AIDE À LA PRISE DE DÉCISION EN SITUATION DE
MOBILITÉ
Proposition d’une solution mobile d’intelligence d’affaire
géospatiale (GeoBI) sémantiquement augmentée et sensible au
contexte mobile du décideur
Thèse
Belko Abdoul Aziz Diallo
Doctorat en sciences géomatiques
Philosophiae Doctor (Ph.D.)
Québec, Canada
iii
Résumé
Le développement rapide de l’informatique mobile a donné lieu à l’apparition et à la popularisation de téléphones mobiles dits intelligents ou smart phones (ex.: iPhone, HTC, etc.) dont le nombre et les performances sans cesse croissantes en font de potentielles plateformes alternatives aux ordinateurs de bureau.
Cette avancée technologique a contribué à l’émergence d’une nouvelle catégorie d’acteurs du monde des affaires n’ayant pas de bureau fixe, travaillant directement sur le terrain dans divers endroits (à la maison, en voiture, en avion, chez le client, à l’hôtel, chez le fournisseur, etc.) à l’aide d’équipements mobiles ou nomades, et se déplaçant partout où les affaires l’exigent pour assurer la compétitivité de leurs organisations: ce sont les travailleurs mobiles parmi lesquels on retrouve un grand nombre de décideurs.
Étant donné ce monde des affaires de plus en plus compétitif où les gens d’affaires sont de plus en plus mobiles et confrontés à la nécessité de prendre des décisions de plus en plus rapides et efficaces basées sur des analyses pertinentes, l’aide à la prise de décision en mobilité s’avère indispensable.
Pour leur apporter une telle aide, la présente thèse de doctorat propose d'aller au-delà du simple accès à distance à une plateforme d’intelligence d’affaire spatiale ou non géo-spatiale (GeoBI/BI) comme le proposent les solutions actuelles. Elle propose de prendre également en considération la localisation et le contexte de travail du décideur/analyste mobile dans l’aide à la décision, et d’enrichir sémantiquement les données d’affaire.
Afin de proposer une telle solution de GeoBI mobile sémantiquement augmentée et sensible au contexte mobile du décideur, la présente thèse s’est attelée d’une part à identifier, modéliser et enrichir les informations contextuelles pertinentes pour supporter un raisonnement GeoBI basé sur le contexte, et s’est évertuée d’autre part à proposer une solution d’augmentation sémantique des données d’affaire GeoBI qui permettrait de mettre en exergue les [cor]relations sémantiques pouvant exister entre les données.
Un prototype mettant en œuvre une application mobile sensible au contexte et une architecture orientée services web a été développé et testé comme preuve de concept. Les tests ont montré que celui-ci permettait par exemple de soumettre et de visualiser le resultat de requêtes contextuelles du type : « dans un rayon de 5 km autour de ma position actuelle, quelles sont les compagnies partenaires ayant des relations de concurrence avec nos actionnaires et dont le chiffre d’affaire des deux années précédentes dépasse chacune le million ; les relations de partenariat/actionnariat pouvant être transitives, symétriques ou avoir la même sémantique ? »
v
Abstract
The rapid development of mobile computing has enabled the emergence and popularization of mobile devices whose increasing number and computing capabilities position them as potential alternative platforms to desktop computers.
This technological progress has contributed to the emergence of a new category of business actors having no permanent workplaces, spending very short time in their offices, working directly on the field in various locations (home, car, plane, with the client at the hotel at the supplier, etc.) by using mobile and nomadic devices, and moving to places where business requires them: these are mobile workers including a large number of decision makers. Given this increasingly competitive business world where decision makers are increasingly mobile and are facing the need to take faster and suitable decisions based on relevant analysis, these mobile business people deserve to be supported with appropriate mobile decision support systems (DSS).
To give an improved support to these mobile business professionals, this PhD thesis proposes to go further than just allowing a simple remote access to a Geospatial or non-geospatial Business Intelligence (GeoBI/BI) platform as do current solutions. It also proposes to take into account the location and the context of mobile professionals, and to enrich semantically BI data.
To propose such a semantically augmented and context-based mobile GeoBI solution, the present thesis has endeavored on the one hand, to identify, model and enrich contextual information that is relevant to support GeoBI context-based reasoning. On the other hand, it has strived to provide a solution that semantically enriches business data in order to help decision makers discover semantic [cor]relations which might exist between the data. A prototype implementing a context-aware mobile application and a services-oriented architecture has been developed and tested as a proof of concept. These tests has shown among other things, that the prototype was able to answer and visualize the result of contextual queries such as: “Within 5 km around my current position, what are partnering companies that are competing with our owners; with the possibility of partnership/ownership relationships to be transitive, symmetric, or have the same semantics?”
vii
Table des matières
Résumé ... iii
Abstract ... v
Table des matières ... vii
Liste des tableaux ... xv
Liste des figures ... xvii
Remerciements ... xxi
Avant-Propos ... xxv
1. Introduction ... 1
1.1 Contexte ... 1
1.1.1 De la nécessité de l’aide à la décision ... 1
1.1.2 De l’apport de l’intelligence d’affaire de bureau ... 1
1.1.3 De la limite de l’intelligence d’affaire de bureau en situation de mobilité ... 2
1.1.4 Les smart phones comme plateformes alternatives aux ordinateurs de bureau ... 3
1.1.5 De l’émergence des travailleurs mobiles ... 4
1.1.6 De l’aide à la décision en mobilité ... 5
1.1.7 De la limite fonctionnelle, technologique et sémantique des solutions existantes de BI mobile ... 5
1.1.8 De la spécificité contextuelle de la prise de décision géospatiale en mobilité et de l’intérêt de la poussée d’informations basée sur le contexte ... 7
1.2 Problématique ... 8
1.2.1 Problématique P1 : Caractérisation et modélisation d’un contexte mobile GeoBI propice au raisonnement ... 11
1.2.1.1 Problématique P1.1 : Caractérisation et définition d’un contexte mobile GeoBI approprié à l’intelligence d’affaire géospatiale mobile et basée sur le contexte. ... 11
1.2.1.2 Problématique P1.2 : Modélisation d’un modèle de contexte mobile GeoBI propice au raisonnement basé sur le contexte. ... 12
1.2.2 Problématique P2 : Raisonnement basé sur le contexte GeoBI et analyse contextuelle des affaires ... 13
1.2.3 Problématique P3 : Enrichissement/augmentation sémantique des données d’affaire ... 14
