après transformation

Fichier lié au service Achat Nombre Nombre Feuilles

lignes colonnes

Data clt 3

Data final 1187 26 Feuil1

Import 134 26 Feuil2

Local 1054 26 Feuil3

Total 2375 78 3
Tableau 17: Statistiques de données d'achat après transformation

107
Pour Notre projet sur Power BI

✓ Achat avant

Fichier lié au service Nombre lignes Nombre Feuilles

Achat colonnes

Arrivage 2022 2023 6277 25 1

EXPORT ARTICLE 9035 27 1

Export fournisseur 188 17 1

SUIVI NC 19 20 1
FOURNISSEUR

COMMANDES 2022 5184 41 1

Total 20703 130 5

Tableau 18:Statistiques de données d'achat avant transformation

✓ Achat après

Fichier lié au service Nombre lignes Nombre Feuilles

Achat colonnes

Data Achat VF 5

MP 6317 9 Feuil1

Liste fournisseur 188 6 Feuil2

Commande 2400 13 Feuil3

Détails commande 5184 18 Feuil4

NC Fournisseur 18 3 Feuil5

Total 14107 49 5
Tableau 19: : Statistiques de données d'achat après transformation

108
 ✓ Qualité avant

Fichier lié au service qualité Nombre Nombre Feuilles

lignes colonne

Suivi non-conformité interne 2022 2660 23 4

Statut de réclamation 2022 251 26 8

Statut de réclamation 2023 97 27 4

Suivi non-conformité interne 2023 1070 25 4

Export BL Client 26851 26 1

Export-code defauts-16-05 120 5 1

Export-pièces fabriquées 5278 23 1

Grille compétences 199 197 1

Table employé 196 6 1

Total 36722 358 25

Tableau 20: statistiques de données de la qualité de production avant transformation

✓ Qualité après

Fichier lié au service Nombre lignes Nombre Feuilles

qualité colonnes

Client 26850 13 1

Contrôleur 11 3 1

Défaut 119 2 1

Ilot 97 4 1

Opérateur 109 11 1

Pièces 5278 14 1

Qualité externe 285 15 1

Qualité interne 3407 16 1

109
 Employé 194 4 1

Total 36350 82 9
Tableau 21: Statistiques de données de la qualité de production après transformation

6.2 Types de variables

Les variables présentes dans les différentes tables sont de plusieurs types, notamment :
Variables catégorielles : comme Type qui indique si l'article est Fourniture (Matières et
Divers) ou Sous-Traitance Réalisation.

Variables numériques continues : comme le temps d'approvisionnement, le prix unitaire,

la quantité commandée, la quantité reçue, le montant total, le prix unitaire, le coût de non-
conformité.

Variables binaires : comme le certificat de conformité, qui indique si l'article est conforme
ou non.

Variables temporelles : comme la date de sortie, la date d'arrivage, la date de la

commande.

Variables identifiantes : comme le code interne de l'article, le code fournisseur, le nom du

fournisseur, le nom du contrôleur, d’opérateur, le code de défaut

Variables textuelles : comme la désignation de l'article

6.3 Distribution des variables Identification des différents utilisateurs

6.3.1 Identification des utilisateurs Achats

Les utilisateurs liés au service achat ayant accès à cette base de données peuvent être :

Les acheteurs : ils ont accès à toutes les tables pour pouvoir suivre les commandes en cours,
les délais de livraison, les règlements, etc. Ils peuvent également effectuer des analyses pour
identifier les fournisseurs les plus performants en termes de qualité, de coût et de délai.

La responsable de la Supply Chain : ils ont accès aux informations sur les articles et les
fournisseurs pour planifier les approvisionnements et optimiser les stocks. Ils peuvent
également utiliser la table de faits pour suivre les dépenses liées aux approvisionnements et
pour effectuer des analyses de rentabilité.

110
Les responsables financiers : ils ont accès à la table de faits pour suivre les dépenses liées
aux approvisionnements et pour effectuer des analyses de rentabilité.

Les auditeurs externes : ils ont accès aux tables filtrés pour vérifier la conformité des
achats et des paiements avec les procédures qui concerne leur société (exemple : existence
CC), sans possibilité de modification ou de suppression des données.

Les privilèges de chacun dépendront de leur rôle. Pour cette partie, les acheteurs, la
responsable de la Supply Chain et les responsables financiers auront un accès complet à toutes
les tables pour pouvoir effectuer leurs analyses et leurs suivis. En revanche, les auditeurs
externes auront également un accès en lecture seule pour vérifier la conformité des procédures
avec leur établissement, sans possibilité de modification ou de suppression des données.

6.3.2 Identification des utilisateurs Qualité

Pour le service qualité et son équipe, voici les utilisateurs et leurs privilèges associés :

Responsable qualité : Le responsable qualité a un accès complet à toutes les tables de la

base de données. Ils peuvent suivre les indicateurs clés de performance liée à la qualité, tels
que les défauts de production, les plaintes des clients, les non-conformités, etc. Ils sont
responsables de l'analyse des données qualité, de l'identification des tendances, de la mise en
place d'actions correctives et préventives, ainsi que de l'amélioration continue des processus.

Équipe qualité : Les membres de l'équipe qualité ont un accès approprié aux tables de la
base de données nécessaires à l'exécution de leurs tâches. Cela peut inclure l'accès aux
données relatives aux inspections, aux tests de conformité, aux rapports de qualité, etc. Leur
accès peut être spécifiquement défini en fonction de leur rôle et de leurs responsabilités au
sein de l'équipe qualité.

Responsables de chaque îlot de production : Les responsables de chaque îlot de production

ont un accès limité aux données de qualité concernant leur propre îlot. Ils peuvent consulter
les indicateurs de performance clés, les rapports de qualité et les mesures de suivi pour leur
zone spécifique. Cela leur permet de prendre des décisions éclairées concernant la qualité des
produits fabriqués dans leur îlot.

Responsable de la conformité : Les responsables de la conformité ont un accès restreint

aux données de qualité pertinentes pour vérifier la conformité des processus et des produits
par rapport aux normes réglementaires et aux exigences de qualité. Leur accès est

111
généralement limité aux informations nécessaires à leur évaluation de la conformité, sans
possibilité de modification ou de suppression des données.

Auditeurs externes qualité : Les auditeurs externes qualité ont un accès restreint aux
tables filtrées contenant les données nécessaires à leur évaluation. Ils peuvent vérifier la
conformité des processus qualité avec les normes et réglementations externes applicables à
l'entreprise. Leur accès est en lecture seule et ils ne peuvent pas modifier ou supprimer les
données.

7 Comparaison entre les approches de modélisation Kimball et

Inmon
Un tableau comparatif entre les approches de modélisation de données Kimball et Inmon,
appliquées dans le contexte de la réalisation du projet Achat et Qualité sur Power BI :

Aspects Kimball Inmon

Structure des Modèle en étoile ou en flocon de Modèle en architecture de base de

données neige basé sur des tables de faits et données (ou modèle relationnel
de dimensions classique) basé sur des tables
normalisées

Objectif L'analyse décisionnelle et L'optimisation de la gestion des données

principal l'exploration de données

Cible publique Les utilisateurs métiers qui ont Les administrateurs de base de données
besoin d'une analyse rapide des et les informaticiens qui doivent gérer et
données stocker les données

Structuration Les données sont décrites de Les données sont fournies de manière à
des données manière à répondre aux questions répondre aux besoins de stockage et de
les plus courantes posées par les maintenance des données, avec une
utilisateurs métiers, avec une granularité fine
granularité appropriée

Stockage des Les données sont extraites dans des Les données sont interprétées dans des
données tables de faits et de dimensions de tables normalisées
manière dénormalisée

Les Les modèles Kimball sont optimisés Les modèles Inmon peuvent être moins
performances pour les performances de requête, performants que les modèles Kimball car
car les tables de faits sont les tables sont normalisées, ce qui peut
dénormalisées et les jointures sont entraîner une complexité de requête plus
minimisées élevée

112
 Évolutivité Les modèles Kimball peuvent être Les modèles Inmon peuvent nécessiter
étendus facilement pour inclure de des changements plus importants pour
nouvelles dimensions ou mesures s'adapter aux nouvelles exigences
Tableau 22: Tableau comparatif entre les approches de modélisation de données Kimball et Inmon

Nous avons choisi d'adopter l'approche de modélisation de données Kimball pour nos deux
projets de Business Intelligence. Pour le projet d'achat, nous mettrons en place un modèle en
étoile simple, qui permettra une analyse efficace des données d'achat en se concentrant sur
une table de faits principale entourée de dimensions. En ce qui concerne le projet du service
qualité, nous opterons pour une modélisation en constellation, qui nous permettra de gérer les
multiples aspects de la qualité en utilisant plusieurs tables de faits interconnectées. Cette
approche nous offrira une meilleure visibilité et une analyse approfondie des indicateurs de
qualité.

8 Description des axes d’analyse

Dans le cadre de notre projet PFE axé sur les maillons achat et qualité, il est essentiel de
comprendre les aspects de la vue modèle dans Power BI, ainsi que les relations entre les tables
et la création de la table de date à l'aide du langage DAX.

La vue modèle dans Power BI nous a permis de concevoir et de gérer les différentes tables et
relations qui composent notre modèle de données. C'est ici que nous pouvons créer, éditer et
organiser nos tables de faits, nos tables de dimensions et d'autres éléments nécessaires à
l'analyse et à la visualisation de vos données.

Les relations sont des liens établis entre les tables dans notre modèle de données. Elles
définissent comment les tables sont connectées les unes aux autres et comment les
informations sont partagées entre elles. Il existe deux aspects importants à considérer lors de
la création des relations : le flux et la cardinalité.

Le flux : Le flux d'une relation indique la direction dans laquelle les données sont filtrées. Il
peut être unidirectionnel (un seul sens) ou bidirectionnel (les données peuvent être filtrées
dans les deux sens). Par exemple, dans une relation entre une table de commandes et une table
de produits, le flux peut être unidirectionnel de la table de commandes vers la table de
produits, car vous souhaitez filtrer les produits en fonction des commandes.

La cardinalité : La cardinalité d'une relation définit la correspondance entre les lignes des
tables. Elle peut être de trois types : un-à-un, un-à-plusieurs ou plusieurs-à-plusieurs. Par
113
exemple, une relation entre une table de clients et une table de commandes peut avoir une
cardinalité d’un-à-plusieurs, car un client peut passer plusieurs commandes.

8.1 Les tables des faits et de dimensions pour l’Achat

Figure 54: Modélisation en étoile pour l'achat

Dans le cadre de notre projet, nous avons développé un modèle de données axé sur la table
des faits ‘Commande’ ainsi que plusieurs tables de dimension essentielles, notamment ‘NC
fournisseur’, ‘MP’ (matière première), ‘Fournisseur’ et ‘Détails commande’. Ce modèle de
données suit une approche en étoile centralisée autour de la table des faits ‘Commande’, ce
qui nous permet de capturer et d'analyser efficacement les informations liées aux commandes
dans notre système. Cette structure en étoile nous offre une vue claire et organisée des
données, facilitant ainsi l'exploration et l'analyse approfondie de nos indicateurs d'achat.

114
Table des faits : ‘commande’

Figure 55: Table des faits ‘commande’

La table des faits ‘Commande’ joue un rôle central dans notre modèle de données. Elle
contient les informations essentielles liées aux commandes, telles que le numéro de bon de
livraison, le nom du fournisseur, le numéro de bon de commande, la matière première
commandée, les quantités commandées et reçues, le montant total de la commande, la date de
la commande, ainsi que le type de commande. Cette table des faits nous permet de capturer et
d'analyser les données clés relatives aux commandes, offrant ainsi une vue détaillée et
complète de notre activité d'achat. Elle constitue le pivot central autour duquel sont reliées les
différentes tables de dimension, telles que les informations sur les fournisseurs, les matières
premières, et les détails des commandes

Grâce à cette structure en étoile, nous pouvons facilement explorer et comprendre les
relations entre les différentes dimensions et les mesures associées à nos commandes, ce qui
nous permet de prendre des décisions éclairées en matière d'approvisionnement de la matière
première.

115
Table des dimensions : ‘MP’ Matière première

Figure 56: Table de dimensions ‘MP’

La table des dimensions ‘table MP’ contient plusieurs attributs essentiels liés à la matière
première. Chaque enregistrement est identifié par une clé unique, représentée par la colonne
‘Référence’.

La colonne ‘Désignation MP’ fournit le nom ou la description de la matière première.

L'indicateur ‘Certificat de conformité’ indique si la matière première nécessite un certificat
de conformité lié au fabriquant. Le ‘Code Nature’ représente la classification ou la catégorie
à laquelle appartient la matière première. Le ‘Prix unitaire’ indique le coût unitaire de la
matière première. L'identifiant unique du fournisseur associé à la matière première est
enregistré dans la colonne ‘Code Fournisseur’. La colonne ‘Tps appro’ indique le temps
nécessaire pour approvisionner la matière première, fournissant ainsi une estimation du délai
de livraison. Enfin, ‘Unité de prix" spécifie l'unité de mesure utilisée pour le prix unitaire de
la matière première. L'ensemble de ces informations permet de gérer efficacement les
matières premières, de suivre leur disponibilité, de les classer et de planifier leur

116
approvisionnement en fonction de leur prix et de leur temps d'approvisionnement.

Table des dimensions : ‘ Fournisseur ’

Figure 57: Table de dimensions ‘Fournisseur’

La table des dimensions ‘table fournisseur’ est une composante essentielle du modèle de
données lié à la table des faits ‘commande’. Chaque enregistrement de cette table est identifié
par une clé unique, représentée par la colonne ‘Nom fournisseur’. La colonne ‘Code
fournisseur’ contient un code spécifique qui permet d'identifier le fournisseur. La colonne
‘Localité’ indique l'emplacement géographique où le fournisseur est situé. L'adresse e-mail
du fournisseur est enregistrée dans la colonne ‘Email’. La colonne ‘Pays’ renseigne sur le
pays d'origine ou d'implantation du fournisseur. Les informations relatives aux conditions de
paiement et aux modalités de règlement du fournisseur sont enregistrées dans la colonne
‘Règlement’. En reliant cette table aux enregistrements de la table ‘commande’ via la clé
‘Fournisseur’, il est possible d'obtenir des informations détaillées sur chaque fournisseur,
telles que son identifiant, sa localité, son pays, son adresse e-mail et ses conditions de
règlement. Ces informations sont essentielles pour suivre et analyser les commandes, ainsi
que pour évaluer la performance des fournisseurs dans le cadre de la gestion de la chaîne
d'approvisionnement.

117
Table des dimensions : ‘NC Fournisseur’

Figure 58: Table de dimensions ‘NC Fournisseur’

La table des dimensions ‘table NC fournisseur’ est une autre composante importante du
modèle de données. Chaque enregistrement de cette table est identifié par une clé représentée
par la colonne ‘Nom fournisseur’. Cette table est utilisée pour enregistrer les informations
relatives aux non-conformités associées à chaque fournisseur. La colonne ‘Date’ indique la
date à laquelle la non-conformité a été constatée. La colonne ‘Nb Pcs NC’ représente le
nombre de pièces non conformes identifiées dans le cadre de cette non-conformité spécifique.
En reliant cette table aux enregistrements de la table des faits ‘Commande’ via la clé ‘Nom
fournisseur’, il est possible de suivre et d'analyser les non-conformités par fournisseur. Cette
information est essentielle pour évaluer la qualité des fournisseurs et prendre des mesures
correctives afin d'améliorer la qualité globale des produits et services de l'entreprise.

118
Table de dimensions : ‘Détails commande’

Figure 59: Table de dimensions ‘Détails commande’

La table des dimensions ‘Table Détails Commande’ contient des informations détaillées sur
les commandes. La colonne ‘N°BC’ indique le numéro de bon de commande associé à
l'article. L'identifiant unique de l'article est enregistré dans la colonne ‘Article’, et la colonne
‘Délai’ représente le délai de livraison de l'article. La colonne ‘Désignation’ contient la
description de l'article, tandis que la colonne ‘Qté totale’ indique la quantité totale
commandée. Les unités de mesure utilisées pour la quantité totale et le prix unitaire sont
enregistrées respectivement dans les colonnes ‘Unité’ et ‘Unité Prix’. Les colonnes ‘P.U.’
(Prix Unitaire) et ‘Coût’ représentent le prix unitaire et le coût total de l'article, tandis que les

119
colonnes ‘Mt H.T.’ (Montant Hors Taxe) et ‘Mt T.T.C.’ (Montant Toutes Taxes Comprises)
enregistrent les montants hors taxe et toutes taxes comprises.
Pour la colonne ‘Livrée à l'heure’ indique si la commande a été livrée à temps, et la colonne
‘Reste" indique la quantité restante. Les identifiants uniques du client, de la famille et du
fournisseur sont enregistrés respectivement dans les colonnes "Client", "Famille " et "Nom
Fournisseur".

Création de table DATE :

Figure 60: Visualisation de la table DATE sur Power BI avec DAX

Après avoir établi les relations entre les différentes tables, nous avons créé une table de date
qui enrichit notre modèle de données. Cette table de date, nommée ‘Date’, a été générée à
l'aide de la fonction DAX ADDCOLUMNS et la fonction CALENDARAUTO () pour
générer automatiquement les dates en fonction des données disponibles dans notre modèle.

La table ‘Date’ contient plusieurs colonnes qui permettent une granularité temporelle
détaillée. Nous avons ajouté des colonnes telles que ‘Année’, ‘Num Mois’, ‘Mois’, ‘Num
Trimestre’, ‘Trimestre’, ‘Année Trimestre’, ‘Mois Année’ et ‘Année Mois’ pour faciliter
les analyses et les regroupements selon ces différentes périodes temporelles. Cette table
‘Date’ est ensuite liée à la table des faits ‘Commande’ grâce à une relation de type
‘plusieurs-vers-un’, en utilisant la colonne ‘Date’ comme clé de liaison. Cela nous permet

120
d'exploiter les informations temporelles lors de la visualisation des données dans notre tableau
de bord, en effectuant des analyses basées sur les dates telles que les commandes par mois,
par trimestre ou par année, ainsi que des comparaisons temporelles.

La description des relations entre les tables utilisées :

Figure 61: Description des relations entre les tables

Afin d'assurer des analyses précises et fiables, nous avons établi des relations actives entre ces
tables. Ces relations permettent de filtrer et de croiser les données de manière cohérente. Dans
ce contexte, nous allons décrire les différentes relations et leurs caractéristiques, telles que la
cardinalité et la direction du filtrage croisé, afin de mieux comprendre comment les tables
sont connectées et comment elles interagissent entre elles pour soutenir nos analyses et nos
visualisations. Voici la description des différentes relations :

121
Relation entre la table ‘Date’ et la table ‘Commande’

Figure 62: Relation entre la table ‘Date’ et la table ‘Commande’

✓ Cardinalité : Plusieurs à un
✓ Direction de filtrage croisé : Un seul sens (de la table ‘Date’ vers la table
‘Commande’)
✓ Description : Cette relation permet de filtrer les données de la table ‘Commande’ en
fonction de la date sélectionnée dans la table ‘Date’. Ainsi, il est possible d'analyser
les commandes en fonction de différentes périodes temporelles, telles que les jours, les
mois ou les années.

122
Relation entre la table ‘table commande’ et la table ‘table MP’

Figure 63: Relation entre la table ‘table commande’ et la table ‘table MP’

✓ Cardinalité : Plusieurs à plusieurs

✓ Direction de filtrage croisé : Un seul sens (de la table ‘MP’ vers la table
‘Commande’)
✓ Description : Cette relation permet de filtrer les données de la table ‘Commande’ en
fonction de la référence de la matière première spécifiée dans la table ‘MP’. Ainsi, il
est possible d'analyser les commandes associées à différentes matières premières et
d'obtenir des informations détaillées sur leur utilisation

123
Relation entre la table ‘commande’ et la table ‘Fournisseur’

Figure 64: Relation entre la table ‘commande’ et la table ‘Fournisseur’

✓ Cardinalité : Plusieurs à plusieurs

✓ Direction de filtrage croisé : Un seul sens (de la table ‘Fournisseur’ vers la table
‘Commande’)
✓ Description : Cette relation permet de filtrer les données de la table ‘Commande’ en
fonction du code fournisseur spécifié dans la table ‘Fournisseur’. Ainsi, il est possible
d'analyser les commandes en fonction des différents fournisseurs et d'obtenir des
informations spécifiques sur leurs performances.

124
Relation entre la table ‘ commande’ et la table ‘ NC Fournisseur’

Figure 65: Relation entre la table ‘table commande’ et la table ‘table NC Fournisseur’

✓ Cardinalité : Plusieurs à plusieurs

✓ Direction de filtrage croisé : Un seul sens (de la table "NC Fournisseur" vers la table
"Commande")
✓ Description : Cette relation permet de filtrer les données de la table "Commande" en
fonction du nom du fournisseur spécifié dans la table "NC Fournisseur". Ainsi, il est
possible d'analyser les commandes associées à des non-conformités fournisseurs
spécifiques.

125
Relation entre la table ‘commande’ et la table ‘Détails commande’

Figure 66: Relation entre la table ‘commande’ et la table ‘Détails commande’

✓ Cardinalité : Plusieurs à plusieurs

✓ Direction de filtrage croisé : Un seul sens (de la table "Détails commande" vers la
table "Commande")
✓ Description : Cette relation permet de filtrer les données de la table "Commande" en
fonction du code fournisseur spécifié dans la table "Détails commande". Ainsi, il est
possible d'analyser les commandes en fonction des différents fournisseurs associés à
chaque détail de commande.

126
 Synthèse :
Ces relations permettent d'établir des liens entre les différentes tables, facilitant ainsi
l'exploration et l'analyse des données d'achat dans Power BI. En utilisant ces relations,
nous pourrons réaliser des visualisations interactives et obtenir des insights précieux pour
optimiser les processus d'achat et prendre des décisions éclairées.

8.2 Les tables des faits et de dimensions pour Qualité

Figure 67: Modélisation en constellation pour la qualité de la production

Dans notre projet sur la qualité de production, nous avons mis en place un modèle de données
basé sur Power BI pour analyser et visualiser les mesures de qualité. Nous avons choisi
d'utiliser un modèle en constellation, avec deux tables de faits principales : ‘Qualité Interne’
et ‘Qualité Externe’. Ces tables de faits sont liées à plusieurs tables de dimensions, telles que
‘Pièces’, ‘Défaut’, ‘Contrôleur’, ‘Opérateur’, ‘Client’ et ‘îlot’.

Notre projet utilise le modèle en constellation sur Power BI pour analyser et visualiser les
mesures de qualité de production. Nous avons établi des relations entre les tables de faits et
les tables de dimensions, en mettant l'accent sur la dimension temporelle avec la table ‘Date’.

127
Cela nous permet d'explorer les tendances de qualité, de réaliser des analyses approfondies et
de prendre des décisions éclairées basées sur les données historiques et actuelles.

Table de faits : ‘Qualité interne’

Figure 68: Table de FAITS ‘Qualité interne’

La table des faits ‘Qualité Interne’ est au cœur de notre modèle de données pour le contrôle
qualité interne. Elle rassemble les informations essentielles liées à la qualité de production,
telles que les codes des contrôleurs et des défauts, les coûts, les dates, les décisions prises, les
descriptions des non-conformités, les lots, les mois, les noms des clients, des contrôleurs et
des opérateurs, les numéros de FNC et d'OF, les quantités totales, les références et les types
de non-conformités. En reliant cette table aux dimensions clés telles que les ilots, les pièces,
les opérateurs, les contrôleurs, les dates et les défauts, nous pouvons analyser en détail la
qualité interne. Cela nous permet d'identifier les défauts spécifiques, les non-conformités liées
à certaines dimensions et d'observer les tendances de qualité. Cette vue des données nous aide
à détecter les problèmes, à comprendre leurs causes et à prendre les mesures appropriées pour
améliorer la qualité de notre production interne.

