Article pp.83-100 du Vol.7 n°1 (2015)

doi:10.3166/r2ie.7.83-100 © 2015 Lavoisier SAS. Tous droits réservés

Intelligence économique et système d’aide à la décision : de l’opérationnel « big data »

au stratégique « little knowledge »

➤ Par Christine Sybord

Université Lyon 2, Faculté de sciences économiques et de gestion 16, quai Claude Bernard – 69365 Lyon Cedex 07

Résumé

Cet article traite de l’apport des systèmes d’information dans les pratiques de gestion, et en particulier pour les activités décisionnelles de l’intelligence économique qui a, aujourd’hui, à gérer la réalité des « big data » : des masses considérables d’informations et de données brutes, générées par les usages d’Internet, de la téléphonie mobile, des réseaux sociaux. Elle apporte un regard critique sur l’apport des systèmes d’information d’aide à la décision constitués d’une base de connaissances.

La première partie est ainsi constituée de constats empiriques et de réflexions théoriques sur les avantages et limites de tels systèmes d’informations d’aide à la décision. La ré- flexion porte sur l’importance de leur conception dont l’axe stratégique est l’analyse co- gnitive des informations et des connaissances. Dans cette perspective, la deuxième par- tie explicite les choix méthodologiques d’une conception appelée « socio-cognicielle »¹ . Cette conception permet alors la transformation des « big data » en « little knowledge ».

Le cadre théorique étant posé, la troisième partie présente le modèle socio-cogniciel éla- boré et son expérimentation dans une entreprise industrielle internationale.

© 2015 Lavoisier SAS. All rights reserved Mots clés : Système d’information d’aide à la décision, Systèmes à base de connaissances, Processus décisionnel, Théorie du système général, Systèmes de connaissances, Ingénierie des connaissances, Approche socio-cognicielle.

1 Cognicielle, néologisme construit à partir des mots cognitif (le début du mot) et logiciel (la fin du mot)

Abstract

Economic Intelligence and Decision Support System: of the operational «big data»

in the strategic «little knowledge». This article deals with the contribution of information systems in the practices of management, and in particular for the decision-making activities of the economic intelligence. This economic has to manage the reality of «big data», genera- ted by the uses of Internet, the mobile telephony, the social networks. It turns a critical eye on the contribution of the information systems of decision-making support constituted by a knowledge base.

The first part is established of empirical reports and of theoretical analysis on the advantages and the drawbacks of decision support system. The reflection concerns the importance of their design. The strategic focal of the design is the cognitive analysis of the information and the knowledge. In this perspective, the second part clarifies the methodological choices of a « socio-cognicielle «design. This design allows then the processing of «big data» «little knowledge». The theoretical framework being put, the third part presents the «socio-cogni- ciel» model and its experiment in an international industrial company.

© 2015 Lavoisier SAS. All rights reserved Keywords: Decision Support System, Knowledge-based system, Decision-making process, General System Theory, Knowledge engineering, «Socio-cogniciel» Approach.

Introduction

Les nouvelles tendances socio-économiques (concurrence accrue, mondialisation des échanges, définition de nouveaux cadres réglementaires, émergence d’une culture informationnelle, etc.) bousculent les organisations dans leurs pratiques habituelles. Les activités de pilotage et de décision, garantes de la performance, voire de l’innovation, sont prioritairement concernées par ces bouleversements.

Par ailleurs, l’information a un rôle fondamental dans la construction d’une organisation : l’information recèle, en effet, un potentiel possédant une valeur stratégique (Kefi et Kalika, 2006). C’est pourquoi, sur un plan pratique, l’avantage concurrentiel d’une entreprise est lié aux façons dont elle surveille son marché et, surtout, dont elle gère ses propres informations et notamment celles qui sont liées à son métier.

Cette gestion stratégique des informations est au cœur des projets d’Intelligence Économique (désormais abrégée IE). Certes l’accès à l’information est important, mais le plus important est l’aptitude des acteurs de l’organisation à transformer, comprendre, interpréter et utiliser l’information à des fins stratégiques.

En ce sens, même si le concept d’IE est ancien, il constitue aujourd’hui un enjeu vital pour tout type d’organisation, publique ou privée. Quant à sa définition qui a longtemps fait débat en France, autant du côté des théoriciens que des praticiens, un consensus est désormais établi. Conformément aux travaux de l’AFDIE (Association Française pour le Développement de l’IE), de l’IFIE (Institut Français de l’Intelligence Économique) et de publications récentes sur ce thème (Février, 2010), (Duval et al., 2008), (Jakobiak, 2009), (Levet, 2008), nous synthétisons le but stratégique de l’IE de la manière suivante : obtenir

un avantage concurrentiel grâce à la recherche, au recueil et à la transformation d’infor- mations clés qui engagent le devenir et l’évolution de l’organisation, en relation avec les changements de son environnement.

L’analyse décisionnelle est ainsi au cœur des projets d’IE et devient un enjeu d’autant plus important que la quantité des informations à analyser suit une évolution quasi expo- nentielle. En effet, face à la profusion d’informations générées par les usages d’Internet, de la téléphonie mobile, des réseaux sociaux, de nouvelles problématiques d’administration de ces informations émergent et font référence au terme : le Big Data. Ce terme a été évo- qué pour la première fois à la fin des années 2000, par le cabinet d’études Gartner Group.

Pour les organisations, la capacité à exploiter cette masse considérable d’informations est aujourd’hui devenue un enjeu majeur de leur compétitivité.

Cette réalité économique oblige les responsables d’infrastructures, le responsable d’un projet IE à avoir un Système d’Information (désormais abrégé SI) de plus en plus flexible.

En effet, le Big Data ne fait pas référence uniquement aux « données », mais fait appel à de nouvelles technologies de l’information axées sur la recherche et l’innovation. À ce jour, ces nouveaux moyens technologiques sont souvent proposés par les éditeurs de la Business Intelligence, c’est-à-dire par les éditeurs de l’informatique décisionnelle, dans la mesure où un système « Big Data » s’apparente à un système d’aide à la décision.

En synthèse, les activités d’IE, tributaires des Big Data, sont ainsi supportées par les technologies de l’information et de la communication et, plus spécifiquement, par les systèmes d’information d’aide à la décision. Outre le nombre considérable de données, la nature des informations à analyser est fragmentaire, interne, externe, variée, disparate et incertaine (Intel, 2012). D’ailleurs, le « Big Data » est caractérisé par 4 « V » : Volume (de données), Variété (des sources de données), Vitesse (à laquelle les données sont générées, capturées et partagées) et Véracité (Valeur des données externes notamment). C’est précisé- ment pour prendre en compte de manière effective les trois derniers « V » que l’élaboration d’un système d’aide à la décision est nécessaire à tout projet d’IE.