1.2.4 Problématique P4 : Architecture logicielle de GeoBI mobile sémantiquement augmentée et basée sur le contexte ... 16
1.2.5 Problématique P5 : Élaboration d’une interface graphique utilisateur adaptée . 17 1.3 Choix, hypothèses et objectifs de recherche ... 18
1.3.1 Choix ... 18 1.3.2 Hypothèses ... 20 1.3.3 Objectifs ... 20 1.4 Méthodologie ... 21 1.5 Références ... 27 2. État de l’art ... 31 2.1 Introduction ... 31
viii
2.2 Partie I : Généralités sur l’aide à la prise de décision ... 32
2.2.1 Classes de problèmes et niveaux de prise de décision ... 32
2.2.2 Catégories et rôle de décideurs ... 33
2.2.3 Les systèmes d’aide à la décision ... 37
2.2.3.1 Définition d’un SAD ... 37
2.2.3.2 Définition d’un SAD mobile ... 38
2.2.3.3 Niveau d’automatisation des systèmes d’aide à la décision (SAD) ... 40
2.2.4 Récapitulatif de la partie I ... 41
2.3 Partie II : Les systèmes d’intelligence d’affaire (BI) et d’intelligence d’affaire géospatiale (GeoBI) ... 42
2.3.1 Définition ... 43
2.3.2 Objectifs ... 44
2.3.3 Acteurs (utilisateurs) du BI ... 44
2.3.4 Les systèmes d’intelligence d’affaire ... 45
2.3.4.1 Les technologies de collecte, de traitement et de chargement des données (ETL) ... 46
2.3.4.2 Les technologies d’entreposage de données : Data warehouses et data marts ... 46
2.3.4.3 Les outils d’analyse : la technologie OLAP ... 47
2.3.4.4 Les outils de présentation ... 48
2.3.4.5 Architecture générale d’un système BI ... 49
2.3.5 Métadonnées et enrichissement sémantique des systèmes d’intelligence d’affaire ... 50
2.3.5.1 Notion de métadonnées ... 50
2.3.5.2 Métadonnées S/OLAP ... 51
2.3.5.3 Écart sémantique dans les systèmes S/OLAP ... 54
2.3.5.4 Enrichissement sémantique des systèmes S/OLAP ... 55
2.3.5.5 Absence de relations sémantiques entre les données S/OLAP ... 59
2.3.6 Récapitulatif de la partie II ... 60
2.4 Partie III : Mobilité et prise de décision ... 61
2.4.1 Mobilité spatiale et mobilité technologique ... 61
2.4.2 L’émergence des travailleurs mobiles ... 62
2.4.3 Solutions mobiles d’aide à la décision existantes et contraintes technologiques .. ... 63
2.4.4 SOA et déploiement d’applications mobiles ... 69
2.4.5 Exemple d’architecture de SOLAP mobile ... 70
2.4.6 Récapitulatif de la partie III ... 71
2.5 Partie IV : Contexte mobile et prise de décision ... 73
2.5.1 Définition de contexte ... 73
2.5.2 Sensibilité au contexte ... 74
2.5.3 Sensibilité à la situation de décision (sensibilité situationnelle, situation awareness) ... 74
2.5.4 Caractérisation et modélisation de contexte ... 76
ix 2.5.5.1 Description sémantique des données : vocabulaires, taxonomies, et
ontologies ... 79
2.5.5.2 Langage de description sémantique des données : OWL ... 80
2.5.5.3 Outils d’édition, d’interrogation et de raisonnement OWL ... 83
2.5.6 Architectures d’implémentation de la sensibilité au contexte ... 85
2.5.7 Récapitulatif de la partie IV ... 87
2.6 Conclusion ... 89
2.7 Références ... 89
3. Caractérisation et définition de contexte mobile GeoBI approprié à l’intelligence d’affaire géospatiale mobile basée sur le contexte ... 99
3.1 Introduction ... 99
3.2 Corps de l’article ... 101
3.2.1 Introduction ... 103
3.2.2 Related works on context and mobile context ... 106
3.2.2.1 Context definitions ... 106
3.2.2.2 Context-awareness ... 107
3.2.2.3 Context content: major contextual information and context dimensions in the literature ... 108
3.2.3 Connecting context-awareness and situation-awareness to enhance decision making in mobile environments ... 113
3.2.4 Relevant contextual information and suitable model for a mobile GeoBI context ... 117
3.2.4.1 Relevance and specificity of time dimension in context ... 118
3.2.4.2 Relevance of location-dimension and problematic of context sharing ... 119
3.2.4.3 Relevant hierarchical levels of a mobile GeoBI context ... 122
3.2.4.4 Relevant context dimensions and basic model for mobile GeoBI context ... ... 125
3.2.4.5 Advantages and innovations of the proposed model ... 127
3.2.4.6 Detailed relevant contextual information for a mobile GeoBI context .... 129
3.2.5 Conclusion and future work ... 133
3.3 Compléments à l’article ... 134
3.3.1 Caractérisation de la mobilité ... 135
3.3.1.1 Mobility as remoteness and remote access to a resource (IT side) ... 135
3.3.1.2 Mobility as movement and dynamic change of environment (user side) . 136 3.3.2 Spécificité situationnelle de la mobilité et aide à la prise de décision de géospatiale ... 137 3.3.2.1 Spécificité structurelle ... 137 3.3.2.2 Spécificité organisationnelle ... 138 3.3.2.3 Spécificité informationnelle ... 140 3.3.2.4 Spécificité technologique ... 141 3.3.2.5 Spécificité cognitive ... 141
3.3.3 Proposition d’élaboration d’une interface graphique de GeoBI mobile ... 145
3.4 Perspectives : aide organisationnelle aux décideurs mobiles ... 147
3.5 Conclusion ... 148
x
4. Proposition d’un modèle de contexte mobile GeoBI propice au raisonnement basé sur le
contexte et la localisation ... 155
4.1 Introduction ... 155
4.2 Corps de l’article ... 157
4.2.1 Introduction ... 158
4.2.2 Need for context-based reasoning and OWL modelling ... 161
4.2.2.1 Need for context reasoning to support mobile GeoBI activities ... 161
4.2.2.2 Need for OWL modeling and context ontologies ... 162
4.2.2.3 CmapTools COE graphical ontology syntax ... 163
4.2.3 OWL-based Top-level mobile GeoBI context ontology ... 165
4.2.4 Low-level and detailed mobile GeoBI context ontologies ... 169
4.2.4.1 Personal Context Ontology ... 169
4.2.4.2 Surrounding Context Ontology ... 172
4.2.5 Context acquisition and quality ... 186
4.2.6 Case study and implementation architecture ... 188
4.2.7 Conclusion and future work ... 191
4.3 Compléments d’information sur le niveau de certitude d’une information contextuelle ... 192
4.3.1 Niveau de certitude d’une information contextuelle ... 192
4.3.2 Qualité de contexte et raisonnement basé sur le contexte ... 193
4.4 Perspectives ... 195
4.4.1 Perspectives d’intégration de FOAF dans le contexte personnel ... 195
4.4.2 Perspectives d’extension du contexte social ... 196
4.4.3 Perspectives d’extension du contexte environnemental ... 197
4.5 Conclusion ... 197
4.6 Références ... 199
5. Enrichissement du modèle OWL de contexte mobile GeoBI par des métriques contextuelles propices à l’analyse contextuelle des affaires ... 203
5.1 Introduction ... 203
5.2 Corps de l’article ... 206
5.2.1 Introduction ... 207
5.2.2 Realistic scenarios of context-based reasoning and contextual business analysis ... 210
5.2.2.1 General context of scenarios: BioWYNX mobile selling activities ... 210
5.2.2.2 Requirement for context-reasoning to enhance mobile GeoBI ... 212
5.2.2.3 Need for contextual metrics/statistics ... 213
5.2.2.4 Need for crossing business performance metrics with GeoBI contextual metrics ... 216
5.2.3 Enriching contextual information with GeoBI contextual metrics ... 218
5.2.3.1 Defining contextual metrics ... 218