128
Table de dimensions : ‘Contrôleur’

Figure 69: Table de dimensions ‘Contrôleur’

La table de dimensions ‘Contrôleur’ joue un rôle essentiel dans notre modèle de données en
étant liée aux tables de faits ‘Qualité Interne’ et ‘Qualité Externe’. Elle contient des
informations telles que le code du contrôleur, son nom et son type. Cette table nous permet
d'analyser les performances individuelles des contrôleurs dans le processus de contrôle
qualité. En croisant ces données avec les tables de faits, nous sommes en mesure d'évaluer
l'efficacité de chaque contrôleur, d'identifier les problèmes de qualité et de prendre des
décisions éclairées pour améliorer le processus de contrôle qualité. Grâce à la table
‘Contrôleur’, nous obtenons une vision détaillée des attributs des contrôleurs, ce qui nous
permet d'effectuer des analyses approfondies et de mettre en œuvre des actions correctives
pertinentes.

129
Table de dimensions : ‘opérateur’

Figure 70: Table de dimensions ‘opérateur’

La table de dimensions ‘Opérateur’ est cruciale dans notre modèle de données, étant
associée aux tables de faits ‘Qualité Interne’ et ‘Qualité Externe’. Elle comprend des
informations telles que l'expérience, la date d'entrée, l'îlot, la fonction de management, le
matricule, le nom et prénom, la qualification aux procédés spéciaux et le site de rattachement
des opérateurs. En utilisant ces données, nous pouvons évaluer les performances individuelles
des opérateurs, détecter les écarts de qualité et prendre des décisions informées pour améliorer
nos processus de production et renforcer la gestion de la qualité.

Table de dimensions : ‘îlot’

Figure 71: Table de dimensions ‘îlot’

130
La table de dimensions ‘Ilot’ est une composante clé de notre modèle de données en tant que
dimension principale liée à la table de faits ‘Qualité Interne’. Elle capture des informations
essentielles telles que l'année, l'îlot, le mois et la quantité fabriquée spécifique à chaque îlot de
production. Grâce à cette table de dimensions, nous pouvons analyser la qualité interne de
chaque îlot sur une base temporelle en identifiant les tendances, les performances et les
variations propres à chaque mois et chaque année. Cela nous permet de comprendre l'impact
des différents îlots sur la qualité interne globale et de prendre des décisions éclairées pour
améliorer les processus de production et garantir des normes de qualité élevées.

Table de dimensions : ‘Défaut’

Figure 72: Table de dimensions

‘Défaut’

La table de dimensions ‘Défaut’ joue un rôle essentiel dans notre modèle de données pour la
qualité de production. Elle est conçue pour enregistrer et organiser les informations relatives
aux non-conformités identifiés lors du processus de contrôle qualité. En associant chaque
défaut à un code spécifique et en fournissant une description détaillée du type de non-
conformité, la table ‘Défaut’ permet de catégoriser et d'analyser efficacement les problèmes
de qualité.

Grâce à la table de dimensions ‘Défaut’, nous pouvons mieux comprendre les problèmes de
qualité, identifier les tendances, prendre des mesures correctives et améliorer les processus de
contrôle qualité. En capturant les informations essentielles sur les non-conformités, cette table
joue un rôle clé dans notre projet en permettant une analyse approfondie de la qualité de
production et en facilitant la prise de décisions basées sur les données.

131
Table de faits : ‘Qualité externe’

Figure 73: Table de faits ‘Qualité

externe’

La table de faits ‘Qualité Externe’ joue un rôle essentiel dans notre modèle de données en
étant liée aux tables de dimensions telles que ‘Pièces’, ‘Défaut’, ‘Opérateur’, ‘Contrôleur’,
‘Client’ et ‘Date’. Cette table contient des informations détaillées sur la qualité externe de
nos produits, telles que l'activité, l'avis de non-conformité, la date, la décision/imputation, la
désignation de la pièce, la nature du défaut, le nombre de pièces non conformes, le nom du
client, le nom du contrôleur, le nom et prénom de l'opérateur, le numéro d'OF, la référence, le
statut et le type de non-conformité. En analysant ces données en relation avec les dimensions
associées, nous sommes en mesure de comprendre les tendances et les problèmes de qualité
externes, de prendre des décisions éclairées pour améliorer la satisfaction client et de mettre
en œuvre des actions correctives ciblées. La table ‘Qualité Externe’ est un élément clé de
notre processus de contrôle qualité et de notre démarche d'amélioration continue.

Création de la table ‘Date’

Figure 74: Visualisation de la table DATE sur Power BI avec DAX

132
Pour faciliter l'analyse temporelle de nos données, nous avons créé une table de référence
spécifique aux dates, appelée ‘Date’. Cette table contient une liste de dates distinctes et des
colonnes supplémentaires pour l'année, le mois, le trimestre, etc. Elle est utilisée pour filtrer et
découper nos mesures de qualité en fonction de la date.

Table de dimensions : ‘Client’

Figure 75: Table de dimensions ‘Client’

La table de dimension ‘Client’ occupe une place centrale dans notre modèle de données, étant
directement liée à la table de faits ‘Qualité Externe’. Elle contient une richesse
d'informations relatives à nos clients, tels que les détails de l'affaire, l'activité commerciale, le
nom du client, le pays, le prix unitaire, les quantités commandées et livrées, ainsi que les
références associées. Grâce à cette relation solide avec la table de faits ‘Qualité Externe’,
nous pouvons analyser en profondeur les données de qualité externe spécifiques à chaque
client. Cela nous permet de comprendre leurs exigences, d'évaluer leur niveau de satisfaction,
et de prendre des mesures appropriées pour améliorer continuellement la qualité de nos
133
produits et services. La table ‘Client’ constitue donc une ressource précieuse pour la gestion
de la qualité et la prise de décisions stratégiques éclairées, en nous permettant de visualiser et
d'analyser les performances de qualité en fonction de nos relations avec nos clients.

La description des relations entre les tables utilisées :

Figure 76: description des relations entre les tables utilisées dans la qualité de la production

Dans notre projet BI Qualité, nous travaillons avec un modèle de données dans Power BI pour
analyser les informations liées à la qualité des produits. Pour cela, nous utilisons plusieurs
tables de données qui contiennent des informations sur les dates, les contrôleurs, les
opérateurs, les pièces, les défauts, les clients et les îlots.

Afin de connecter ces tables de manière cohérente, nous établissons des relations entre elles.
Ces relations nous permettent de filtrer et d'analyser les données de manière structurée.
Chaque relation est définie en identifiant les colonnes communes entre les tables et en
spécifiant la cardinalité de la relation.

En utilisant ces relations, nous pouvons filtrer les données en fonction de différents critères
tels que la date, le contrôleur, l'opérateur, la pièce, le défaut, le client et l'îlot. Cela nous

134
permet d'effectuer des analyses approfondies et de créer des visualisations pertinentes pour
notre projet BI Qualité.

Relation entre table de faits ‘Qualité interne’ et table ‘Date’

Figure 77: Relation entre table de faits ‘Qualité interne’ et table ‘Date’

Table Date (Date) filtre la table Qualité interne (Date)

✓ Cardinalité : Plusieurs à un
✓ Direction du filtrage croisé : De Date vers Qualité interne
✓ Description : Cette relation permet de filtrer les données de la table Qualité interne en
fonction de la date sélectionnée dans la table Date. Plusieurs enregistrements dans la
table Qualité interne peuvent correspondre à une seule date dans la table Date

135
Relation entre table de faits ‘Qualité interne’ et table de dimensions ‘ ilot’

Figure 78: Relation entre table de faits ‘Qualité interne’ et table de dimensions ‘ ilot’

Table Ilot (îlot) filtre la table Qualité interne (îlot)

✓ Cardinalité : Plusieurs à plusieurs

✓ Direction du filtrage croisé : De Ilot vers Qualité interne
✓ Description : Cette relation permet de filtrer les données de la table Qualité interne en
fonction de l'îlot sélectionné dans la table Ilot. Plusieurs enregistrements dans la table
Qualité interne peuvent correspondre à plusieurs îlots dans la table Ilot

136
Relation entre table de faits ‘Qualité interne’ et table de dimensions ‘Contrôleur’

Figure 79: Relation entre table de faits ‘Qualité interne’ et table de dimensions ‘Contrôleur’

Table Contrôleur (Nom contrôleur) filtre la table Qualité interne (Nom contrôleur)

Cardinalité : Plusieurs à plusieurs

Direction du filtrage croisé : De Contrôleur vers Qualité interne

Description : Cette relation permet de filtrer les données de la table Qualité interne en
fonction du nom du contrôleur sélectionné dans la table Contrôleur. Plusieurs enregistrements
dans la table Qualité interne peuvent correspondre à plusieurs noms de contrôleur dans la
table Contrôleur.

137
Relation entre table ‘Qualité interne’ et table ‘Opérateur’

Figure 80: Relation entre table ‘Qualité interne’ et table ‘Opérateur’

Table Opérateurs (Nom et prénom op) filtre la table Qualité interne (Nom et prénom op)

✓ Cardinalité : Plusieurs à plusieurs

✓ Direction du filtrage croisé : De Opérateurs vers Qualité interne
✓ Description : Cette relation permet de filtrer les données de la table Qualité interne en
fonction du nom et du prénom de l'opérateur sélectionné dans la table Opérateurs.
Plusieurs enregistrements dans la table Qualité interne peuvent correspondre à
plusieurs noms et prénoms d'opérateurs dans la table Opérateurs.

138
Relation entre table de faits ‘Qualité interne’ et table de dimensions ‘ Défaut’

Figure 81: Relation entre table de faits ‘Qualité interne’ et table de dimensions ‘ Défaut’

Table Défaut (Code défaut) filtre la table Qualité interne (Code défaut)

✓ Cardinalité : Plusieurs à plusieurs

✓ Direction du filtrage croisé : De Défaut vers Qualité interne
✓ Description : Cette relation permet de filtrer les données de la table Qualité interne en
fonction du code de défaut sélectionné dans la table Défaut. Plusieurs enregistrements
dans la table Qualité interne peuvent correspondre à plusieurs codes de défaut dans la
table Défaut.

139
Relation des deux tables ‘Pièces’ et ‘Qualité interne’

Figure 82: Relation des deux tables ‘Pièces’ et ‘Qualité interne’

Table Pièces (Référence) filtre la table Qualité interne (Référence)

✓ Cardinalité : Plusieurs à Un
✓ Direction du filtrage croisé : De Pièces vers Qualité interne
✓ Description : Cette relation permet de filtrer les données de la table Qualité interne en
fonction de la référence de la pièce sélectionnée dans la table Pièces. Plusieurs
enregistrements dans la table Qualité interne peuvent correspondre à une référence de
pièces dans la table Pièces.

140
Relation des deux tables ‘Défaut’ et ‘Qualité externe’

Figure 83: Relation des deux tables ‘Défaut’ et ‘Qualité externe’

Table Défaut (Type de non-conformité) filtre la table Qualité externe (Type de non-
conformité)

✓ Cardinalité : Plusieurs à plusieurs

✓ Direction du filtrage croisé : De Défaut vers Qualité externe
✓ Description : Cette relation permet de filtrer les données de la table Qualité externe en
fonction du type de non-conformité sélectionné dans la table Défaut. Plusieurs
enregistrements dans la table Qualité externe peuvent correspondre à plusieurs types
de non-conformité dans la table Défaut.

141
Relation des deux tables ‘Pièces’ et ‘Qualité externe’

Figure 84: Relation des deux tables ‘Pièces’ et ‘Qualité externe’

Table Pièces (Référence) filtre la table Qualité externe (Référence)

✓ Cardinalité : Plusieurs à plusieurs

✓ Direction du filtrage croisé : De Pièces vers Qualité externe
✓ Description : Cette relation permet de filtrer les données de la table Qualité externe en
fonction de la référence de la pièce sélectionnée dans la table Pièces. Plusieurs
enregistrements dans la table Qualité externe peuvent correspondre à plusieurs
références de pièces dans la table Pièces.

142
Relation entre table de faits ‘Qualité externe’ et table ‘Opérateur’

Figure 85: Relation entre table de faits ‘Qualité externe’ et table ‘Opérateur’

Table Opérateurs (Nom et prénom op) filtre la table Qualité externe (Nom et prénom op)

✓ Cardinalité : Plusieurs à plusieurs

✓ Direction du filtrage croisé : De Opérateurs vers Qualité externe
✓ Description : Cette relation permet de filtrer les données de la table Qualité externe en
fonction du nom et du prénom de l'opérateur sélectionné dans la table Opérateurs.
Plusieurs enregistrements dans la table Qualité externe peuvent correspondre à
plusieurs noms et prénoms d'opérateurs dans la table Opérateurs.

143
Relation entre table de faits ‘Qualité externe’ et table ‘Contrôleur’

Figure 86: Relation entre table de faits ‘Qualité externe’ et table ‘Contrôleur’

Table Contrôleur (Nom contrôleur) filtre la table Qualité externe (Nom contrôleur)

✓ Cardinalité : Plusieurs à plusieurs

✓ Direction du filtrage croisé : De Contrôleur vers Qualité externe
✓ Description : Cette relation permet de filtrer les données de la table Qualité externe en
fonction du nom du contrôleur sélectionné dans la table Contrôleur. Plusieurs
enregistrements dans la table Qualité externe peuvent correspondre à plusieurs noms
de contrôleur dans la table Contrôleur.

144
Relation entre table de faits ‘Qualité externe’ et table ‘Client’

Figure 87: Relation entre table de faits ‘Qualité externe’ et table ‘Client’

Table Client (Nom Client) filtre la table Qualité externe (Nom Client)

✓ Cardinalité : Plusieurs à plusieurs

✓ Direction du filtrage croisé : De Client vers Qualité externe
✓ Description : Cette relation permet de filtrer les données de la table Qualité externe en
fonction du nom du client sélectionné dans la table Client. Plusieurs enregistrements
dans la table Qualité externe peuvent correspondre à plusieurs noms de clients dans la
table Client.

145
Relation entre table de faits ‘Qualité externe’ et table ‘Date’

Figure 88: Relation entre table de faits ‘Qualité externe’ et table ‘Date’

Table Date (Date) filtre la table Qualité externe (Date)

✓ Cardinalité : Plusieurs à un
✓ Direction du filtrage croisé : De Date vers Qualité externe
✓ Description : Cette relation permet de filtrer les données de la table Qualité externe en
fonction de la date sélectionnée dans la table Date. Plusieurs enregistrements dans la
table Qualité externe peuvent correspondre à une seule date dans la table Date.

146
9 Présentation des mesures sur power BI

Le langage DAX dans Power BI revêt une importance capitale. Le langage

DAX, également connu sous le nom de Data Analysis Expressions, est utilisé pour créer des
expressions et des formules qui effectuent des calculs et des agrégations sur les données.
Grâce à DAX, nous pouvons créer des mesures personnalisées qui nous permettent d'analyser
les performances, de suivre les indicateurs clés et de prendre des décisions éclairées. Ces
mesures jouent un rôle essentiel dans l'optimisation des processus d'Achat et de Qualité, en
nous aidant à réduire les coûts et à améliorer la qualité des produits. Ainsi, en exploitant la
puissance du langage DAX dans Power BI, nous pourrons obtenir des insights précieux pour
notre projet PFE dans les domaines de l'Achat et de la Qualité de la production.

9.1 Pour le projet Achat

Mesure Utilité Langage DAX Table

concernée

OQD (On- Mesurer la VAR FournisseursSelectionnes = CALCULATETABLE Fournisseur,

Time performance (VALUES ('fournisseur'[Nom Fournisseur]), 'Détails NC
commande'[Qté totale]> 0)
Delivery) da la qualité fournisseur,
de livraison RETURN IF (ISFILTERED('NC FOURNISSEUR'[Date Détails
des ].[Mois]), commande
fournisseurs DIVIDE (
CALCULATE (
SUMX ('NC FOURNISSEUR','NC
FOURNISSEUR’ [Nb Pcs NC]),
FournisseursSelectionnes
),
CALCULATE (
SUMX ('Détails commande','Détails commande’
[Qté totale]),
FournisseursSelectionnes
),
0
) * 1000000, BLANK ()
)

147
OTD (On- Mesurer la VAR DateSelectionnes = Fournisseur,
Time performance CALCULATETABLE (VALUES ('Détails Détails
Delivery) de livraison commande'[Edition]. [Mois]), 'Détails commande
à temps des commande’ [Qté totale]> 0)
fournisseurs VAR FournisseursSelectionnes =
CALCULATETABLE (VALUES
('fournisseur'[Nom Fournisseur]), 'Détails
commande'[Qté totale]> 0)
RETURN IF (ISFILTERED ('Détails
commande'[Edition]. [Mois]),
DIVIDE (
CALCULATE (
SUMX ('Détails commande','Détails
commande’ [Livrée à l'heure]),
FournisseursSelectionnes
),
CALCULATE (
SUMX ('Détails commande','Détails
commande’ [Qté totale]),
FournisseursSelectionnes
),
0
), BLANK ())

OQD Obj Objectif de 2000 -

l'indicateur
OQD

OTD Obj Objectif de 0.97 -

l'indicateur
OTD

Coût Calculer le AVERAGE ('Détails commande’ [Coût par]) Détails

unitaire coût moyen commande
moyen par unité

Nombre Compter le COUNTROWS (FILTER ('MP', 'MP’ [Code MP

de nombre de Fournisseur] =SELECTEDVALUE
Références références ('Fournisseur'[Code Fournisseur])))
Achetées achetées
pour un
fournisseur
sélectionné
Tableau 23: Description technique des mesures du service achat

148
 9.2 Pour le projet Qualité

Mesure Utilité Langage DAX Table

concernée

Nombre de clt concerné Mesure utilisée pour DISTINCTCOUNT ('Qualité Qualité

compter le nombre externe’ [Nom client]) externe
de clients concernés
par des données de
qualité externe.

Nombre de contrôleur Mesure utilisée pour DISTINCTCOUNT ('Qualité Qualité

concerné compter le nombre externe’ [Nom contrôleur]) externe
de contrôleurs
concernés par des
données de qualité
externe.

Nombre_Qte_Fabrique/îlot Mesure utilisée pour SUM (Ilot [Quantité fab]) Ilot

calculer le nombre
total de quantités
fabriquées par îlot.

Nombre d'opérateurs concerné Mesure utilisée pour DISTINCTCOUNT ('Qualité Qualité

compter le nombre Externe’ [Nom et prénom op]) externe
d'opérateurs
concernés par des
données de qualité
externe.

Nombre pièces concerné Mesure utilisée pour DISTINCTCOUNT ('Pièces’ Pièces

compter le nombre [Référence])
de pièces concernées
par des données de
qualité.

CNQ Activité (global) - Rebut Mesure utilisée pour SUM ('Qualité externe’ [Nb Pcs Qualité
calculer le coût non- NC]) * SUM ('Pièces’ [Prix Pièce]) externe,
qualité d'activité Pièces
global pour les
rebuts.

CNQ Activité (global) - Mesure utilisée pour SUM ('Qualité externe’ [Nb Pcs Qualité
Retouche calculer le coût non- NC]) * SUM ('Pièces’ [Prix Pièce]) externe,
qualité d'activité * 0.2 Pièces
global pour les
retouches.

149
CNQ Mesure utilisée pour CALCULATE ( Qualité
Activité(partiel/retouche) calculer le coût non- externe,
SUM ('Qualité externe’ [Nb Pcs
qualité d'activité Pièces
NC]) * SUM ('Pièces’ [Prix
pour les parties Pièce]),
partielles ou les
retouches. FILTER ('Qualité externe', 'Qualité
externe'[Activité] = "PAR"))

Coût total CNQ (rebut partiel) Mesure utilisée pour SUM ('Qualité externe’ [CNQ Qualité
calculer le coût total (MAD)]) externe
de la non-qualité
pour les rebuts
partiels.

Nombre de non-conformités Mesure utilisée pour COUNTROWS ('Qualité externe') Qualité

externe compter le nombre externe
total de non-
conformités externes.

OQD (clt) Mesure utilisée pour DIVIDE (SUM ('Qualité Externe’ Qualité
calculer le taux de [Nb Pcs NC]), SUM ('Client’ [Qté Externe,
livraison à temps livrée])) * 1000000 Client
pour les clients.

CNQ Rebut Mesure utilisée pour SUMX ( Qualité

calculer le coût non- Interne,
'Qualité Interne',
qualité pour les Pièces
rebuts internes. 'Qualité Interne’ [Qté NC] *
RELATED ('Pièces’ [Prix Pièce]) *
0.6)

CNQ Retouche Mesure utilisée pour SUMX ( Qualité

calculer le coût non- Interne,
'Qualité Interne',
qualité pour les Pièces
retouches internes. 'Qualité Interne’ [Qté NC] *
RELATED ('Pièces’ [Prix Pièce]) *
0.1)

OQD général Mesure utilisée pour ROUND (DIVIDE (SUM ('Qualité Qualité
calculer le taux de Interne’ [Qté NC]), SUM ('Qualité Interne
livraison à temps Interne’ [Quantité Totale]))
global. *1000000, 8)

OQD Rebut Mesure utilisée pour CALCULATE (DIVIDE (SUM Qualité

calculer le taux de ('Qualité Interne’ [Qté NC]), SUM Interne
livraison à temps ('Qualité Interne'[Quantité Totale
pour les rebuts. ])) * 1000000,FILTER('Qualité
interne', LEFT('Qualité
Interne'[Décision], 3) = "reb"))
Tableau 24: Description technique des mesures du service qualité

150
10 Modèle dimensionnel
10.1 Service Achat

Pour le modèle dimensionnel dans le domaine des achats, nous avons opté pour l'approche en
étoile. Deux points clés qui justifient ce choix sont les suivants :

Comparaison et validation du choix : Nous avons comparé plusieurs options de modèles

dimensionnels, y compris l'approche en étoile et l'approche en constellation. Après avoir
analysé nos besoins et les caractéristiques des données d'achat, nous avons déterminé que
l'approche en étoile était la plus adaptée. Elle nous permettait de centraliser les informations
liées aux commandes dans une table des faits principale (‘Commande’) et de connecter cette
table à des tables de dimensions clés. Cette structure en étoile simplifiait l'analyse des
données d'achat et nous offrait une vue claire des mesures de performance telles que les
montants totaux des commandes, les délais de livraison et les informations sur les
fournisseurs.

Illustration du modèle dans le cas de la problématique : Pour illustrer l'utilisation du

modèle dimensionnel en étoile dans le cas de notre problématique d'achat, nous avons mis en
place les tables de faits et de dimensions nécessaires. Par exemple, la table des faits
‘Commande’ était reliée à la table ‘NC fournisseur’ qui contenait des informations sur les
non-conformités fournisseur. Nous pouvions ainsi analyser les tendances des non-conformités
fournisseur en fonction des commandes effectuées. De même, la table des faits était connectée
à la table ‘MP’ (matière première) pour examiner les quantités de matières premières
commandées et les variations de prix. Ces illustrations concrètes nous ont permis d'exploiter
pleinement notre modèle dimensionnel en étoile et de répondre aux besoins spécifiques de
notre problématique d'achat.

