République Algérienne Démocratique et Populaire

Transcription

1 République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieur et de la Recherche Scientifique Institut National de formation en Informatique Direction de la Post-Graduation et de la Recherche Mémoire En vue de l obtention du Diplôme de Magister en Informatique Option : Système d Information Présenté par Ahmed HACIANE Thème Conception d un datawarehouse Orienté CRM Soutenu le 09/01/2007 devant le jury composé de : - Dr. D. E. ZEGOUR, Professeur, INI, Président ; - Dr. M. AHMED NACER, Professeur, USTHB, Examinateur ; - Dr. S. AIT AOUDIA, Maître de conférences, INI, Examinateur ; - Dr. Z. ALIMAZIGHI, Maître de conférences, USTHB, Rapporteur

2 Remerciements Je tiens à exprimer mes sincères remerciements à Mme. ALIMAZIGHI, maître de conférences à l USTHB pour avoir accepté d encadrer ce mémoire et pour son aide précieuse pour l accomplissement de mon travail. Je tiens aussi à exprimer toute ma reconnaissance aux membres de l équipe LSI de l institut d électronique et d informatique de l USTHB pour m avoir accueilli au sein de leur équipe. Je les remercie et tiens à leur assurer ma profonde gratitude. Je tiens aussi à remercie M. SELMOUNE de l équipe LSI pour ses remarques qui m ont permis d améliorer la qualité finale de ce mémoire. Je tiens à remercier très sincèrement l ensemble des membres du jury qui me font le grand honneur d avoir accepté de juger mon travail. Je remercie particulièrement les enseignants et le personnel de la DPGR de l INI, à leur tête Mme AIT ALI YAHIA, directrice de la PG, pour l effort considérable qu ils fournissent pour la bonne marche de la DPGR. Je tiens aussi à remercier mes collègues MM. BALA et CHOUDER pour leur présence permanente à mes côtés. Je leur souhaite la pleine réussite dans leurs travaux.

3 Je voudrais également exprimer mes remerciements aux personnes extérieures au monde universitaire qui m ont soutenu. En particulier, je remercie tous mes amis et collègues de travail avec lesquels j ai passé des moments inoubliables Enfin, je remercie tout particulièrement mes parents qui m ont toujours soutenu et qui m ont permis de mener à bien mes études. Je tiens à remercier également mon frère et mes deux sœurs qui m ont soutenu depuis le début. C est pour eux que je dédie ce mémoire. Ahmed

4 Sommaire Lexique... VI 1. Introduction Les systèmes décisionnels «datawarehouses» Les systèmes d information décisionnels Qu'est-ce que le décisionnel? Positionnement du décisionnel au sein du SI Les différentes composantes du décisionnel Le système datawarehouse Définition du datawarehouse L architecture globale du datawarehouse Définition des concepts Le fonctionnement du système datawarehouse Les modèles de données du datawarehouse Caractéristiques d utilisation : OLTP vs OLAP Les techniques de modélisation Le système datawebhouse L'impact du Web sur le datawarehouse Objectifs du datawebhouse De et vers le Web Amener le Web au datawarehouse Amener le datawarehouse au Web La gestion du «Temps» dans le datawarehouse Le rôle des données temporelles Les problématiques liées au «Temps» Le temps dans la première génération des datawarehouses CRM : Customer Relationship Management Introduction au CRM Définition du CRM Les objectifs du CRM Les résultats constatés avec le CRM...34