5.2.3.2 Extending and enriching mobile GeoBI context with contextual metrics 219 5.2.4 Architecture for delivering and binding GeoBI contextual metrics with business performance metrics ... 227
5.2.4.1 Web services composition strategies ... 228
xi
5.2.4.3 Description of the architecture ... 232
5.2.4.4 The GeoBI SOA in push mode ... 233
5.2.4.5 The GeoBI SOA in pull mode ... 234
5.2.5 Persisting the metrics/statistics augmented mobile GeoBI context ontology .. 237
5.2.6 Related work and discussion ... 240
5.2.7 Conclusion and future work ... 240
5.3 Compléments d’information : Extraction des métriques contextuelles ... 241
5.3.1 Entrée manuelle des données statistiques ... 241
5.3.2 Parsing des pages web et des fichiers PDF/Excel ... 242
5.3.3 Recours aux outils ETL ... 242
5.4 Perspectives : implantation distribuée des informations et métriques contextuelles ... 243
5.5 Conclusion ... 244
5.6 Références ... 245
6. Augmentation sémantique et architecture intégrée de GeoBI mobile sémantiquement augmentée et sensible au contexte ... 249
6.1 Introduction ... 249
6.2 Corps de l’article ... 252
6.2.1 Introduction ... 254
6.2.2 Realistic scenario of semantic-augmented GeoBI analysis ... 259
6.2.2.1 Context of scenarios: BioWYNX mobile selling activities ... 260
6.2.2.2 Scenario: Need for semantic exploration, analysis and discovery of BI data and correlations within data. ... 262
6.2.3 Related work on semantic enrichment of BI data ... 266
6.2.4 Providing semantic-augmented GeoBI for semantic-oriented exploration, analysis and discovery of BI data and correlations within data ... 269
6.2.4.1 Business Intelligence technologies ... 270
6.2.4.2 Semantically enriching data warehouses and data cubes with ontologies semantic layers ... 272
6.2.5 Integrated context-based and semantic-augmented mobile GeoBI architecture .... ... 283
6.2.5.1 The mobile GeoBI context and scenario (package and ) ... 284
6.2.5.2 The context-aware mobile application architecture (package ) ... 288
6.2.5.3 Mobile GeoBI context ontologies and facts databases (package ) ... 289
6.2.5.4 Context-based and semantic-augmented mobile GeoBI services (package ) ... 290
6.2.5.5 Semantic GeoBI services, location-based services, mapping services and others (package ) ... 292
6.2.5.6 Operating process / workflow of the proposed architecture ... 295
6.2.6 Conclusion ... 301
6.3 Perspectives ... 302
6.3.1 Perspective d’utilisation des senseurs web ... 302
6.3.2 Perspective de développement d’un plugin d’augmentation sémantique pour les systèmes de BI / GeoBI existants ... 303
xii
6.4 Conclusion ... 303
6.5 Références ... 306
7. Implémentation d’un prototype de GeoBI mobile basé sur le contexte et sémantiquement augmenté ... 311
7.1 Introduction ... 311
7.2 Fonctionnalités du prototype ... 311
7.3 Architecture logicielle SOA du prototype ... 312
7.3.1 L’application mobile (Mobile Application) ... 314
7.3.2 Le service d’acquisition de contexte (Context Acquisition Service) ... 315
7.3.3 Le service de traitement des requêtes (Requests Handling Service) ... 316
7.3.4 Le service de délivrance d’informations et de métriques contextuelles (Contextual Information and Metrics Delivery Service) ... 316
7.3.5 Le service de délivrance de données d’affaire sémantique (Context-based GeoBI Data – Mini Cube – Delivery Service) ... 317
7.3.6 Les outils de raisonnement sémantique (Semantic reasoning engines) ... 317
7.3.7 L’entrepôt de stockage des informations et métriques contextuelles et des données d’affaire sémantiques « GeoBI knowledge base repository » ... 318
7.3.8 Le service d’accès et d’interrogation de la base de connaissance physique (GeoBI Knowledge Base Repository Service) ... 319
7.3.9 Les entrepôts de données et les cubes de données S/OLAP ... 319
7.3.10 Le service d’augmentation sémantique du cube de données S/OLAP (S/OLAP Cube Semantic Augmentation Service) ... 319
7.3.11 Le service de mise en forme des données d’affaire (Mobile Output Presentation Service) ... 319
7.3.12 Les services externes ... 320
7.3.13 Orchestration des services ... 320
7.4 Choix technologiques ... 321
7.4.1 Langage de programmation et environnement de développement et gestion de projet : Java et Eclipse et Maven ... 322
7.4.2 Technologies de BI/GeoBI ... 323
7.4.2.1 Outil de collecte, de traitement et de chargement de données : GeoKettle .... ... 323
7.4.2.2 Entrepôt de données : SGBDR spatial, PostGIS ... 324
7.4.2.3 Moteur géospatial d’analyse OLAP : GeoMondrian ... 324
7.4.3 Technologies de Web sémantique ... 324
7.4.3.1 Langage de modélisation sémantique des données : GeoSPARQL ... 325
7.4.3.2 Outils d’édition : Protégé et CmapTools COE ... 327
7.4.3.3 Outil de stockage des données sémantiques : Parliament ... 328
7.4.3.4 Outils d’interrogation : SPARQL et GeoSPARQL ... 330
7.4.3.5 Langage de définition des règles sémantiques : SPIN ... 330
7.4.3.6 API de programmation et de raisonnement sémantique : le framework Jena ... 331
7.4.4 Technologies de développement d’applications mobiles riches : Sencha Touch . ... 332
xiii 7.4.5 Technologies d’implémentation et de déploiement de services web WSDL :
JAX/WS, BPEL, Tomcat et ODE ... 334
7.5 Implantation du prototype ... 334
7.5.1 Architecture technique du prototype ... 334
7.5.2 Phases d’implantation et organisation modulaire du développement ... 336
7.5.3 Implantation des données d’affaire ... 337
7.5.4 Implantation des données sémantiques ... 338
7.5.5 Implantation de la fonctionnalité de raisonnement basé sur le contexte ... 341
7.5.6 Implantation de la fonctionnalité d’augmentation sémantique des données d’affaire ... 342
7.5.7 Implantation et orchestration des services web ... 344
7.5.8 Implantation de l’application mobile ... 349
7.6 Test du prototype ... 353
7.6.1 Test de la fonctionnalité de délivrance d’information et de métriques contextuelles avec raisonnement basé sur le contexte ... 354
7.6.1.1 Diagramme de séquence d’exécution ... 354
7.6.1.2 Scénario de test ... 356
7.6.1.3 Définition des règles sémantiques dans l’application mobile ... 358
7.6.1.4 Formulation des requêtes d’analyse contextuelle dans l’application mobile . ... 360
7.6.1.5 Requêtes d’envoi des données, de traitement des requêtes et de réception des résultats ... 362
7.6.1.6 Résultats et Affichage ... 362
7.6.2 Test de la fonctionnalité d’interrogation et de délivrance de données d’affaire sémantiquement augmentées ... 365
7.6.2.1 Diagramme de séquence d’exécution ... 365
7.6.2.2 Scénario de test ... 367
7.6.2.3 Définition des règles sémantiques dans la base de connaissance ... 367
7.6.2.4 Formulation des requêtes d’extraction de données d’affaire sémantiquement augmentées ... 368
7.6.2.5 Requêtes d’envoi des données, de traitement des requêtes et de réception des résultats ... 371
7.6.2.6 Résultats et Affichage ... 371
7.6.3 Conclusion de test ... 375
7.7 Références ... 377
8. Conclusion et Perspectives ... 379
8.1 Synthèse des travaux de recherche et contributions ... 379
8.2 Retour sur les problématiques et les objectifs de recherche ... 387