10.2 Service Qualité

En ce qui concerne le modèle dimensionnel dans le domaine de la qualité, nous avons choisi
d'utiliser l'approche en constellation. Voici deux points clés qui soutiennent ce choix :

Comparaison et validation du choix : Nous avons évalué différentes approches de

modélisation, y compris l'approche en étoile et l'approche en constellation, pour notre
problématique de qualité. Après une analyse approfondie de nos données de qualité et des
relations entre les différentes dimensions, nous avons décidé que l'approche en constellation
était la plus appropriée. Cette approche nous a permis de prendre en compte les multiples
151
relations complexes entre les dimensions de la qualité, telles que les pièces, les défauts, les
contrôleurs, les opérateurs, les clients et les îlots. Nous pouvions ainsi explorer les
interactions entre ces dimensions et identifier les facteurs qui influencent la qualité.

Illustration du modèle dans le cas de la problématique : Pour illustrer l'utilisation du

modèle dimensionnel en constellation dans le cas de notre problématique de qualité, nous
avons créé les tables de faits et de dimensions correspondantes. Par exemple, la table des faits
‘Qualité Interne’ était connectée à la table ‘Défaut’ pour analyser les types de non-
conformités les plus fréquents et les relations entre les défauts et les autres dimensions. De
même, la table des faits était reliée à la table "Contrôleur" pour évaluer les performances
individuelles des contrôleurs en termes de qualité. Ces exemples d'illustration ont démontré
l'efficacité de notre modèle dimensionnel en constellation pour l'analyse approfondie des
mesures de qualité et la compréhension des interactions entre les différentes dimensions.

En résumé, la comparaison et la validation du choix du modèle dimensionnel ont abouti à

l'utilisation de l'approche en étoile pour les achats et de l'approche en constellation pour la
qualité. Ces choix ont été étayés par des illustrations concrètes montrant comment ces
modèles ont été appliqués dans le contexte spécifique de chaque problématique.

152
 Chapitre 4 : Conduite du projet en faveur du processus
Achat

Partie 1 : Le déploiement des huit modèles de Machine

Learning en faveur du processus achat

1 Data preprocessing
Dans cette partie, nous allons aborder différentes étapes de prétraitement des données qui sont
essentielles pour garantir la qualité et la fiabilité des résultats de notre projet qui vise à réduire
le délai d’approvisionnement et prédire la quantité à commander de la matière première. Ces
étapes comprennent le traitement des valeurs manquantes, l’encodage, la normalisation des
données, et le feature engineering ou la feature Selection si nécessaire.

Pour réaliser ces étapes de prétraitement et aussi pour la création du modèle, nous avons
importé plusieurs bibliothèques dans notre environnement de travail. Chacune de ces
bibliothèques joue un rôle spécifique dans le prétraitement des données. Voici une explication
de chaque importation et son utilité

Figure 89: bibliothèques utilisées

153
Voici une explication de chaque bibliothèque et les fonctions importées dans notre code :

-`numpy` : C'est une bibliothèque Python qui prend en charge les opérations mathématiques
et les calculs sur des tableaux multidimensionnels. Elle est largement utilisée pour le
traitement des données et les opérations numériques.

- `pandas` : C'est une bibliothèque Python populaire pour la manipulation et l'analyse des
données. Elle fournit des structures de données puissantes et flexibles, telles que les
DataFrames, qui facilitent le chargement, la manipulation et la préparation des données.

- `matplotlib.pyplot` : C'est une sous-bibliothèque de matplotlib qui permet de créer des

visualisations graphiques. Elle est souvent utilisée pour tracer des graphiques, des
histogrammes, des diagrammes en boîte, etc.

- `os` : C'est une bibliothèque Python qui fournit des fonctions pour interagir avec le système
d'exploitation. Elle est utilisée ici pour accéder aux fonctionnalités du système d'exploitation,
telles que la gestion des fichiers et des répertoires.

- `seaborn` : C'est une bibliothèque Python basée sur matplotlib qui offre une interface de
haut niveau pour créer des graphiques statistiques attrayants. Elle facilite la visualisation et
l'exploration des données.

- `sklearn.model_selection.train_test_split` : C'est une fonction de scikit-learn qui permet

de diviser un ensemble de données en sous-ensembles d'entraînement et de test. Elle est
utilisée pour créer des jeux de données d'entraînement et de test afin d'évaluer les
performances des modèles.

- `sklearn.metrics.silhouette_score` : C'est une fonction de scikit-learn qui calcule le score

de silhouette pour évaluer la qualité d'un clustering. Il mesure à quel point chaque échantillon
est bien regroupé avec d'autres échantillons de son propre cluster et à quel point il est différent
des échantillons des autres clusters.

- `matplotlib.colors.ListedColormap` : C'est une classe de matplotlib qui crée une colormap

à partir d'une liste de couleurs. Elle est utilisée pour personnaliser les couleurs dans les
visualisations.

- `mpl_toolkits. mplot3d.Axes3D` : C'est une classe de matplotlib qui permet de créer des
graphiques 3D. Elle est utilisée lorsque vous voulez représenter des données en trois
dimensions.

154
- `sklearn.preprocessing.StandardScaler` : C'est une classe de scikit-learn qui permet de
standardiser les fonctionnalités en supprimant la moyenne et en mettant à l'échelle pour avoir
une variance unitaire. Cela est souvent utilisé avant l'ajustement d'un modèle pour s'assurer
que toutes les fonctionnalités sont sur la même échelle.

- `sklearn.preprocessing.OneHotEncoder` : C'est une classe de scikit-learn qui permet de

réaliser l'encodage one-hot sur des variables catégorielles. Elle est utilisée pour transformer
des variables catégorielles en représentation numérique pour une utilisation dans les modèles
d'apprentissage automatique.

- `sklearn.preprocessing.LabelEncoder` : C'est une classe de scikit-learn qui permet de

réaliser l'encodage des étiquettes sur des variables catégorielles. Elle est utilisée pour
transformer des variables catégorielles en valeurs numériques.

- `sklearn.compose.ColumnTransformer` : C'est une classe de scikit-learn qui permet de

combiner plusieurs transformations sur différentes colonnes d'un tableau de données. Elle est
utilisée pour appliquer différentes transformations sur différentes colonnes du jeu de données.

- `sklearn. metrics. R2_score` : C'est une fonction de scikit-learn qui calcule le coefficient de
détermination R2 pour évaluer la performance d'un modèle de régression. Il mesure la
proportion de la variance dans la variable dépendante expliquée par le modèle.

- `sklearn. metrics.mean_squared_error` : C'est une fonction de scikit-learn qui calcule

l'erreur quadratique moyenne pour évaluer la performance d'un modèle de régression. Elle
mesure la différence entre les valeurs prédites et les valeurs réelles.

- `sklearn.metrics.mean_absolute_error` : C'est une fonction de scikit-learn qui calcule

l'erreur absolue moyenne pour évaluer la performance d'un modèle de régression. Elle mesure
la moyenne des valeurs absolues des différences entre les valeurs prédites et les valeurs
réelles.

- `sklearn.linear_model.Ridge` : C'est une classe de scikit-learn qui implémente la

régression Ridge. Elle est utilisée pour les tâches de régression avec régularisation L2 pour
éviter le surajustement.

- `sklearn.cluster.KMeans` : C'est une classe de scikit-learn qui implémente l'algorithme K-

means pour le clustering. Elle est utilisée pour regrouper les données en k groupes distincts en
fonction de leurs similarités.

155
- `sklearn.feature_selection.SelectKBest` : C'est une classe de scikit-learn qui sélectionne
les meilleures fonctionnalités en fonction d'un test statistique univarié. Elle est utilisée pour
sélectionner les k meilleures fonctionnalités pour l'analyse.

- `sklearn. Feature_selection. Chi2` : C'est une fonction de scikit-learn qui calcule le test
chi2 entre chaque fonctionnalité et la variable cible. Elle est utilisée dans la sélection des
fonctionnalités pour les variables catégorielles.

- `sklearn.preprocessing.PolynomialFeatures` : C'est une classe de scikit-learn qui génère

de nouvelles fonctionnalités en élevant les fonctionnalités existantes à des puissances plus
élevées. Elle est utilisée pour créer des fonctionnalités polynomiales pour les modèles de
régression.

- `xgboost.XGBRegressor` : C'est une classe de la bibliothèque XGBoost qui implémente le

modèle de régression XGBoost. Elle est utilisée pour les tâches de régression avec XGBoost,
qui est une méthode d'apprentissage automatique basée sur des arbres de décision.

- `sklearn.feature_selection.SelectFromModel` : C'est une classe de scikit-learn qui

sélectionne les fonctionnalités importantes en utilisant un modèle préalablement ajusté. Elle
est utilisée pour sélectionner un sous-ensemble de fonctionnalités en fonction de l'importance
attribuée par un modèle.

1.1 Traitement des valeurs manquantes

Lorsque nous exécutons dataset.head(), nous obtenons une sortie de [1186 rows x 14
columns]. Cette sortie indique que notre dataset contient 1186 lignes et 14 colonnes.

Figure 90: Affichage des données

156
 Figure 91: corrélation entre les données

Figure 92: suppression des données

Nous avons calculé la matrice de corrélation en utilisant la méthode `corr ()` sur le dataset, ce
qui nous a donné la variable `corr` contenant les valeurs de corrélation entre les différentes
variables. Ensuite, nous avons créé une figure avec une taille de 12 pouces de largeur et 9
pouces de hauteur en utilisant `plt.figure(figsize=(12,9))`.

En utilisant la bibliothèque Seaborn (`sns`), nous avons généré une heatmap de corrélation en
utilisant la fonction `heatmap () ` avec les arguments `corr` pour la matrice de corrélation,
`annot=True` pour afficher les valeurs de corrélation sur la heatmap, et `cmap='coolwarm'`
pour spécifier la colormap à utiliser. Enfin, nous avons affiché la heatmap en utilisant
`plt.show()`.

Par la suite, nous avons supprimé plusieurs colonnes du dataset en utilisant la méthode
157
`drop () ` avec l'argument `axis=1` pour indiquer que nous voulons supprimer des colonnes
plutôt que des lignes. Les colonnes à supprimer étaient 'Désignation', 'MT total',
'Trimestre', 'Qté_Commandé', 'Qté', 'Nom_fournisseur', 'Année', 'Code_Nature',
'Unité', 'Unité_Commande', 'N° BL', et 'Coût_unitaire_moyen'. La modification a été
effectuée directement dans le dataset en utilisant `inplace=True`.

Ces étapes nous ont permis de visualiser la corrélation entre les variables du dataset à l'aide de
la heatmap, puis de supprimer les colonnes spécifiées qui étaient fortement corrélées ou
n'étaient pas nécessaires pour notre analyse.

1.1.1 L’imputation par la moyenne

Figure 93: Visualisation des valeurs null

Figure 94: Fonction pour remplir les valeurs null par la moyenne

Dataset ['Tps dappro'] = dataset [['Tps dappro']]. Apply (moy, axis=1) : Cette ligne de
code remplace les valeurs manquantes de la colonne 'Tps_dappro' par la moyenne de cette
colonne. La fonction moy est définie précédemment pour calculer la moyenne et la
retourner si la valeur est manquante. L'application de cette méthode permet de préserver la

158
 tendance centrale des données et de maintenir la cohérence des valeurs dans la colonne
'Tps_dappro'.

❖ Après l'imputation

Figure 95: Résultat après l’imputation

1.2 Feature Engineering ou Feature Selection si nécessaire

1.2.1. Feature Engineering

Le feature engineering consiste à créer de nouvelles variables à partir des variables existantes,
en appliquant des transformations ou des combinaisons spécifiques, afin d'améliorer la
représentation des données et d'en extraire des informations pertinentes pour le modèle.

❖ La création de la variable 'Montant' en utilisant une fonction

Figure 96: Création de la variable montant

159
Ce code crée une nouvelle variable 'Montant' en utilisant une fonction. La fonction prend les
valeurs des colonnes 'Qté_Récep.', 'Prix_unitaire', et 'Montant' en entrée et retourne le
produit de 'Qté_Récep.' et 'Prix_unitaire' si la valeur de 'Montant' est manquante, sinon elle
retourne 'Montant' tel quel.

Ainsi, cette étape de feature engineering contribue à améliorer la représentation des données
en introduisant une nouvelle variable ('Montant') qui synthétise l'information contenue dans
les variables 'Qté_Récep.' et 'Prix_unitaire'.

❖ Transformation des mois

Figure 97: Code de la transformation

Dataset['Mois’] =dataset[['Mois']].apply(m, axis=1): Cette ligne de code crée une nouvelle

variable 'Mois' en utilisant la fonction m. La fonction mappe les noms des mois en chiffres
entiers correspondants.

160
 ❖ Modification du type d'achat

Figure 98: Code de la modification type d’achat

Nous avons utilisé la méthode `pd.get_dummies()` pour créer des variables indicatrices à
partir de la colonne 'Type' du dataset. Cela a créé de nouvelles colonnes contenant des
valeurs binaires pour chaque catégorie présente dans la colonne 'Type'. Ensuite, nous avons
assigné ces nouvelles colonnes à la variable 'Type'. Nous avons également utilisé l'option
`drop_first=True` pour supprimer la première colonne indicatrice afin d'éviter la redondance
d'informations. Enfin, nous avons supprimé la colonne 'Type' d'origine du dataset et
concaténé la nouvelle colonne indicatrice au dataset.
❖ Modification du certificat de conformité (CC)

Figure 99: Code de modification du certificat de conformité

161
Nous avons suivi la même procédure que pour la variable 'Type' en utilisant la méthode
`pd.get_dummies()` pour créer des variables indicatrices à partir de la colonne 'CC(O/N)'.
Nous avons utilisé l'option `drop_first=True` pour supprimer la première colonne indicatrice
et éviter la redondance d'informations. Ensuite, nous avons supprimé la colonne 'CC(O/N)'
d'origine du dataset et concaténé la nouvelle colonne indicatrice au dataset.

❖ Modification du type de règlement

Figure 100: Code dans Jupyter pour la modification du type de règlement

Nous avons créé une fonction `reglement` qui prend en entrée une valeur de règlement et
renvoie un nombre entier correspondant à la catégorie de règlement. La fonction compare la
valeur de règlement avec les catégories '30FDM', '60FDM' et 'CMD' et renvoie
respectivement les nombres 1, 2 et 3. Ensuite, nous avons appliqué cette fonction à la colonne
'Règlement' du dataset, remplaçant ainsi les catégories de règlement par les valeurs
numériques correspondantes.

❖ Synthèse
Ces transformations permettent de convertir les variables catégorielles en représentations
numériques appropriées pour les modèles d'apprentissage automatique. Cela nous permet
d'utiliser ces variables dans notre analyse ultérieure de manière plus efficace.

162
 1.3. Encodage des données

L'encodage est utilisé pour transformer des variables catégorielles en une représentation
numérique afin de les rendre exploitables par les modèles d'apprentissage automatique. Les
modèles d'apprentissage automatique travaillent généralement avec des valeurs numériques et
ne peuvent pas traiter directement des données catégorielles. Il existe plusieurs techniques
d'encodage, notamment l'encodage binaire, l'encodage par numérotation, l'encodage par One-
hot, etc.

L'encodage est important car il permet de conserver l'information contenue dans les variables
catégorielles tout en les rendant compatibles avec les modèles d'apprentissage automatique.
Cela permet de capturer les relations et les patterns présents dans les données catégorielles et
de les utiliser pour améliorer la performance des modèles.

Figure 101: Code dans Jupyter pour l'encodage des variables de type texte

prix_encoded = encoder.fit_transform(dataset['Unite_de_prix']): Cette ligne de code

encode les valeurs de la colonne 'Unite_de_prix' en utilisant l'encodeur de labels
(LabelEncoder).

recep_encoded = encoder.fit_transform(dataset['Unité_Récep.']): Cette ligne de code

encode les valeurs de la colonne 'Unité_Récep.' en utilisant l'encodeur de labels.

163
article_encoded = encoder.fit_transform(dataset['Article']): Cette ligne de code encode les
valeurs de la colonne 'Article' en utilisant l'encodeur de labels.

Les colonnes originales sont ensuite remplacées par les colonnes encodées dans le dataset.

1.4. Normalisation des données

L'objectif de la normalisation des caractéristiques est d'améliorer les performances des

modèles d'apprentissage automatique. En mettant toutes les caractéristiques sur une même
échelle, nous réduisons les distorsions potentielles causées par les différences d'amplitude.
Cela permet aux modèles d'apprendre plus efficacement à partir des données et facilite
l'interprétation des résultats.

Figure 102: Code de normalisation des données

Dans ce code, nous avons effectué une opération de normalisation sur le DataFrame 'dataset'
en utilisant la méthode StandardScaler de la bibliothèque scikit-learn.

Tout d'abord, nous avons assigné le DataFrame 'dataset' à la variable X, pour conserver une
copie du DataFrame d'origine avant la normalisation.

Ensuite, nous avons instancié un objet scaler de la classe StandardScaler. Cette classe est
utilisée pour standardiser les données, c'est-à-dire les mettre à l'échelle en soustrayant la
moyenne et en divisant par l'écart-type.

Nous avons appliqué la méthode fit_transform sur l'objet scaler en passant le DataFrame X
en tant qu'argument. Cette méthode calcule la moyenne et l'écart-type des colonnes de X, puis
effectue la transformation en soustrayant la moyenne et en divisant par l'écart-type pour
chaque valeur du DataFrame. Le résultat de la transformation est stocké dans le DataFrame
'dataset_scaled'.

164
 Figure 103: Code de normalisation des données avec MinMaxScaler()

Dans ce code, nous utilisons la méthode MinMaxScaler de la bibliothèque scikit-learn pour

normaliser les données. La normalisation est une étape importante dans le prétraitement des
données pour garantir que toutes les caractéristiques sont à la même échelle.

Nous instancions un objet scaler de la classe MinMaxScaler, qui va effectuer la

normalisation en ajustant les valeurs des données entre 0 et 1. Ensuite, nous appliquons la
méthode fit_transform sur les données X pour effectuer la transformation de normalisation.

Le résultat de la transformation est stocké dans un nouveau DataFrame X, où les valeurs des
caractéristiques ont été normalisées. Les colonnes du DataFrame sont également mises à jour
avec les noms de colonnes d'origine pour maintenir la correspondance avec les données
d'origine.

Ainsi, après l'exécution de ce code, les données dans le DataFrame X sont normalisées et
prêtes à être utilisées dans des modèles d'apprentissage automatique qui requièrent des
données à la même échelle.

165
2 Réalisation des modèles de prédiction de Machine Learning
validés par leurs propres indicateurs de performance
2.1 Choix des modèles après expérimentation
2.1.1 Objectif 1 : Réduction du délai d’approvisionnement
Pour réaliser notre expérimentation, nous avons choisi comme premier objectif la réduction
du délai d’approvisionnement. Notre objectif est de regrouper les fournisseurs selon leur
performance comme le délai et la qualité de la matière première. On veut regrouper les
fournisseurs selon des critères (liens) similaires. Notre étude ne va pas se basée sur un
‘Target’ bien précis pour cela nous allons adopter l’algorithme Kmeans et l’algorithme
clustering hiérarchique du modèle clustering.

A. Modèle Non supervisé Clustering

a. L’algorithme Kmeans

Figure 104: Détermination du nombre des clusters

166
 Figure 105: Graphique de la méthode ELBOW

❖ Pour 5

Figure 106: regroupement pour 5 clusters

167
Figure 107: visualisation des clusters

168
❖ Pour 3

Figure 108: regroupement pour 3 clusters

Figure 109: visualisation des clusters et leurs centroïdes

169
 Figure 110: la précision du modèle

b. Clustering hiérarchique

170
 Figure 111: performance des model K means et clustering hiérarchique

Figure 112: visualisation des clusters

2.1.2 Objectif 2 : Prédiction de la quantité à commander pour les achats locaux et les achats
import chez SIMRA MAROC
A. Modèle supervisé régression pour Achat Local
a. Régression de poisson
Nous avons choisi d'utiliser un modèle de régression de Poisson pour prédire la quantité à
commander dans le cadre de nos achats locaux. Ce choix s'est basé sur plusieurs
considérations importantes pour notre processus décisionnel.

171
Tout d'abord, les commandes de fournitures et divers que nous traitons présentent une
fréquence [quotidienne/mensuelle] de manière régulière. Le modèle de régression de Poisson
nous permet d'estimer les paramètres qui régissent la relation entre nos variables explicatives
et la quantité de commande. Il tient compte des facteurs spécifiques à notre processus d'achat
local, ce qui nous permet de prendre des décisions plus éclairées.

Notre choix d'utiliser un modèle de régression de Poisson pour prédire la quantité à

commander dans le cadre de nos achats locaux se justifie par sa pertinence de modéliser des
variables dépendantes qui sont des compteurs ou des nombres entiers positifs. Ce modèle
nous permet d'inclure des variables explicatives pertinentes pour notre processus d'achat local,
nous offrant ainsi une meilleure compréhension des facteurs qui influencent les quantités à
commander. Notre code implémente ce modèle en divisant les données, en créant et en
ajustant le modèle, puis en effectuant des prédictions

Figure 113: code de régression de poisson

172
 Figure 114: les indicateurs de performance du model

Figure 115: Visualisation réelle par rapport à la prédiction

Dans notre code, nous divisons nos données en ensembles d'entraînement et de test à l'aide de
la fonction train_test_split(). Ensuite, nous créons notre modèle de régression de Poisson en
utilisant la classe GLM de la bibliothèque Statsmodels. Nous ajustons le modèle sur
l'ensemble d'entraînement en utilisant la méthode fit (). Une fois le modèle entraîné, nous
effectuons des prédictions sur l'ensemble de test à l'aide de la méthode predict(), et obtenons
ainsi les quantités prédites pour nos achats locaux.
173
 b. Régression par arbre de décision
Le modèle de régression par arbre de décision est un algorithme d'apprentissage supervisé qui
vise à construire un arbre de décision en divisant les données en sous-ensembles homogènes.
Chaque nœud de l'arbre représente une condition sur une caractéristique, et les feuilles de
l'arbre correspondent aux valeurs prédites. Ce modèle est capable de gérer des variables
explicatives continues ou catégorielles, et il peut capturer des relations non linéaires entre les
caractéristiques et la variable cible.

Nous avons choisi ce modèle de régression par arbre de décision pour plusieurs raisons.
Premièrement, il est capable de capturer des relations non linéaires entre les caractéristiques et
les quantités commandées, ce qui est crucial dans notre processus d'achat local.
Deuxièmement, il est relativement facile à interpréter, ce qui nous permet de comprendre les
décisions prises par le modèle. Enfin, il offre de bonnes performances en termes de précision
et de rapidité d'exécution, ce qui est important pour un déploiement efficace dans un
environnement d'achat local

Figure 116: code de régression par arbre de décision

174
 Figure 117: Comparaison entre la quantité à commander réelle par rapport à la quantité prédite

Figure 118: Visualisation réelle par rapport à la prédiction pour le modèle régression par arbre de décision

Le code que nous avons utilisé suit une série d'étapes pour mettre en œuvre le modèle de
régression par arbre de décision. Tout d'abord, nous divisons nos données en ensembles
d'entraînement et de test à l'aide de la fonction `train_test_split()`. Cela nous permet
d'évaluer les performances du modèle sur des données non utilisées lors de l'entraînement.

175
 Ensuite, nous créons une instance du modèle de régression par arbre de décision en
utilisant la classe `DecisionTreeRegressor` de la bibliothèque scikit-learn. Nous
initialisons le modèle en spécifiant le paramètre `random_state` pour assurer la
reproductibilité des résultats.

