Bonjour, nous sommes le 18/10/2019 et il est 09 h 49.


Nul ne peut contredire la complexité des données générées chaque année concernant les importations et exportations douanier des marchandises aux niveaux des frontières de chaque pays. Pour faire face à cette complexité, la mise en place d’un système d’information décisionnel est nécessaire pour permettre une bonne gestion.


La bonne gestion des données douanières n’exclut à n’aucun cas le risque des fraudes (Incidents, contrefaction, problèmes et autres), mais la meilleure chose à faire est de minimiser ces risques, la minimisation des risques revient à connaitre les données, leurs évolutions dans le temps afin de prédire leurs décisions au futur. D’où, il est vraiment nécessaire de mettre en place ce système décisionnel axé sur l’entrepôt de données pour avoir une vue synthétique des toutes les données historiées durant une période donnée.



Cet entrepôt, permettra une analyse décisionnelle pour les prochaines opérations douanières (importation et exportations), pour y arrive, la solution valable et sûre pour ce genre de cas revient à l’exploitation des techniques de Datamining (Arbre de décision, Réseaux de Neurones, Support Vector Machine, Réseaux Bayésiens, …) afin de prédire leur décision sur les différentes marchandises.



La Direction Générale de Douane et Accises doit limiter les risques dans l’importation et exportation des différentes marchandises et garantir aux différents clients (importateurs et exportateurs) la possibilité d’entrer en possession de leurs marchandises tout en respectant et payant les indemnités de douanes (FOB, CIF, FRET, ASSURANCE). Il convient au préalable de clarifier certains termes clés qui nous permettront de mieux cerner ce cas.



Nous savons que la DGDA joue un rôle très important dans la croissance économique du pays par les recettes perçues à chaque entrée et sortie, ce rôle devient une lourde charge pour la prise de décision concernant l’arrivé de chaque marchandise au niveau de la frontière. Cette obligation de décider sur le sort des marchandises impose la DGDA de se prémunir contre d’éventuels risques des fraudes des marchandises. Ainsi la présente recherche vise à examiner les différents facteurs explicatifs à l’entrée ou et à la sortie des marchandises. Afin de minimiser les risques liés à la décision sur le sort des marchandises. Ce cas découle notre préoccupation fondamentale de recherche.

Il sied de noter que le risque est inhérent et perçu comme un phénomène aléatoire correspondant à une situation où le futur n’est prévisible qu’avec des probabilités par rapport à l’incertitude (futur totalement imprévisible, échappant au calcul) d’une part ; et la certitude (prévisible, affectée d’une probabilité égale à l’unité), d’autre part.



Ainsi, notre travail consiste à analyser les différents facteurs explicatifs de la main levée des marchandises. De cette problématique découle nos questions fondamentales du travail, à savoir :



 Quelles sont les mécanismes nécessaires pour minimiser les risques liés à l’importation et /ou à l’exportation des marchandises au niveau des frontières ?
 Comment prédire la décision sur les importations et exportations futures des marchandises ?
Ce sont là, les questions qui feront l’objet de notre travail dans les lignes qui suivent.


CHAPITRE I : SYSTEME DECISIONNEL [1][2][3][8][9][10][12]

Conscient que l'une de plus grande richesse d'une entreprise est son information, mais noyés sous de nombreuses données, éparses, déstructurées et hétérogènes, les Dirigeants sont face à une problématique de taille : comment analyser ces informations, dans des temps raisonnables ? Celles-ci concernent toutes les mêmes périodes ? Ces décideurs ont besoin qu'on leur expose les faits importants, base de leur décision.





Le principal intérêt d’un système décisionnel est d’offrir au décideur une vision transversale de l’entreprise intégrant toutes ses dimensions.