8.3 Perspectives ... 389
8.3.1 Perspectives d’application et d’amélioration ... 390
8.3.1.1 Perspectives de développement d’un service web et d’une application mobile grand public de délivrance des statistiques officielles au Québec, au Canada ou au Burkina ... 390
8.3.1.2 Implantation et test de la fonctionnalité de croisement des métriques d’affaire et des métriques contextuelles ... 391
xiv
8.3.1.3 Ajout et modification interactifs des relations sémantiques liant les données
d’affaire ... 391
8.3.1.4 Performances d’un système BI / GeoBI traditionnel vs celles d’un système GeoBI sémantiquement augmentée dans l’extraction des données d’affaire . ... 392
8.3.2 Perspectives de recherche ... 393
8.3.2.1 Conception, développement et validation d’interfaces graphiques mobile appropriées pour le raisonnement basé sur le contexte et l’exploitation de données d’affaire sémantiquement augmentées ... 393
8.3.2.2 Enrichissement contextuel et sémantique des données d’affaire avec des documents non structurés et semi-structurés tels que les images, les vidéos, les tweets ... 394
8.3.2.3 Enrichissement de la sensibilité au contexte d’affaire par l’intégration de la réalité augmentée ... 396
8.3.2.4 Vers du GeoBI (et/ou du S/OLAP) ontologique ... 397
8.3.2.5 Volume, vélocité et variabilité des données d’affaire, des données contextuelles et des relations sémantiques : vers une solution de Semantic Big Data Intelligence ? ... 399
8.4 Références ... 401
Documents annexes... 403
A. Annexes relatifs à l’implantation du prototype ... 403
A.1 Schéma XML du cube S/OLAP implanté ... 403
A.2 Extrait des données du modèle de contexte mobile GeoBI implanté ... 405
A.3 Code java de la classe KbRepository.java ... 406
A.4 Code javascript de l’interface graphique de l’application mobile ... 412
A.5 Code Java de la classe ReasoningEngine.java ... 418
A.6 Algorithme de réplication d’un cube multidimensionnel standard S/OLAP en ontologie de cube OWL ... 420
A.7 Code Java de la classe SemanticReasoningEnginesService.java (Extrait) ... 423
B. Annexes relatifs au test du prototype ... 425
B.1 Code de la requête SOAP d’invocation du processus BPEL orchestrant les services web de délivrance d’informations et de métriques contextuelles ... 425
B.2 Requête GeoSPARQL d’extraction d’informations et de métriques contextuelles .. ... 426
B.3 Résulat de la requête SOAP d’invocation du processus BPEL orchestrant les services web de délivrance d’informations et de métriques contextuelles ... 427
B.4 Code SPIN et OWL de définition des règles sémantiques R1 et R2 ... 428
B.5 Code de la requête SOAP d’invocation du processus BPEL orchestrant les services web d’interrogation et de délivrance de données d’affaire sémantiquement augmentées. ... 430
B.6 Requête GeoSPARQL d’extraction d’informations et de métriques contextuelles .. ... 431
B.7 Résulat de la requête SOAP d’invocation du processus BPEL orchestrant les services web de délivrance d’informations et de métriques contextuelles ... 432
xv
Liste des tableaux
Tableau 2-1: Les 10 rôles de pilotage (gestion) de (Mintzberg, 2002) traduits et adaptés ... 36
Tableau 2-2: Facteurs d’affaires affectant la prise de décision ... 36
Tableau 2-3: Acteurs de l’intelligence d’affaire pour la performance [repris de (Ballard, et al., 2005)] ... 44
Tableau 2-4 : Mobilité des gens d’affaire selon (Richman, Noble, & Johnson, 2002) ... 63
Tableau 2-5 : Exemple d’ontologie basé sur GeoOWL ... 83
Tableau 3-1: Context dimensions and key elements in the literature ... 112
Tableau 3-2 : Relevant dimensions for a mobile GeoBI context ... 126
Tableau 3-3 : Relevant contextual information for a mobile GeoBI context at the personal level ... 130
Tableau 3-4: Relevant contextual information for a mobile GeoBI context in ambient and surrounding contexts ... 132
Tableau 4-1: Some syntactic equivalence between OWL and CmapTools ... 164
Tableau 4-2 : Relevant dimensions for a mobile GeoBI context ... 168
Tableau 4-3: Relevant personal contextual information for a mobile GeoBI context ... 169
Tableau 5-1: Examples of GeoBI contextual metrics ... 222
Tableau 7-1 : Comparatif des technologies de modélisation sémantique géospatiale GeoOWL et GeoSPARQL ... 326
Tableau 8-1 : Contributions majeures ... 381
Tableau 8-2 : Contributions mineures ... 381
Tableau 8-3 : Publications majeures ... 386
Tableau 8-7 : cadre de base de comparaison des performances entre système BI/GeoBI classique et système BI/GeoBI sémantiquement augmentée ... 393
xvii
Liste des figures
Figure 1-1 : Principales phases et étapes de la méthodologie de recherche ... 26
Figure 2-1: Domaines majeurs au cœur de la présente thèse ... 31
Figure 2-2 : Pyramide des décideurs dans le monde des affaires selon le niveau de décision ... 34
Figure 2-3 : Niveaux d’automatisation de la prise de décision [adaptés de (Parasuraman, Sheridan, & Wickens, 2000)] ... 40
Figure 2-4: Schéma d’architecture générale d’un système BI ... 49
Figure 2-5 : Exemple de métadonnées d’affaires tiré de (Stefanov & List, 2006) ... 52
Figure 2-6 : Exemple de dimension hétérogène tiré de (Hurtado & Mendelzon, 2004) ... 54
Figure 2-7 : Exemple d’annotation sémantique ontologique tiré de (Diamantini & Potena, 2008) ... 56
Figure 2-8 : Ontologie de cube OLAP composite proposée par (Shah, et al., 2009) ... 57
Figure 2-9 : Ontologie de cube OLAP proposée par (Niemi & Niinimaki, 2010) ... 58
Figure 2-10 : Architecture de service Web de constitution de mini-cubes SOLAP pour l’aide à la décision en mobilité ... 71
Figure 2-11 : Modèle de contexte CONON de (Wang, Zhang, Gu, & Pung, 2004) ... 77
Figure 2-12 : Modèle de contexte mobile de (Hofer, Pichler, Leonhartsberger, & Altmann, 2002) ... 78
Figure 2-13 : Architecture Hydrogen de (Hofer, Pichler, Leonhartsberger, & Altmann, 2002) ... 85
Figure 2-14: Architecture SoCAM de (Gu, Pung, & Zhang, 2004) ... 86
Figure 3-1: Simplified model of connection between the applications’ Context Awareness and the decision makers’ Situation Awareness ... 115
Figure 3-2: Example of context versioning ... 118
Figure 3-3 : Example of context historization ... 119
Figure 3-4 : Combination of local and remote contexts to the same context by (Hofer, Pichler, Leonhartsberger, & Altmann, 2002) ... 120
Figure 3-5: Optimized context-sharing model ... 121
Figure 3-6: hierarchical levels (of granularity) of mobile context in parallel with other standpoints ... 123
Figure 3-7: Modeling mobile GeoBI context levels in accordance with context-sharing .. 124
Figure 3-8: Multilevel Mobile GeoBI Context Model (GeoMoBICoMod) for context-sharing and structuring (top level model) ... 128
Figure 3-9: Mobility as distancing, remoteness vis-à-vis a fixed point ... 136
Figure 3-10: Mobility as change of contexts, dynamic change of position and environment ... 136
Figure 3-11 : Proposition de base d’une possible interface graphique de GeoBI mobile, extrait de (Diallo, Badard, Hubert, & Daniel, 2011a) ... 146