Nous entraînons ensuite le modèle en utilisant les données d'entraînement à l'aide de la

méthode `fit()`. Cela permet au modèle d'apprendre à partir des caractéristiques fournies et
des quantités commandées correspondantes.

Une fois le modèle entraîné, nous effectuons des prédictions sur les ensembles
d'entraînement et de test à l'aide de la méthode `predict()`. Cela nous permet d'obtenir les
quantités prédites pour nos achats locaux à partir des caractéristiques données en entrée.

c. Régression par forêt aléatoire

Nous avons utilisé un modèle de régression par forêt aléatoire pour prédire les quantités
commandées dans le contexte de nos achats locaux. Ce choix est motivé par les
caractéristiques et les avantages spécifiques de ce type de modèle.

Le modèle de régression par forêt aléatoire est une technique d'apprentissage supervisé qui
combine plusieurs arbres de décision indépendants pour améliorer la précision des
prédictions. Chaque arbre de décision est entraîné sur un sous-ensemble aléatoire des données
d'entraînement, et les prédictions finales sont obtenues en moyennant les prédictions de
chaque arbre. Ce modèle est capable de capturer des relations non linéaires complexes entre
les caractéristiques et la variable cible, ce qui est essentiel pour prédire les quantités
commandées dans notre processus d'achat local, il est robuste face aux valeurs aberrantes et
aux données manquantes, ce qui garantit des prédictions fiables. Enfin, il offre une flexibilité
en termes de paramètres ajustables tels que le nombre d'arbres et la profondeur des arbres, ce
qui nous permet de l'adapter à nos besoins spécifiques.

176
 Figure 119: code de régression par forêt aléatoire

Dans notre étude sur un ensemble de données de 1053 lignes et 5 colonnes, nous avons utilisé
la méthode SelectKBest avec f_regression pour sélectionner les 4 meilleures caractéristiques,
ce qui nous a permis de réduire la dimensionnalité et de conserver les caractéristiques les plus
informatives pour prédire les quantités commandées. Pour le modèle de forêt aléatoire, nous
avons choisi d'utiliser 7 arbres de décision afin de trouver un équilibre entre la complexité du
modèle et sa capacité de généralisation, un nombre plus élevé d'arbres pourrait
potentiellement conduire à une meilleure précision, mais il peut également augmenter le
temps d'entraînement. Nous avons donc choisi 7 arbres comme une valeur raisonnable pour
notre volume de données.

En utilisant la classe RandomForestRegressor, nous avons entraîné le modèle sur les données
d'entraînement et effectué des prédictions sur les ensembles d'entraînement et de test.

Figure 120: les indicateurs de performances du model

177
 Figure 121: Visualisation réelle par rapport à la prédiction du modèle régression par forêt aléatoire

d. Régression par gradient boosting XGBoost

Nous avons choisi le modèle de régression par gradient boosting avec XGBoost pour
plusieurs raisons. Tout d'abord, ce modèle est particulièrement adapté aux problèmes de
régression, ce qui est approprié pour prédire les quantités commandées dans un contexte
d'achat local. De plus, XGBoost est connu pour sa capacité à gérer des ensembles de données
de petite à moyenne taille, ce qui convient à notre ensemble de données.

178
 Figure 122: Code de régression par gradient boosting XGBoost

Le code utilise la bibliothèque XGBoost pour entraîner un modèle de régression par

gradient boosting. Les étapes principales du code sont les suivantes :

Tout d'abord, les données sont divisées en ensembles d'entraînement et de test à l'aide de
la fonction `train_test_split` de scikit-learn. Un split de 0.1 est utilisé, ce qui signifie que
10% des données sont réservées pour le test et 90% sont utilisées pour l'entraînement. Les
données d'entraînement et de test sont préparées pour XGBoost en les transformant en
objets DMatrix à l'aide de la classe `xgb.DMatrix`. Cela permet de les adapter à l'entrée
requise par XGBoost. Ensuite, les paramètres du modèle de gradient boosting sont définis
dans un dictionnaire appelé `params`. Les paramètres choisis sont les suivants :

✓ `objective`: 'reg:squarederror' indique que nous effectuons une régression des

moindres carrés.
✓ `eval_metric`: 'rmse' est la métrique d'évaluation utilisée pour mesurer la
performance du modèle (racine carrée de l'erreur quadratique moyenne).
✓ `eta` : 0.2 est le taux d'apprentissage, qui contrôle la contribution de chaque arbre
à la mise à jour du modèle.
✓ `max_depth` : 5 limite la profondeur maximale des arbres de décision pour éviter
le surajustement.
✓ `subsample` : 0.8 spécifie la proportion d'échantillons utilisés pour construire
chaque arbre, ce qui introduit de la diversité et réduit le surajustement potentiel.

179
 ✓ `colsample_bytree` : 0.8 détermine la proportion de caractéristiques utilisées pour
construire chaque arbre, ce qui ajoute de la diversité et réduit le surajustement
potentiel.
✓ `seed` : 42 est la graine aléatoire pour la reproductibilité des résultats.

- Le modèle est ensuite entraîné sur les données d'entraînement en utilisant la fonction
`xgb.train`. Le nombre de cycles d'entraînement (`num_rounds`) est fixé à 100.

- Enfin, le modèle entraîné est utilisé pour faire des prédictions sur les données de test
avec la méthode `predict`, et les prédictions sont stockées dans la variable `y_pred`.

Les paramètres choisis pour le modèle ont été ajustés en tenant compte des
caractéristiques spécifiques de notre ensemble de données. Par exemple, un taux
d'apprentissage (eta) de 0.2 a été sélectionné pour permettre un apprentissage plus stable
sur un ensemble de données relativement petit. La profondeur maximale de l'arbre
(max_depth) a été fixée à 5 pour éviter un surajustement excessif. Les valeurs de
subsample et colsample_bytree ont été choisies pour introduire de la diversité dans les
échantillons et les caractéristiques utilisés pour la construction des arbres, respectivement,
afin de réduire le surajustement potentiel.

Figure 123: les indicateurs de performance du model

180
Figure 124: Tableau des données réelles par rapport à la prédiction

Figure 125: Visualisation réelle par rapport à la prédiction

181
 B. Modèle supervisé ‘régression’ pour Achat Import
a. Régression linéaire
Le modèle utilisé dans le code est une régression linéaire. La régression linéaire est un type de
modèle statistique qui permet de modéliser et prédire la relation linéaire entre une variable
dépendante et plusieurs variables indépendantes. Dans ce cas, le modèle vise à prédire les
quantités commandées au niveau de l'achat import en fonction des caractéristiques fournies
dans les données.

Le fonctionnement du modèle de régression linéaire consiste à ajuster une ligne droite (ou un
hyperplan dans le cas de plusieurs variables indépendantes) aux points de données en
minimisant la somme des carrés des erreurs entre les valeurs réelles et prédites. Ainsi, le
modèle apprend les coefficients qui pondèrent chaque caractéristique afin de prédire la
variable cible.

Figure 126: code de régression linéaire

Les étapes du code commencent par diviser les données en ensembles d'entraînement et de
test à l'aide de la fonction `train_test_split`. Ensuite, la sélection des caractéristiques est
effectuée en utilisant la méthode `SelectKBest` avec le score de régression
`f_regression`. Cela permet de réduire la dimensionnalité des données et de ne conserver
que les 4 caractéristiques les plus pertinentes.

Ensuite, le modèle de régression linéaire est créé à l'aide de la classe `LinearRegression`,

et il est entraîné sur les données d'entraînement à l'aide de la méthode `fit()`. Une fois le
modèle entraîné, des prédictions sont faites sur les ensembles d'entraînement et de test à
l'aide de la méthode `predict()`.

182
 Figure 127:Indicateurs de performances du modèle

Figure 128: Visualisation réelle par rapport à la prédiction du model régression linéaire

b. Régression polynomiale
Le modèle de régression polynomiale crée de nouvelles caractéristiques en élevant les
caractéristiques d'entrée à des puissances successives jusqu'au degré spécifié. Par exemple, si
vous avez une caractéristique X, la régression polynomiale peut créer les caractéristiques X2,
X3, X4, etc. Ensuite, une régression linéaire est appliquée sur ces nouvelles caractéristiques
pour trouver les coefficients qui minimisent l'erreur entre les prédictions du modèle et les
valeurs réelles.

183
La régression polynomiale a été choisie pour prédire les quantités commandées au niveau
d'achat car elle permet de capturer des relations non linéaires entre les caractéristiques et la
variable cible puis applique une régression linéaire pour trouver les coefficients optimaux.

En utilisant des caractéristiques polynomiales, le modèle peut mieux s'adapter aux données
complexes et potentiellement améliorer les performances de prédiction par rapport à une
régression linéaire simple.

Figure 129: Code de régression polynomiale

• Type du modèle : Le modèle utilisé est une régression polynomiale. Il s'agit d'une
extension de la régression linéaire où les caractéristiques d'entrée sont transformées en
polynômes de degré supérieur, ce qui permet de modéliser des relations non linéaires
entre les caractéristiques et la variable cible.
• Paramètres choisis : Le modèle de régression polynomiale utilise le paramètre "degré"
qui définit le degré maximal des polynômes à considérer. Dans ce cas, un degré de 4 a
été choisi.

Étapes du code

• Les données sont divisées en ensembles d'entraînement et de test à l'aide de la fonction

`train_test_split`.

184
• Une sélection des caractéristiques est effectuée à l'aide de la méthode `SelectKBest`
avec la fonction de score `f_regression`. Cela permet de sélectionner les meilleures
caractéristiques qui sont les plus corrélées à la variable cible.
• Les caractéristiques sélectionnées sont ensuite transformées en caractéristiques
polynomiales à l'aide de `PolynomialFeatures` avec un degré de 4.
• Un modèle de régression linéaire est créé à l'aide de `LinearRegression`.
• Le modèle est entraîné sur les données d'entraînement en utilisant les caractéristiques
polynomiales.
• Des prédictions sont faites sur les ensembles d'entraînement et de test à l'aide de
`predict`.

Figure 130: Indicateurs de performances des modèles

Figure 131: réel vs prédiction

185
 Figure 132: Visualisation réelle par rapport à la prédiction du model Régression polynomiale

c. Régression par forêt aléatoire

Le modèle de forêt aléatoire a été choisi pour prédire la quantité à commander en raison de
ses avantages tels que sa capacité à gérer les données non linéaires, à gérer les interactions
entre les caractéristiques, et à fournir une estimation de l'importance des caractéristiques. De
plus, la validation croisée permet d'évaluer les performances du modèle de manière plus fiable
en évitant le surajustement (overfitting) aux données d'entraînement.

L'utilisation de la sélection des caractéristiques permet également de réduire la

dimensionnalité des données en ne conservant que les caractéristiques les plus pertinentes, ce
qui peut améliorer les performances du modèle et éviter le surajustement. Le modèle de forêt
aléatoire avec sélection des caractéristiques et validation croisée est une approche robuste
pour prédire la quantité à commander, en tenant compte à la fois de la performance et de la
généralisation du modèle.

186
 Figure 133: Régression par forêt aléatoire

Ce code effectue d'abord la séparation des données en ensembles d'entraînement et de test.

Ensuite, il sélectionne les caractéristiques les plus informatives à l'aide de SelectKBest.
Ensuite, il effectue une validation croisée avec 5 plis pour évaluer les performances du
modèle RandomForestRegressor. Après cela, le modèle est entraîné sur l'ensemble
d'entraînement complet et utilisé pour faire des prédictions sur l'ensemble de test.

Figure 134: Indicateurs de performances du modèle

187
 Figure 135: Comparaison entre la quantité à commander réelle et prédite

Figure 136: Visualisation réelle par rapport à la prédiction du model Régression par forêt aléatoire

d. Régression par arbre de décision

Dans ce code, nous utilisons un modèle d'arbre de décision pour prédire les quantités
commandées (Qté_Commandé) en fonction de certaines caractéristiques. Le modèle d'arbre
de décision est choisi en raison de sa capacité à capturer des relations non linéaires entre les
caractéristiques et la variable cible. Pour éviter le surajustement, nous appliquons une
régularisation en limitant la profondeur de l'arbre à 3.

188
 Figure 137: Régression par arbre de décision

Le code fourni accomplit plusieurs étapes cruciales pour construire un modèle d'arbre de
décision performant. Il suit une approche méthodique pour garantir des prédictions
précises et éviter les problèmes de surajustement ou de sous-ajustement.

Dans un premier temps, les données sont divisées en ensembles d'entraînement et de test.
Cela permet d'évaluer les performances du modèle sur des données non vues auparavant,
offrant ainsi une estimation réaliste de ses capacités.

Ensuite, une technique de sélection des caractéristiques appelée SelectKBest est utilisée
pour choisir les caractéristiques les plus informatives. Cela permet de réduire la
dimensionnalité des données et de se concentrer sur les aspects les plus pertinents pour la
prédiction.

Le modèle d'arbre de décision est ensuite créé, en utilisant la classe

DecisionTreeRegressor. Pour éviter le surajustement, une régularisation est appliquée en
limitant la profondeur maximale de l'arbre. Cela permet de contrôler la complexité du
modèle et de le rendre plus généralisable à de nouvelles données.

Le modèle est entraîné sur l'ensemble d'entraînement, où il apprend à identifier les

relations entre les caractéristiques sélectionnées et la variable cible. Une fois le modèle
entraîné, il est utilisé pour faire des prédictions à la fois sur l'ensemble d'entraînement et

189
l'ensemble de test. Le code suit une approche rigoureuse en divisant les données, en
sélectionnant les caractéristiques les plus pertinentes, en créant un modèle d'arbre de
décision régularisé et en l'entraînant sur les données d'entraînement. Cette approche vise à
obtenir un modèle précis, évitant les problèmes de surajustement ou de sous-ajustement.

Figure 138: Indicateurs de performance du modèle

Figure 139: Visualisation réelle par rapport à la prédiction du modèle Régression par arbre de décision

190
 Figure 140: Prédiction du modèle

e. Régression par gradient boosting XGBoost

Dans ce code, nous utilisons XGBoost, une technique de machine Learning basée sur le
gradient boosting, pour prédire les quantités à commander. Le modèle est entraîné sur un
ensemble de données d'entraînement et évalué sur un ensemble de données de test. L'objectif
est de développer un modèle capable de prédire avec précision les quantités à commander en
fonction des caractéristiques fournies. Pour cela, nous utilisons XGBoost en raison de sa
capacité à gérer des ensembles de données complexes et à produire des résultats de haute
qualité. Les performances du modèle sont évaluées en utilisant des métriques telles que
l'erreur quadratique moyenne (RMSE) et le coefficient de détermination (R2), qui mesurent
l'adéquation des prédictions du modèle aux valeurs réelles des quantités à commander.

191
 Figure 141: Régression par gradient boosting XGBoost

Étape Description

Division des données Les données sont divisées en ensembles d'entraînement et de test à
l'aide de la fonction train_test_split(). Cela permet d'évaluer les
performances du modèle sur des données indépendantes.

Création de la Une matrice de données est créée à partir des caractéristiques

matrice d'entraînement et des étiquettes correspondantes à l'aide de la
d'entraînement fonction xgb.DMatrix().

Définition des Les paramètres du modèle XGBoost, tels que l'objectif, le nombre
paramètres du d'estimateurs et la profondeur maximale de l'arbre, sont définis dans
modèle un dictionnaire.

192
Entraînement du Le modèle XGBoost est entraîné en utilisant la fonction xgb.train()
modèle avec les données d'entraînement et les paramètres spécifiés.

Prédictions sur Les prédictions sont faites sur l'ensemble de test en utilisant la
l'ensemble de test fonction model.predict() avec la matrice de données
correspondante.

Tableau 25: Description des étapes de conception du modèle XGBOOST

Figure 142: indicateurs de performance du modèle

Figure 143: Les prédictions

193
 Figure 144: Comparaison entre la quantité à commander réelle et prédite

Figure 145: Visualisation réelle par rapport à la prédiction du model XGBOOST

194
2.2 Validation du choix
2.2.1 Comparaison des performances des modèles en utilisant les KPIs sélectionnés en
amont
A. Les performances des modèles utilisés dans les achats locaux
a. Erreur quadratique moyenne RMSE
RMSE signifie "Root Mean Square Error", qui se traduit en français par "Erreur
quadratique moyenne".

C'est une mesure couramment utilisée pour évaluer la précision d'un modèle de régression.
L'erreur quadratique moyenne calcule la différence entre les valeurs prédites par le modèle et
les valeurs réelles, élève ces différences au carré, calcule la moyenne de ces valeurs et enfin
prend la racine carrée de cette moyenne. L'erreur quadratique moyenne permet de quantifier
l'écart moyen entre les prédictions du modèle et les valeurs réelles, donnant ainsi une
indication de la précision globale du modèle.

Figure 146: Code du graphique

195
 Figure 147: Comparaison des modèles par RMSE

Le code permet de comparer les performances de différents modèles utilisés dans le contexte
des achats locaux en utilisant la métrique RMSE (Root Mean Squared Error). Parmi les
modèles comparés, XGBoost obtient la valeur la plus basse de RMSE, ce qui indique qu'il
présente la meilleure performance en termes de précision des prédictions des quantités à
commander. Cette performance supérieure de XGBoost peut être attribuée à sa capacité à
gérer des ensembles de données complexes et à produire des résultats de haute qualité. Ainsi,
XGBoost se révèle être un choix approprié pour le problème de prédiction des quantités à
commander dans le contexte des achats locaux.

b. Erreur absolue moyenne MAE

C'est une mesure d'évaluation couramment utilisée pour évaluer la précision d'un modèle de
régression. L'erreur absolue moyenne calcule la différence absolue entre les valeurs prédites
par le modèle et les valeurs réelles, puis calcule la moyenne de ces différences. Contrairement
à l'erreur quadratique moyenne (RMSE) qui pénalise davantage les erreurs importantes,
l'erreur absolue moyenne donne une mesure de l'écart moyen entre les prédictions du modèle
et les valeurs réelles sans prendre en compte leur signe. Cela permet d'évaluer la précision du
modèle de manière plus robuste aux valeurs aberrantes.

196
 Figure 148: Comparaison des modèle MAE

Le code permet de comparer les performances des différents modèles utilisés dans le contexte
des achats locaux en utilisant la métrique MAE (Mean Absolute Error). Le graphique
montre les valeurs de MAE pour chaque modèle. Parmi les modèles comparés, XGBoost
présente la valeur la plus basse de MAE, ce qui indique qu'il a la meilleure performance en
termes de précision des prédictions des quantités à commander. Cette performance supérieure
de XGBoost peut être attribuée à sa capacité à gérer des ensembles de données complexes et à
produire des résultats de haute qualité. Par conséquent, XGBoost est un choix approprié pour
le problème de prédiction des quantités à commander dans le contexte des achats locaux.

c. Coefficient de détermination R2
Le coefficient de détermination R2 est une mesure utilisée pour évaluer la performance d'un
modèle de régression. Il représente la proportion de la variance de la variable dépendante
expliquée par le modèle. Un R2 élevé indique que le modèle est capable de capturer une
grande partie de la variation des données, ce qui est souhaitable. En revanche, un R2 faible
indique que le modèle n'explique qu'une petite partie de la variation, ce qui suggère une moins
bonne adéquation. Il est important de prendre en compte le R2 en conjonction avec d'autres
métriques pour obtenir une évaluation complète de la performance du modèle.

197
 Figure 149: Comparaison des modèle R2

Le code permet de comparer les performances des différents modèles utilisés dans le contexte
des achats locaux en utilisant la métrique R2 (coefficient de détermination). Le graphique
affiche les valeurs de R2 pour chaque modèle. Parmi les modèles comparés, XGBoost
présente la valeur la plus élevée de R2, ce qui indique qu'il a la meilleure adéquation des
prédictions aux valeurs réelles des quantités à commander. Cette performance supérieure de
XGBoost suggère que ce modèle est capable d'expliquer une plus grande partie de la
variabilité des données par rapport aux autres modèles. Par conséquent, XGBoost est un choix
approprié pour le problème de prédiction des quantités à commander dans le contexte des
achats locaux.

198
B. Les performances des modèles utilisés dans les achats imports
a. Erreur quadratique moyenne RMSE

Figure 150: Code du graphique

Figure 151: Comparaison des modèles RMSE

199
 b. Erreur absolue moyenne MAE

Figure 152: Comparaison des modèle MAE

c. Coefficient de détermination R2
Figure 153: Comparaison des modèle R2

• Synthèse de notre choix basé sur les résultats R², RMSE et MAE

200
 Modèle R² MAE RMSE

Regression linéaire 0.23678133010738034 123.64627764972356 310.12179822926953

Regression polynomiale 0.7763928616014034 42.250114226846826 59.68607817926563

Decision Tree 0.7201372745519439 25.675459183673468 66.77328480009056

Random Forest 0.6924102414866069 29.831469660283215 70.00291858075103

XGBoost 0.9669441467856521 11.5 22.948504942518944

Tableau 26: Comparaison des modèles de régression 'R², MAE et RMSE'

XGBoost a été choisi comme modèle final pour notre projet en raison de ses performances et
de sa capacité à éviter le surajustement (overfitting). Avec un R² élevé de 0.9669, XGBoost
explique près de 96% de la variance des données. Il affiche également les valeurs les plus
faibles pour les métriques MAE (11.5) et RMSE (22.9485), montrant ainsi des prédictions
précises et proches des valeurs réelles.

Une autre caractéristique essentielle de XGBoost est sa robustesse et sa résistance aux

problèmes de surajustement. Il est capable de gérer efficacement des données complexes et
génère des prédictions stables et fiables. Cette capacité à éviter le surajustement renforce la
fiabilité des prédictions de XGBoost pour la quantité à commander des matières premières
chez SIMRA MAROC.

201
2.3 Gantt Réel pour le projet lié au processus Achat

Figure 154Gantt réel du projet lié au processus achat

202
 Partie 2 : Déploiement et intégration du modèle ML
« XGBOOST » via une application web
Introduction
Dans le cadre de notre projet, nous avons adopté la méthodologie Scrum afin d'assurer la
réussite de notre projet. Après avoir sélectionné XGBoost comme modèle pour prédire la
quantité à commander pour les achats des matières premières chez SIMRA MAROC, nous
nous sommes penchés sur le déploiement de notre modèle.

Nous avons réalisé une étude approfondie des frameworks Python disponibles pour notre
déploiement. Initialement, nous avons envisagé d'utiliser Flask, un micro-framework Python,
ou d'autre comme Django et TORNADO qui sont plus complexe. Après examen, nous avons
décidé d'opter pour un environnement convivial, open source et adapté à notre projet. C'est
ainsi que nous avons choisi d'utiliser Streamlit pour le déploiement et l’intégration de notre
modèle via une application web.

L'objectif principal de notre application web, nommée "PrediX", est de prédire avec précision
la quantité à commander des matières premières, renforçant ainsi les décisions prises par les
acheteurs chez SIMRA MAROC. Notre slogan, "Anticipez, Réussissez, Commandez", reflète
l'importance de l'anticipation et de la prise de décisions éclairées pour optimiser la chaîne
d'approvisionnement.

Un exemple concret de cette nécessité est observé dans le cas du magasin de quincaillerie
chez SIMRA MAROC. Pour satisfaire les besoins interne de la production et pour livrer leur
client potentiel comme AIRBUS STELIA à l’heure, le magasin de quincaillerie doit anticiper
la demande et mettre en stock une quantité suffisante de matières premières. Dans certains
cas, ils effectuent ces anticipations jusqu'à six mois à l'avance. Notre solution, basée sur le
modèle XGBoost, permettra au magasin de quincaillerie de prédire de manière précise la
quantité à commander et optimisant le stock.