5 3.2. Les facteurs du CRM Le facteur humain Le facteur organisationnel Le facteur technologique Le cycle de vie du client Le développement de la relation client Les étapes du développement Les raisons de la prédominance de la relation client Les fonctionnalités offertes par les systèmes CRM E-Commerce et la gestion de la relation client via Internet Le CRM sur Internet Choisir le bon moyen de communication Les trois règles de succès sur la route du e-commerce Les composants du CRM Les systèmes et données en provenance de l ERP Les bases de données externes Les canaux d interaction Le datawarehouse La technologie du datawarehouse comme base pour le CRM Conception d un datawarehouse orienté CRM Etude de cas : présentation de «ETS Boissons» Le modèle conceptuel général (MCG) orienté CRM Comportement client et circonstances client : le cause-à-effet Le modèle conceptuel général «ETS Boissons» La méthode du point et la modélisation conceptuelle détaillée La limite des méthodes traditionnelles La causalité des changements sur les données Le modèle du «point» La construction du modèle conceptuel détaillé «ETS Boissons» La modélisation logique du datawarehouse orienté CRM L implémentation de la rétrospection Choisir la solution d implémentation Le schéma logique relationnel «Clients»...90

6 Les contraintes de la rétrospection L implémentation physique du système L architecture physique du datawarehouse orienté CRM La couche VIM L alimentation du datawarehouse Le modèle physique de données Les applications CRM Synthèse sur l architecture du système Les produits logiciels Les produits ETL Les produits OLAP Les outils de restitution Le Datamining Conclusion et perspectives Références Bibliographiques...123

7 Sommaire des figures Chapitre 2 : Les systèmes décisionnels «Datawarehouses» Figure : Une vision transversale de l entreprise...4 Figure : Le décisionnel au sein du système d information...5 Figure : Les différents composants du décisionnel...5 Figure : L architecture du datawarehouse...8 Figure : L architecture du système décisionnel...8 Figure : L acquisition des données...12 Figure : Le processus d acquisition des données...13 Figure : L alimentation des datamarts...13 Figure : La restitution des données...14 Figure : Le modèle de données normalisé...17 Figure : Le modèle de données dénormalisé...18 Figure : Le modèle de données en étoile...20 Figure : Le modèle de données en flocon...21 Figure : Le client, le site Web et le datawebhouse...22 Figure : Les deux facettes du datawebhouse...23 Figure : Exemple de datamart du «Clickstream»...25 Chapitre 3 : CRM : Customer Relationship Management Figure : L évolution des composantes d entreprise...32 Figure : Les objectifs du CRM...34 Figure : Les résultats constatés...34 Figure : Les relations CRM Datawarehouse...49 Chapitre 4 : Conception d un datawarehouse orienté CRM Figure : Le modèle général initial en étoile «ETS Boissons»...53 Figure : Rappel : le modèle conceptuel général «ETS Boissons»...54 Figure : MCG : Vue globale «circonstances client changeantes»...57 Figure : MCG : Vue détaillée «circonstances client changeantes»...58 Figure : MCG : Vue globale «Client»...58 Figure : MCG «ETS Boissons» : Vue détaillée «Client»...59

8 Figure : MCG : Vue globale complète «Client»...59 Figure : MCG «ETS Boissons» 1/3 : Vue détaillée «Client»...61 Figure : MCG «ETS Boissons» 2/3 : Vue détaillée «Client»...62 Figure : MCG «ETS Boissons» 3/3 : Vue détaillée «Client»...62 Figure : Le modèle du point...71 Figure : Le modèle du point comportemental «ETS Boissons»...71 Figure : Exemple d un modèle du point d une compagnie de télécom...74 Figure : Le modèle comportemental initial...76 Figure : Le modèle du point comportemental affiné «ETS Boissons»...77 Figure : L implémentation de la rétrospection en utilisant...88 Figure : Le schéma logique des circonstances «clients»...90 Figure : L architecture EASI du système...96 Figure : Le modèle des métadonnées de validation...99 Figure : Le modèle des métadonnées de transformation Figure : Le modèle des métadonnées de mappage Figure : Le modèle complet des métadonnées de la couche VIM Figure : L extraction et le chargement des données Figure : Le rafraîchissement des données Figure : Le modèle physique des circonstances «Clients» non-changeantes Figure : Le modèle physique des circonstances «Clients» changeantes Figure : Le modèle physique du comportement Figure : Le modèle physique des segments dérivés Figure : Le processus ETL...112