Figure 4-1: Hierarchical multilevel Mobile GeoBI context model for context sharing and structuring. ... 160
xviii
Figure 4-3: Integration of temporal and geospatial pictograms and properties into
CmapTools COE and OWL ... 164
Figure 4-4 : Excerpt of Owl defining mobile GeoBI context as a union of personal, ambient and surrounding contexts ... 165
Figure 4-5 :Top-level multilevel ontology for Mobile GeoBI contexts ... 167
Figure 4-6 : Detailed Personal Context Ontology ... 170
Figure 4-7 : Excerpt of OWL illustrating symmetric relations between preferences and profiles, and between profiles and goals ... 171
Figure 4-8 : Detailed Business Context Ontology ... 175
Figure 4-9 : Excerpt of OWL defining the strategy ontology ... 176
Figure 4-10 : Detailed Technological Context Ontology ... 178
Figure 4-11 : Detailed Spatial Context Ontology ... 182
Figure 4-12 : Detailed Social Context Ontology ... 184
Figure 4-13 : Detailed Environmental Context Ontology ... 185
Figure 4-14 : Service oriented architecture (SOA) for GeoBI location-based and context-based reasoning and analysis ... 189
Figure 5-1: Hierarchical multilevel Mobile GeoBI context model for context-sharing and structuring ... 209
Figure 5-2: Snowflake-schema model for warehousing sales data ... 211
Figure 5-3: Example of OLAP hypercube and mini-cubes which can be generated from the previous data warehouse model (Figure 5-2) thanks to server-side OLAP tools ... 212
Figure 5-5-B: Towards accessing drillable contextual metrics from drillable dashboard . 217 Figure 5-5-A : Today’s drillable dashboard ... 217
Figure 5-6: Semi-detailed mobile GeoBI context model ... 220
Figure 5-7: Enriched mobile GeoBI context model with contextual metrics (overview of a semi-detailed model) ... 224
Figure 5-8 : (1/2) Excerpt of the formal OWL ontology of the mobile GeoBI context model enriched with contextual metrics ... 225
Figure 5-9: BPEL code (stripped) for requesting context-based metrics ... 230
Figure 5-10 Excerpt of WSDL 1.1 binding for OpenLS reverse Geocoding ... 231
Figure 5-11 Service oriented architecture for delivering and binding GeoBI contextual metrics with business performance metric ... 233
Figure 5-12: Detailed steps of interactive metrics binding ... 236
Figure 5-13 : Java class excerpt of persisting our mGeoBI contextual metrics into a postgreSQL database ... 238
Figure 5-14 : Overview of our contextual metrics ontology stored in Jena’s triple store data model ... 239
Figure 6-1: Hierarchical multilevel Mobile GeoBI context model for context-sharing and structuring ... 256
Figure 6-2: Snowflake-schema model for warehousing sales data ... 260
Figure 6-3: Example of OLAP hypercube and mini-cubes which can be generated from the previous data warehouse model (Figure 6-2) thanks to server-side OLAP tools ... 261
Figure 6-4: Lack of semantic support for a meaningful exploration, analysis and discover of BI data in today’s S/OLAP technologies ... 264
xix Figure 6-5: Example of semantic relations that might exist between data within the same
level, between levels of the same dimension, and between dimensions ... 266
Figure 6-6: Enriched business metadata connected to fact data from (Stefanov & List, 2006) ... 267
Figure 6-7 : Example of semantic annotation from (Diamantini & Potena, 2008) ... 267
Figure 6-8: OLAP cube ontology proposed by (Niemi & Niinimaki, 2010) ... 268
Figure 6-9: Typical arrangement of technologies composing a GeoBI/BI infrastructure .. 271
Figure 6-10: Semantic GeoBI semantic layers: OWL-based GeoBI data warehouse ontology and GeoBI OLAP cube ontology ... 276
Figure 6-11: Up / Down linking levels in hierarchies thanks to transitivity ... 277
Figure 6-12: Semantic-augmented GeoBI architecture for providing semantic exploration / discovery of S/OLAP data cubes ... 281
Figure 6-13: Illustration of loosely coupling semantic layers and reasoning engines with S/OLAP tools to provide support for semantic exploration / discovery of BI data .... 282
Figure 6-14: Enriched mobile GeoBI context model with contextual metrics (overview of a semi-detailed model) ... 286
Figure 6-15: Integrated context-based and semantic-augmented mobile GeoBI architecture ... 287
Figure 7-1: Architecture logicielle du prototype implanté pour la mise en œuvre des fonctionnalités retenues ... 313
Figure 7-2 : Extrait de données sémantiques modélisées selon les spécifications de l’ontologie de GeoSPARQL ... 326
Figure 7-3 : Architecture technique du prototype ... 335
Figure 7-4 : Projet Maven multi-modules implantant le prototype ... 336
Figure 7-5 : Schéma de l’entrepôt de données implanté ... 337
Figure 7-6 : Implantation de l’entrepôt de données dans Postgre/PostGIS ... 338
Figure 7-7 : Aperçu graphique du modèle de contexte mobile GeoBI implanté ... 339
Figure 7-8 : Organisation du code du module Maven implémentant la base de connaissance ... 340
Figure 7-9 : Module Maven implémentant les outils de raisonnement ... 342
Figure 7-10 : Classe de réplication d’un cube de données S/OLAP en « cube » de données sémantiques OWL ... 344
Figure 7-11 : Classe d’interface de web service pour les outils de raisonnement sémantiques ... 345
Figure 7-12 : Processus BPEL pour les opérations relatives à la fonctionnalité de délivrance d’informations et de métriques contextuelles ... 346
Figure 7-13 : Modèle JSON de description des données émises par le client mobile ... 348
Figure 7-14 : Module Maven/Java implantant l’application mobile ... 350
Figure 7-15 : Interface graphique générique de l’application mobile implantée ... 352
Figure 7-16 : Diagramme de séquence d’exécution de la fonctionnalité de délivrance d’information et de métriques contextuelles ... 355
Figure 7-18 : Interface de définition des règles sémantiques ... 359
Figure 7-19 : Interface de composition des requêtes de sélection d’informations et de métriques contextuelles ... 361
xx
Figure 7-20 : Interface de visualisation des « données résultats » (cas des informations et métriques contextuelles) ... 364 Figure 7-21 : Diagramme de séquence d’exécution de la fonctionnalité d’interrogation et de délivrance de données d’affaire sémantiquement augmentées ... 366 Figure 7-22 : Interface de composition des requêtes d’extraction de données d’affaire
sémantiquement augmentées ... 370 Figure 7-23 : Interface de visualisation des « données résultats » (cas des données d’affaire
sémantiquement augmentées) ... 374 Figure 8-1 : Les trois axes caractéristiques du Big Data ... 399
xxi
Remerciements
1. La réalisation de la présente thèse de doctorat n’a été possible que grâce à la Miséricorde d’Allah, puis grâce au soutien et à l’accompagnement de certaines personnes et institutions que je voudrais remercier.
2. Mes premiers remerciements vont à mes deux géniteurs qui n’ont cessé de m’accompagner dans la vie depuis que je suis né, et qui m’ont apporté leur soutien moral et religieux durant cette épreuve de la vie qu’est le doctorat.