Grâce à "PrediX" et à l'utilisation du modèle XGBoost, notre application web apportera une
réelle valeur ajoutée à la chaîne d'approvisionnement chez SIMRA MAROC, permettant une
meilleure gestion des matières premières et une prise de décisions plus éclairée.

203
1. Conception de la solution
En passant du design thinking à Scrum, nous bénéficions d'une transition fluide et efficace
pour le développement de notre application "PrediX". Le design thinking nous permet de
comprendre les besoins des utilisateurs et de concevoir des solutions adaptées, tandis que
Scrum nous offre une approche itérative et incrémentielle pour réaliser notre vision de bout en
bout.

Avec ces deux approches, nous pouvons rapidement créer des prototypes, recueillir les
commentaires des utilisateurs et itérer rapidement pour améliorer l'expérience utilisateur. Les
principes agiles de Scrum, tels que la planification itérative, les réunions quotidiennes et la
rétroaction continue, nous aident à maintenir la flexibilité nécessaire pour ajuster notre
application en fonction des retours des utilisateurs et des évolutions du marché.

Du design thinking à Scrum, nous combinons la compréhension des besoins utilisateurs avec
une approche agile pour créer une solution « PrediX » bout en bout qui répondra précisément
aux attentes de la chaîne d'approvisionnement chez SIMRA MAROC, tout en offrant une
expérience utilisateur optimale.

2. User persona
Avant de commencer le déploiement de notre application, nous avons pris en compte
l'importance de comprendre les différents utilisateurs potentiels. Dans notre cas, nous avons
identifié les profils suivants :

✓ L’Acheteuse Oumaima KHALED, ce profil gère achat import des achats dans
l'entreprise. L'acheteur utilisera notre application pour prendre des décisions éclairées
en se basant sur le modèle XGBoost de Machine Learning intégré.

204
 Figure 155: Profil 1 'Acheteuse'

Figure 156: Plus d'information pour le profil 1

205
 Figure 157: Savoir plus sur le profil 1 pour une étude détaillée

✓ Fadoua en tant que responsable SI chez SIMRA MAROC, elle joue un rôle crucial
dans la gestion du système d'information Clipper, qui est utilisé pour gérer la
production et les commandes de l'entreprise. Fadoua est également chargée du

206
 calcul de l'OQD (On-Time Quality Delivery) des fournisseurs de SIMRA
MAROC.

En intégrant le profil dans nos user personas, nous reconnaissons son importance dans
le processus de déploiement de notre application. Sa contribution permettra de garantir
une intégration harmonieuse de notre application avec le système Clipper, assurant
ainsi la sécurité, la fiabilité et la performance du système global de gestion des
opérations chez SIMRA MAROC.

Figure 159: Profil 2 'Responsable SI'

Figure 158: Plus d'information pour le profil 2

207
Figure 160: Savoir plus sur le profil 2 pour une étude détaillée

208
Synthèse

En intégrant les besoins et les objectifs de ces utilisateurs dans notre développement, nous
visons à offrir une expérience adaptée à leurs besoins spécifiques. En comprenant les
attentes et les défis de nos utilisateurs, nous pouvons concevoir une application qui répondra
efficacement à leurs besoins en matière de prédiction des quantités à commander pour les
matières premières chez SIMRA MAROC

3. User map
La User Map que nous avons créée sur FigJam (FIGMA) est une représentation visuelle des
fonctionnalités, des épics et des releases de notre projet. Elle facilite la planification et le
développement de notre application en mettant en évidence les étapes clés et les
fonctionnalités attendues.

Grâce à la User Map, nous avons une vision claire des objectifs, des dépendances et des
priorités. Elle favorise la collaboration et la coordination au sein de l'équipe de
développement, permettant ainsi de maximiser la valeur livrée aux utilisateurs.

La Release 1 se concentre sur l'authentification et l'achat, avec des étapes spécifiques telles
que l'inscription, la connexion, la déconnexion, l'affichage du graphique, l'importation du
fichier et la récupération des prédictions.

La Release 2 met l'accent sur l'administration et le feedback, avec des étapes telles que
l'affichage des utilisateurs et de leurs mots de passe, l'ajout et la modification d'un utilisateur
avec confirmation des données, la suppression d'un compte avec confirmation, et l'affichage
de la lIste mise à jour.

209
Figure 161: User map de la partie 2 de notre projet

210
3.1 Authentification

Figure 162: User map des besoins fonctionnels liés à l’authentification

211
3.2 Achat

Figure 163: User map des besoins fonctionnels liés à l'achat import et local

212
3.3 Administration

Figure 164: User map pour les besoins fonctionnels liés à l'administration

213
3.4 Feedback

Figure 165: User map pour les besoins fonctionnels liés aux feedbacks

4. Use case
Les diagrammes de cas d'utilisation sont des représentations visuelles des interactions entre
les acteurs et le système. Dans notre projet, nous avons créé quatre diagrammes de cas
d'utilisation distincts pour organiser et visualiser les différentes fonctionnalités et interactions
214
de notre application. Cela nous permet de mieux comprendre le fonctionnement de notre
application et de répondre aux besoins spécifiques de chaque cas d'utilisation. Voici un aperçu
des principaux diagrammes de cas d'utilisation que nous avons développés :

✓ Gestion d'authentification : Ce diagramme représente les interactions liées à

l'authentification des utilisateurs dans notre application. Il inclut des fonctionnalités
telles que la connexion des utilisateurs, la déconnexion, l'inscription de nouveaux
utilisateurs.

Figure 166: Cas d'utilisation pour la gestion de l'authentification

✓ Gestion des types d'achat : Ce diagramme de cas d'utilisation concerne les

interactions liées à la gestion des différents types d'achats dans notre application. Il
peut inclure des fonctionnalités telles que l'importation de nouvelles données pour les
prédictions, l'affichage des prédictions liées aux types d'achat et le téléchargement des
prédictions sous forme de fichier Excel.

215
 Figure 167: Cas d'utilisation pour l'achat

✓ Gestion d'administration : c’est pour illustrer les interactions liées à la gestion des
utilisateurs. Il inclut des fonctionnalités telles que l'affichage des utilisateurs, l'ajout de
nouveaux utilisateurs, la modification des informations utilisateur et la suppression de
comptes utilisateur.

Figure 168: Cas d'utilisation pour la gestion d'administration

216
 ✓ Gestion des feedbacks : Ce diagramme représente les interactions liées à la gestion
des feedbacks des utilisateurs.

Figure 169: Cas d'utilisation pour la gestion des feedbacks

✓ Synthèse

Les diagrammes de cas d'utilisation nous aident à comprendre les besoins des utilisateurs, à
organiser les fonctionnalités de manière cohérente et à développer une application répondant à
leurs attentes. Grâce à ces diagrammes, nous planifions précisément les fonctionnalités à
implémenter, ce qui nous permet de créer une expérience utilisateur optimisée. Afin d'assurer
le bon fonctionnement du système et de satisfaire les utilisateurs, nous présenterons
maintenant les règles de gestion associées à chaque cas d'utilisation.

217
5. Les règles de gestion
✓ Administration : Les actions disponibles sont l'ajout, la modification, la suppression
et l'affichage d'un utilisateur et son mot de passe, les boutons
correspondants sont affichés.

Ajouter, Modifier, Supprimer et afficher un utilisateur

Figure 170: Règles de gestion des utilisateurs pour l'admin

✓ L'authentification permet aux utilisateurs de s'inscrire, de se déconnecter et de

s'identifier, avec des boutons correspondants et des messages de confirmation ou
d'erreur affichés en conséquence.

218
S'inscrire

Figure 171: Règles de gestion de l'inscription des nouveaux utilisateurs

219
S'identifier

Figure 172: Règles de gestion pour la connexion

220
Se déconnecter

Figure 173: Règles de gestion de la déconnexion

✓ Les règles de gestion liée à l'achat permettent à l'utilisateur de choisir le type d'achat
et d'afficher un graphique avec des prédictions basées sur ses achats passés.

Choisir le type d’achat

Figure 174: Règles de gestion liées au cas d'utilisation 'choisir le type d'achat'

221
Afficher le graphique, Faire les prédictions, Importer et Télécharger le fichier Excel

Figure 175: Règles de gestion liées à l'achat

✓ L'authentification permet aux utilisateurs de s'inscrire, de se déconnecter et de

s'identifier, avec des boutons correspondants et des messages de confirmation ou
d'erreur affichés en conséquence.
222
Rejoindre notre communauté sur Disqus

Figure 176: Règles de gestion pour le cas d'utilisation 'Rejoindre notre communauté sur Disqus'

✓ Synthèse

Le système met en place des règles de gestion pour chaque cas d'utilisation, y compris
l'authentification, l'administration, l'achat et le feedback. Ces règles permettent aux
utilisateurs de s'inscrire, de se connecter et de se déconnecter, d'effectuer des actions
d'administration telles que l'ajout, la modification, la suppression et l'affichage des
utilisateurs, de choisir le type d'achat et d'accéder à des informations pertinentes, ainsi que de
rejoindre la communauté pour partager leurs commentaires

Les règles de gestion garantissent un accès sécurisé, des fonctionnalités d'administration, des
options d'achat personnalisées et la participation active des utilisateurs.

6. Prototype
Le prototype conçu sur Figma est basé sur une palette de couleurs principales comprenant le
bleu et le rouge. Cette combinaison de couleurs vives est utilisée pour créer une interface
attrayante et moderne.

223
 ✓ La page d'accueil (Home) du prototype présente une description de l'application et
met en avant nos valeurs principales. Elle vise à attirer l'attention des utilisateurs et à
les informer sur les fonctionnalités et les avantages de l'application.

Figure 177: Page d'accueil

6.1 Authentification
✓ Les pages de connexion (Login) et d'inscription (Signup) sont dédiées à la partie
d'authentification de l'application. Ils offrent aux utilisateurs la possibilité de créer un
compte ou de se connecter avec leurs identifiants existants. Des éléments de
conception intuitifs et conviviaux sont utilisés pour simplifier le processus
d'authentification.

224
 Figure 178: Page de connexion

Figure 179: Page d'inscription pour les nouveaux utilisateurs

Le menu principal comprend également une option pour accéder à l'interface d'administration
(Admin)*, qui offre des fonctionnalités avancées de gestion et de contrôle de l'application.

225
Cette interface permet aux administrateurs de gérer les utilisateurs, les données et les
paramètres de l'application de manière efficace.

6.2 ADMIN

Figure 180: Page Admin pour la gestion des utilisateurs utilisateurs

226
6.3 Achat

Figure 181: Page achat local

227
6.3 Feedback

Figure 182: Page de feedback

Le menu propose également une fonctionnalité de chat, permettant aux utilisateurs de

communiquer entre eux ou avec l'équipe de support de l'application. Cette fonctionnalité de
chat offre une expérience de communication en temps réel et favorise l'interaction et la
collaboration.

Dans l'ensemble, le prototype conçu sur FIGMA présente une interface utilisateur moderne et
attrayante, avec des fonctionnalités clés telles que la description de l'application,
l'authentification, l'interface d'administration et la communication via le chat. Il vise à offrir
aux utilisateurs une expérience fluide et conviviale tout en mettant en avant les valeurs et les
fonctionnalités de l'application

7. Diagramme de déploiement
Le diagramme de déploiement décrit l'architecture du système avec trois nœuds
interconnectés. Le premier nœud est le serveur d'application basé sur Streamlit, qui comprend
les fichiers app.py, local.py et import.py pour gérer les fonctionnalités de l'application, le

228
deuxième représente l'environnement d'apprentissage automatique utilisant JUPYTER, où les
fichiers ‘local.pkl’ et ‘import.pkl’ sont utilisés pour stocker les modèles et les données
nécessaires au processus d'apprentissage automatique. Enfin, le troisième nœud est la base de
données SQLite3, représentée par le fichier ‘data.db’, qui stocke et rend accessible les
données de l'application.

Figure 183: Diagramme de déploiement

Le diagramme de déploiement met en évidence l'utilisation de Jupyter pour l'apprentissage

automatique, Streamlit pour la gestion de l'application et SQLite3 comme système de base de
données. Ces composants travaillent ensemble pour offrir les fonctionnalités de l'application,
en utilisant des modèles, des données et un stockage de données appropriés.

229
8. Charte projet
8.1. Gantt réel

Figure 184: Gantt Réel du projet

230
8.2. WBS

Figure 185: WBS du projet

231
9. Réalisation de l'application
Après la conception du projet en utilisant l'approche Scrum, nous avons réalisé un incrément
basé sur les user personas, les use cases et les règles de gestion. Nous avons veillé à respecter
les besoins exprimés par les utilisateurs.

Le prototype réalisé sur Figma correspond étroitement à la solution déployée. Nous avons
cherché à développer une application web simple et efficace. Les utilisateurs ont la possibilité
d'exploiter les modèles en important un fichier Excel pour effectuer des prédictions. Ils
peuvent ensuite télécharger ces prédictions en un simple clic, sous la forme d'un fichier Excel
comportant cinq colonnes : Mois, Unité de la commande, Temps d'approvisionnement, Article
et Prédictions (la quantité à commander en matières premières).

Dans cette section, nous détaillerons les cinq pages clés de notre application PrediX. Chaque
page a été soigneusement conçue pour offrir une expérience utilisateur fluide et répondre aux
besoins spécifiques des utilisateurs. Voici un aperçu de chaque page :

9.1 Page d’accueil

La page d'accueil de notre application PrediX joue un rôle central en offrant aux utilisateurs
une introduction captivante à notre solution. Avec notre slogan percutant "ANTICIPEZ,
RÉUSSISSEZ, COMMANDER" et notre logo distinctif, nous visons à transmettre notre
engagement envers l'excellence et l'innovation.

Figure 186: d'accueil de l'application

232
9.2 Page d’authentification

La page de connexion de PrediX offre aux utilisateurs une expérience fluide et sécurisée. Les
utilisateurs peuvent choisir entre l'achat local ou import en cochant simplement une case, et se
connecter ou se déconnecter facilement à l'aide d'un bouton dédié. Cela leur permet d'accéder
rapidement à leur compte tout en préservant la sécurité de leurs informations.

9.2.1 Login

Figure 187: Page de connexion

9.2.2 Utilisateurs connecté

Figure 188: Après la connexion de l'utilisateur

233
9.3 Choisir le type d’achat

Une fois connecté, l'utilisateur aura la possibilité de choisir entre l'achat import et l'achat local
dans la tâche à effectuer. La principale différence réside dans les modèles XGBoost entraînés
spécifiquement pour chaque type d'achat.

Lorsque l'utilisateur est connecté en tant qu'acheteur local, il pourra visualiser les données
réelles par rapport aux prédictions du modèle XGBoost spécifique à l'achat local. Pour ce
faire, l'utilisateur pourra importer un fichier Excel contenant les données nécessaires. Une fois
le fichier importé, il sera affiché à l'écran, permettant à l'utilisateur de vérifier les
informations.

Ensuite, l'utilisateur pourra effectuer les prédictions en utilisant le modèle XGBoost pour
l'achat local. Les prédictions seront calculées en fonction des données importées et affichées à
l'écran. Cela permettra à l'utilisateur de voir la quantité prévue à commander pour chaque
matière première.

Enfin, l'utilisateur aura la possibilité de télécharger le fichier Excel contenant les prédictions.
Ce fichier téléchargé contiendra les colonnes suivantes : Mois, Unité de la commande, temps
d'approvisionnement, Article et Prédictions (quantité à commander des matières premières).

Cette fonctionnalité permet à l'utilisateur de visualiser les prédictions, de les comparer aux
données réelles et de télécharger les résultats pour une utilisation ultérieure.

Figure 189: Choix de type d'achat

234
9.3.1 L’utilisateur est connecté à l’achat local

Figure 190: Page d'achat local après la connexion de l'utilisateur

9.3.2 Visualisation des données réelles par rapport à la prédiction pour le modèle
XGBOOST

Figure 191: Affichage du graphique lié à la performance du modèle XGBOOST

235
9.3.3 Importer le fichier Excel

Figure 192: Importation des données

9.3.4 Afficher le fichier Excel

Figure 193: Affichage des données importées par l'utilisateur

236
9.3.5 Afficher les prédictions

Figure 194: Affichage des prédictions de la quantité à commander

9.3.6 Télécharger le fichier Excel

Figure 195: Téléchargement du fichier Excel

9.4 Page Admin

La page d'administration est spécialement conçue pour les utilisateurs ayant des privilèges
administratifs. Elle permet de gérer les utilisateurs existants et d'effectuer diverses actions.
Les fonctionnalités incluent l'ajout d'un nouvel utilisateur en fournissant les informations
nécessaires, la modification du nom d'utilisateur et du mot de passe, un bouton pour rafraîchir
la liste des utilisateurs et leurs mots de passe, ainsi que la possibilité de supprimer un
utilisateur si nécessaire.

237
9.4.1 Se connecter au tant qu’administrateur

Figure 196: Connexion à la page admin

9.4.2 Afficher la liste des utilisateurs

Figure 197: Affichage des utilisateurs dans la page admin

238
9.4.3 Ajouter un utilisateur

Figure 198:Page d'administration avec la fonctionnalité d'ajouter un nouvel utilisateur

9.4.4 Modifier et supprimer un utilisateur

Figure 199:Page d'administration avec les fonctionnalités de modification et suppression des utilisateurs

9.5 Page des feedbacks

Nous attachons une grande importance aux commentaires et aux échanges avec nos
utilisateurs. C'est pourquoi nous avons intégré une fonctionnalité de chat et de feedback
utilisant la plateforme "Disqus". Les utilisateurs pourront partager leurs commentaires, poser
des questions et interagir avec d'autres utilisateurs. Cette fonctionnalité favorisera les
discussions et permettra d'obtenir des retours précieux sur l'application.

239
 Figure 200: Visualisation de la page Feedback

✓ Synthèse

Dans cette partie, nous avons mis en œuvre l'application PrediX en suivant une approche agile
basée sur la méthodologie Scrum. Nous avons conçu l'interface utilisateur en utilisant des
techniques telles que la création de personas et l'identification des cas d'utilisation.

L'application offre plusieurs pages clés, notamment la page d'accueil, la page de connexion, la
page d'inscription et la page d'administration. Les utilisateurs peuvent choisir entre l'achat
local et l'achat import sur la page de connexion.

Nous avons intégré le modèle XGBoost pour effectuer des prédictions sur les commandes de
matières premières. Les utilisateurs peuvent importer un fichier Excel, afficher les données
importées, effectuer les prédictions et télécharger les résultats.

En outre, nous avons inclus une fonctionnalité de chat et de feedback en utilisant le système
Disqus, permettant aux utilisateurs de partager leurs commentaires et de discuter entre eux.

La prochaine partie du rapport couvrira les tests et le déploiement/hébergement de

l'application PrediX. Nous effectuerons des tests pour garantir la qualité de l'application, et
nous utiliserons GitHub et Streamlit Share pour le déploiement et l'hébergement en ligne.

10. Test et déploiement

10.1. Tests

Nous avons effectué des tests sur notre application Predix pour évaluer ses performances et
garantir son bon fonctionnement. Dans cette optique, nous avons développé plusieurs tests
unitaires et de performance, qui nous ont permis de mesurer les performances de différentes
fonctionnalités clés de l'application.

240
Pour réaliser ces tests, nous avons utilisé un répertoire spécifique qui contient les fichiers
Python où nous avons implémenté les tests. Ces fichiers contiennent des scénarios de test qui
simulent des situations réelles d'utilisation de l'application, en mettant l'accent sur les
fonctionnalités d'administration.

Nous avons également utilisé Locust, un outil open-source de test de charge et de

performance. Locust nous a permis de simuler un grand nombre d'utilisateurs simultanés et de
mesurer la capacité de notre application à gérer cette charge.

Figure 201: Répertoire du projet

241
 10.1.1. Test unitaire login user

Figure 202: Résultat du test unitaire ‘login user’

Figure 203: Fonction’ login user’

Les tests unitaires sont une pratique essentielle du développement logiciel. Ils consistent à
vérifier individuellement le bon fonctionnement des parties isolées d'un programme, appelées
"unités". Dans notre cas, le test unitaire vise à vérifier la fonction login_user de notre
application predix.

Le code que nous avons fourni est un exemple d'utilisation de Pytest pour tester une fonction
login_user importée depuis un module appelé ‘app’.

242
Nous avons un test unitaire qui effectue une requête SQL pour sélectionner des données à
partir d'une table d'utilisateurs en fonction d'un nom d'utilisateur et d'un mot de passe. Si des
données sont renvoyées par la requête, la fonction renvoie True, sinon elle renvoie False.

Lorsque nous exécutons le script avec Pytest, nous avons deux tests qui passent avec succès.
Le résultat indique que les deux tests ont été réussis, avec une couverture de 50% pour
test_de_performance.py et 100% pour test_login_user.py. notre code passe les tests unitaires
avec succès et affiche seule

10.1.2. Test de performance

Figure 204: Code test de performance

Figure 205: Résultat du test de performance

243
Le test de performance que nous avons fourni mesure le temps de réponse de la fonction
login_admin lorsqu'elle est appelée avec le mot de passe administrateur requis.

Dans ce test, nous utilisons le décorateur @pytest.mark.performance pour marquer le test

comme un test de performance. Cela peut être utile pour identifier les parties du code qui
peuvent avoir des performances insatisfaisantes.

Lorsque nous exécutons le test à l'aide de Pytest, il passe avec succès. Le résultat affiche que
le test a réussi à 100%. De plus, il affiche le temps de réponse mesuré, qui est de 0.0 seconde
dans ce cas.

Il est important d'effectuer des tests de performance pour évaluer les performances de notre
application et identifier les éventuels goulots d'étranglement ou les zones qui nécessitent une
optimisation. Cela nous permet d'optimiser l'efficacité de notre code et d'améliorer
l'expérience utilisateur.

En résumé, notre test de performance a réussi et a mesuré le temps de réponse de la fonction

login_admin. Cela nous permet d'évaluer la performance de cette fonction et d'effectuer les
ajustements nécessaires si besoin.

10.1.3. Test unitaire: login_user, create_usertable, add_userdata

Figure 206: Code du test unitaire pour ‘login_user, create_usertable et add_userdata’

244
 Figure 207: Résultat du test unitaire pour ‘login_user, create_usertable et add_userdata’

Le test unitaire que nous avez fourni est une classe `TestApp` dérivée de `unittest.TestCase`.
Dans cette classe, nous avons la méthode `test_login_user` qui effectue le test de la fonction
`login_user` de notre application.

Dans ce test, nous préparons des données de test avec des noms d'utilisateur et des mots de
passe. Ensuite, nous réinitialisons la table des utilisateurs en appelant `create_usertable`.
Ensuite, nous itérons sur les données de test et appelons la fonction `login_user` pour chaque
paire nom d'utilisateur / mot de passe. Si la connexion échoue, nous ajoutons l'utilisateur à
l'aide de `add_userdata`. Enfin, nous utilisons `self.assertTrue` pour vérifier que le résultat de
`login_user` est `True` pour chaque paire nom d'utilisateur / mot de passe, sinon le test
échouera avec un message approprié.

Lorsque nous exécutons le test à l'aide de `unittest.main()`, il passe avec succès. Le résultat
affiche que le test a réussi à 100%.

