Un métamodèle de calcul en temps continu pour les systèmes d’aide à la décision appliqués à la planification financière

La gestion des finances d’une entité publique dans le temps (c’est-à-dire en rétrospective des montants passés, analyse de la situation présente et simulation prospective du futur), est une activité complexe et peu standardisée. Cette complexité se reflète dans la grande hétérogénéité des méthodes proposées par les cabinets de conseil en gestion des finances des collectivités publiques. Chaque consultant utilise ses propres classeurs et feuilles de calcul reflétant son expérience et l’état financier de ses clients, et il n’y a que très peu de standardisation. La comptabilité (c’est-à-dire la représentation écrite des flux financiers) est normalisée, mais la façon dont sont effectivement gérées les finances (et notamment du point de vue prospectif et programmatique) ne l’est pas.

Les causes racines de cette complexité sont une difficulté réelle à prévoir l’évolution d’une situation financière soumises à de nombreuses contraintes endogènes et exogènes, une sémantique complexe, l l’intervention de différents acteurs (décideurs, financiers, opérationnels internes et externes…) avec des rôles et des objectifs très différents voire parfois opposés et enfin une difficulté de conceptualisation de l’axe temporel. La société MGDIS édite un logiciel de stratégie et programmation financière nommé SOFI, et qui permet de remplacer des approches ad hoc matérialisées dans des feuilles de calcul par un modèle générique de programmation physicofinancière. . Parfaitement adaptée aux approches « simples » de type élaboration d’une PPI (programmation pluriannuelle des investissements) portée par la direction des finances en réponse à une obligation réglementaire ou une volonté stratégique, l’outil trouve sa limite dès que l’on souhaite étendre son usage vers le pilotage financier au fil de l’eau en intégrant la complexité du dialogue de gestion entre financiers et opérationnels.

Après plusieurs essais infructueux réalisés par son équipe interne de recherche et développement, MGDIS a réalisé que l’atteinte de l’objectif précédemment cité ne se ferait qu’au prix d’une marche importante dans l’approche conceptuelle du problème et d’un effort de formalisme sortant de son cadre de R&D interne traditionnelle. Il a donc été décidé de lancer une thèse CIFRE sur le sujet en partenariat avec l’UMR IRISA.

La problématique

L’informatique décisionnelle

Les premières apparitions de l’informatique en entreprises ont été constatées principalement dans la gestion de la production (en particulier pour la gestion de stock) et dans la gestion financière (typiquement en comptabilité). Rapidement, le management s’est rendu compte du potentiel pour ses métiers propres. Ainsi, l’informatique a commencé à être utilisée pour la gestion des ressources humaines (paie, principalement), mais aussi pour le pilotage de l’entreprise dans son ensemble. Une bonne exploitation des données provenant des différents services permet un suivi plus efficace de l’activité de l’entreprise et d’améliorer son fonctionnement continuellement.

L’utilisation des données informatiques comme une aide à la décision des responsables d’entreprise est donc naturellement née quelques années après la première phase d’informatisation industrielle. Ce mouvement est constaté dans pratiquement toutes les branches de l’industrie. Bases de données, ETL (outils d’extraction, transformation et chargement de données), datamarts et autres systèmes spécialisés se sont rapidement développés comme outils d’accompagnement sur le sujet. L’informatique décisionnelle, en particulier sous son vocable anglais de Business Intelligence, est très fortement associée aux outils traditionnels qui la servent, en particulier les cubes de données (cf. chapitre 2.1.1). Il est toutefois essentiel de bien faire la différence entre le but et les moyens.

Ces derniers sont aujourd’hui fortement remis en cause. Des études comme celle menées par Gartner en 2011 ont montré que sur un panel de grandes entreprises, 85% n’avaient pas réussi à exploiter leurs données de manière à créer un avantage concurrentiel significatif. En 2010, Le domaine de la BI est passé de la première à la cinquième place dans les priorités des décideurs informatiques (classement Gartner également). Toutefois, il est clair pour tous les décideurs d’entreprise que le but n’a pas disparu et que l’informatique doit continuer à fournir des moyens de mieux piloter les entreprises. Simplement, il semble nécessaire que les outils et les pratiques soient fortement améliorés pour mieux y participer. Plusieurs approches sont actuellement développées. Un premier ensemble de méthodes est regroupé sous le terme générique de Big Data. Il se base sur des avancées techniques comme la meilleure maîtrise des clusters de données, les algorithmes prédictifs et la gestion des données sous forme de flux pour améliorer la connaissance métier apportée par les données. Une autre approche consiste à repartir des conditions d’échec de la Business Intelligence dans son appellation courante, et de tenter de les lever. C’est dans cette approche que se place cette thèse.