3. Je remercie ma tendre épouse pour son soutien moral et spirituel, son écoute et sa patience.
4. Le doctorat à proprement parlé n’a été possible que grâce à l’encadrement, à l’encouragement et au soutien moral et financier de mon directeur de recherche, le docteur Thierry Badard. Il était soutenu dans cette tâche de direction de la thèse par les docteurs Frédéric Hubert et Sylvie Daniel que je remercie aussi pour leur disponibilité et leur encouragement. Merci aussi au docteur Sehl Mellouli, professeur à la faculté des sciences de l’administration de l’université Laval pour sa pré-lecture de la présente thèse.
5. Mes remerciements vont aussi à l’ACDI (Agence Canadienne du Développement International) qui à travers le Programme Canadien de Bourses de la Francophonie, m’a doté d’une bourse qui a permis de financer en grande partie mes études et travaux de doctorat. Je remercie personnellement M. Alou Dicko et Mme Jeanne Gallagher qui gèrent ce programme pour leur soutien moral et académique. Mes remerciements vont aussi à M. Pierre Marchand, conseiller PCBF en 2008, pour ses précieux conseils d’orientation académique qui m’ont permis d’atterrir au doctorat en sciences géomatiques alors que j’étais parti pour une maitrise en informatique.
6. Je remercie également tous mes amis et collègues étudiants du département des sciences géomatiques, ainsi que les employés et les professionnels de recherche du département. Et aussi mes amis et frères en Islam de l’Association des Étudiants Musulmans de l’Université Laval (AEMUL) et de la mosquée Annour et partout ailleurs au Burkina, au Canada, etc.
xxiii 8. À mes parents. 9. À mon épouse. 10. À ma famille au Burkina Faso et ma famille au Maroc. 11. Aux membres de ma famille qui ont rejoint l’au‐delà alors que j’étais au Canada.
xxv
Avant-Propos
La présente thèse est présentée sous la forme d’une thèse par insertion d’articles. Six articles au total (sur huit publications liées à la thèse) ont été insérés dans le présent document, dont cinq articles de journaux et un article de conférence présenté à la conférence internationale de cartographie (ICC 2012). Parmi les articles de journaux, deux ont été publiés respectivement dans le Journal of Geographic Information Systems (JGIS), et dans le journal GeoInformatica ; un autre est accepté et en attente de publication dans l’International Journal of Geosciences (IJG) ; et deux autres ont été soumis respectivment dans le journal « Computers, Environment and Urban Systems » et dans l’International Journal of Digital Earth (IJDE).
En tant qu’étudiant candidat au doctorat, j’ai conduit toutes les activités de recherche ayant concuru à la rédaction de ces articles par mes soins et dont je suis le premier auteur. J’ai été encadré et conseillé tout au long de ces travaux de recherche et de rédaction par les professeurs Thierry Badard (directeur de recherche), Frédéric Hubert (co-directeur), et Sylvie Daniel (conseillère).
Chaque article fait l’objet d’un chapitre dans lequel des compléments sont apportés à l’article lorsque cela est jugé nécessaire pour apporter une analyse critique ou une description détaillée à certains aspects de l’article. Une section perspectives est également insérée pour donner des pistes de réflexion ou d’approfondissement de certains sujets abordés mais pas directement liés à la problématique de la présente thèse. Quelques fois, deux articles sont inséreés dans un seul chapitre pour garder une cohérence certaine de la thèse. En plus des articles, la thèse est structurée en sept chapitres comme suit.
Le présent premier chapitre a permis d’exposer le contexte, la problématique et la méthodologie de recherche ayant entourés, motivés et aiguillés nos travaux de recherche. Le deuxième chapitre sera consacré à la présentation de l’état des connaissances dans les domaines majeurs impliqués dans la présente thèse, à savoir : l’aide à la décision,
xxvi
l’intelligence d’affaire, la mobilité et la gestion de contexte. Les aspects géospatiaux impliqués dans chacun de ces domaines seront mis en exergue.
Le troisième chapitre traite de la caractérisation de contexte mobile GeoBI et s’efforce d’apporter des réponses à la problématique P1.1 (section 1.2.1.1). Un modèle générique permettant de caractériser et de structurer un contexte mobile GeoBI est proposé à cet effet. Articles insérés dans le chapitre 3 :
Diallo, B. A. A., Badard, T., Hubert, F., & Daniel, S. (2011). Towards Context Awareness mobile Geospatial BI (GeoBI) applications. Proceedings of the 25th International Cartographic Conference (ICC), 3–8 July 2011 (pp. CO-254). Paris, France: Anne Ruas on behalf of the French Committee of Cartography.
Diallo, B. A. A., Badard, T., Hubert, F., & Daniel, S. (2012). Mobile and context-aware GeoBI applications : a multilevel model for structuring and sharing of contextual information. Journal of Geographic Information System (JGIS), vol. 4, issue 05, 425-443.
Le quatrième chapitre s’attaque à la problématique P1.2 (section 1.2.1.2) et propose, sur la base du modèle générique précédent, un modèle ontologique de contexte mobile GeoBI propice au raisonnement basé sur le contexte.
Article inséré dans le chapitre 4 :
Diallo, B. A. A., Badard, T., Hubert, F., & Daniel, S. (2014). "An OWL-based mobile GeoBI context ontology enabling location-based and context-based reasoning and supporting contextual business analysis" International Journal of GeoSciences, p. Accepted, 2014.
Le cinquième chapitre traite de la problématique du raisonnement basé sur le contexte pour enrichir l’analyse contextuelle des affaires (problématique P2, section 1.2.2). À cet effet, le modèle de contexte mobile GeoBI est enrichi de métriques/statistiques contextuelles, et une
xxvii architecture orientée services est proposé comme mécanisme de raisonnement basé sur le contexte.
Article inséré dans le chapitre 5 :
Diallo, B. A. A., Badard, T., Hubert, F., & Daniel, S. (2013). “Context-based mobile GeoBI: enhancing business analysis with contextual metrics/statistics and context-based reasoning.” GeoInformatica, April 2014, Volume 18, Issue 2, pp 405-433. Le sixième chapitre aborde la problématique d’augmentation sémantique des données d’affaire (problématique P3, section 1.2.3) et la problématique de conception d’une architecture technologique de GeoBI mobile couplant augmentation sémantique et raisonnement basé sur le contexte (problématique P4, section 1.2.4). Pour la problématique P3, des couches ontologiques d’augmentation sémantique des données d’affaire ont été proposées ainsi qu’un mécanisme permettant d’exploiter ces données sémantiquement augmentées. Pour la problématique P4, une architecture orientée services de GeoBI mobile permettant de délivrer des services GeoBI sémantiquement augmentés et basés sur le contexte a été conçue et décrite en détail.
Articles insérés dans le chapitre 6 :
Diallo BAA, Badard T, Hubert F, Daniel S, 2014, “Enabling semantic GeoBI by semantically augmenting data warehouses and S/OLAP cubes with OWL ontologies”; Computers, Environment and Urban Systems, (Soumis)
Diallo BAA, Badard T, Hubert F, Daniel S, 2014, “GeoSACAmBI: A Geospatial Service Oriented Architecture for delivering Semantic Augmented and Context-Aware mobile Geospatial Business Intelligence services to mobile business professionals”, International Journal of Digital Earth, (Accepté)
Le septième chapitre est consacré au développement d’un prototype afin de valider les concepts de raisonnement GeoBI basé sur le contexte et d’augmentation/enrichissement sémantique des données d’affaire BI/GeoBI. Le périmètre du prototype, ses architectures
xxviii
logicielle et technique, les diagrammes de séquence des fonctionnalités retenues, ainsi que les choix technologiques, l’application mobile développée, les services implantés et les tests validant le prototype y sont décrits. Ce chapitre vient valider la faisabilité de notre hypothèse de recherche selon laquelle « la proposition et le développement d’une solution de GeoBI mobile sémantiquement augmentée et sensible au contexte mobile du décideur est possible et réalisable »
Pour conclure la présente thèse, le huitième chapitre réalise une synthèse des différents travaux réalisés, met en exergue les contributions majeures apportées, et propose quelques perspectives de recherche et d’applications pouvant dérivées de cette thèse.