245
 10.1.4. login_user, add_userdata, delete_user

Figure 208: Test unitaire pour ‘login_user, delete_user et add_userdata’

Figure 209: Résultat du test unitaire pour ‘login_user, delete_user et add_userdata’

Dans notre test, nous utilisons pytest pour effectuer les tests. Nous avons une fonction de test
appelée test_login_user qui vérifie le bon fonctionnement de notre fonction login_user de
l'application.

Pour commencer, nous créons un utilisateur fictif en utilisant la fonction add_userdata pour
l'ajouter à la base de données. Ensuite, nous appelons la fonction login_user avec les
identifiants valides de cet utilisateur. Nous utilisons ensuite des assertions (assert) pour
vérifier les résultats :

246
Nous vérifions si le résultat de la fonction login_user n'est pas None, ce qui indiquerait qu'un
utilisateur authentifié a été renvoyé.

Nous vérifions si le nom d'utilisateur retourné correspond au nom d'utilisateur attendu.

Nous vérifions si le mot de passe retourné correspond au mot de passe attendu.

Enfin, nous utilisons la fonction delete_user pour supprimer l'utilisateur fictif de la base de
données.

Lorsque nous exécutons le test à l'aide de pytest, il passe avec succès. Le résultat affiche que
le test a réussi à 100%.

10.1.5. Locust Test

Figure 210: Locust test

Figure 211: Resultat du test pour 100 utilisateurs

247
 Figure 212: Graphes générés par Locust

Figure 213: Résultat du Locust test

D'après les résultats que nous avons fournis, voici quelques observations sur les performances
de notre application lors des tests de charge :

Nous avons fixé 100 utilisateurs simulés pour les tests.

La durée de spawn des utilisateurs était de 5 secondes.

Au total, 6959 requêtes ont été effectuées pour l’Endpoint "/".

Aucune requête n'a échoué, ce qui indique que toutes les requêtes ont été traitées avec succès.

Le temps moyen de réponse pour les requêtes était de 25 millisecondes.

248
Le temps de réponse le plus court enregistré était de 3 millisecondes, tandis que le temps de
réponse le plus long était de 971 millisecondes.

Le taux de requêtes par seconde pour l’Endpoint était de 46.41.

Aucune erreur n'a été enregistrée pendant les tests

10.2. DEPLOIEMENT

En assumant à la fois la conception et le déploiement de l'application PrediX, nous mettons en

avant notre expertise en développement logiciel. Nous sommes responsables de l'ensemble du
processus, depuis la création jusqu'à la mise en ligne sur GitHub, démontrant ainsi notre
capacité à fournir une solution complète.

Ce déploiement représente une étape clé dans la mise en valeur de notre travail. En prenant en
charge toutes les étapes du processus de déploiement, nous nous assurons que l'application est
configurée de manière optimale et répond aux besoins spécifiques de SIMRA MAROC. Grâce
à l'utilisation de l'environnement PyCharm, nous bénéficions d'outils avancés qui facilitent le
développement et garantissent une mise en ligne réussie.

Cette approche témoigne de notre engagement à fournir des solutions personnalisées et

performantes pour optimiser la gestion de la chaîne logistique chez SIMRA MAROC. En
démontrant notre expertise technique à travers la conception et le déploiement de l'application
PrediX, nous renforçons notre position en tant que partenaire fiable et compétent pour
l'entreprise.

249
10.2.1 Sur GITHUB

Figure 214: Importation des fichiers sur GitHub

Figure 215: Déploiement dans GitHub en cours d'exécution

250
10.2.2 Sur streamlit Share
Streamlit Share est une plateforme d'hébergement qui simplifie le déploiement et le partage de
nos applications Streamlit en ligne. Nous pouvons créer un compte, connecter notre
référentiel GitHub et déployer notre application en quelques étapes simples. Streamlit Share
s'occupe de la gestion, de la surveillance et de la disponibilité de notre application, nous
permettant ainsi de partager nos projets avec d'autres utilisateurs via un lien URL. C'est un
moyen pratique de rendre nos applications Streamlit accessibles à un large public, sans
nécessiter d'installation ou de configuration complexe.

Figure 216: Application déployée sur GitHub

Figure 217: Exécution en cours de l'hébergement sur Streamlit Share

251
 Figure 218: Visualisation de l'application hébergée sur Streamlit Share

Synthèse
La réalisation et l'intégration du modèle ML XGBoost via une application web ont été des
étapes cruciales de notre projet. Grâce à notre expertise en développement logiciel et à
l'utilisation de l'environnement PyCharm, nous avons réussi à concevoir une application web
puissante et conviviale.

L'application web permet aux utilisateurs de prédire avec précision la quantité de matières
premières à commander, en utilisant le modèle ML XGBoost entraîné sur des données
historiques. Cela offre à SIMRA MAROC la possibilité d'optimiser sa chaîne logistique, en
évitant les problèmes de surstockage ou de pénurie de matières premières.

Le déploiement de l'application sur GitHub nous permet de partager facilement notre code
source avec d'autres développeurs et de collaborer de manière transparente. De plus,
l'utilisation de Streamlit Share pour héberger l'application en ligne offre une accessibilité
maximale aux utilisateurs, sans nécessiter d'installation ou de configuration supplémentaire.

En intégrant le modèle ML XGBoost dans une application web, nous avons créé une solution
complète et facile à utiliser pour SIMRA MAROC. Les avantages de cette intégration sont
nombreux, notamment une meilleure planification des commandes, une réduction des coûts

252
liés aux stocks excédentaires ou insuffisants, ainsi qu'une amélioration globale de l'efficacité
de la chaîne logistique.

Partie 3 : Elaboration de la Solution BI en faveur du processus

achat

1. Réalisation des Dashboard Achat :

1.1. Dashboard 1 : Suivi des fournisseurs SIMRA MAROC

Pour générer ce Dashboard nous nous sommes basés sur les tables suivantes : ‘Commande’,
‘NC fournisseur’, ‘Fournisseur’, ‘MP’ et ‘commande’.

Sur cette page du tableau de bord, nous avons visualisé un suivi détaillé des fournisseurs
SIMRA MAROC en 2022. Parmi nos constats Boeing Distribution Services représentait
49,47% de la quantité totale commandée par SIMRA MAROC. Cela indique une forte
dépendance vis-à-vis de ce fournisseur pour les approvisionnements.

Le suivi des fournisseurs comprend également l'ensemble des 123 noms de fournisseurs et la
somme des quantités commandées, qui varient de 1 à 312 411. Cette diversité de fournisseurs
et de quantités commandées témoigne de la complexité et de l'ampleur des activités
d'approvisionnement de SIMRA MAROC.

Quelques données pertinentes ont été recueillies aussi à savoir le temps d'approvisionnement
moyen était de 50 jours, ce qui représente le délai moyen entre la passation de la commande et
la réception des matières premières et il y a des références avec un délai qui dépasse un an.

253
 Figure 219: Dashboard 'Fournisseurs de SIMRA MAROC'

1.2. Dashboard 2 : Suivi des matières premières consommées par SIMRA

MAROC en 2022

Dans ce Dashboard nous nous sommes concentrées sur les références (matière première)
achetées par SIMRA MAROC et ses caractéristiques comme le type de règlement par
référence, le temps d’approvisionnement, l’exigence du certificat de conformité pour mettre
analyser les coûts et les dépenses liés au service achat, pour visualiser les données on a utilisé
les tables suivantes : ‘Commande’, ‘Details commande’, ‘MP’, ‘fournisseur’ et table ‘Date’
pour filtrer par mois.

Le nombre de références achetées pour les matières premières s'élevait à 147. Cela indique la
diversité des matières premières nécessaires à la production de SIMRA MAROC.

Il convient également de noter que SIMRA MAROC disposait de 6 316 références de

matières premières en 2022. Cependant, il a été constaté que ce nombre a diminué à 4 000
références en 2023, selon les observations de l'acheteuse responsable des achats import. Cette
diminution peut avoir des implications sur la diversité des matières premières disponibles et
nécessiter une attention particulière lors de la gestion des achats importants.

254
 Figure 220:Dashboard ‘matières premières consommées par SIMRA MAROC’

Figure 221: Visualisation temps d’approvisionnement par référence

1.3. Dashboard 3 : KPI’s lié à la performance du service achat SIMRA MAROC

en 2022

Pour le dernier Dashboard on a utilisé des mesures pour calculer le délai de livraison (OQD)
et la qualité de la livraison du fournisseur (OTD)

255
 Figure 222: Dashboard 'KPI's lié à la performance du service achat de SIMRA MAROC'

Description de l'OTD (On Time Delivery)

L'OTD est un indicateur clé de performance qui mesure la capacité des fournisseurs à
respecter les délais de livraison. Pour le suivi de l'OTD en 2022, différents fournisseurs ont
été évalués chaque mois. Voici les performances d'OTD de certains fournisseurs clés :

✓ Janvier : Le fournisseur MECA MULTI TACHES a atteint un taux d'OTD de 74%, ce

qui indique que 74% des livraisons ont été effectuées dans les délais prévus.
✓ Février : Le fournisseur Deltech a eu un faible taux d'OTD de 7%, ce qui signifie que
seulement 7% des livraisons ont été effectuées à temps.
✓ Mars : Les fournisseurs Ami Metals, Aero Negoc et Cadilhac ont respectivement
atteint des taux d'OTD de 77%, 55% et 49%.
✓ Juillet : Les fournisseurs KEP TECHN et A2CIM ont obtenu des taux d'OTD de 12%
et 1% respectivement.
✓ En octobre, le fournisseur Aero Negoc a enregistré un taux d'OTD très bas de 3%, ce
qui soulève des préoccupations compte tenu de son statut de fournisseur potentiel. De
plus, en novembre, Castle Metals a connu un taux d'OTD de seulement 1%, avec 150
pièces en retard, ce qui est considéré comme catastrophique. Aero Negoc a également
obtenu un taux d'OTD de 56% ce mois-là, avec 900 pièces en retard sur un total de 1
600.

256
Il est clair que certains fournisseurs ont des performances médiocres en matière de livraison à
temps, ce qui peut avoir un impact négatif sur la chaîne d'approvisionnement de SIMRA
Maroc. Il est recommandé que SIMRA Maroc communique avec ces fournisseurs pour
identifier les problèmes éventuels et travailler ensemble sur des solutions d'amélioration de la
performance logistique et de livraison. Des accords clairs sur les délais et les attentes de
livraison devraient être établis avec les fournisseurs, et un suivi régulier devrait être effectué
pour s'assurer que les performances s'améliorent au fil du temps.

Figure 223: OTD des fournisseurs de SIMRA MAROC

Description de l'OQD (On Quality Delivery)

L'indicateur OQD (On Quality Delivery) mesure le nombre de pièces non-conformes par
rapport au nombre total de pièces livrées par un fournisseur. L'objectif fixé pour l'OQD est
généralement de 2000ppm (parties par million). Voici une description des résultats obtenus
pour l'OQD des fournisseurs de SIMRA Maroc en 2022 :

257
 Figure 224: Détails de OQD fournisseurs

✓ En janvier, le fournisseur Power Chimicals a dépassé l'objectif OQD en enregistrant

un taux de 5841ppm. Cela indique qu'un nombre important de pièces livrées étaient
non conformes aux spécifications requises.
✓ En septembre, le fournisseur Orexad Brammer a enregistré un OQD très élevé,
atteignant 2142857ppm. Un tel niveau d'OQD suggère un problème sérieux de non-
conformité des pièces livrées.
✓ En octobre, le fournisseur Deltech a également dépassé le seuil de 2000ppm avec un
OQD de 42693ppm. Cette performance indique une non-conformité significative des
pièces livrées par ce fournisseur.
✓ En novembre, le fournisseur Fim Maroc a enregistré un OQD égal à 30888ppm, ce
qui est considéré comme très élevé. De même, le fournisseur Medtraco a atteint un
OQD de 83333ppm, ce qui souligne un problème grave de qualité des pièces livrées.

Ces résultats révèlent des niveaux élevés de non-conformité des pièces livrées par certains
fournisseurs, ce qui peut avoir un impact négatif sur la qualité globale des
produits de SIMRA Maroc.

258
 Figure 225: OQD des fournisseurs de SIMRA MAROC

✓ Synthèse

Les tableaux de bord que nous avons mis en place dans Power BI jouent un rôle essentiel dans
le suivi et l'analyse des performances du service d'achat de SIMRA MAROC. Ils fournissent
des informations clés sur différents aspects liés aux activités d'achat, ce qui permet une
meilleure prise de décision et une gestion plus efficace.

Ces tableaux de bord nous permettent de suivre de près les fournisseurs. Nous pouvons
visualiser les données relatives aux différents fournisseurs, tels que le nombre de commandes
passées, les montants dépensés et les délais de livraison. Cela nous permet d'identifier les
fournisseurs les plus performants, qui respectent les délais et fournissent des produits
conformes aux normes de qualité.

259
 Chapitre 5 : Conduite du projet en faveur du processus
Qualité de la Production

1. Réalisation des Dashboard Qualité de la production :

Nous avons réalisé des tableaux de bord Power BI dédiés à la qualité de la production chez
SIMRA MAROC, après avoir effectué les étapes de nettoyage, de transformation et de
modélisation des données. Les tableaux utilisés incluent les tables "contrôleur", "qualité
interne", "opérateur", "qualité externe", "îlot", "pièces", "client" et "défaut". Ces tables
contiennent les données nécessaires pour évaluer et surveiller la qualité des produits fabriqués

1.1. Dashboard 1 : Qualité interne de SIMRA MAROC

Dans le tableau de bord "Qualité interne de SIMRA MAROC", nous présentons une
visualisation de :

✓ L’année 2022

Figure 226: Dashboard 'Qualité interne de SIMRA MAROC' pour l’année 2022

260
 ✓ L’année 2023

Figure 227: Dashboard 'Qualité interne de SIMRA MAROC' pour l’année 2023

KPI's Méthode de En 2023 2022 Description et Importance de l'indicateur

calcul (jusqu'à
présent)

On Quality (Nombre 166552 1305 Indicateur global de non-conformité exprimé

Delivery Quantité Non euros en ppm (parties par million). Il mesure la
General Conforme / qualité des produits finis en tenant compte
(Rebut et nombre total des décisions de retouche et de rebut. Cet
retouche) Quantité indicateur est important pour évaluer
fabriquée) * l'efficacité des processus de fabrication et la
1000000 capacité à fournir des produits conformes
aux spécifications.

261
On Quality (Nombre 89867 699 Indicateur spécifique aux rebuts qui mesure
Delivery Quantité Non la non-conformité des produits rejetés. Il
(Rebut) Conforme Rebut permet de contrôler la fréquence des rebuts
/ nombre total et de prendre des mesures pour réduire leur
Qté fabriquée) * occurrence. Cet indicateur est important
1000000 pour minimiser les coûts liés aux rebuts et
améliorer la qualité globale des produits.

COUT NON Quantité Non 123233 6828 Coût total des non-qualités lié aux décisions
QUALITE Conforme * Prix euros euros de retouche. Il évalue les dépenses engagées
(retouche) Unitaire de la pour corriger les non-conformités et assurer
pièce * 0.1 la conformité des produits. Cet indicateur est
important pour surveiller les coûts de la
retouche et prendre des mesures pour les
réduire.

COUT NON Quantité Non 739396 40970 Coût total des non-qualités lié aux décisions
QUALITE Conforme * Prix euro euro de rebut. Il mesure les dépenses engendrées
(Rebut) Unitaire de la par les produits rejetés et non utilisables. Cet
pièce * 0.6 indicateur est important pour évaluer
l'efficacité des processus de contrôle qualité
et pour réduire les coûts associés aux rebuts.

Figure 228: KPI's personnalisé lié à la qualité interne de SIMRA MAROC

262
 ✓ Graphique en courbes et histogrammes empilé lié à la quantité non conforme en
2022

Figure 229 : Graphe 'Quantité Non Conforme par Décision' pour l’année 2022

En 2022, le nombre total d'unités non conformes était pour la décision retouche, avec 7 832
pièces non conformes, contre 7609 pièces non conformes pour la décision rebut. La quantité
de non-conformes a augmenté vers la fin de l'année, notamment en novembre avec 2 486
pièces non conformes et en décembre avec 1919 pièces non conformes.

263
 ✓ Graphique en courbes et histogrammes empilé 2023

Début 2023, la quantité totale

non conforme reste pour la
décision retouche, avec 3 213
pièces non conformes, contre
2439 pièces non conformes
pour la décision rebut. En avril,
la quantité totale non conforme
est de 1 492 pièces.

Figure 230: Graphe 'Quantité Non Conforme par Décision' pour l’année 2023

✓ Synthèse

Le premier tableau de bord sur Power BI lié à la qualité interne de SIMRA MAROC met en
évidence la nécessité d'améliorer la qualité interne de l'entreprise. Les visualisations montrent
que les non-conformités, en particulier dans les processus de retouche et de rebut, ont un
impact important sur les coûts et la satisfaction du client. Pour remédier à cela, il est essentiel
de mettre en place des actions correctives et préventives afin de réduire les non-conformités,
d'améliorer l'efficacité opérationnelle et de maintenir des normes élevées de qualité interne
tout au long de l'année. En résumé, le tableau de bord souligne l'importance de la qualité
interne et la nécessité d'agir pour résoudre les problèmes identifiés.

1.2. Dashboard 2 : Qualité externe de SIMRA MAROC

Dans le cadre de notre tableau de bord "Qualité externe de SIMRA MAROC", nous avons
collaboré avec le responsable qualité pour définir de nouveaux indicateurs personnalisés
visant à mesurer la qualité externe. Ces indicateurs nous permettent d'évaluer la qualité des
produits en termes de coût, de type d'activité et de décision

264
✓ Pour l’année 2022

Figure 231: Dashboard 'Qualité externe de SIMRA MAROC' pour l'année 2022

✓ Pour l’année 2023

Figure 232: Dashboard 'Qualité externe de SIMRA MAROC' pour l'année 2023

265
Les KPI’S personnalisé lié Méthode de En 2023 En 2022 Description
à la qualité externe de calcul jusqu’à
SIMRA MAROC présent

COUT NON QUALITE Qté Non 12804695 47725886 Le coût de non-qualité lié à l'activité
(global/retouche) Conforme * euros euros globale avec décision de retouche
Prix s'élève à 12 804 695 euros pour
Unitaire de l'année en cours jusqu'à présent
la pièce *0.2 (2023), tandis qu'il était de 47 725
886 euros en 2022.

Ces coûts reflètent les pertes

financières engendrées par les pièces
non conformes nécessitant une
retouche

COUT NON QUALITE (Quantité 155208 131830745 En comparant les coûts de non-
(partiel/retouche) Non euros euros qualité liés à l'activité partielle avec
Conforme * des décisions de retouche, on
Prix observe une diminution significative
Unitaire de de ces coûts entre 2022 et l'année en
la pièce) cours, jusqu'à présent en 2023. En
2022, le coût s'élevait à 131 830 745
euros, tandis qu'en 2023, il est de
155 208 euros.

COUT NON QUALITE Cout fixé en 48915 e 107461 Le coût des non-qualités lié à
(partiel/rebut) accord avec euros l'activité partielle et aux décisions de
le client rebut peut être déterminé à travers
des accords préalables entre SIMRA
MAROC et ses clients. Il peut être
établi dans le cadre des termes et
conditions du contrat entre les deux
parties, où les coûts associés aux
non-qualités sont spécifiés. Dans ce

266
 cas, le client fixe les critères et les
coûts liés aux non-qualités. En 2023
jusqu'à présent, le coût s'élève à 48
915 euros, tandis qu'en 2022, il était
de 107 461 euros.

OQD CLT (Nombre 77000 606 L'indicateur OQD (On Quality

Quantite Delivery) mesure la qualité de la
On Quality Delivery
non livraison en tenant compte des rebuts
(Rebut et retouche)
conforme et des retouches.
/nbr total En 2023 jusqu'à présent, l'OQD
Qté livrée) s'élève à 77 000, tandis qu'en 2022, il
*1000000 était de 606. Cette augmentation de
l'indicateur en 2023 peut indiquer
une augmentation des non-
conformités par rapport à la quantité
totale livrée, ce qui peut être
préoccupant.

Tableau 27: KPI's personnalisé lié à la qualité externe de SIMRA MAROC

Pour la qualité externe, on a utilisé est un histogramme groupé comparant la quantité livrée à
la quantité totale non conforme par mois.

267
 Figure 233: Graphe 'Quantité livrée VS Quantité retournée' pour l’année 2022

En 2022, SERMP a enregistré le plus grand total de quantité livrée avec 73296 pièces, mais
également 246 pièces non conformes aux exigences qui ont été retournées par les clients. Les
autres clients, tels que SIMRA SNZ, STRATA et AIRBUS ATLANTIC ROCHEFORT, ont
également signalé des quantités non conformes mais à des niveaux inférieurs.

Figure 234: Graphe 'Quantité livrée VS Quantité retournée' pour l’année 2023

268
Au début de l'année 2023, AIRBUS ATLANTIC a retourné 50 pièces qui faisaient partie d'une
quantité totale livrée de 2 854 pièces. Cela met en évidence la nécessité de surveiller
attentivement la qualité des produits livrés afin de garantir leur conformité aux exigences des
clients.

✓ Synthèse :

Les histogrammes et les KPIs personnalisés utilisés dans le tableau de bord de la qualité
externe mettent en évidence l'importance de la gestion des non-conformités client chez
SIMRA MAROC. Les données visuelles présentées montrent la quantité livrée par mois ainsi
que la quantité totale non conforme, permettant une comparaison visuelle entre ces deux
mesures.

En se référant aux KPIs, tels que l'On Quality Delivery General et l'On Quality Delivery
(Rebut), nous pouvons évaluer le taux de non-conformité en termes de parties par million
(ppm). Ces indicateurs fournissent des informations sur la performance globale et spécifique
aux rebuts. Les valeurs actuelles montrent une nécessité d'améliorer la qualité externe, en
particulier en réduisant le nombre de non-conformités.

Les KPIs de coût non-qualité (retouche et rebut) permettent de quantifier les impacts
financiers des non-conformités. Ces mesures reflètent les coûts associés à la retouche et aux
rebuts, et soulignent l'importance de prendre des mesures correctives et préventives pour
minimiser ces coûts et améliorer l'efficacité opérationnelle.

Dans l'ensemble, ces visualisations et KPIs personnalisés mettent en évidence la nécessité

d'une gestion proactive de la qualité externe chez SIMRA MAROC. En prenant des mesures
pour réduire les non-conformités et garantir la satisfaction des clients, l'entreprise peut
maintenir de bonnes relations commerciales, renforcer la confiance des clients et assurer la
livraison de produits conformes et de haute qualité.

1.3. Dashboard 4 : Suivi des Ilots de SIMRA MAROC

✓ Introduction :

Le suivi des îlots de production est essentiel pour évaluer la performance et la qualité des
processus de fabrication dans différentes sections de l'usine. Le tableau de bord présente les
données relatives à l'ilot de chaudronnerie, de montage, de peinture, d’usinage, detourage et
de TDS pour les années 2022 et 2023.

269
 ✓ Pour l’année 2022

Figure 235:Dashboard de suivi des îlots de SIMRA MAROC en 2022

En 2022, l'îlot de chaudronnerie a réalisé une production importante avec un total de 394 874
pièces fabriquées. Cependant, parmi ces pièces, 6 276 étaient non conformes. L'îlot de
montage a produit 1 975 pièces, l'îlot de peinture a fabriqué 3 375 pièces, l'ilot d'usinage a
produit 1 902 pièces, et l'ilot TDS a fabriqué 626 pièces. Il convient de noter que le détourage
n'a enregistré aucune non-conformité, grâce à la présence d'opérateurs qualifiés et
expérimentés.