Concernant les systèmes d’aide à la décision, il est communément admis, en sciences de gestion, que ces systèmes représentent l’ensemble des SI qui servent de support aux activités de pilotage des organisations, et en particulier à la prise de décision. Utilisant largement les technologies de l’information et de la communication, ces systèmes, appelés

« Systèmes Décisionnels » et abrégés SAD (Systèmes d’Aide à la Décision) par J. Lebraty, sont détaillés dans (Lebraty, 2006). Pour des raisons de commodité, nous adoptons cette appellation² et cette abréviation dans la suite de cette communication.

Il est également communément admis que dans les « Pratiques de la décision » (Falque et Bougon, 2009), l’impact de ces SAD sur la « performance » des processus de prise de décision, individuels et collectifs, reste mitigé. D’ailleurs, dans la synthèse de (Vidal et Lacroux, 2000), et en dépit de l’évolution des TIC et des travaux de recherche effectués depuis 50 ans, ce constat est récurrent. Il est également évoqué dans (Baujard, 2006).

Cet écart entre le SAD et son utilité dans les décisions prises pose la question de son efficacité organisationnelle, formulée en termes de niveau de cohérence entre le déploie-

2 Un système d’information d’aide à la décision s’appelle encore, de manière quasi équivalente, un SIAD (Système Interactif d’Aide à la Décision), ou EIS (Executive Information System) ou DSS (Decision Support System)

ment de tels outils de gestion et leur impact sur la performance des processus de prise de décision, individuels et collectifs.

Conformément au référentiel de performance d’un SAD énoncé dans (Lebraty, 2006), l’analyse de ce constat d’échec montre que la conception du SAD ne tient pas compte des connaissances propres au décideur, à l’activité décisionnelle et au contexte de la décision.

Ces éléments pourtant clés dans l’évaluation de la performance d’un SAD permettent ainsi de formuler la problématique suivante :

Quels sont les éléments conceptuels d’un SAD qui permettent d’améliorer sa performance cognitive, dans le but d’augmenter son efficacité organisationnelle ?

La conception d’un SAD, garante de la performance du système, est ainsi au cœur de notre réflexion. Considérant que c’est à l’outil à s’adapter à la méthode, nous privilégions une approche méthodologique de moyens en analysant le contexte organisationnel dans lequel se déploient les relations sociales, ainsi que les dynamiques d’apprentissage entre humains et SAD. Dans le processus liant acteurs et systèmes techniques, les liens sont évo- lutifs, nombreux, complexes, variés, formalisés ou non. Notre travail consiste à organiser ces liens dans la mémoire du SAD, la mémoire étant la pièce maîtresse d’un SI (Beau, 2009).

Dans ces conditions et afin de répondre à cette problématique, la première partie, partant d’un état de l’art sur les SAD, analyse ensuite les SAD constitués d’une base de connaissances. L’analyse se base sur la conception et le développement d’une vingtaine de tels systèmes, essentiellement dans le domaine de la gestion (finance, marketing, com- mercial). Y sont abordés les avantages techniques et les limites cognitives de tels systèmes pour l’analyse décisionnelle utile à un projet IE. Dans cette perspective, la deuxième partie explicite les choix méthodologiques d’une conception appelée « socio-cognicielle » (le mot « cognicielle » étant un néologisme construit à partir des mots cognitif (le début du mot) et logiciel (la fin du mot)). Cette conception permet alors la transformation des « big data » en « little knowledge » (Sybord, 2013). Le cadre théorique étant posé, la troisième partie présente le modèle socio-cogniciel élaboré et son expérimentation dans une entre- prise industrielle internationale. Ce faisant, la troisième partie propose de répondre à la problématique de manière critique.

1. Le système à base de connaissances : un système d’information d’aide à la décision ? L’objet de cette partie est le SI appréhendé d’un point de vue décisionnel et d’un point de vue cognitif. L’interrogation porte sur les SI constitués d’une base de connaissances et leur apport (ou non) dans l’aide à la décision et en particulier dans les activités d’un projet IE.

En sciences de gestion, le management des SI s’interroge sur la performance de tels systèmes, que ce soit d’un point de vue utilisateurs ou d’un point de vue organisationnel (Desq et al., 2002). D’ailleurs, le SI est défini par (Rowe, 2007) comme « un système d’interprétation d’un ensemble d’acteurs sociaux qui, dans un contexte organisationnel finalisé et récursif, mémorisent et transforment des représentations via des technolo- gies de l’information et des modes opératoires ». Nous prenons cette définition comme référence dans la suite de l’article car elle est cohérente avec le but des projets IE, les caractéristiques du Big Data et la problématique posée sur l’efficacité organisationnelle des liens hommes – machines.

Quant aux SI d’aide à la décision, nous avons vu et choisi la définition explicitée ci- dessus. Nous allons maintenant présenter un état de l’art de ces systèmes, dans le but de situer ceux constitués d’une base de connaissances.

1.1. Recherches en systèmes d’information d’aide à la décision : un historique

Les recherches sur les SAD ont été initialisées par H. Simon et A. Newell, à la fin des années 50. 10 ans plus tard environ, Gorry et Scott Morton analysent l’efficience des SAD sur la prise de décision dans les organisations et constatent que leur impact est faible (Gorry et Scott Morton, 1971). De nouveau, 10 ans plus tard environ, un nouvel espoir est posé, avec les travaux de Rockart et Treacy qui portent sur les systèmes d’information pour cadres dirigeants, appelés EIS (Executive Information Systems) (Rockart, 1979) et (Rockart et Treacy, 1982).

Les EIS sont conçus pour répondre aux besoins d’informations spécifiques aux dirigeants et leur apporter les informations les plus « adéquates » pour, et tout au long, du processus décisionnel. Peu de réalisations de ces EIS ont été satisfaisantes, en termes de besoins d’informations. Autrement dit, l’information ne constitue pas un « facteur clé de succès » (Rockart, 1979) pour le développement de tels systèmes.

En revanche, les fondements conceptuels de ces recherches sur les EIS ont posé les bases des systèmes « Data Warehouse », dont les premières réalisations datent du début des années 90 et caractérisent le champ de l’informatique dit « décisionnelle », que les anglophones appellent « Business Intelligence ». Ces systèmes intègrent des applications décisionnelles rassemblées dans une immense base de données, appelée « entrepôt » (Warehouse). Les données y sont thématiques (orientées sujet ou métier), « intégrées, non volatiles et historiées, organisées pour le support d’un processus d’aide à la décision » (Imnon, 1994/2005).

Dans la pratique, les technologies de cet « entrepôt » permettent à l’entreprise de mieux utiliser sa « mémoire organisationnelle » (Girod-Séville, 2000), et d’améliorer ses processus d’apprentissage. En outre, au début des années 2000, l’utilisation d’Internet vient faciliter les activités de veille et permet une relative rationalisation d’activités de gestion basées jusqu’alors sur l’intuition, comme la prise de décision (Sybord, 2009), (Fallery et al., 2011).