12.
1
Chapitre 1
1.
Introduction
Ce chapitre présente le contexte, la problématique et la méthodologie de recherche ayant entouré, motivé et aiguillé nos travaux de recherche sur le thème général de « l’aide à la décision en mobilité basée sur la localisation et le contexte », et sur le sujet particulier de la présente thèse de doctorat : « mise en œuvre d’une solution mobile d’intelligence d’affaire géospatiale (GeoBI) sémantiquement augmentée et sensible au contexte mobile du décideur/analyste».
1.1 Contexte
1.1.1 De la nécessité de l’aide à la décision
Pendant longtemps, diriger une organisation et y prendre des décisions adéquates étaient considérés exclusivement comme un flair, un art et un savoir-faire personnel. Mais de nos jours, la complexification du monde des affaires (fluctuations économiques et financières, concurrence exacerbée, quantité phénoménale de données et de paramètres à traiter, globalisation des affaires, exigences de décider vite et bien) a rendu nécessaire l’aide à la prise de décision (Turban, Aronson, & Liang, 2005).
1.1.2 De l’apport de l’intelligence d’affaire de bureau
Le concept de système d’aide à la décision (SAD), issu de l’informatique décisionnelle, est alors apparu dans les années 1960 (Keen & Scott, 1978) pour venir en aide aux décideurs. L’aide à la décision a depuis été fortement renforcée par la puissance et l’efficacité des systèmes d’intelligence d’affaire (Business Intelligence – BI) apparus au début des années 1990 (Power, 2002) tels que les entrepôts de données, le OLAP (OnLine Analytical Processing), les tableaux de bord, etc. Ces outils d’intelligence d’affaire permettent aux organisations de collecter, d’entreposer, de traiter et d’analyser d’immenses quantités de
2
données pour y extraire des informations pertinentes pouvant aider à une meilleure prise de décision et à un meilleur suivi des affaires.
Toutefois, ces systèmes issus de l’informatique décisionnelle n’exploitent pas pleinement les nombreuses références spatiales (Caron, 1998) contenues dans près de 80% des données d’affaires comme par exemple les limites administratives, les adresses de rue, les codes postaux, les positions GPS, les noms de lieux, etc. (Franklin, 1992).
À partir des années 1995, en réalisant un savant couplage entre les outils SIG et la technologie OLAP, la recherche en géomatique décisionnelle a permis l’émergence d’une extension de l’intelligence d’affaire dite « intelligence d’affaire géospatiale » ou en abrégé, GeoBI pour Geospatial Business Intelligence. L’une des approches de mise en œuvre du GeoBI est connue sous le nom de SOLAP (Spatial OLAP). SOLAP offre une extension spatiale de la technologie OLAP en y incorporant les capacités des outils SIG. Ainsi, avec l’avènement du SOLAP, l’aide à la prise de décision s’est vue améliorée et enrichie des capacités de traitement, d’analyse et de visualisation des données géospatiales (Bédard, Proulx, & Rivest, 2005).
1.1.3 De la limite de l’intelligence d’affaire de bureau en situation de mobilité
Les technologies de l’intelligence d’affaire géospatiale (Spatial ETL - Extract, Transform and Load-, Spatial OLAP, etc.) tout comme leurs ascendants décisionnels (outils BI, ex. OLAP), reposent sur une architecture client-serveur destinée à fonctionner principalement dans un environnement de travail fixe et filaire (ex. ordinateurs de bureau) en raison de l’accès direct aux données dont elles ont besoin, et en raison des quantités importantes de puissance de calcul, de bande passante et de capacité de stockage qu’elles exigent. De ce fait, cela limite leur capacité d’usage en situation de mobilité où la connectivité est faible et intermittente, et en raison des capacités de traitement, de stockage et d’affichage réduits des équipements mobiles (Badard, Bédard, Hubert, Bernier, & Dubé, 2008).
3 Pourtant, étant donné le monde de plus en plus global et compétitif dans lequel nous vivons, les gens d’affaires sont de plus en plus mobiles et confrontés à la nécessité de prendre des décisions de plus en plus rapides et efficaces (Richman, Noble, & Johnson, 2002). L’aide à la prise de décision en situation de mobilité s’avère alors indispensable. De plus, avec l’essor de l’informatique mobile, les téléphones mobiles intelligents (smart phones) sont de plus en plus performants et de plus en plus utilisés comme plateformes alternatives aux ordinateurs de bureau (Stanley, 2010).
1.1.4 Les smart phones comme plateformes alternatives aux ordinateurs de bureau
Le développement rapide de l’informatique mobile a donné lieu à l’apparition et à la démocratisation de téléphones mobiles dits intelligents ou smart phones (ex. : iPhone, PDAphone, HTC, etc.) dont le nombre est aujourd’hui en voie de dépasser celui des ordinateurs personnels – PCs. (Weintraub, 2010); (Alto, 2012). En effet, comme le souligne une prévision de Morgan Stanley (Stanley, 2010), en 2015 les utilisateurs seront plus nombreux à utiliser des téléphones mobiles pour accéder à Internet plutôt que des ordinateurs de bureau.
En outre, les performances sans cesse croissantes de ces équipements en font de potentielles plateformes alternatives aux ordinateurs de bureau pour accéder et exploiter des données d’entreprise. Il est ainsi aisé de constater que cette popularisation de l’informatique mobile touche aussi les responsables d’entreprise qui sont de plus en plus nombreux à s’en servir non seulement pour (i) réaliser des communications traditionnelles - appel/réception téléphoniques, MMS1, SMS2 -, mais aussi pour (ii) accéder à Internet (mail, réseaux
sociaux), ou pour (iii) travailler avec des applications professionnelles ou tierces (agenda, tableur, traitement de texte, cartographie, etc.) disponibles sur ces équipements ou accessibles via le web. Ainsi donc, d’après une enquête conjointe menée par TriComB2B et l’université de la Dayton School of Business Administration, 59% des décideurs américains
1 Multimedia Messaging Service 2 Short Message Service
4
engagés dans le B2B (relations commerciales d’entreprise à entreprise) utiliseraient un téléphone intelligent pour rechercher des produits et services en ligne dans le but d’opérer des achats (Cohen, 2011); (emarketer.com, 2011).
Toutes ces études et ces chiffres montrent que le téléphone mobile intelligent est en passe de devenir un véritable outil de travail (Meng & Reichenbacher, 2005) pour les travailleurs mobiles et pour l’aide à la décision en mobilité.
1.1.5 De l’émergence des travailleurs mobiles
Cet usage professionnel du téléphone mobile comme mentionné ci-haut, a contribué à l’émergence d’une nouvelle catégorie d’acteurs du monde des affaires n’ayant pas de bureau fixe; travaillant directement sur le terrain dans divers endroits (à la maison, en voiture, en avion, chez le client, à l’hôtel, chez le fournisseur, etc.) à l’aide d’équipements mobiles ou nomades; et se déplaçant partout où les affaires l’exigent: ce sont les travailleurs mobiles.