9 Lexique ABC (activity Based Costing) : Méthode d optimisation des processus. Elle est fondée sur une évaluation au plus juste des coûts de revient de chacune des activités du processus. ACSI (American Customer Satisfaction Index) : Indice américain de mesure de la satisfaction de la clientèle. L indice reflète les attentes des clients, la qualité réellement perçue ainsi que la valeur perçue. Il peut être décliné au niveau de l entreprise. Agent intelligent : Programme autonome et personnalisable. Les plus aboutis intègrent des caractéristiques d auto-apprentissage et de communication avec ses alter-ego pour une action coopérative. Ils sont le plus souvent dédiés aux techniques de recherche et de collecte d information. Analyse de la valeur (Target Costing) : Approche de conception fondée sur une décomposition en fonctions élémentaires et la mise en exergue du coût d utilité. En d autres termes, au moment de la conception, pour chaque fonction prévue d un produit, on se posera les deux questions : quelle est son utilité? Quelle est sa valeur? API Application Programming Interface : C est une interface de programmation standardisant l accès à des fonctions spécifiques d un produit logiciel ou d une application. Pour l accès aux bases OLAP, Microsoft est en train d imposer son standard : OLE DB for OLAP. Balanced Scorecard : Une approche de pilotage d entreprises proposée par Robert Kaplan et David Norton conseillant de juger toutes les décisions sous l éclairage de quatre (4) perspectives : Axe Financier : Comment nous voient les actionnaires? Axe Client : Comment nous voient les clients? Axe Processus internes : Quels sont nos avantages? Axe Apprentissage organisationnel : Allons-nous progresser? Cette approche rencontre un franc succès aux Etats-Unis. Elle mériterait cependant d être réactualisée pour considérer les nouveaux rôles des clients et des partenaires. Les adeptes de cette approche pourront, avec profit, la compléter par la méthode GIMSI. Business Intelligence : C est le nouveau terme pour identifier toutes les fonctions ayant trait à l aide à la décision. Le terme englobe toute la chaîne décisionnelle, de la collecte en passant par les Datawarehouses et les Datamarts, l analyse et les tableaux de bord.

10 Cash-flow : Solde des flux de trésorerie engendré par un investissement à la clôture d une période. Cross selling : Technique recherchant à améliorer la valeur client en l incitant à acheter aussi d autres produits que ceux achetés régulièrement. La réussite du cross selling est conditionnée par le décloisonnement de la fonction marketing. (voir Up selling) CRM : CRM est un acronyme pour «Customer Relationship Management», en français GRC pour «Gestion de la Relation Client». CRM est un terme de l industrie des systèmes d information englobant des méthodologies, des stratégies, des outils logiciels et habituellement des capacités internet qui aide une entreprise à gérer ses relations client d une manière structurée. Datamart : Entrepôt de données départemental orienté sur un problème spécifique. Datamining : Outil d analyse mettant en évidence des corrélations insoupçonnées en travaillant sur grand nombre de données. Le terme datamining englobe des techniques différentes comme : les recherches d association, les arbres de décision, les algorithmes génétiques ou encore les techniques d apprentissage comme les réseaux de neurones. Datawarehouse : Entrepôt de données. Un datawarehouse centralise les données issues des applications utilisées dans l entreprise. Les données sont organisées par sujet, horodatées et historisées. Pour réussir son Datawarehouse, il faut en premier abandonner la vision universelle de l information et se focaliser sur des problèmes particuliers et les traiter un par un. En deuxième, il faut surtout ne pas négliger les travaux de nettoyage qui constituent la tâche la plus lourde du projet. En troisième, il faut adopter un système de gestion des métadonnées et le maintenir en permanence dans un esprit de qualité totale. DOLAP Desktop OLAP : C est une version simple du modèle OLAP pour des analyses multidimensionnelles locales, au sein de la machine client. Drill Down : zoom dans une base OLAP ou comment aller du global au détail. EIS (Executive Information System puis Entreprise Information System) : Tableau de bord destiné à l origine au management. Le terme n a pas survécu à la banalisation des systèmes décisionnels et est remplacé par la «Business Intelligence» ERP (Entreprise Ressource Planning ou Progiciel de gestion intégré) : Outil fédérateur du système d information, l ERP intègre les fonctions de l entreprise comme la comptabilité, la gestion des ressources humaines, la gestion de production Malgré ses avantages quant au décloisonnement du SI dans l entreprise, les ERP pèchent cruellement par manque d ouverture vers les clients, les partenaires et les besoins décisionnels des utilisateurs.