Du côté de l’intelligence artificielle, les applications d’aide à la décision, fondées sur les sciences cognitives, ont également tenté de simuler le processus du raisonnement humain, et en particulier le processus décisionnel. Cette simulation peut se faire à l’aide de différents supports informatiques, dont les Systèmes à Base de Connaissances (désormais abrégés SBC), appelés aussi Systèmes Experts. Ces systèmes constitués d’une base de connaissances ont connu leur heure de gloire dans les années 80 et ont été, dans certains cas, utiles à l’aide à la décision puisqu’ils permettaient de prendre en compte le caractère heuristique du processus décisionnel (Lévine et Pomerol, 2000).

1.2. Le SBC et ses apports dans l’aide à la décision

Les SBC ont pour origine le développement « industriel » des systèmes experts, au milieu des années 70. Un système expert a été défini comme « un logiciel informatique stimulant le raisonnement d’un expert dans un domaine de connaissances spécifique » (p. 154) (Reix,

2004). Ces outils d’intelligence artificielle ont généralement été conçus pour résoudre des problèmes de classification ou de décision (par exemple, diagnostic financier…).

Dans la pratique, le développement de tels systèmes commençait par le recueil des connaissances d’un « expert », dans un domaine particulier. À partir du « modèle » de l’outil technique, ce recueil était mémorisé techniquement dans une base de connaissances composée d’une base de règles (modélisant la connaissance du domaine considéré) et d’une base de faits (contenant les informations concernant le cas que l’on est en train de traiter), cette base étant actionnée par un moteur d’inférences, « capable de raisonner », de manière heuristique (Bonnet et al., 1997).

Cette structure constituait le noyau de base d’un SBC, qui, bien que très proche d’un système expert d’un point de vue technique, était plus « ouvert » d’un point de vue concep- tuel. En effet, le SBC était un système informatique qui pouvait contenir plusieurs domaines de connaissances spécifiques et d’autres types de systèmes informatiques (par exemple un SIAD (Lévine et Pomerol, 2000)). C’est la raison pour laquelle les SBC ont parfois été appelés des « systèmes experts de deuxième génération ». C’est ce type de systèmes que nous étudions pour l’aide à la décision.

Dans le monde professionnel, les SBC ont été utilisés pour résoudre certains problèmes, dont ceux de décision. Dans ce cadre-là, ils ont servi à mémoriser et à activer les connais- sances intervenant dans le processus décisionnel et la décision finale. Les connaissances sous-jacentes sont souvent déjà formalisées, à partir de modèles quantitatifs et qualitatifs.

Les premiers s’appuient sur des méthodes stochastiques, et les seconds reposent sur des connaissances heuristiques d’experts et un raisonnement déductif (Colloc et Sybord, 2003).

La base de connaissances peut aussi être formalisée selon un raisonnement à partir de cas. Ce raisonnement est un mode de résolution analogique des problèmes qui compare de nouveaux cas à partir de cas précédents indexés (Aamodt et Plaza, 1994). D’autres systèmes couplent des modèles bases de données et base de connaissances, et éventuellement des modules graphiques. Les avantages de ces systèmes sont la prise en compte de la variété des données (textuelles, graphiques, images, signaux, etc.).

Ayant participé à la conception et au développement d’un SBC vendu à la Banque de France, nous proposons de présenter cette expérience pour illustrer un SAD constitué d’une base de connaissances. La Banque de France propose, en effet, depuis 1993, une prestation de services à des entreprises industrielles ayant un projet particulier (projet de développement générant des investissements importants, projet de réorganisation…). Cette prestation est réalisée par un analyste de la Banque de France qui utilise le système GEODE (Gestion Opérationnelle et Dynamique des Entreprises). GEODE est un SBC composé d’un système expert qui, lui-même, s’appuie sur les bases de données de la Banque de France (Centrale des bilans, SESAME³).

En fonction des informations données par l’analyste financier, GEODE réalise, selon le secteur d’activité, un diagnostic économique et financier et propose des simulations d’évolution à moyen terme, fondées sur des hypothèses fournies par le chef d’entreprise.

La comparaison des résultats de l’entreprise avec ceux du secteur ou des entreprises choi- sies pour le référentiel spécifique, assoit le diagnostic et guide les simulations. L’éclairage qualitatif donné par l’approche stratégique offre une vision globale de l’entreprise et de ses

3 Système Elargi du Support à l’Analyse Multicritère d’Entreprise

contraintes en nuançant l’appréciation portée sur ses performances.

GEODE ne possède pas d’équivalent concurrentiel. Or, malgré de bonnes performances commerciales (croissance du nombre de prestations réalisées malgré une forte augmentation récente du prix, forte satisfaction des clients), les recettes liées à ce produit restent limitées (moins de 10 millions d’euros en 2005) par comparaison à leur coût complet métier (plus de 20 millions d’euros en 2005, en incluant SESAME)⁴. C’est pourquoi, à moyen terme, l’externalisation de GEODE, par la création d’une filiale ou le conventionnement d’un ou plusieurs cabinets de conseil, pourrait être envisagée.

Ce succès mitigé de GEODE nous conduit aux limites des SBC.

1.3. Le SBC et ses limites dans l’aide à la décision

Pour l’aide à la décision, les limites des SBC sont de différentes natures. Pour rester fidèle au caractère technico-cognitif (la caractéristique des liens hommes – machine) d’un SBC, nous présentons ces limites par ordre croissant des niveaux d’abstraction : du niveau physique (écri- ture du programme informatique, souvent appelé « codage ») au niveau conceptuel d’un SBC.

En ce qui concerne la programmation des SBC, les difficultés sont liées au choix du modèle de représentation, en adéquation avec les types de connaissances à traiter. En outre, la programmation elle-même est un art difficile qui comporte de nombreuses sources d’erreurs (Dijkstra, 1972), même si le génie logiciel a fait de belles avancées à l’aide de l’approche objets. Enfin, la maintenance, qui fait intervenir trois principales couches (couche

« connaissances », couche « logique » et couche « système d’exploitation ») peut rendre le système inutilisable, faute d’« auto-apprentissage » (p. 163) (Reix, 2004). À ce titre, cette difficulté peut engendrer la rapide obsolescence d’un SBC, dont le taux de mortalité est évalué environ à 90 %, sur une année d’exploitation (Vrignat, 2010).

Les difficultés « économiques », elles, sont notamment évoquées par Harmon et Sawyer (Harmon et Sawyer, 1990). Le retour sur investissement du développement et de l’exploi- tation d’un SBC n’a jamais pu être quantifié de manière constante, les connaissances étant le plus souvent évolutives, voire incertaines. En outre, un gros investissement en temps, financier et humain est nécessaire. Le cas de la Banque de France, en rapport au système GEODE, est également révélateur des limites économiques.