Positionnement de la thèse

L’expérience de MGDIS sur plusieurs dizaines d’années a montré que, dans le domaine de la programmation physico-financière, les principales difficultés concernant l’exploitation décisionnelle des données informatiques étaient la qualité des données entrantes et le faible niveau de modélisation métier des requêtes. La qualité de la donnée est reconnue comme étant fondamentale (la citation « garbage in, garbage out » est désormais proverbiale parmi les personnes intervenant dans le domaine de la BI). Elle reste pourtant le parent pauvre de l’analyse décisionnelle. Ceci est certainement dû au fait que l’amélioration de la qualité de la donnée est une tâche rébarbative. En effet, peu d’outils performants sont disponibles et le travail nécessite de nombreuses interactions humaines. D’ailleurs, ce travail est généralement réalisé par des équipes techniques sans concerter les personnes du domaine concernées par ces données (ceci constitue d’ailleurs une autre raison de l’échec relatif de la BI), etc. La mauvaise modélisation des questions vient également du fait que les équipes sollicitées pour la mise en œuvre de la BI en entreprise sont souvent purement techniques, les environnements matériels et logiciels étant complexes (le domaine est longtemps resté la vache à lait des éditeurs logiciels, des SSII et des fournisseurs de matériels haut de gamme). Les méthodes exposées pour interroger les cubes de données formés n’étaient donc pas construites en fonction des besoins des personnes censées exploiter la solution technique, ce qui conduisait à une inadéquation et au final à une non-appropriation des systèmes déployés. Cette thèse se positionne sur les deux points d’échec cités. Elle propose une modélisation très proche des décideurs et gestionnaires financiers afin de réduire le fossé entre l’outil et ses utilisateurs, ainsi qu’un outil commun aux différents profils afin de garantir une donnée de qualité. Les techniques habituellement associées à la Business Intelligence sont décrites par la suite, bien qu’elles n’aient pas réussi à porter toute la valeur souhaitée, afin de mieux positionner le sujet de la thèse dans la progression intellectuelle de MGDIS.

Table des matières

1 Introduction
1.1 La problématique
1.1.1 L’informatique décisionnelle
1.1.2 Positionnement de la thèse
1.1.3 La programmation physico-financière
1.1.4 L’exemple d’une gestion de cantine
1.1.5 Les difficultés à lever
1.1.6 Les questions ouvertes
1.2 La genèse de la thèse
1.2.1 L’approche par la prévalence objet
1.2.2 L’approche par la parallélisation
1.2.3 La nécessité de penser continu
1.2.4 L’apport de l’urbanisation des SI
1.3 Le sujet de la thèse
1.3.1 Les objectifs métier
1.3.2 Les objectifs intellectuels
1.3.3 Les objectifs techniques
1.3.4 Le sujet scientifique
1.3.5 Le sujet industriel
1.4 Le contexte
1.4.1 Société MGDIS
1.4.2 Les travaux associés
1.5 L’organisation du manuscrit
2 L’état de l’art
2.1 Les approches historiques
2.1.1 Les approches par cubes de données
2.1.2 L’optimisation par contraintes
2.1.3 L’optimisation par algorithmes génétiques
2.2 La revue systématique
2.2.1 Formulation des questions de recherche.
2.2.2 La réalisation
2.2.3 Recherche et sélection des études pertinentes
2.2.4 Evaluation de la qualité des études retenues
2.2.5 Extraction des données pertinentes et analyse de ces données
2.2.6 Interprétation des résultats vis-à-vis des questions de recherche
3 Un cas d’étude
3.1 Contexte
3.2 La planification de l’investissement
3.2.1 L’établissement de la fiche d’opérations
3.2.2 La recherche de subventions
3.2.3 La recherche d’emprunt
3.2.4 La planification physique
3.2.5 Le choix de l’investissement de construction de la nouvelle cantine
3.3 Le suivi du budget d’investissement
3.3.1 La construction du bâtiment
3.3.2 Les subventions
3.4 Le suivi du budget de fonctionnement
3.4.1 Le paiement par les familles
3.4.2 La gestion des repas
3.4.3 Les subventions de la CAF au fonctionnement
3.4.4 Le bilan financier
3.4.5 Ouverture de la nouvelle cantine
4 L’approche de solution et sa mise en œuvre
4.1 Le découpage en services
4.1.1 Le besoin
4.1.2 La solution avec SOFI discret
4.1.3 La solution avec SOFI continu
4.1.4 La comparaison des solutions
4.1.5 Les évolutions possibles
4.2 L’évaluation des modèles de planification financière
4.2.1 Le besoin
4.2.2 La solution avec SOFI discret
4.2.3 La solution avec SOFI continu
4.2.4 La comparaison des solutions
4.2.5 Les évolutions possibles
4.3 La parallélisation du moteur de calcul
4.3.1 Le besoin
4.3.2 La solution avec SOFI discret
4.3.3 La solution avec SOFI continu
4.3.4 La comparaison des solutions
4.3.5 Les évolutions possibles
5 Conclusion

Télécharger le rapport complet