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

Industrial decision-aid socio-statistical methods : Applied to the capacity management of an IS in the microelectronics industry

• 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
• Jury : Examinateurs / Examinatrices : Xavier Boucher, Hervé Panetto, Alain Bernard, Abdelaziz Bouras, Jean-Hugues Chauchat, Olivier Roustant, Marie-Agnès Girard, Xavier Ambrosioni
• Jury : Rapporteur / Rapporteuse : Alain Bernard, Abdelaziz Bouras

Mots clés

Mots clés contrôlés

Microélectronique

Gestion des connaissances

Systèmes d'information

Systèmes d'aide à la décision

Mots clés libres

Aide à la décision

Gestion des connaissances

Statistiques et analyse de données

Système d’information et technologies de l’information

Gestion des capacités

Industrie microélectronique

Decision-aiding

Knowledge management

Statistics and data analysis

Information system and information technologies

Capacity management

Microelectronic industry

Résumé

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.

A proper analysis of industrial data can provide material for decision making. The research work presented deals with the question: how can one convert raw data into useable information, to contribute to the knowledge management of an organization and improve its dynamic decision making? A decision-aid process is proposed. It implies actors of the organization and use of formal methods. Firstly, it analyses and formalizes decisional problems. Then, it develops an appropriate decision-aid on the basis of statistics. Our methodology is applied to a specific issue: capacity management of IT of a STMicroelectronics plant. This application raises a decision issue: managers have to ensure the right balance between infrastructure cost and service level offered. We demonstrate that the process may provide relevant support. This negates two managerial dilemmas, usually encountered when managing capacity: complexity of IT systems and incorporation of the business activity. Our application has been developed in the scope of the ITIL framework. It will be shown how the process builds predictive models, which link the activity of hardware servers to the industrial activity. Methods are also proposed, to monitor daily the quality of these models, as well as the overall activity of the IS. This work helps at formalizing quantitatively organizational knowledge, facilitating its use in decisional processes, but also ensuring its positive change over time. We hope this research is laying some foundations for a broader exploitation of the data stored in modern manufacturing systems, through future development of decision-support systems and Big Data initiatives.