Sur un plan organisationnel, les SBC posent des problèmes d’adaptation à l’environne- ment, qui est, par nature, complexe au regard de la variété des acteurs internes et externes à l’organisation (Coiera, 1996). Par exemple, un système d’aide à la gestion de carrières doit, en même temps, répondre à l’obligation du secret de données confidentielles à l’entreprise et de la communication de certaines informations propres au salarié (cf. droit du travail).

Cette différence d’objectif du SBC soulève ainsi les différences d’appréhension du système selon les types d’acteurs qui l’utilisent et/ou le conçoivent.

En effet, les raisonnements sous-jacents à la finalité du système sont fonction des usages que les utilisateurs s’en font. En outre, les concepteurs et/ou les utilisateurs des SBC ne sont qu’exceptionnellement considérés comme des acteurs sociaux (Sybord, 1998), même si l’avantage des SBC par rapport aux systèmes informatiques est une relative prise en compte de la dimension humaine dans le développement du système. En d’autres termes,

4 Données trouvées sur le site Internet de la Banque de France

quel que soit le type d’acteur concerné par un SBC et en particulier le décideur, tous sont considérés comme un élément « disjoint » du système de production, et rarement comme des êtres sociaux à part entière ayant des logiques individuelles et collectives différenciées.

Sur un plan conceptuel, cette dernière remarque fait ressortir l’impossibilité de séparer le raisonnement des connaissances sur lesquelles il s’appuie (Hatchuel et Weil, 1992). En outre, la dynamique des connaissances est liée à celle des relations que l’acteur entretient dans l’action, ce qui signifie que pour une même connaissance, les interprétations peuvent diverger, rendant la représentation des connaissances très restrictive, voire impossible. Pour ces mêmes raisons, le recueil des connaissances d’autrui, a fortiori d’un expert, est illusoire :

« nous ne « recueillons » jamais vraiment la connaissance d’autrui, nous transformons plutôt la nôtre par des interactions avec lui » (p 162) (Hatchuel et al., 2002).

En d’autres termes, la connaissance en soi n’existe pas et ne prend sens que dans des dynamiques d’apprentissages individuels et collectifs en lien avec des actions organisées et organisantes. C’est précisément la prise en compte de ces dynamiques d’apprentissages en situation, dans des organisations informatisées, qui manque dans la conception des SBC, comme dans celle des SAD. En effet, dans une perspective d’aide à la décision, notamment avec la réalité des « Big data », l’analyse décisionnelle, inhérente à tout projet d’IE, ne peut faire l’économie du contexte dans lequel la décision est prise.

En conclusion de cette première partie, les SBC ont été, en leur temps, une « technique managériale » de rationalisation, structurée par un substrat technique (le moteur d’inférence), une philosophie de l’efficacité (approche cognitive déclarative activée par heuristiques) et un schéma organisationnel simplifié, dont la base a été le tandem expert/cogniticien (Hatchuel et Weil, 1992). Aujourd’hui, ces systèmes sont quasiment « oubliés ».

Dans le domaine particulier de l’analyse décisionnelle d’un Big Data, au service d’un projet IE, les SBC prennent en compte l’intelligence de la décision (en prescrivant notamment un processus décisionnel), le style cognitif du décideur (dit « expert » et l’importance de l’interface homme – machine. Ces dimensions sont cohérentes avec les caractéristiques de Volume et de Vitesse d’un « Big Data ». En revanche, les caractéristiques de Variété et de Véracité sont incom- patibles avec ce type de SAD qui ne considère que le contexte individuel de la prise de décision, excluant ainsi le contexte dans lequel la décision est prise. En d’autres termes, la non prise en compte des dimensions, sociale et organisationnelle, dans la conception d’un SBC permet de répondre à la question de cette partie : le SBC n’est pas un SAD suffisamment performant pour l’analyse décisionnelle des « Big data », une des sources à la base des activités d’IE.

2. L’approche méthodologique adoptée

Sur un plan conceptuel, les limites des SBC montrent que le point clé incontournable d’un SBC reste la structuration des informations et des connaissances lors de l’analyse décision- nelle, largement informatisées aujourd’hui. Cette organisation cognitive d’un SAD doit être repensée selon des hypothèses plus adaptatives que symboliques, pour respecter le contexte décisionnel et le caractère varié et évolutif des connaissances dans les pratiques de décision.

Sur le plan pratique de la prise de décision, le processus décisionnel, ancré dans une situation, conduit à un ensemble de décisions concrètement satisfaisantes, plus qu’à une décision unique et optimale (cf. le concept de rationalité limitée du modèle simonien

(Simon, 1983)). Cet ensemble de décisions « opératoires » constitue ainsi un système de connaissances, de raisonnements et d’informations, le tout étant supporté par les techno- logies de l’information et de la communication. Ce faisant, la gestion de ce système, lié à une situation décisionnelle, est au c ?ur de notre approche méthodologique et devient ainsi l’axe stratégique de la conception d’un SAD.

En conséquence, cette partie détaille notre choix méthodologique qui est l’approche sys- témique des systèmes de connaissances mis au point par (Ermine, 1996). En référence à notre problématique, nous ferons une analyse critique des systèmes de connaissances (partie 2.1.), pour ensuite expliciter le cadre conceptuel de l’organisation socio-cognicielle d’un SAD (2.2.).

2.1. Performance cognitive et efficacité organisationnelle d’un SAD : analyse critique des systèmes de connaissances

Notre choix de l’approche systémique permet d’aborder le SAD comme un système

« acteurs-machines » appartenant lui-même au système « organisation », en référence à la Théorie du Système Général, popularisée en France par la première édition de l’ouvrage de (Le Moigne, 1977, 1994).

En effet, cette Théorie appréhende le SI comme un système « acteurs-machines » relié lui-même au système général (organisant) et structuré (organisé) en 3 sous-systèmes :

- Le système opérant transforme les matières premières (matérielles et immatérielles) en produits finis (matériels et immatériels) ;

- Le système d’information enregistre, mémorise les opérations (les processus) du sys- tème opérant en fonction d’un objectif défini, et les met à disposition du… ;

- Système de pilotage, appelé encore système de décision.

Ce dernier coordonne les informations et les processus (propres à la communauté d’acteurs constituant l’organisation), en utilisant ses capacités cognitives d’auto-organisation, voire de conscience (Le Moigne, 1990).

Cette organisation systémique permet de décrire n’importe quel système, et en parti- culier une entreprise. Les éléments, qui définissent le SAD, sont le système d’information, le système de pilotage et les interactions entre ces deux systèmes. En outre, le système de pilotage, en lien avec ces interactions, communique des directives au système opérant rendant le système de pilotage présent au niveau des 3 sous-systèmes. Dans ces conditions, nous avons choisi de représenter, de couleur verte, l’espace de définition et d’analyse d’un SAD dans les figures insérées dans la suite de cet article.