11 ETL (Extraction Transformation Loading) : Désigne une catégorie d outils et par extension d activités dédiées à l extraction des données des bases de productions, à leur adaptation (nettoyage entre autre) et au stockage dans un système décisionnel, le datawarehouse ou le datamart dans la plupart des cas. GRC : Gestion de la relation client (voir CRM). Groupware : Ce sont les outils destinés à favoriser le travail en équipe. On trouvera notamment la messagerie, les bases d informations partagées et le workflow. Une gestion de contacts, un agenda partagé, voire des outils de vidéo conférence pouvant compléter la panoplie d outils. HOLAP Hybrid OLAP : Ce terme décrit les bases assurant le juste compromis entre le modèle MOLAP et ROLAP, MOLAP pour les données les plus souvent utilisées et ROLAP pour les autres. HTML Hyper Text Mark-up Language : Langage de description des pages Web. HTML est un dérivé allégé du langage de documentation SGML. HTTP : Protocole de transfert des pages HTML sur le réseau Internet. Méta Donnée (Meta data) : ou les données sur les données. Les méta-données stockent toutes les informations nécessaires à la vie des données : origine, date de dernière mise à jour, mode de calcul, procédure de transformation La gestion des méta-données est le point clé de la gestion de la qualité du système d information. Le manque de standard est aujourd hui la principale difficulté OIM (Open Information Model) du Meta Data Coalition ou CWM (Common Warehouse MetaData) de l OGM (Object Management Group). MOLAP Multidimensionnal OLAP : Il s agit des bases de données intégrant physiquement le modèle OLAP. MTBF (Mean Time Between Failure) : Temps moyen entre deux pannes. MTTR (Mean Time To Repair) : Temps moyen de dépannage. ODBC (Open Data Base Connectivity) : Le standard de Microsoft pour accéder aux bases de données. Les solutions ODBC s opposent aux interfaces dites «native» propriétaires mais plus performantes. OLAP (On-Line Analytical Processing) : Le concept de base de données multidimensionnelle établi par EF CODD l inventeur du modèle relationnel. Partant du constat que le modèle classique OLTP (On-Line Transaction Processing) était inadapté aux besoins de l analyse, EF CODD a formalisé les 18 règles du modèle (gérer, traiter et présenter les données multidimensionnelles).

12 Reporting : Informations constatant l activité et entre autre la performance locale transmises selon la voie hiérarchique au niveau supérieur à titre de compte-rendu. Elles seront le plus souvent globalisées pour construire un indice «moyen». ROLAP Relationnal OLAP : Ce terme décrit les bases de structure relationnelle implantant le modèle OLAP. SFA Sales Force Automation : des anciens systèmes qui se bornaient principalement à soutenir la mission du représentant en contact avec le client dans la prise des commandes. UML (Unified Modeling Language) : Langage de modélisation. Il est issu des méthodes d analyse objet : OOD (Object Oriented Design), OMT (Object Modeling Technique) et OOSE (Object Oriented Software Engineering). Up Selling : Technique recherchant à améliorer la valeur client en l incitant à augmenter ses achats (en proposant des services complémentaires par exemple). ML (etensible Markup Language) : Est un langage «d écriture» de données. Il dérive de SGML, un langage plus ancien utilisé dans les bases documentaires. Il est beaucoup plus puissant sur le plan des règles et des possibilités de définition et de programmation que HTML. Notamment, il sépare le texte de sa présentation. Il ne remet pas en cause tous les acquis du Web, notamment le protocole HTTP, et peut devenir la norme d écriture.