✓ Pour l’année 2023

270
 Figure 236: Dashboard de suivi des îlots de SIMRA MAROC en 2023

Jusqu'à présent en 2023, l'ilot de chaudronnerie a continué à maintenir une production

soutenue avec 124 032 pièces fabriquées. Le nombre de non-conformités a diminué par
rapport à l'année précédente, avec seulement 2 141 pièces non conformes. L'ilot de montage a
produit 438 pièces, l'ilot de peinture a fabriqué 342 pièces, et l'ilot d'usinage a produit 1 841
pièces. L'ilot TDS a fabriqué 342 pièces jusqu'en mai 2023.

Figure 237: Détails sur le graphique 'Quantité NC par ilot' (1)

271
 Figure 238: Détails sur le graphique 'Quantité NC par ilot' (2)

✓ Synthèse

Ces données mettent en évidence une amélioration globale de la qualité de production et une
réduction des non-conformités dans les différents îlots en 2023 par rapport à 2022. Cependant,
il est important de continuer à surveiller attentivement la qualité dans chaque îlot et de
prendre des mesures correctives pour maintenir des normes élevées. La présence d'opérateurs
qualifiés au niveau du détourage a contribué à prévenir les non-conformités
dans ce processus.

1.4. Dashboard 5 : Suivi Client de SIMRA MAROC

Le tableau de bord 5 est axé sur la qualité client, mesurée par l'indicateur On Quality Delivery
(OQD). Il permet d'évaluer le taux de non-conformité des produits livrés aux clients et de
surveiller la satisfaction client. Les données présentées dans ce tableau de bord concernent les
années 2022 et 2023.

✓ Pour l’année 2022

272
 Figure 239: Suivi client de SIMRA MAROC en 2022

En 2022, l'indicateur OQD client variait entre 5 et 1522. Cela signifie que le taux de non-
conformité des produits livrés aux clients était compris dans cette plage. De plus, 207 pièces
non conformes ont été retournées par les clients sur une quantité totale livrée de 468 000
pièces.

✓ Pour l’année 2023

273
 Figure 240: Suivi des clients SIMRA MAROC du début 2023 jusqu'à présent

En 2023, l'indicateur OQD client varie de 584 à 197158. Cela indique que le taux de non-
conformité des produits livrés aux clients est plus élevé en 2023 par rapport à 2022. Il est
important de noter que le taux de non-conformité OQD client ne devrait normalement pas
dépasser 2000 ppm (parties par million). De plus, 71 pièces non conformes ont été retournées
par les clients sur une quantité totale livrée de 468 000 pièces.

✓ Synthèse :

Les données du tableau de bord 5 révèlent une augmentation du taux de non-conformité des
produits livrés aux clients en 2023 par rapport à 2022, avec un indicateur OQD client allant de
584 à 197158. Cela met en évidence la nécessité d'améliorer la qualité des produits pour
répondre aux attentes des clients et réduire les non-conformités. Les 71 pièces non conformes
retournées par les clients soulignent l'importance de maintenir un contrôle rigoureux de la
qualité tout au long du processus de production et de livraison. Des actions correctives
doivent être mises en place pour réduire le taux de non-conformité et améliorer la
satisfaction client.

En 2023, l'indicateur OQD client varie de 584 à 197158. Cela indique que le taux de non-
conformité des produits livrés aux clients est plus élevé en 2023 par rapport à 2022. Il est
important de noter que le taux de non-conformité OQD client ne devrait normalement pas
dépasser 2000 ppm (parties par million). De plus, 71 pièces non conformes ont été retournées
par les clients sur une quantité totale livrée de 468 000 pièces.

274
2. Gantt Réel du projet qualité de la production

Figure 241: Gantt réel du projet qualité de la production

275
 Chapitre 6 : Clôture du projet

1. Recommandation et Perspective de développement

Dans le cadre de ce projet, nous avons réalisé trois missions clés :

1. La mise en place de Power BI pour le service qualité.

2. La mise en place de Power BI pour le service achat.
3. L’implémentation d'une solution de machine Learning end-to-end pour prédire la
quantité à commander et l’intégration du modèle Machine Learning XGBOOST.

Chacune de ces initiatives a été conçue pour répondre à des besoins spécifiques au sein de
l'organisation.

Figure 242: Liste des espaces de travail dans power service

1. Recommandations pour le développement de Power BI pour le service qualité :

La mise en place de Power BI pour le service qualité a permis de créer des tableaux de bord
interactifs et dynamiques en temps réel, offrant une visibilité accrue sur les indicateurs clés de
performance qualité interne et externe. Les recommandations pour développer cette initiative
sont les suivantes :

✓ Intégrer Power BI sur les postes de travail SIMRA MAROC : Actuellement, seuls
l'ingénieur qualité et le responsable du service utilisent les tableaux de bord sur leurs
ordinateurs personnels via Power Service, où les tableaux de bord sont partagés. Il est
recommandé généraliser l’installation de Power BI directement sur les postes de travail

276
 de l'ensemble du personnel du service qualité. Cela permettra une utilisation plus facile
et une accessibilité rapide aux tableaux de bord.

Figure 243: Espace 'Quality SIMRA MAROC'

✓ Explorer l'intégration de Power BI avec d'autres outils ou systèmes utilisés par le

service qualité : Afin de centraliser les données et d'améliorer l'efficacité des
processus, il est conseillé d'explorer l'intégration de Power BI avec d'autres outils ou
systèmes utilisés par le service qualité. Cela permettra une synchronisation des données
en temps réel et évitera les doubles saisies ou les problèmes liés à la consolidation des
données.
✓ Former les utilisateurs sur les fonctionnalités avancées de Power BI : Pour
optimiser l'utilisation de Power BI, il est recommandé de former les utilisateurs du
service qualité sur les fonctionnalités avancées de l'outil. Cela leur permettra de créer et
de personnaliser leurs propres rapports et visualisations, adaptés à leurs besoins
spécifiques. La formation devrait couvrir des sujets tels que la création de mesures
personnalisées, l'utilisation de filtres avancés et la création de visualisations
interactives.

En suivant ces recommandations, le service qualité pourra tirer le meilleur parti de Power BI,
améliorer la gestion de la performance qualité interne et externe, et faciliter la prise de
décision basée sur des données fiables et actualisées.

277
2. Recommandations pour le développement de Power BI pour le processus d'achat :

Figure 244: Espace 'Achat SIMRA MAROC'

✓ Intégration complète des données : Nous devrions veiller à intégrer toutes les
sources de données pertinentes pour le processus d'achat dans Power BI. En utilisant
Power BI en combinaison avec Microsoft Teams, nous pouvons créer des liens vers les
fichiers et les bases de données partagées sur Teams, facilitant ainsi l'accès et la mise à
jour des données en temps réel.
✓ Automatisation des rapports : En intégrant Power BI et Teams, nous pouvons
automatiser la génération et la distribution des rapports sur les performances d'achat.
Les rapports peuvent être programmés pour être envoyés périodiquement aux
membres de l'équipe d'achat via Teams, ce qui permettra à chacun de rester informé
des dernières mises à jour sans effort supplémentaire.

278
 Figure 245:Liaison entre Power BI et Teams

✓ Formation des utilisateurs : Nous devrions offrir une formation aux membres de
l'équipe d'achat sur l'utilisation de Power BI et Teams en synergie. Cela leur permettra
de maîtriser les fonctionnalités de Power BI, de collaborer efficacement sur Teams et
d'exploiter pleinement le potentiel de ces outils pour optimiser le processus d'achat.
Nous pouvons organiser des sessions de formation en ligne via Teams pour assurer
une adoption rapide et efficace.

En suivant ces recommandations, nous pourrons bénéficier pleinement des avantages de

Power BI pour le processus d'achat, tout en exploitant les fonctionnalités de collaboration de
Teams. Cela favorisera une meilleure communication, une prise de décision informée et une
gestion efficace des achats au sein de notre organisation.

3. Recommandations finales après la réalisation de l'application de machine Learning

end-to-end pour la prédiction de la quantité à commander dans la chaîne
d'approvisionnement de SIMRA MAROC

✓ Suivi continu des performances : Une fois l'application mise en place, il est essentiel
de surveiller en continu les performances du modèle de prédiction. Analysez les
résultats de prédiction par rapport aux commandes réelles et évaluez la précision et la
fiabilité du modèle. Identifiez les erreurs et les écarts afin de pouvoir ajuster et
améliorer le modèle au fil du temps.

279
 ✓ Intégration de retours d'information utilisateurs : Encouragez les utilisateurs de
l'application, tels que les responsables des achats et de la chaîne d'approvisionnement,
à fournir des retours d'information sur l'efficacité de la prédiction et son impact sur les
opérations. Intégrez ces retours dans les mises à jour et les améliorations futures de
l'application.

✓ Formation continue des utilisateurs : Organisez des sessions de formation régulières

pour les utilisateurs de l'application, afin de les familiariser avec ses fonctionnalités,
de les aider à interpréter les résultats de prédiction et de les guider dans l'utilisation
optimale de l'application. Et s’assurer que les utilisateurs comprennent bien le
fonctionnement du modèle de machine Learning et soient en mesure d'appliquer les
recommandations de quantité à commander dans leurs décisions.

✓ Collaboration entre SIMRA et SEGULA technologies : Favorisez la collaboration

entre les équipes informatiques de SEGULA Technologies et les équipes de SIMRA
MAROC, ainsi que les autres parties prenantes concernées par la gestion de la chaîne
d'approvisionnement. Encouragez les échanges d'informations, les réunions régulières
et les discussions pour comprendre les besoins spécifiques de chaque équipe et
identifier les opportunités d'amélioration continue.

✓ Évolution et adaptation : La chaîne d'approvisionnement est un domaine en

constante évolution, et il est important de rester à l'affût des nouvelles tendances, des
technologies émergentes et des changements dans l'environnement commercial. Il faut
adapter continuellement l'application de machine Learning en fonction des besoins
changeants de SIMRA MAROC et des opportunités d'optimisation identifiées.

En suivant ces recommandations, SIMRA MAROC pourra maintenir et améliorer en

permanence son application de machine Learning pour la prédiction de la quantité à
commander. Cela contribuera à une gestion plus efficace de la chaîne d'approvisionnement, à
une réduction des coûts et à une meilleure prise de décision basée sur des prévisions fiables et
précises.

280
 ✓ Bilan et analyse réflexive

Objectif Statistique Avant la Prévisionnel Solution Situation après 1 mois

solution avant la implémentée d'implémentation
solution

Réduire les délais Délai moyen 60 30 Jours Solution d'achat lié 60 jours
d'approvisionnement des d'approvisionnement Jours au modèle non
fournisseurs SIMRA supervisé

(ML)

Améliorer la qualité des Taux de non- 15.65% 8% Solution qualité 12%

pièces produites conformité (BI)

Améliorer la qualité des Nombre moyen de 11.58 par 8 par mois Solution qualité 7 par mois
pièces produites retours client mois (BI)

Améliorer la qualité des Temps moyen de 30 jours 20 jours Solution qualité 25 jours
pièces produites résolution des (BI)
problèmes de qualité

Améliorer la qualité des Taux de rebuts 19.46% 10% Solution qualité 14%
pièces produites (BI)

281
Prédire la quantité Erreur de prédiction +/- 30.86% +/- 18% Solution d'achat +/- 25%
commandée par le service moyenne (PrediX)
achat

Améliorer la qualité des OQD Client 2000 1500 Solution qualité 1800
produits (BI)

Figure 246 : Évolution des objectifs, statistiques et résultats avant et après l'implémentation de la solution

2. Difficultés rencontrées
Lors du projet, nous avons rencontré plusieurs difficultés en raison de la complexité du projet
et de la participation de multiples services chez SIMRA. Cependant, grâce à notre résilience
et à notre approche proactive, nous avons réussi à les surmonter. Voici un résumé des
difficultés rencontrées et des actions que nous avons adopté pour les résoudre :

✓ Nettoyage et préparation des données : Nous avons été confrontés à des problèmes
de qualité des données initiales, ce qui a rendu le processus de nettoyage et de
préparation complexe et chronophage. Nous avons adopté une approche méthodique
en utilisant des techniques de nettoyage automatisées.
✓ Choix du modèle de Machine Learning : Le choix du modèle de Machine Learning
approprié a représenté un défi en raison des nombreuses options disponibles. Nous
avons effectué une analyse approfondie en évaluant les performances des modèles
potentiels, leur adaptabilité à notre problématique et leurs exigences en termes de
données. Nous avons investi du temps dans la recherche en ligne, suivi des cours pour
prendre des décisions éclairées et sélectionner le modèle le mieux adapté à nos
besoins.
✓ Volume important de données : Le traitement d'un grand volume de données a posé
des défis en termes de temps d'exécution et de ressources nécessaires. Pour y faire
face, nous avons optimisé nos méthodes de traitement des données en utilisant des
techniques avancées sur Power Bi.

En surmontant ces difficultés, nous avons acquis une précieuse expérience, renforcé nos
compétences techniques et développé notre capacité à résoudre des problèmes complexes.

282
Malgré les obstacles rencontrés, nous sommes fiers d'avoir mené à bien ce projet, atteint nos
objectifs et fourni une solution de qualité à SIMRA.

3. Les actions menées face aux difficultés rencontrées

L'état d'avancement du développement de la solution orientée BI pour les services Achat et
Qualité et de la solution de Machine Learning ont connu quelques retards dû à la complexité
et de l'ampleur du projet, ainsi que le périmètre d’étude qui couvrait plusieurs services, sujets
et objectifs. Voici quelques explications concernant les retards rencontrés :

Le processus de nettoyage et de préparation des données est une étape essentielle dans tout
projet d'analyse de données. Compte tenu de la nature complexe des données utilisées dans les
services Achat et Qualité, il est compréhensible que cela ait pris plus de temps que prévu. La
qualité des données est cruciale pour garantir des résultats fiables et précis, ce qui justifie le
temps supplémentaire accordé à cette étape critique. Pour remédier à cela on a automatisé la
phase de prétraitement de données en amont pour faciliter l’exploitation future et pour garder
la continuité automatique du processus data preprocessing.

Au début du projet, il était nécessaire de prendre le temps de délimiter précisément la

problématique, ainsi que de choisir les outils et la méthodologie appropriés. On a passé par
une phase d’expérimentation très importante au niveau du choix du modèle Machine Learning
et l’environnement de réalisation du solution end to end. Cette étude nous a donné une
visibilité plus large et précise sur la dimension de la solution et sur son niveau de complexité.
Ensuite, nous étions éclairés sur les tâches prioritaires et sur leur enchaînement.

Le projet impliquait plusieurs services et objectifs, ce qui a nécessité une coordination et une
communication étroites entre les différentes parties prenantes. La coordination et l'alignement
des différentes exigences et besoins peuvent prendre du temps, en particulier lorsque des
ajustements ou des modifications sont nécessaires pour répondre aux attentes de tous les
acteurs impliqués. Cela peut entraîner des retards, mais cela témoigne également de l'ampleur
et de l'importance du projet dans la réalisation des objectifs globaux de l'entreprise.

Il est important de noter que malgré ces retards, il est essentiel de considérer ces obstacles
comme des opportunités d'apprentissage et de croissance. Les retards rencontrés ont permis de
renforcer la compréhension des enjeux liés au nettoyage des données, au choix des modèles et
à la gestion de projets complexes. Ils ont également conduit à une meilleure collaboration et à
une meilleure gestion des attentes et des exigences des différentes parties prenantes.

283
4. Bénéfices de l’entreprise
Après l'utilisation des tableaux de bord liés à l'achat, à la qualité et l’application web
PREDIX, l'entreprise SIMRA Maroc s'attend à réaliser d'importants bénéfices futurs. Ces
outils permettent à l'entreprise d'anticiper plus efficacement ses besoins en matières
premières, ce qui se traduit par une meilleure gestion des stocks et une réduction des coûts liés
aux surstocks ou aux ruptures de stock.

Grâce à l'analyse approfondie des données fournies par ces tableaux de bord, l'entreprise sera
en mesure d'identifier les tendances et les modèles qui influencent ses opérations. Cela
permettra de prendre des décisions plus éclairées en matière d'achat, de qualité et de gestion
des stocks, ce qui contribuera à améliorer l'efficacité globale de l'entreprise.

L'utilisation de PREDIX pour prédire la quantité à commander des matières premières

permettra à l'entreprise de minimiser les erreurs de prévision et d'optimiser ses processus
d'approvisionnement. En ayant une vision claire et précise de ses besoins futurs, l'entreprise
pourra éviter les gaspillages et les coûts superflus, tout en maintenant un niveau de production
optimal.

Par ailleurs, l'utilisation des tableaux de bord liés à la qualité permettra à l'entreprise de
maintenir des normes élevées de qualité des produits, ce qui se traduira par une satisfaction
client accrue et une fidélité renforcée. Cela peut également réduire les coûts associés aux
retours et aux réclamations, contribuant ainsi à une meilleure rentabilité.

Dans l'ensemble, l'utilisation de ces tableaux de bord et de l'outil PREDIX ouvre de nouvelles
opportunités pour l'entreprise SIMRA Maroc. Les bénéfices attendus se situent principalement
dans l'anticipation des besoins, l'analyse approfondie des données et la prise de décisions plus
éclairées. Ces avantages permettront à l'entreprise de gagner en compétitivité sur le marché et
de consolider sa position en tant que leader dans son secteur d'activité.

5. Compétences acquises lors du projet

Lors de ce projet, nous avons acquis un ensemble de compétences techniques et managériales
précieuses. Voici un aperçu des compétences que nous avons développées :

✓ Connaissance de l'industrie aéronautique : Nous avons exploré l'industrie

aéronautique, en comprenant les spécificités du secteur et les caractéristiques de la

284
 gestion de la chaîne d'approvisionnement (SCM). Nous avons acquis une
compréhension approfondie des exigences et des défis propres à ce secteur.

✓ Maîtrise de Power BI : Nous avons amélioré notre niveau de compétence dans

l'utilisation de Power BI. Nous avons travaillé avec des jeux de données, utilisé le
modèle de constellation pour la première fois, on a acquis des connaissances
approfondies des indicateurs clés de performance (KPI) métiers. Nous avons
également appris de nouveaux KPI métiers spécifiques aux services Achats et Qualité
dans le secteur aéronautique.

✓ Apprentissage du Machine Learning : Nous avons acquis de nouvelles compétences

dans le domaine du Machine Learning. Nous avons exploré différents modèles et
appris à faire face au surajustement (overfitting). Nous avons utilisé des projets guidés
et des cours pour renforcer notre compréhension et guider nos choix de modèles tout
au long du projet.

✓ Déploiement et utilisation d'outils : Nous avons appris à utiliser GitHub pour le

contrôle de version, en utilisant des commandes Git. Nous nous sommes familiarisés
avec la bibliothèque STREAMLIT de Python pour créer des interfaces utilisateur
conviviales. Nous avons également travaillé avec des outils tels que Flask et Flask API
pour le déploiement d'applications avant de valider notre choix et utiliser
STREAMLIT.

✓ Compétences managériales : Nous avons combiné des approches telles que le Design
Thinking et le SCRUM pour mener à bien une solution end-to-end. Nous avons géré
un projet qui s'est déroulé sur plusieurs sprints, développant ainsi nos compétences en
gestion de projet à long terme. Nous avons également renforcé notre sens de l'analyse
en traitant un grand volume de données. Le travail d'équipe et la collaboration ont été
essentiels, tout en respectant les délais fixés (time box).

285
En résumé, ce projet nous a permis d'acquérir des compétences techniques solides en utilisant
des outils tels que Power BI et le Machine Learning. Nous avons également développé des
compétences managériales en gérant efficacement un projet de grande envergure. Ces
compétences seront précieuses pour notre développement professionnel futur dans le
domaine.

286
Conclusion
Ce projet a été mené avec succès chez SIMRA MAROC, permettant la mise en place d'une
gestion intelligente de la chaîne logistique. Grâce à l'utilisation de technologies telles que
Power BI, le Machine Learning et l'application PrediX, nous avons développé des solutions
complètes qui ont apporté des améliorations significatives à l'entreprise.

L'intégration de Power BI a permis de créer des tableaux de bord interactifs et des

visualisations percutantes, offrant une meilleure compréhension des données de la chaîne
logistique. Cela a permis à SIMRA MAROC de prendre des décisions plus éclairées,
d'anticiper les besoins en matières premières et d'optimiser les opérations
d'approvisionnement. Les analyses avancées ont révélé des informations précieuses sur les
performances des fournisseurs, les délais d'approvisionnement et la qualité des produits.

Le déploiement de l'application PrediX a été une étape majeure, permettant aux utilisateurs
d'accéder facilement aux fonctionnalités de prédiction de quantité à commander. En utilisant
le modèle ML "XGBOOST", nous avons pu fournir des prédictions précises, optimisant ainsi
les stocks, évitant les problèmes de pénurie ou de surstockage, et améliorant la planification
des commandes.

Les résultats obtenus ont été positifs, avec des améliorations mesurables dans des domaines
tels que le délai moyen d'approvisionnement, le taux de non-conformité et le temps de
résolution des problèmes de qualité. SIMRA MAROC a pu réduire ses coûts opérationnels,
améliorer la qualité des produits et renforcer sa compétitivité sur le marché.

Il est important de souligner que la gestion intelligente de la chaîne logistique est un processus
continu qui nécessite une surveillance constante et des ajustements en fonction des évolutions
du marché. SIMRA MAROC doit maintenir la continuité des solutions mises en place, en
continuant à collecter et à analyser les données pertinentes, afin de rester compétitif et
d'assurer sa croissance future.

Les solutions ont apporté une réelle valeur ajoutée à SIMRA MAROC en améliorant sa
gestion de la chaîne logistique grâce à des solutions technologiques. Les efforts et l'énergie
investis ont permis d'optimiser les opérations, d'accroître l'efficacité et d'obtenir des résultats
tangibles. SIMRA MAROC sera mieux positionné pour répondre aux défis de l'industrie et
pour assurer sa croissance durable à l'avenir.