Cette conception systémique du SAD a l’avantage de décrire de manière structurée les 3 composantes d’une organisation, ce qui permet d’appréhender la dimension sociale d’un SAD. En revanche, rien ne représente la dimension cognitive du SAD explicitée dans la partie I. Autrement dit, l’impact du SAD sur la qualité de la décision prise est peu (pas ?) conceptualisé, a l’avantage d’un système prioritairement technique. Ce qui signifie, en pratique, que les SAD impactent peu sur les conduites décisionnelles (cf. introduction).

Heureusement, au milieu des années 90, cette approche systémique a été complétée par le système « patrimoine de connaissances ». L’ensemble des 4 systèmes définit un nouveau système, appelé « système de connaissances ». Ces systèmes de connaissances, mis au point par (Ermine, 1996), sont conçus à partir du « Modèle OIDC » (Opération, Information, Décision, Connaissance), représenté par la figure 1. L’explicitation détaillée

de ces systèmes se trouve dans (Ermine et al, 1996). Pour les éléments conceptuels d’un SAD, le « modèle OIDC » prend en compte la dimension cognitive à tous les niveaux du système général, et en particulier au niveau du système de pilotage.

En ce sens, les dynamiques d’apprentissages intervenant dans le processus décisionnel sont représentées par le système « Patrimoine de connaissances » et les flux, entrants et sortants, de ce système « connaissances ». Ces dynamiques complètent ainsi l’espace de définition et d’analyse d’un SAD.

Figure 1 : Le « Modèle OIDC » et notre espace d’analyse d’un SAD

Le système « Patrimoine de connaissances » est défini comme un système actif d’acqui- sition, de transformation et de transmission de connaissances vers les autres sous-systèmes.

Le flux cognitif partant de ce sous-système est appelé flux de cognition : ce dernier cor- respond à l’appropriation implicite ou explicite du « patrimoine » dans le but de participer au processus de transformation propre au système. Le flux cognitif réciproque est appelé flux de compétence : ce dernier correspond à l’enrichissement des connaissances au cours du temps, par le biais des acteurs humains, des ressources matérielles et/ou immatérielles.

L’avantage de cette approche systémique des systèmes de connaissance est la prise en compte des 4 dimensions inhérentes à toute pratique de décision vécue dans les organisa- tions : les actions avec le système opérant, le traitement automatique et la communication des informations avec le SI, les décisions satisfaisantes avec le système de pilotage, les dynamiques d’apprentissages avec le système patrimoine de connaissances. Les interactions entre les systèmes confèrent au SAD son caractère socio-organisationnel et « communicant ».

Mais c’est précisément sur ce dernier point que le modèle « OIDC » présente, lui aussi, une limite majeure. En effet, les systèmes (opération, information, décision), hiérarchique- ment superposés, génèrent exclusivement des coordinations verticales, ce qui empêche l’autonomie décisionnelle, et son corollaire : les dynamiques d’apprentissages individuels et collectifs. En conséquence, le système connaissance perd de sa valeur créative et pourrait même, à terme, disparaître.

En conclusion, pour la conception d’un SAD qui améliore sa performance cognitive, dans le but d’augmenter son efficacité organisationnelle, le modèle OIDC ne permet pas de

de ces systèmes se trouve dans (Ermine et al, 1996). Pour les éléments conceptuels d’un SAD, le « modèle OIDC » prend en compte la dimension cognitive à tous les niveaux du système général, et en particulier au niveau du système de pilotage.

En ce sens, les dynamiques d’apprentissages intervenant dans le processus décisionnel sont représentées par le système « Patrimoine de connaissances » et les flux, entrants et sortants, de ce système « connaissances ». Ces dynamiques complètent ainsi l’espace de définition et d’analyse d’un SAD.

Figure 1 : Le « Modèle OIDC » et notre espace d’analyse d’un SAD

Le système « Patrimoine de connaissances » est défini comme un système actif d’acqui- sition, de transformation et de transmission de connaissances vers les autres sous-systèmes.

Le flux cognitif partant de ce sous-système est appelé flux de cognition : ce dernier cor- respond à l’appropriation implicite ou explicite du « patrimoine » dans le but de participer au processus de transformation propre au système. Le flux cognitif réciproque est appelé flux de compétence : ce dernier correspond à l’enrichissement des connaissances au cours du temps, par le biais des acteurs humains, des ressources matérielles et/ou immatérielles.

L’avantage de cette approche systémique des systèmes de connaissance est la prise en compte des 4 dimensions inhérentes à toute pratique de décision vécue dans les organisa- tions : les actions avec le système opérant, le traitement automatique et la communication des informations avec le SI, les décisions satisfaisantes avec le système de pilotage, les dynamiques d’apprentissages avec le système patrimoine de connaissances. Les interactions entre les systèmes confèrent au SAD son caractère socio-organisationnel et « communicant ».

Mais c’est précisément sur ce dernier point que le modèle « OIDC » présente, lui aussi, une limite majeure. En effet, les systèmes (opération, information, décision), hiérarchique- ment superposés, génèrent exclusivement des coordinations verticales, ce qui empêche l’autonomie décisionnelle, et son corollaire : les dynamiques d’apprentissages individuels et collectifs. En conséquence, le système connaissance perd de sa valeur créative et pourrait même, à terme, disparaître.

En conclusion, pour la conception d’un SAD qui améliore sa performance cognitive, dans le but d’augmenter son efficacité organisationnelle, le modèle OIDC ne permet pas de

générer des décisions pertinentes et respectueuses des logiques différenciées d’apprentissages individuels et collectifs. Comment alors concevoir un SAD qui permette l’amélioration de sa performance cognitive dans la perspective d’une efficacité organisationnelle effective ? 2.2. Performance cognitive et efficacité organisationnelle d’un SAD : le cadre conceptuel de l’organisation socio-cognicielle d’un SAD

Aujourd’hui, la connaissance est reconnue comme occupant une place centrale dans nos sociétés modernes. En témoigne aussi bien le nombre considérable d’articles acadé- miques que la mise en place, dans les entreprises et collectivités, de projets de « Knowledge Management », management incluant autant des projets d’ingénierie des connaissances (en référence aux savoirs multiples et variés de l’organisation) que des projets de gestion des connaissances (en référence aux informations de l’organisation).

Les projets d’IE se rattachent, eux aussi, à ce courant de valorisation des connaissances et des informations, dans le but d’obtenir un avantage concurrentiel, à risques mesurés (Blanc-Alquier et Lagasse-Tignol, 2007). Cet avantage concurrentiel est lié à la manière de gérer efficacement les processus transversaux de l’organisation, renouvelant ainsi les formes traditionnelles de hiérarchie et de pouvoir.

Pour gérer efficacement ces processus transversaux de l’organisation, nous avons mis en place un cadre conceptuel qui s’appuie sur une approche socio-cognitive. Cette dernière consiste en l’étude des cognitions sociales, c’est-à-dire l’étude des processus par lesquels les individus produisent leurs conduites sociales. Cette influence réciproque majeure entre domaine cognitif et existence de conduites sociales développées dans une situation d’inte- raction, est essentielle dans la conception d’un SAD « performant ».