13 Chapitre 1 Introduction n Introduction générale ; n Problématique ; n Contribution ; n Présentation du mémoire.

14 Introduction 1. Introduction Le CRM Customer Relationship Management ou GRC en français Gestion de la Relation Client a trouvé son origine dans plusieurs études américaines qui ont démontré que fidéliser un client coûtait jusqu à cinq fois moins cher que d en conquérir de nouveaux. La mise en place d une démarche CRM est une stratégie qui va mettre le client au centre de l entreprise et qui a pour objectif d en améliorer la rentabilité et de le fidéliser. La gestion de la relation client s est surtout développée dans les années 90 afin de répondre à l évolution du contexte économique : passage d une économie d offre orientée «produit» années 50 à 60 à une économie de demande orientée «marché» années 70 à 80 puis «client» depuis les années 90. Et enfin, avec l avènement du Web, une nouvelle notion est apparue : l E-CRM, ou le CRM électronique via le Web années D un autre côté, les systèmes décisionnels basés sur les datawarehouses sont apparus depuis le début des années 90 afin de permettre de mesurer la performance de l entreprise dans son environnement. Cette mesure permet d assister les décideurs dans leur processus de prise de décision. Ainsi, Les systèmes décisionnels tentent de rendre ce processus le plus efficace possible. Le but principal du datawarehousing est de rendre l information disponible pour tous les acteurs de l entreprise. Il n existe pas de doute sur la valeur de l information dans l entreprise, et nous admettons tous que la majorité des entreprises ont une masse d informations considérable non-exploitée dans leurs systèmes opérationnels. Le datawarehouse peut être la clé qui ouvre la porte vers ces informations. Au fil des années, les datawarehouses n ont pas cessé d évoluer afin d intégrer des concepts liés aux nouvelles tendances émergentes telle que Internet et aussi, le CRM. Au début de leur apparition, les datawarehouses (de «première génération») n ont pas été toujours un succès et cela pour au moins deux raisons : La première est liée à la sous-estimation de la complexité des projets datawarehouses et la difficulté de la gestion des bases de données décisionnelles. La deuxième raison est, quant-àelle, liée au fait que dans un projet datawarehouse, il n est pas possible de définir préalablement les besoins d une manière précise, et cela au contraire des systèmes opérationnels. Or, l approche de conception traditionnelle des systèmes d informations restent toujours largement basée sur la compréhension préalable des besoins. 14

15 Introduction Problématique : Les entreprises existent pour générer un chiffre d affaire et un profit et le client y constitue la principale source de revenue. C est pourquoi, la prise de décision dans l entreprise doit «être orientée» et «en relation» avec les clients. Cela ne devient possible que si les datawarehouses sont capables de fournir toutes les données nécessaires sur les clients. Les datawarehouses classiques stockent des données comportementales. Ainsi, ces systèmes permettent de connaître et d analyser le comportement des clients. Or, les données comportementales ne sont pas suffisantes pour une prise de décision CRM efficace. Pour atteindre cet objectif, les applications CRM doivent être supportées par des datawarehouses conçus autour d objectifs CRM et qui ne se limitent pas à recueillir que les données comportementales. Ce sont des datawarehouses de «deuxième génération» qui intègrent un nouvel objectif clair : maximiser l efficacité de la gestion de la relation client (CRM). Contribution : Le but de ce mémoire est de traiter les éléments liés à la conception d un datawarehouse orienté CRM pouvant constituer l élément de base de toute infrastructure CRM efficace. Dans ce mémoire, une méthodologie complète de conception et d implémentation de datawarehouses orienté CRM est présentée. Ma contribution personnelle dans ce travail sera de regrouper et de présenter tous les éléments de conception nécessaires d un datawarehouse orienté CRM en se basant sur les travaux de recherche actuels dans ce domaine et d appliquer en parallèle la méthode et les concepts sur une étude de cas. Ce mémoire traitera donc tous les aspects liés à la conception d un datawarehouse orienté CRM. Le sujet principal de ce mémoire est donc le datawarehousing (la construction d un datawarehouse). Présentation du mémoire : Le mémoire est organisé comme suit : Un Premier chapitre état de l art sur La première génération des datawarehouses : Historiquement, la première génération des datawarehouses a été construite sur un certain nombre de principes définis par les gourous de l industrie des systèmes d information. Les deux principaux pionniers dans le domaine sont : Ralph KIMBALL et Bill INMON. Ces deux personnes peuvent être considérées comme les fondateurs du datawarehousing puisque ce sont eux qui ont donné les définitions et les principes de conception des datawarehouses qui restent actuellement la référence dans le domaine. 15