Les systèmes décisionnels peuvent être cités en cinq étapes et permettent de répondre aux questions suivantes :
 Tableau de bord : Que s’est-il passé ?
 Analyse : Pourquoi cela s’est-il passé ?
 Prédiction : Que va-t-il se passer ?
 Aide opérationnelle : Que se passe-t-il en ce moment ? ou Qu’est-il en train de se passer ?
 Entrepôt actif : Que devrait-il se passer ? ou Que faire ?


I.2. TACHES D’UN SYSTÈME DECISIONNEL

Les fonctionnalités des systèmes décisionnels sont proposées en fonction de quatre catégories des besoins des utilisateurs qui sont : Simuler, Analyser les données, Produire des états de gestion, Suivre et Contrôler.



Calcul automatique d’ensemble de données complexe en fonction de paramètres entrés par l’utilisateur et de règles de gestion. Exemple : Elaboration de business plan.



Fonctionnalités OLAP (On Line Analytic Processing) établissent des analyses dynamiques multidimensionnelles. Fonctionnalités avancées de datamining (fouille de données) ensemble de méthodes et techniques sophistiquées permettant de faire apparaître des corrélations, des tendances et des prévisions.



Fonctionnalité de reporting qui permet de produire de façons rapides et simples des tableaux de données incorporant des calculs plus ou moins sophistiquées.



Elaboration de tableaux de bords. Ici, nous avons la Production et la diffusion automatique à fréquence régulière des tableaux de bord regorgeant des données hétérogènes.





Par ailleurs il n’existe pas, de produit couvrant l’ensemble de ces fonctionnalités. Chaque progiciel, en fonction de son origine et du positionnement que souhaite lui donner son éditeur, est plus ou moins avancé sur l’un ou l’autre thème. Ainsi, Il est difficile de rencontrer l’ensemble de ces fonctionnalités mises en place dans une entreprise. Avant de choisir une solution, Il est donc impératif de déterminer exactement ses besoins présents, et futurs, ainsi que les contraintes liées à son organisation ou à son activité.



La prise de décisions stratégiques dans une organisation nécessite le recours et le croisement de multiples informations qui concernent tous les départements : production, ressources humaines, achats, ventes, marketing, service après-vente, maintenance...
Or ces données sont généralement :
- éparpillées au sein des départements et non connectées entre elles
- hétérogènes dans leurs formats techniques et leurs organisations structurelles, voire leurs sémantiques
- implémentées pour l'action (par construction) et non pour l'analyse
- volatiles, au sens où leur mise à jour peut conduire à oublier des informations obsolètes

Le problème à résoudre est souvent présenté dans des termes vagues et peut être difficile à identifier. Il arrive que ce que nous croyons être le problème ne soit en réalité qu’un symptôme et si l’on s’attaque qu’au symptôme, on n’arrivera jamais au fond du problème. Avant de pouvoir être plus précis, il faut donc que la définition initiale parle du problème tel qu’il se présente.



Ici, il faut rassembler tous les renseignements pertinents car le manque des faits probants diminue grandement l’efficacité et la qualité des décisions.



Il est souvent nécessaire de traiter une quantité considérable de renseignements en utilisant une méthode de classification des données recueillies en les regroupant en catégories avec des critères communs afin d’être efficace.



Au cours de cette étape, l’imagination doit avoir libre cours en provoquant des réactions en chaîne, car d’une idée peut en jaillir une autre. Il faut également envisager toutes les solutions possibles visant à atteindre les objectifs, sans juger de leur valeur objective.



En appliquant le processus de prise de décision et la méthodologie comme ses piliers, le décideur a une idée consciente et claire de la manière dont il faut employer systématiquement les informations, en respectant les délais qui sont impartis pour prendre une décision cohérente et raisonnable.



Etant donné que toutes les décisions sont projetées dans le futur, il ne peut y avoir, à l’avance, le maximum de garantie d’un succès mais l’utilisation de ces idées peut augmenter le score de décisions bien prises. Une décision bien pesée nécessite une bonne gestion du temps total alloué au processus en respectant bien sûr les différentes étapes du processus.