Ainsi, les éléments conceptuels d’un SAD « performant » sont représentés par la figure 2.

Figure 2 : L’organisation socio-cognitive d’un SAD

La représentation de cette figure est celle de la figure 1 du « modèle OIDC » que nous avons fait pivoter, sur la droite, d’un angle de 90°, de façon à ce que le système « patrimoine de connaissances » soit la base conceptuelle d’un SAD. Les flux cognitifs et informationnels sont inchangés. En revanche, les liens hiérarchiques classiques, issus du modèle Taylorien, disparaissent à l’avantage de liens transversaux permettant une circulation plus ouverte des informations et des connaissances. L’organisation reste ainsi « ouverte » sur les réalités décisionnelles inhérentes à toute pratique, managériale ou opérationnelle, et peut devenir alors « apprenante ».

Dans le cas de l’analyse décisionnelle et en référence au modèle simonien (Simon, 1983), l’objectif de la décision optimale disparaît à l’avantage d’une interrogation sur la nature, voire la légitimité, des compétences disponibles, pour une (des) décision(s) satisfaisante(s).

Cet ensemble (compétences disponibles, décisions satisfaisantes) permet alors, d’une part, de prendre en compte les caractéristiques de Variété et Véracité d’un Big Data et, d’autre part, de respecter la conception organisante et organisée du processus décisionnel.

D’ailleurs, sur un plan informatique, notre choix méthodologique a été le paradigme des SMA, Systèmes Multi-Agents. Ce paradigme, en effet, peut être employé pour com- prendre, modéliser et développer des systèmes distribués complexes (Wooldrige et al, 1999). Il a notamment l’avantage de modéliser différentes opérations et leurs interactions dans l’environnement commun, dans le but d’accomplir une ou des tâche(s) globale(s), comme une activité d’analyse décisionnelle. L’accomplissement de ces tâches est faîte à l’aide d’opérateurs cognitifs qui utilisent des agents (réactifs ou cognitifs). Notre approche SMA est détaillée dans (Colloc et Sybord, 2003).

Pour conclure cette partie sur nos choix méthodologiques, il ressort que la performance cognitive et l’efficacité organisationnelle d’un SAD sont prises en compte dans l’approche systémique et cognitive des systèmes de connaissances, à condition de privilégier une structure transversale dans l’organisation des systèmes. Ainsi, 4 dimensions caractérisent la conception d’un SAD : la dimension technique par les Technologies de l’Information et de la Communication, la dimension cognitive du processus décisionnel, la dimension organisationnelle des apprentissages (individuels et collectifs) et la dimension stratégique qui contextualise le SAD. Pour tenir compte de ces 4 dimensions, nous avons cherché un néologisme qui regroupe à la fois les acquis, de la systémique, du génie cognitif et du génie logiciel, ce qui a donné le néologisme : cogniciel.

3. Le modèle socio-cogniciel d’un SAD, producteur de « Little Knowledge »

Comme nous l’avons vu dans la partie précédente, la conception d’un SAD étant à la fois stratégique, technologique et socio-cognitive peut être qualifiée de « socio-cognicielle ».

Le modèle représentant ce type de SAD est explicité en partie 3.1., pour ensuite présenter une expérimentation en cours en partie 3.2.

3.1. Explicitation du modèle socio-cogniciel d’un SAD

Fondé sur l’organisation socio-cognitive d’un SAD (figure 2), le modèle socio-cogniciel est représenté par la figure 3. La représentation circulaire évoque les logiques non linéaires

d’apprentissages individuelles et collectives et respecte les liens transversaux de l’organi- sation socio-cognitive du SAD.

Conformément aux éléments conceptuels constitutifs d’un SAD, ce modèle socio-cogniciel s’ancre, au sens large, dans une « situation de gestion », qui « se présente lorsque des participants sont réunis et doivent accomplir, dans un temps déterminé, une action collective conduisant à un résultat soumis à un jugement externe » (Girin, 1999). Dans le cas des SAD, le « résultat » est une décision « actionnable », c’est-à-dire qui impacte efficacement les pratiques du décideur.

Des mémoires

Situation

Des styles cognitifs

Des opérateurs cognitifs Des activités

cognitives

Une architecture cognitielle Des expériences

humaines

Contexte

Les intervenants Les moyens

RÉSULTAT (Une décision

actionnable)

Figure 3 : Le modèle socio-cogniciel d’un SAD

Ce qui est à l’extérieur du cercle correspond aux éléments « environnementaux » de l’activité décisionnelle. Ces éléments rationalisent et légitiment la performance de la décision prise.

L’intérieur du cercle, excepté le « résultat », correspond aux éléments socio-cogniciels d’une activité de pilotage. Cette dernière est définie comme une actualisation entre un ensemble d’acteurs et son contexte (personnel et public). Ces éléments sont explicités dans (Sybord, 2007). Selon les cas, ces 6 éléments socio-cogniciels peuvent interagir entre eux, via l’architecture SMA cognicielle, et permettent, in fine, une décision cognitivement performante. Cette architecture SMA métabolise la dimension collective de la pratique de la décision. Son moteur est une boîte à outils qui suit les innovations techniques. Certains développements ont déjà été faits (Colloc et Sybord, 2003).

Le modèle socio-cogniciel élaboré fédère les dimensions stratégique, cognitive, orga- nisationnelle et technique d’un SAD. Il représente ainsi tous les éléments conceptuels d’un SAD qui permettent d’améliorer la performance cognitive et l’efficacité organisationnelle

d’un SAD devant gérer un Big Data. Le caractère aléatoire de la prise de décision est par conséquent réduit. Ce modèle est également robuste par rapport aux évolutions technologiques.

Sur le plan théorique, les apports de l’approche socio-cognicielle pour la conception des SAD sont :

- la prise en compte effective des multiples représentations, individuelles et collectives, présentes dans les situations décisionnelles,

- une analyse et une organisation des interactions par lesquelles les individus produisent leurs conduites sociales et donc agissent sur la décision.

En ce sens, cette conception de SAD devient un guide pour l’action. Le modèle socio- cogniciel oriente les actions et les relations sociales qui font sens pour les individus et les groupes d’individus participant à la décision. L’action prédomine sur la représentation, conférant ainsi au SAD un rôle de coordinateur qui permet d’accéder à un monde partagé, plutôt que de résoudre un problème.

Ce monde partagé est d’ailleurs constitué d’une quantité de « little knowledge » appa- remment infinie et que nous prenons pour acquise (car elle fait partie de nos habitudes et de nos réflexes), mais qui doit être servie à l’ordinateur de manière différenciée afin de tenir compte des dynamiques d’apprentissage individuelles et collectives. Très concrètement, tous les éléments constitutifs du modèle SAD contiennent de la « little knowledge », avec un plus fort pourcentage dans les éléments environnementaux, « les mémoires », « les styles cognitifs », « les activités socio-cognitives » et les expériences humaines, ce qui est en train de se vérifier avec l’expérimentation en cours du modèle.