16 Introduction Le premier chapitre de ce mémoire donne une introduction sur les datawarehouses de première génération et traite, entre-autres, les points suivants : Le besoin en systèmes décisionnels, Comment le datawarehouse peut aider à répondre à ce besoin, Les différences entre les systèmes opérationnels et les systèmes décisionnels, Les principaux composants du datawarehouse, L importance des données temporelles dans les datawarehouses. Un deuxième chapitre état de l art sur La gestion de la relation client : Après avoir présenté les principes du datawarehousing, nous allons essayer de découvrir l univers de la gestion de la relation client (en anglais CRM pour : Customer Relationship Management, abréviation que nous allons d ailleurs utiliser tout-au-long de ce mémoire). L arrivée des systèmes CRM a tout changé. Le CRM ne peut pas être pratiqué dans une entreprise sans avoir une source majeure d information. Or, la disponibilité de cette source est la raison d être des datawarehouses. Ainsi, l intérêt des datawarehouses a été ainsi revitalisé. Les datawarehouses de première génération attendaient l apparition du CRM pour évoluer et montrer leur vrai intérêt. Sans le CRM, les datawarehouses auraient tout de même gardés leur importance malgré le fait que les projets datawarehouses sont qualifiés de complexes, chers et à grands risques. Un troisième chapitre sur La conception d un datawarehouse de deuxième génération orienté CRM : Nous allons ensuite entamer le cœur de notre sujet qui est la conception d un datawarehouse de deuxième génération orienté CRM. Nous rappelons, que dans ce mémoire, nous allons agrémenter notre travail par une étude de cas. L étude de cas concerne une entreprise classique de commercialisation de boissons implantée sur le territoire national. Un datawarehouse orienté CRM sera conçu pour cette entreprise. Pour ce faire, nous allons produire les modèles conceptuels, logiques et physiques des données et proposer l architecture physique du système. Le mémoire se termine par la présentation des axes de recherches actuels et futurs sur les datawarehouses orientés gestion de la relation client. 16

17 Chapitre 2 Les systèmes décisionnels «Datawarehouses» n Les systèmes d informations décisionnels ; n Le Datawarehouse : définition, objectifs, concepts et architectures ; n Les techniques de modélisation décisionnelle ; n La gestion du «Temps» dans les datawarehouses.

18 Les systèmes décisionnels «datawarehouses» 2. Les systèmes décisionnels «datawarehouses» 2.1. Les systèmes d information décisionnels Qu est-ce que le décisionnel? Le système d information décisionnel est un ensemble de données organisées de façon spécifique, facilement accessibles et appropriées à la prise de décision ou encore une représentation intelligente de ces données au travers d outils spécialisés. La finalité d un système décisionnel est le pilotage de l entreprise. Les systèmes de gestion sont dédiés aux métiers de l entreprise pour les assister dans leurs tâches de gestion quotidiennes, et directement opérationnels car maintenus par les utilisateurs sur le terrain. Les systèmes décisionnels sont dédiés au management de l entreprise pour l aider au pilotage de l activité, et indirectement opérationnels car n offrant que rarement le moyen d appliquer les décisions. Ils constituent une synthèse d informations opérationnelles, internes ou externes, choisies pour leur pertinence et leur transversalité fonctionnelles, et sont basés sur des structures particulières de stockage volumineux (datawarehouses, bases OLAP). Le principal intérêt d un système décisionnel est d offrir au décideur une vision transversale de l entreprise intégrant toutes ses dimensions. [Source : Goglin1998] Figure : Une vision transversale de l entreprise [source : Goglin1998] Cette vue intégrée peut alors être étudiée par fonction ou par métier. 18

