Thèse soutenue

Méthodes socio-statistiques pour l’aide à la décision en milieu industriel : Application à la gestion des capacités d’un système d’information en industrie micro-électronique
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Michel Lutz
Direction : Xavier Boucher
Type : Thèse de doctorat
Discipline(s) : Génie Industriel
Date : Soutenance le 14/05/2013
Etablissement(s) : Saint-Etienne, EMSE
Ecole(s) doctorale(s) : ED SIS 488
Jury : Président / Présidente : Hervé Panetto
Examinateurs / Examinatrices : Xavier Boucher, Hervé Panetto, Alain Bernard, Abdelaziz Bouras, Jean-Hugues Chauchat, Olivier Roustant, Marie-Agnès Girard, Xavier Ambrosioni
Rapporteurs / Rapporteuses : Alain Bernard, Abdelaziz Bouras

Résumé

FR  |  
EN

Les données industrielles offrent un matériau pour la prise de décision. Les travaux présentés concernent la transformation de données brutes en connaissances, pour contribuer au système de connaissances d’une organisation et améliorer son système décisionnel. Un processus d’aide à la décision est proposé. Il implique les acteurs de l’organisation et l’emploi de méthodes formelles. D’abord, il analyse et formalise les problématiques décisionnelles. Ensuite, il construit une aide la décision quantitative. Cette méthodologie est appliquée à un problème particulier : la gestion des capacités des TI d’une usine de STMicroelectronics. En effet, les managers doivent assurer un équilibre entre le coût de l’infrastructure TI et le niveau de service offert. Notre processus offre une aide pertinente. Il permet de surmonter deux enjeux, fréquents lors de la gestion des capacités : la complexité des systèmes IT et la prise en compte de l’activité métier. Situant ces travaux dans le cadre du référentiel ITIL, l’application du processus permet de constituer des modèles prédictifs, mettant en relation l’activité des serveurs informatiques et l’activité industrielle. Cette application permet aussi de contrôler dynamiquement la validité des modèles, ainsi que l’activité quotidienne du SI. Nos travaux formalisent quantitativement des connaissances, en favorisent l’utilisation dans les processus décisionnels, et en assurent l’évolution dans le temps. Nos recherches posent des fondations pour un plus large recours plus à l’exploitation des données issues des systèmes de production, dans le cadre du développement de systèmes de support à la décision et de perspectives Big Data.