Le système d'information décisionnel est un ensemble d'outils spécialisés et de données organisées de façon spécifique, facilement accessible et appropriées à la prise de décision. La finalité d'un système décisionnel est le pilotage de l'entreprise. L'architecture du Business Intelligence est une bonne présentation pour avoir une vision générale de ce système:



Le système décisionnel cherche à donner un aperçu global de l'entreprise via des outils d'analyse pour aider aux décideurs de prendre des décisions. C'est un système d'organisation de l'ensemble de données historisées dans le temps, organisé par sujets, consolidé à partir des différentes sources dans une base de données unique (datawarehouse), géré dans un environnement de stockage particulier, fournissant des synthèses d'information aidant à la prise de décision dans l’entreprise.



C’est dans les années 1990 que les entreprises comprennent que les données sont non seulement utiles dans le cadre d’une utilisation opérationnelle, mais qu’elles peuvent leur trouver une utilisation stratégique.



Les systèmes opérationnels ont été créés pour répondre aux besoins de traitements de transactions en ligne (OLTP) et le traitement en batch. Au contraire, l’utilisation stratégique de données est caractérisée par le traitement de requêtes en ligne ou les fonctions de batch pour l’aide à la décision (OLAP).



Les entreprises recherchent toujours à obtenir un avantage concurrentiel, notamment au travers d’un SI décisionnel performant. L’efficience ou productivité n’est plus la seule clé de la réussite d’une entreprise ; cette dernière se doit d’être flexible, rapide et surtout réactive.



Selon A. Berson et S. J. Smith, dans leur livre « Data warehousing, OLAP & data mining » « Les organisations qui auront compris et maîtrisé la valeur et le pouvoir de l’information auront un avantage concurrentiel conséquent sur leurs rivaux et la solution est une stratégie de type data warehousing. »



Le data warehousing est arrivé comme une reconnaissance de la valeur et du rôle de l’information, à savoir son utilisation à des fins stratégiques. Un data warehousing est une plateforme avec des données de très bonne qualité qui supportent des applications de type décisionnel, comme les applications d’aide à la décision, ainsi que les processus dans l’entreprise. Le data warehousing augmente la productivité des décideurs d’entreprise en consolidant, convertissant, transformant et intégrant les données de différents systèmes opérationnels et en leur fournissant une vue consistante, globale et unifiée de leur entreprise.



En bref, le data warehousing est une alliance de technologies dont le but est d’intégrer les données des systèmes opérationnels dans un environnement qui permet l’utilisation stratégique de ces données.



Ces technologies comprennent les systèmes de gestion de bases de données relationnelles et multidimensionnelles, l’architecture client-serveur, la modélisation de méta données, d’interfaces utilisateurs graphiques et bien d’autres encore.

Une définition classique du data warehouse est donnée par Bill Inmon, le data warehouse est une collection de données orientées sujet, intégrées, non volatiles et historisées, organisées pour le processus de décision.

Le data warehouse est organisé autour des sujets majeurs de l’entreprise, contrairement aux données des systèmes de production généralement organisées par processus fonctionnel. L’intérêt de cette organisation est de disposer de l’ensemble des informations utiles sur un sujet, le plus souvent transversal aux structures fonctionnelles et organisationnelles de l’entreprise.

Les données alimentant le data warehouse proviennent de multiples applications sources hétérogènes. Les données des systèmes de production doivent être converties, reformatées et nettoyées, de façon à avoir une seule vision globale dans le data warehouse.

Les données des systèmes opérationnels sont constamment manipulées, modifiées ; elles sont mises à jour à chaque nouvelle transaction. Ainsi, une même requête demandée à quelques semaines d’intervalle pourra fournir des résultats différents. Par opposition, les données du data warehouse sont le reflet d’une photo instantanée des données du système opérationnel.

Lorsqu’intervient un changement important dans les données, une nouvelle photo est prise de façon à ce que le data warehouse garde une trace de l’historique des données.

Télécharger le travail