19 Les systèmes décisionnels «datawarehouses» Positionnement du décisionnel au sein du système d information D un point de vue architectural, nous considérerons que nous pénétrons dans le monde du décisionnel dès lors que les données de production sont valorisées en informations. Cette valorisation est effective dès que l on sort du monde de la production. Sur le schéma suivant, décrivant l architecture fonctionnelle d une entreprise, on voit la place prise par le décisionnel au sein d un système d information. [Source : Goglin1998] Figure : Le décisionnel au sein du système d information [source : Goglin1998] Les différentes composantes du décisionnel Allié aux nouvelles technologies de communication et de diffusion de l information, le décisionnel va façonner la nouvelle informatique de demain. Figure : Les différents composants du décisionnel [source : Goglin1998] 19

20 Les systèmes décisionnels «datawarehouses» De façon chronologique, on peut considérer que les premiers systèmes de pilotage ont été constitués par des outils qui, via des requêtes, permettaient de constituer des tableaux de bord. Ces outils se sont ensuite enrichis de fonctionnalités de simulation et d interfaces de présentation. Ce fût alors l avènement des outils EIS et SIAD. Ces outils aussi puissants soient-ils, ne permettent que de faire une photographie en deux dimensions d une situation donnée. On est donc : «capable d identifier un dysfonctionnement, mais pas d en connaître la cause». [Source : Goglin1998] Pour pouvoir rechercher et identifier les causes, il fallait introduire une nouvelle dimension au système «photographique» en deux dimensions existant, la dimension de l agrégation qui permet d expliquer l origine de l information étudiée. Cette nouvelle dimension a été introduite par les systèmes multidimensionnels au travers des systèmes OLAP (On-Line Analytical Processing). Les outils devenant plus conviviaux et plus puissants, les décideurs s ingénièrent à trouver de plus en plus d indicateurs toujours plus astucieux et plus compliqués. La course à l indicateur était lancée. Elle eut pour principale conséquence de noyer le décideur sous une masse de tableaux de bord et de synthèses dont il n arrivait plus à extraire la substantifique moelle. On introduisit alors un moyen graphique pour identifier plus vite les informations utiles, ce fut l introduction du «color-coding» et des systèmes d information cartographiques qui permettent d identifier visuellement les informations intéressantes selon les critères du décideur puis de les représenter sous une forme directement exploitable par une équipe de direction. Il devenait alors intéressant de diffuser en «temps réel» toutes ces informations et toutes ces analyses vers tous les cadres concernés. C est ce qu allait permettre le développement des réseaux, des activités de «Workflow» et maintenant Internet. Notons que le décisionnel souffre toujours d un grave manque : Il sait fournir les informations nécessaires au décideur ou trouver des corrélations entre des évènements apparemment non liés, mais ne sait pas assister le décideur dans sa prise de décision. Le décideur devient victime du syndrome de la non prise de décision puisqu il ne sait pas forcément ni par quel bout commencer, ni, finalement, quelle décision prendre. Il faut connaître les seuils à partir desquels les valeurs des indicateurs sont considérées comme anormales, puis identifier les règles exploitant ces seuils afin de proposer un diagnostic. Ce diagnostic permet de prendre la décision finale. Ces nouveaux outils sont appelés les moteurs de règles de gestion. Leur objectif n est pas de se substituer au décideur, mais bien de l assister dans sa prise de décision. 20