3.2. Expérimentation de ce modèle socio-cogniciel en entreprise

L’entreprise concernée par l’expérimentation du modèle est leader européen dans la fabrication d’articles de papeterie. Elle exporte plus de 1/3 de ses ventes dans 80 pays. Elle est à l’origine d’une longue tradition d’innovations et d’expertises : plus de 100 brevets et marques, dont certains sont connus dans le monde entier.

Son rang de premier leader européen en expertise et en coûts est dû à une stratégie privi- légiant l’approche personnalisée des clients, en adéquation avec une politique d’excellence dans le fonctionnement des processus de l’entreprise. À ce titre, la stratégie ne fait qu’un avec la politique qualité.

Les processus et l’organisation de cette politique qualité sont orientés vers l’excellence à partir des éléments suivants :

• Un fonctionnement interne basé à tous les niveaux sur la responsabilisation et l’auto- nomie de décision.

• La recherche permanente de l’équilibre optimal entre rigueur et flexibilité.

• L’optimisation continue des coûts et des investissements dans les moyens de production.

• Le développement et l’enrichissement des compétences.

Le service « méthodes, investissements, systèmes d’information » est garant de :

• L’élaboration d’une politique industrielle conforme aux attentes du marché et à la stratégie de l’entreprise.

• La disponibilité des moyens industriels et des infrastructures en coordonnant les actions de maintenance.

• La fiabilité des outils de gestion de l’information et de l’intégrité des données associées.

• La conformité des produits finis.

• La sécurité.

Le SI existant se décompose en deux principales activités :

• La gestion des outils informatiques.

• La gestion de la documentation par l’intermédiaire de la politique qualité.

Concernant la gestion des outils informatiques, l’entreprise s’appuie principalement sur un système intégré, type AS 400, et sur quelques applications qui viennent en complément.

Le système intégré est considéré par l’ensemble du personnel comme vieillissant et mal adapté aux nouveaux besoins de l’entreprise, même si certains l’utilisent actuellement comme « un outil d’aide à la décision ». Par exemple, si le responsable de la gestion des stocks décèle un besoin de produits manquants, il peut passer une commande, ce qui n’est qu’une décision opérationnelle…

Autrement dit, le SI existant n’est en aucun cas au service de la stratégie de l’entreprise : il n’existe pas de SAD. D’ailleurs, notre interlocutrice nous a avoué : « Tout et rien peuvent servir à prendre des décisions stratégiques » ! Dans ce contexte, nous avons eu l’opportunité d’expérimenter le modèle socio-cogniciel du SAD.

Le point de départ de cette expérimentation a été de faire une analyse de l’existant en repérant tous les acteurs concernés par le SI en place et les flux informationnels, de cognition et de compétences entre ces acteurs. Nous avons ensuite représenté les traitements liés à ces flux, afin de repérer les processus socio-cognitifs et décisionnels, en rapport aux décisions tant opérationnelles que stratégiques.

Actuellement, nous en sommes à l’étude de faisabilité de l’installation d’un ERP (Entreprise Ressource Planning), progiciel de gestion intégré permettant de gérer les activités et les informations qui leur sont associées. Cette solution donnerait la possibilité d’avoir des informations unifiées, non redondantes et toujours mises à jour.

L’application du modèle pose actuellement des difficultés au niveau de son organisa- tion socio-cognitive (cf. figure 3). Les relations de pouvoir sont encore très prégnantes, ce qui freine la mise en place effective d’une organisation de partage des informations et des connaissances. La plus grosse difficulté est le recueil des connaissances à tous les niveaux fonctionnels de l’organisation. Ayant déjà eu l’occasion d’utiliser certains modèles de conception des systèmes d’information, notamment ceux du niveau organisationnel des méthodes MERISE (Sybord, 1999), nous envisageons de les utiliser de nouveau pour cette entreprise, et continuer ainsi l’expérimentation toujours en cours.

Conclusion

Parti d’une analyse critique des SI constitués d’une base de connaissances pour l’aide à la décision, cet article contribue à la problématique de l’évaluation des SAD, en proposant les éléments conceptuels d’un SAD qui impacte les pratiques des décideurs et des stratèges travaillant notamment sur des projets d’IE. Il ressort que le contexte organisationnel dans lequel se déploient les relations sociales et les dynamiques d’apprentissage entre humains

et outils décisionnels, est primordial pour l’analyse décisionnelle constituée de nombreuses

« little knowledge ».

En ce qui concerne l’analyse décisionnelle d’un « Big Data » et d’une IE, l’approche méthodologique socio-cogniciel du SAD permet de prendre en compte les données disparates et volatiles des différents acteurs qui interviennent dans le processus décisionnel. Le modèle socio-cogniciel, lui, permet de « coordonner » et transformer cette variété et cette quantité de données brutes en « little knowldedge » décisionnelles et satisfaisantes. À terme, ce SAD pourrait servir de socle, d’une part, pour la construction d’une base de connaissances, que nous pourrions appeler « actions satisfaisantes dans les projets d’IE », et d’autre part, pour le développement d’un outil de formation à distance destiné, par exemple, à des étudiants qui se forment aux outils conceptuels d’IE.

Sur un plan conceptuel, la singularité de ce modèle SAD est d’être basée sur une réflexion critique, d’une part, des SAD constitués d’une base de connaissances et, d’autre part, des systèmes de connaissances développés par J. L. Ermine. Cette réflexion nous a conduits à caractériser les éléments conceptuels d’un SAD pour en déduire son caractère multidimensionnel (dimensions organisationnel, cognitive, stratégique et technique). Cette conception de SAD prend en compte l’interprétation que les acteurs se font de la situation décisionnelle et valorise ainsi les liens entre action et savoir, entre celui qui sait et ce qui est su, entre les machines et les acteurs. Son utilité est de mémoriser, tracer et transformer les processus, cognitif, organisationnel, décisionnel, sous-jacents à toute activité décisionnelle.

Le SAD est ainsi appréhendé comme un outil de gestion qui « coache » le stratège, tout en le laissant libre et responsable de ses décisions.

En sciences de l’organisation, l’expérimentation de ce modèle a permis d’appréhender l’inadéquation du mode de gestion traditionnel issu du modèle Taylorien. Sur un plan pra- tique de management, la question pourrait porter sur l’émergence d’un nouveau modèle de gestion de l’apprentissage, qui privilégierait les démarches « apprenantes » et respon- sables, via un artefact SAD Orienté « Connaissances », ce qui compléterait et actualiserait la typologie de (Alter, 1977).

Bibliographie

Aamodt A., Plaza E., 1994. Case-Based Reasoning : Foundational Issues, Methodological Variations, and System Approaches. AI Communications 7 (1).

Alter S. 1977. À Taxonomy of Decision Support Systems. Sloan Management Review 19 (1), 39-57.