287
Table des Tableaux
Tableau 1: FICHE TECHNIQUE DE SEGULA TECHNOLOGIES ..................................................................... 17

Tableau 2: FICHE TECHNIQUE DE SIMRA MAROC ........................................................................................ 20

Tableau 3: APPROVISIONNEMENT ................................................................................................................... 22

Tableau 4:ACTIVITÉS ET MÉTIERS DE SIMRA MAROC .................................................................................. 24

Tableau 5: MARCHÉ ET CONCURRENCE ......................................................................................................... 25

Tableau 6: Planning du product backlog .............................................................................................................. 42

Tableau 7: Les objectifs SMART pour le projet .................................................................................................... 44

Tableau 8: Les objectifs et mesures de performance ............................................................................................ 45

Tableau 9: Comparatif des outils .......................................................................................................................... 58

Tableau 10: Outils de développement ................................................................................................................... 60

Tableau 11:Outils de déploiement ........................................................................................................................ 60

Tableau 12: Outils de Test .................................................................................................................................... 61

Tableau 13: KPI's de service ACHAT ................................................................................................................... 62

Tableau 14: KPI's de service de la qualité de la production ................................................................................ 63

Tableau 15: Les modèle Machine Learning et leurs critères ................................................................................ 65

Tableau 16: statistiques de données d'achat avant transformation .................................................................... 107

Tableau 17: Statistiques de données d'achat après transformation .................................................................... 107

Tableau 18:Statistiques de données d'achat avant transformation ..................................................................... 108

Tableau 19: : Statistiques de données d'achat après transformation.................................................................. 108

Tableau 20: statistiques de données de la qualité de production avant transformation ..................................... 109

Tableau 21: Statistiques de données de la qualité de production après transformation..................................... 110

Tableau 22: Tableau comparatif entre les approches de modélisation de données Kimball et Inmon ............... 113

Tableau 23: Description technique des mesures du service achat ...................................................................... 148

Tableau 24: Description technique des mesures du service qualité de la production ........................................ 150

Tableau 25: Description des étapes de conception du modèle XGBOOST ......................................................... 193

Tableau 26: KPI's personnalisé lié à la qualité externe de SIMRA MAROC ...................................................... 267

288
Table des figures
figure 1 : Organigramme De l'entreprise SIMRA MAROC .................................................................................. 21

Figure 2: Organigramme du service achat ........................................................................................................... 23

Figure 3: Organigramme du service production .................................................................................................. 24

Figure 4: Organigramme service vente ................................................................................................................ 25

Figure 5: Business Process Model and Notation Achat ........................................................................................ 28

Figure 6: Business Process Model and Notation de l'administration des ventes .................................................. 30

Figure 7: Machine de détourage ........................................................................................................................... 32

Figure 8: Business Process Model and Notation de la qualité de la production .................................................. 37

Figure 9: Gantt prévisionnel ................................................................................................................................. 41

Figure 10: Le cycle de vie du SCRUM .................................................................................................................. 48

Figure 11: Feuille Arrivage 2022 ......................................................................................................................... 66

Figure 12: Statistique du classeur Arrivage 2022 ................................................................................................ 67

Figure 13: Feuille liste des fournisseurs ............................................................................................................... 68

Figure 14 : Feuille articles ................................................................................................................................... 69

Figure 15:Statistiques du classeur "Export articles" ............................................................................................ 70

Figure 16 : Feuille export code fournisseur ......................................................................................................... 71

Figure 17: Statistiques du classeur "Export code fournisseur" ............................................................................ 72

Figure 18 : Feuille local ....................................................................................................................................... 73

Figure 19 : Feuille import..................................................................................................................................... 73

Figure 20: Feuille data final ................................................................................................................................. 74

Figure 21 : Feuille arrivages 2022 ....................................................................................................................... 75

Figure 22 : Statistiques du classeur Arrivage 2022 .............................................................................................. 76

Figure 23 : Feuille liste des fournisseurs .............................................................................................................. 77

Figure 24 : Feuille export articles ........................................................................................................................ 77

Figure 25 : Feuille export code fournisseur ......................................................................................................... 79

Figure 26: Statistiques du classeur Export code fournisseur................................................................................ 80

Figure 27 : Feuille suivi NC fournisseur .............................................................................................................. 81

Figure 28: Feuille Commandes 2022.................................................................................................................... 82

289
Figure 29: Étapes de transformation des données de la table 'COMMANDE' ..................................................... 85

Figure 30: Étapes de transformation des données de la table ‘MP’ ..................................................................... 86

Figure 31: Étapes de transformation des données de la table ‘Détails commande’ ............................................. 86

Figure 32: Étapes de transformation des données de la table ‘NC Fournisseur’ ................................................. 86

Figure 33: Étapes de transformation des données de la table ‘fournisseur’ ........................................................ 86

Figure 34: Vue d'ensemble des données récupérées chez SIMRA ........................................................................ 87

Figure 35:Feuille suivi non-conformité interne 2022 ........................................................................................... 88

Figure 36:Feuille suivi non-conformité interne 2023 ........................................................................................... 89

Figure 37: Feuille statut de réclamation 2022 ..................................................................................................... 91

Figure 38: Feuille statut des réclamations 2023 .................................................................................................. 93

Figure 39: Feuille EXPORT BL CLIENT ............................................................................................................. 95

Figure 40: Feuille Export pièces fabriqué ............................................................................................................ 97

Figure 41: Feuille export code défaut................................................................................................................... 99

Figure 42: Feuille Employé ................................................................................................................................ 100

Figure 43: Feuille Grille des compétences ........................................................................................................ 101

Figure 44: deuxième partie de la feuille Grille des Compétences ...................................................................... 102

Figure 45 Étapes de transformation des données de la table Employé .............................................................. 104

Figure 46: Étapes de transformation des données de la table Défaut ................................................................ 104

Figure 47: Étapes de transformation des données de la table Qualité interne ................................................... 104

Figure 48: Étapes de transformation des données de la table Qualité externe .................................................. 105

Figure 49: Étapes de transformation des données de la table Contrôleur ......................................................... 105

Figure 50: Étapes de transformation des données de la table Pièces ................................................................. 105

Figure 51: Étapes de transformation des données de la table ilots .................................................................... 105

Figure 52: Étapes de transformation des données de la table operateur ........................................................... 106

Figure 53: Étapes de transformation des données de la table Clients ................................................................ 106

Figure 54: Modélisation en étoile pour l'achat ................................................................................................... 114

Figure 55: Table des faits ‘commande’ .............................................................................................................. 115

Figure 56: Table de dimensions ‘MP’ ................................................................................................................ 116

Figure 57: Table de dimensions ‘Fournisseur’ ................................................................................................... 117

Figure 58: Table de dimensions ‘NC Fournisseur’ ............................................................................................ 118

290
Figure 59: Table de dimensions ‘Détails commande’ ........................................................................................ 119

Figure 60: Visualisation de la table DATE sur Power BI avec DAX .................................................................. 120

Figure 61: Description des relations entre les tables ........................................................................................ 121

Figure 62: Relation entre la table ‘Date’ et la table ‘Commande’ ..................................................................... 122

Figure 63: Relation entre la table ‘table commande’ et la table ‘table MP’ ...................................................... 123

Figure 64: Relation entre la table ‘commande’ et la table ‘Fournisseur’ .......................................................... 124

Figure 65: Relation entre la table ‘table commande’ et la table ‘table NC Fournisseur’ .................................. 125

Figure 66: Relation entre la table ‘commande’ et la table ‘Détails commande’ ................................................ 126

Figure 67: Modélisation en constellation pour la qualité de la production ....................................................... 127

Figure 68: Table de FAITS ‘Qualité interne’ ..................................................................................................... 128

Figure 69: Table de dimensions ‘Contrôleur’ .................................................................................................... 129

Figure 70: Table de dimensions ‘opérateur’ ...................................................................................................... 130

Figure 71: Table de dimensions ‘îlot’ ................................................................................................................. 130

Figure 72: Table de dimensions ‘Défaut’ ........................................................................................................... 131

Figure 73: Table de faits ‘Qualité externe’......................................................................................................... 132

Figure 74: Visualisation de la table DATE sur Power BI avec DAX .................................................................. 132

Figure 75: Table de dimensions ‘Client’ ............................................................................................................ 133

Figure 76: description des relations entre les tables utilisées dans la qualité de la production ........................ 134

Figure 77: Relation entre table de faits ‘Qualité interne’ et table ‘Date’ ......................................................... 135

Figure 78: Relation entre table de faits ‘Qualité interne’ et table de dimensions ‘ ilot’ .................................... 136

Figure 79: Relation entre table de faits ‘Qualité interne’ et table de dimensions ‘Contrôleur’ ......................... 137

Figure 80: Relation entre table ‘Qualité interne’ et table ‘Opérateur’ .............................................................. 138

Figure 81: Relation entre table de faits ‘Qualité interne’ et table de dimensions ‘ Défaut’ ............................... 139

Figure 82: Relation des deux tables ‘Pièces’ et ‘Qualité interne’ ...................................................................... 140

Figure 83: Relation des deux tables ‘Défaut’ et ‘Qualité externe’ ..................................................................... 141

Figure 84: Relation des deux tables ‘Pièces’ et ‘Qualité externe’ ...................................................................... 142

Figure 85: Relation entre table de faits ‘Qualité externe’ et table ‘Opérateur’ ................................................. 143

Figure 86: Relation entre table de faits ‘Qualité externe’ et table ‘Contrôleur’ ................................................ 144

Figure 87: Relation entre table de faits ‘Qualité externe’ et table ‘Client’ ........................................................ 145

Figure 88: Relation entre table de faits ‘Qualité externe’ et table ‘Date’ .......................................................... 146

291
Figure 89: bibliothèques utilisées ....................................................................................................................... 153

Figure 90: Affichage des données ....................................................................................................................... 156

Figure 91: corrélation entre les données ............................................................................................................ 157

Figure 92: suppression des données ................................................................................................................... 157

Figure 93: Visualisation des valeurs null ........................................................................................................... 158

Figure 94: Fonction pour remplir les valeurs null par la moyenne .................................................................... 158

Figure 95: Résultat après l’imputation ............................................................................................................... 159

Figure 96: Création de la variable montant ....................................................................................................... 159

Figure 97: Code de la transformation ................................................................................................................ 160

Figure 98: Code de la modification type d’achat ............................................................................................... 161

Figure 99: Code de modification du certificat de conformité ............................................................................. 161

Figure 100: Code dans Jupyter pour la modification du type de règlement ....................................................... 162

Figure 101: Code dans Jupyter pour l'encodage des variables de type texte ..................................................... 163

Figure 102: Code de normalisation des données ................................................................................................ 164

Figure 103: Code de normalisation des données avec MinMaxScaler() ............................................................ 165

Figure 104: Détermination du nombre des clusters............................................................................................ 166

Figure 105: Graphique de la méthode ELBOW .................................................................................................. 167

Figure 106: regroupement pour 5 clusters ......................................................................................................... 167

Figure 107: visualisation des clusters ................................................................................................................ 168

Figure 108: regroupement pour 3 clusters ......................................................................................................... 169

Figure 109: visualisation des clusters et leurs centroïdes .................................................................................. 169

Figure 110: la précision du modèle .................................................................................................................... 170

Figure 111: performance des model K means et clustering hiérarchique .......................................................... 171

Figure 112: visualisation des clusters ................................................................................................................ 171

Figure 113: code de régression de poisson......................................................................................................... 172

Figure 114: les indicateurs de performance du model ....................................................................................... 173

Figure 115: Visualisation réelle par rapport à la prédiction ............................................................................. 173

Figure 116: code de régression par arbre de décision ....................................................................................... 174

Figure 117: Comparaison entre la quantité à commander réelle par rapport à la quantité prédite ................. 175

Figure 118: Visualisation réelle par rapport à la prédiction pour le modèle régression par arbre de décision 175

292
Figure 119: code de régression par forêt aléatoire ............................................................................................ 177

Figure 120: les indicateurs de performances du model ...................................................................................... 177

Figure 121: Visualisation réelle par rapport à la prédiction du modèle régression par forêt aléatoire ............ 178

Figure 122: Code de régression par gradient boosting XGBoost ....................................................................... 179

Figure 123: les indicateurs de performance du model ....................................................................................... 180

Figure 124: Tableau des données réelles par rapport à la prédiction................................................................ 181

Figure 125: Visualisation réelle par rapport à la prédiction ............................................................................. 181

Figure 126: code de régression linéaire ............................................................................................................. 182

Figure 127:Indicateurs de performances du modèle .......................................................................................... 183

Figure 128: Visualisation réelle par rapport à la prédiction du model régression linéaire ............................... 183

Figure 129: Code de régression polynomiale ..................................................................................................... 184

Figure 130: Indicateurs de performances des modèles ..................................................................................... 185

Figure 131: réel vs prédiction ............................................................................................................................ 185

Figure 132: Visualisation réelle par rapport à la prédiction du model Régression polynomiale ...................... 186

Figure 133: Régression par forêt aléatoire ........................................................................................................ 187

Figure 134: Indicateurs de performances du modèle ......................................................................................... 187

Figure 135: Comparaison entre la quantité à commander réelle et prédite ....................................................... 188

Figure 136: Visualisation réelle par rapport à la prédiction du model Régression par forêt aléatoire ............. 188

Figure 137: Régression par arbre de décision ................................................................................................... 189

Figure 138: Indicateurs de performance du modèle .......................................................................................... 190

Figure 139: Visualisation réelle par rapport à la prédiction du modèle Régression par arbre de décision ...... 190

Figure 140: Prédiction du modèle ...................................................................................................................... 191

Figure 141: Régression par gradient boosting XGBoost .................................................................................... 192

Figure 142: indicateurs de performance du modèle .......................................................................................... 193

Figure 143: Les prédictions ................................................................................................................................ 193

Figure 144: Comparaison entre la quantité à commander réelle et prédite ....................................................... 194

Figure 145: Visualisation réelle par rapport à la prédiction du model XGBOOST ........................................... 194

Figure 146: Code du graphique .......................................................................................................................... 195

Figure 147: Comparaison des modèles par RMSE ............................................................................................. 196

Figure 148: Comparaison des modèle MAE ....................................................................................................... 197

293
Figure 149: Comparaison des modèle R2 ........................................................................................................... 198

Figure 150: Code du graphique .......................................................................................................................... 199

Figure 151: Comparaison des modèles RMSE ................................................................................................... 199

Figure 152: Comparaison des modèle MAE ....................................................................................................... 200

Figure 153: Comparaison des modèle R2 ........................................................................................................... 200

Figure 154Gantt réel du projet lié au processus achat ....................................................................................... 202

Figure 155: Profil 1 'Acheteuse' ......................................................................................................................... 205

Figure 156: Plus d'information pour le profil 1 .................................................................................................. 205

Figure 157: Savoir plus sur le profil 1 pour une étude détaillée ........................................................................ 206

Figure 158: Plus d'information pour le profil 2 .................................................................................................. 207

Figure 159: Profil 2 'Responsable SI' ................................................................................................................. 207

Figure 160: Savoir plus sur le profil 2 pour une étude détaillée ........................................................................ 208

Figure 161: User map de la partie 2 de notre projet .......................................................................................... 210

Figure 162: User map des besoins fonctionnels liés à l’authentification ........................................................... 211

Figure 163: User map des besoins fonctionnels liés à l'achat import et local .................................................... 212

Figure 164: User map pour les besoins fonctionnels liés à l'administration ...................................................... 213

Figure 165: User map pour les besoins fonctionnels liés aux feedbacks ............................................................ 214

Figure 166: Cas d'utilisation pour la gestion de l'authentification .................................................................... 215

Figure 167: Cas d'utilisation pour l'achat .......................................................................................................... 216

Figure 168: Cas d'utilisation pour la gestion d'administration .......................................................................... 216

Figure 169: Cas d'utilisation pour la gestion des feedbacks .............................................................................. 217

Figure 170: Règles de gestion des utilisateurs pour l'admin .............................................................................. 218

Figure 171: Règles de gestion de l'inscription des nouveaux utilisateurs .......................................................... 219

Figure 172: Règles de gestion pour la connexion ............................................................................................... 220

Figure 173: Règles de gestion de la déconnexion ............................................................................................... 221

Figure 174: Règles de gestion liées au cas d'utilisation 'choisir le type d'achat' ............................................... 221

Figure 175: Règles de gestion liées à l'achat..................................................................................................... 222

Figure 176: Règles de gestion pour le cas d'utilisation 'Rejoindre notre communauté sur Disqus' ................... 223

Figure 177: Page d'accueil ................................................................................................................................. 224

Figure 178: Page de connexion .......................................................................................................................... 225

294
Figure 179: Page d'inscription pour les nouveaux utilisateurs .......................................................................... 225

Figure 180: Page Admin pour la gestion des utilisateurs utilisateurs ................................................................ 226

Figure 181: Page achat local ............................................................................................................................ 227

Figure 182: Page de feedback ............................................................................................................................ 228

Figure 183: Diagramme de déploiement ............................................................................................................ 229

Figure 184: Gantt Réel du projet ........................................................................................................................ 230

Figure 185: WBS du projet ................................................................................................................................. 231

Figure 186: d'accueil de l'application ................................................................................................................ 232

Figure 187: Page de connexion .......................................................................................................................... 233

Figure 188: Après la connexion de l'utilisateur .................................................................................................. 233

Figure 189: Choix de type d'achat ...................................................................................................................... 234

Figure 190: Page d'achat local après la connexion de l'utilisateur ................................................................... 235

Figure 191: Affichage du graphique lié à la performance du modèle XGBOOST.............................................. 235

Figure 192: Importation des données ................................................................................................................ 236

Figure 193: Affichage des données importées par l'utilisateur........................................................................... 236

Figure 194: Affichage des prédictions de la quantité à commander................................................................... 237

Figure 195: Téléchargement du fichier Excel ..................................................................................................... 237

Figure 196: Connexion à la page admin ............................................................................................................ 238

Figure 197: Affichage des utilisateurs dans la page admin ................................................................................ 238

Figure 198:Page d'administration avec la fonctionnalité d'ajouter un nouvel utilisateur ................................. 239

Figure 199:Page d'administration avec les fonctionnalités de modification et suppression des utilisateurs ..... 239

Figure 200: Visualisation de la page Feedback ................................................................................................. 240

Figure 201: Répertoire du projet ........................................................................................................................ 241

Figure 202: Résultat du test unitaire ‘login user’ ............................................................................................... 242

Figure 203: Fonction’ login user’ ...................................................................................................................... 242

Figure 204: Code test de performance ............................................................................................................... 243

Figure 205: Résultat du test de performance ...................................................................................................... 243

Figure 206: Code du test unitaire pour ‘login_user, create_usertable et add_userdata’ ................................... 244

Figure 207: Résultat du test unitaire pour ‘login_user, create_usertable et add_userdata’ .............................. 245

Figure 208: Test unitaire pour ‘login_user, delete_user et add_userdata’ ........................................................ 246

295
Figure 209: Résultat du test unitaire pour ‘login_user, delete_user et add_userdata’ ...................................... 246

Figure 210: Locust test ....................................................................................................................................... 247

Figure 211: Resultat du test pour 100 utilisateurs .............................................................................................. 247

Figure 212: Graphes générés par Locust ........................................................................................................... 248

Figure 213: Résultat du Locust test .................................................................................................................... 248

Figure 214: Importation des fichiers sur GitHub ............................................................................................... 250

Figure 215: Déploiement dans GitHub en cours d'exécution ............................................................................. 250

Figure 216: Application déployée sur GitHub .................................................................................................... 251

Figure 217: Exécution en cours de l'hébergement sur Streamlit Share .............................................................. 251

Figure 218: Visualisation de l'application hébergée sur Streamlit Share .......................................................... 252

Figure 219: Dashboard 'Fournisseurs de SIMRA MAROC' ............................................................................... 254

Figure 220:Dashboard ‘matières premières consommées par SIMRA MAROC’ ............................................... 255

Figure 221: Visualisation temps d’approvisionnement par référence ................................................................ 255

Figure 222: Dashboard 'KPI's lié à la performance du service achat de SIMRA MAROC' .............................. 256

Figure 223: OTD des fournisseurs de SIMRA MAROC ...................................................................................... 257

Figure 224: Détails de OQD fournisseurs .......................................................................................................... 258

Figure 225: OQD des fournisseurs de SIMRA MAROC ..................................................................................... 259

Figure 226: Dashboard 'Qualité interne de SIMRA MAROC' pour l’année 2022.............................................. 260

Figure 227: Dashboard 'Qualité interne de SIMRA MAROC' pour l’année 2023.............................................. 261

Figure 228: KPI's personnalisé lié à la qualité interne de SIMRA MAROC ...................................................... 262

Figure 229 : Graphe 'Quantité Non Conforme par Décision' pour l’année 2022 .............................................. 263

Figure 230: Graphe 'Quantité Non Conforme par Décision' pour l’année 2023 ............................................... 264

Figure 231: Dashboard 'Qualité externe de SIMRA MAROC' pour l'année 2022 .............................................. 265

Figure 232: Dashboard 'Qualité externe de SIMRA MAROC' pour l'année 2023 .............................................. 265

Figure 233: Graphe 'Quantité livrée VS Quantité retournée' pour l’année 2022 ............................................... 268

Figure 234: Graphe 'Quantité livrée VS Quantité retournée' pour l’année 2023 ............................................... 268

Figure 235:Dashboard de suivi des îlots de SIMRA MAROC en 2022 ............................................................... 270

Figure 236: Dashboard de suivi des îlots de SIMRA MAROC en 2023 .............................................................. 271

Figure 237: Détails sur le graphique 'Quantité NC par ilot' (1) ........................................................................ 271

Figure 238: Détails sur le graphique 'Quantité NC par ilot' (2) ........................................................................ 272

296
Figure 239: Suivi client de SIMRA MAROC en 2022 ......................................................................................... 273

Figure 240: Suivi des clients SIMRA MAROC du début 2023 jusqu'à présent ................................................... 274

Figure 241: Gantt réel du projet qualité de la production.................................................................................. 275

Figure 242: Liste des espaces de travail dans power service ............................................................................. 276

Figure 243: Espace 'Quality SIMRA MAROC' ................................................................................................... 277

Figure 244: Espace 'Achat SIMRA MAROC' ...................................................................................................... 278

Figure 245:Liaison entre Power BI et Teams ..................................................................................................... 279

Figure 246 : Évolution des objectifs, statistiques et résultats avant et après l'implémentation de la solution ... 282

297
Annexes
Utilisation de l’outil Figjam pour la collaboration en ligne

Trello

Prototype

298
Dashboard Achat
• Suivi des fournisseurs SIMRA MAROC

• Suivi des matières premières consommées par SIMRA MAROC en 2022

299
 • KPI’s de SIMRA MAROC

Dashboard Qualité de la production

• Qualité interne de SIMRA MAROC

300
• Qualité externe de SIMRA MAROC

• Suivi de la qualité des pièces fabriquées de SIMRA MAROC

301
• Suivi lié aux opérateurs et aux contrôleurs de SIMRA MAROC

• Suivi des Ilots de SIMRA MAROC

302
• Suivi Client de SIMRA MAROC

303
Bibliographies et webographies
Alpaydin, E. (2010). Introduction to Machine Learning. . The MIT Press.
astie, T. T. (2009). The Elements of Statistical Learning: Data Mining, Inference, and
Prediction (éd. (2nd ed.).). (Springer, Éd.)
Corporation, M. (s.d.). Power BI. Récupéré sur https://powerbi.microsoft.com/
Creswell, J. W. (2014). Research design: qualitative, quantitative, and mixed methods
approaches. Sage publications.
Denscombe, M. (2014). The good research guide: for small-scale social research projects.
UK: McGraw-Hill Education(UK).
GitHub. (s.d.). GitHub Documentation. Récupéré sur https://docs.github.com/
Hair Jr, J. F. (2010). Multivariate data analysis: a global perspective (Vol. 7). Pearson.
IEEE Transactions on Neural Networks and Learning Systems. (2012). 23(2), 201-221.
IEEE Transactions on Neural Networks and Learning Systems. (2018). 29(5), pp. 1710-1725.
LeCun, Y. B. (2015). Deep learning. Nature, 521(7553), 436–444. Récupéré sur
https://doi.org/10.1038/nature14539
McKinney, W. (2018). Python for Data Analysis: Data Wrangling with Pandas, NumPy, and
IPython (éd. 2nd ed.). O'Reilly Media.
Müller, A. .. (2017). Introduction to Machine Learning with Python: A Guide for Data
Scientists. O'Reilly Media.
Rasmussen, C. E. (2006). Gaussian Processes for Machine Learning (Adaptive Computation
and Machine Learning series). The MIT Press.
scribbr. (n.d.). Retrieved from scribbr: https://www.scribbr.fr/methodologie
Streamlit. (s.d.). Streamlit Documentaion. Récupéré sur https://docs.streamlit.io/
Streamlit. (n.d.). Streamlit Share documentation. Retrieved from
https://docs.streamlit.io/en/stable/sharing/index.html
W3schools. (n.d.). Retrieved from https://www.w3schools.com/

304