Baujard C., 2006. Apprentissage technologique : facteur déterminant de la stratégie organisationnelle ? 15^e Conférence Internationale de Management Stratégique, juin 2006.

Beau F., 2009. Renseignement, Systèmes d’Information et organisation des connaissances. Revue R2IE, Série Publications Numériques, juillet 2009.

Blanc-Alquier A.M. et Lagasse-Tignol M.H., 2007. Management de risques et intelligence économique, l’approche PRIMA. Economica, Paris.

Bonnet A., Haton J.P., Truong-Ngoc J.M., 1997. Systèmes experts : vers la maîtrise technique. Dunod, Paris.

Coiera E., 1996. Artificial Intelligence in Medecine : the Challenges Ahead. Journal of the American Medical Informatics Association 36, 363-366.

Colloc J., Sybord C., 2003. À Multi-Agent Approach to Involve Multiple Knowledge Models and the Case Base Reasoning Approach in Decision Support Systems In proceedings of the 35^th IEEE Southeastern Symposium on System Theory SSST’03. WVU, Morgantown, 17-18 March 2003, WV, USA, 247-251.

Desq S., Fallery B., Reix R., et Rodhain F., 2002. 25 ans de recherches en systèmes d’information. Revue Systèmes d’Information et Management 7 (3), 5-30

Dijkstra E.W., 1972. The Humble Programmer In ACM Turing Award Lectures, 1996 to 1985, ACM Press Anthology Series, 1987.

Duval M.A., 2008. Les nouveaux territoires de l’Intelligence Économique. Editeur IFIE, Paris.

Ermine J.L., 1996. Les systèmes de connaissances. Hermès, Paris.

Ermine J. L, Chaillot M., Bigeon P., Charreton B., Malavieille D., 1996. MKSM, méthode pour la gestion des connaissances. Ingénierie des systèmes d’information 4 (4), 541-575.

Fallery B., Kalika M. et Rowe F., 2011. Systèmes d’information et management des organisations, 6^e édition.

Vuibert, Paris.

Falque L., Bougon B., 2009. Pratiques de la décision, Développer ses capacités de discernement, 2^e édition.

Dunod, Paris.

Février R., 2010. Intelligence économique et collectivités territoriales. Ellipses Marketing, Paris.

Girin J., 1999. Analyse empirique des situations de gestion : éléments de théorie et de méthode In A.C. Martinet, Épistémologies et sciences de gestion, Economica, Paris.

Girod-Séville M., 2000. La mémoire des organisations. L’Harmattan, Paris.

Gorry G.A. et Scott Morton M.S., 1971. À Framework for Management Information Systems. Sloan Management Review Fall, 55-70.

Harmon P. and Sawyer B., 1990. Creating Expert Systems for Business and Industry. Wiley, Chichester.

Hatchuel A., Le Masson P., Weil B., 2002. De la gestion des connaissances aux organisations orientées conception In Rowe F., Faire de la recherche en systèmes d’information, Vuibert FNEGE, Paris, 155-170.

Hatchuel A., Weil B., 1992. Paris. Economica, Paris.

Imnon W.H., 1994/2005. Building the Data Warehouse, fourth edition. Wiley, Chichester.

Intel, 2012. Big Data Analytics. Intel’s Manager Survey on how Organizations are Ising Big Data. Intel.

Jakobiak F., 2009. L’intelligence économique et outils 2^e édition. Éditions d’Organisation, Paris.

Kefi H. et Kalika M., 2006. Le rôle stratégique des TIC In Management et TIC, 5 ans de e-management dans les entreprises. Éditions Liaisons, Paris, 131-158.

Lebraty J.F., 2006. Les systèmes décisionnels In J.Akoka, I.Comyn-Wattiau, Encyclopédie de l’informatique et des systèmes d’information, Vuibert, Paris, 1338 – 1349.

Le Moigne J.L., 1990. La modélisation des systèmes complexes. Dunod, Paris.

Le Moigne J.L., 1994. La théorie du système général 4^e édition. PUF, Paris.

Levet J.L., 2008. Les pratiques de l’Intelligence Économique, Huit cas d’entreprise. Economica, Paris.

Lévine P. et Pomerol J.C., 2000. Systèmes interactifs d’aide à la décision et systèmes experts. Hermès Sciences, Paris.

Reix R., 2004. Systèmes d’information et management des organisations 5^e édition. Vuibert, Paris.

Rockart J.F., 1979. Chief executives define their own data needs. Harvard Business Review 57 (2).

Rockart J.F., Treacy M.E., 1982. The CEO goes on line. Harvard Business Review, Jan-Feb.

Rowe F., 2007. Systèmes d’information : variations philosophiques sur une proposition de définition In P.L.Dubois et Y. Dupuy, Connaissance et Management, Economica, Paris, 165-173.

Simon H.A., 1983. Administration et processus de décision 3^e édition. Economica, Paris.

Sybord C., 1998. Informatique et utilisateurs : bilan, réalisation et perspectives. Actes du 11^e Colloque européen du Centre de coordination pour la Recherche et l’Enseignement en Informatique et Société CREIS. Strasbourg F. 10-12 Juin 1998, 171-185.

Sybord C., 1999. Le système d’information : un support méthodologique pour recueillir les connaissances ? 4^e Colloque européen de l’Association Information et Management A.I.M. sur le thème Systèmes d’information : réalités et perspectives, Cergy Pontoise F. 26-28 Mai 1999.

Sybord C., 2007. Intelligence économique et activités de pilotage : proposition d’un modèle socio-cogniciel.

Publications des 5^e rencontre d’Intelligence Économique, Sophia-Antipolis F. 7 septembre 2007.

Sybord C., 2009. Activités de veille stratégique et conception d’un système d’information : apports d’une approche socio-cognitive et illustration à partir d’un cas, 2^e séminaire international VSST Veille stratégique, scientifique et technique. Nancy F. 30-31 Mars 2009.

Sybord C., 2013. Big Data et systèmes d’aide à la décision : les apports d’une approche cognitive pour la “little knowledge”, 17^e Colloque européen de l’Association Information et Management A.I.M.) sur le thème BIG DATA : les défis de la gestion des grands volumes de données, Lyon F. 22-24 Mai 2013.

Vidal P. et Lacroux F., 2000. L’évolution des systèmes d’aide à la décision : du choix en situation structurée à l’intermédiation en situation complexe. Revue Systèmes d’Information et Management 5 (3), 51-70.

Vrignat P., Avila M., Duculty F. and Kratz F., 2010. Towards a maintenance and servicing indicator In Vallespir and T. Alix, Advances in Production Management Systems, New Challenges, New Approaches, IFIP, International Federation for Information Processing, AICT 318, B. Eds. Springer, Berlin, 113-120.

Wooldrige D., Jennings N.R. and Kinny D., 1999. À Methodology for Agent-Oriented Analysis and design.

Agent’99, ACM 1.