Selon un rapport d’enquête de (Richman, Noble, & Johnson, 2002), ils représentent au moins 12% des travailleurs, dont 42% de managers et de superviseurs, et exercent surtout dans le transport, les agences de vente et de représentation, la publicité, le marketing, les médias, les affaires financières et professionnelles, l’ingénierie, la technologie, la consultance, etc.
La mobilité touche aussi (i) les autres travailleurs hors-sites (39%) comme par exemple les travailleurs détachés chez le client (Customer site workers), et même (ii) les travailleurs de bureau (49% des employés) qui se déplacent eux aussi parfois sur le terrain. Selon l’étude (IDC, 2012), les travailleurs étant de plus en plus mobiles, le nombre et la proportion de travailleurs mobiles pourraient atteindre en 2015, un milliard 300 millions et représenter 37,2% des travailleurs.
Tous ces gens d’affaires qui travaillent et se déplacent pour assurer la compétitivité de leur organisation, méritent d’être assistés dans leurs décisions d’affaire d’autant plus qu’ils souffrent de ne pas avoir suffisamment accès aux données de leur entreprise pour
5 s’acquitter convenablement de leurs tâches dans les meilleurs délais (Richman, Noble, & Johnson, 2002).
1.1.6 De l’aide à la décision en mobilité
Dans le domaine de l’intelligence d’affaire, cette aide est venue notamment des solutions mobiles d’intelligence d’affaire.
Parmi les solutions mobiles proposées par le monde de la recherche figurent : (i) le Hand-OLAP (Cuzzocrea, Furfaro, & Saccam, 2003), (ii) le Mobile-Hand-OLAP (Maniatis, 2004), et (iii) le SOLAP Mobile (Dubé, Badard, & Bédard, 2007). Elles proposent ou offrent la possibilité d’accéder à distance à des données décisionnelles. Du côté de l’industrie, on peut citer les solutions mobiles mises sur le marché par chacun des deux grands leaders du monde décisionnel à savoir, (iv) MoBI pour la société SAP Business Objects (BusinessObject.com, 2008), et (iv) Go ! Mobile pour IBM Cognos (IBM.com, 2009), (yellowfinbi.com, 2010). Ces dernières offrent toutes deux un accès à distance à une plateforme décisionnelle via le web et permettent à leurs utilisateurs de consulter des tableaux de bord, des rapports, etc.
Toutefois, ces solutions mobiles académiques et commerciales connaissent quelques limites au niveau fonctionnel, technologique et sémantique.
1.1.7 De la limite fonctionnelle, technologique et sémantique des solutions existantes de BI mobile
Bien qu’offrant la possibilité d’accéder à ses données d’affaire à distance une fois sur le terrain, les solutions actuelles de GeoBI/BI mobile tout comme leur ascendant S/OLAP, n’exploitent pas pleinement les données géospatiales (position, trafic, etc.) qu’implique la mobilité physique comme la localisation de l’utilisateur et son contexte environnant. En effet, la composante mobilité (qui suppose un déplacement dans l’espace et le temps) reste souvent limitée à la capacité d’interagir avec des données distantes via une plateforme
6
web ; et l’exploitation des données contextuelles qui pourraient aider à appréhender le contexte de travail du décideur/analyste mobile semble inconsidérée.
Par ailleurs, si elle permet une agrégation et un traitement rapide des données, la technologie S/OLAP (utilisée aussi pour les solutions de GeoBI/BI mobile) se caractérise également par un manque d’informations sémantiques sur les relations pouvant exister entre les données d’affaire qui sont traitées. Par exemple, des entreprises (ex. X&co et Y&co) membres d’une dimension « organisation » pourraient être des concurrents, des partenaires, des clients réciproques ou avoir des relations de client/fournisseur à sens unique... Et le savoir pourrait enrichir ou modifier la prise de décision. Cette carence sémantique est généralement compensée ex-nihilo par le décideur/analyste lui-même qui est obligé d’aller rechercher ces informations sémantiques ailleurs (dans des bases de données transactionnelles sur la clientèle par exemple ou sur le web) ou se référer à sa mémoire personnelle. Pour le décideur/analyste mobile qui est souvent pressé par le temps (délais, contraintes météo, trafic, etc.) et l’espace (obstacles ou personnes gênantes, absence de connexion réseau, etc.), un tel effort d’analyse sémantique ex-nihilo pourrait s’avérer contre-productif en terme de performance. À l’opposé, une solution de GeoBI mobile sémantiquement augmentée pourrait permettre au décideur mobile d’explorer et d’analyser de façon plus rapide, significative et ciblée ses données d’affaires (ex. : dans cette localité, quelle est la part des ventes réalisées avec des entreprises qui sont concurrentes entre elles – i.e. relation de concurrence entre l’entreprise cliente A et l’entreprise cliente B - versus la part des ventes réalisées avec des compagnies qui sont partenaires).
Ce diagnostic des solutions existantes de BI mobiles met entre autres en exergue, le fait que jusqu’à présent, l’aide à la prise de décision en mobilité a été surtout pensée et conçue fonctionnellement en termes d’accès à distance aux données d’entreprise comme si on était au bureau, peu importe la localité où se trouve l’usager mobile. La prise en compte de la spécificité contextuelle dans laquelle pourrait se trouver le décideur mobile semble avoir été littéralement ignorée.
7
1.1.8 De la spécificité contextuelle de la prise de décision géospatiale en mobilité et de l’intérêt de la poussée d’informations basée sur le contexte
En général, le décideur mobile n’est pas toujours dans son bureau et le contexte local dans lequel il se trouve sur le terrain peut être une composante importante de la décision à prendre. Certaines de ces caractéristiques contextuelles peuvent avoir un impact direct sur la performance et la compétitivité des affaires (ex : l’économie, la politique, l’administration, etc.) ; tandis que d’autres peuvent influencer la perception que se fait l’homme ou la femme d’affaire de l’environnement dans lequel il ou elle évolue (ex : la culture, la religion, l’insécurité, etc.) ; le tout pouvant avoir un impact considérable sur la façon de conduire les affaires dans cette localité. En outre, ces affaires locales peuvent à leur tour être influencées par un contexte d’affaire distant (ex. : le cours de la bourse à Wall Streets) dont il faudrait aussi tenir compte.
Ainsi, la connaissance du contexte mobile pourrait permettre à une application mobile d’aide à la décision de raisonner conjointement avec les données d’affaire (entrepôts de données, cubes de données, rapports, tableaux de bords, etc.) en vue d’aider le décideur mobile à déduire et à découvrir des informations pertinentes qui lui permettent de prendre des décisions adaptées à son contexte.
Pour illustrer cela, prenons l’exemple d’un vendeur mobile qui souhaite connaître l’état de ses affaires (ex. : produits les plus vendus, produits les plus profitables, produits occasionnant des pertes, etc.) dans la localité qu’il visite actuellement (ex. : ville de Québec, quartier Beauport, etc.) à l’intérieur d’un périmètre donné (ex. : 2km) autour de sa position actuelle. En traitant une telle requête basée sur le contexte mobile de l’utilisateur, l’application mobile pourrait découvrir, en raisonnant sur le contexte d’affaires en question, que les produits actuels les plus profitables ne le seraient plus le mois prochain en raison de la nouvelle taxation qui toucherait ces produits dans cette localité. Dans ce cas, en répondant à la requête initiale, l’application mobile pourrait également alerter ce décideur
8
mobile de la prochaine donne. Ce qui pourrait le conduire à annuler les nouvelles commandes concernant ces produits, ou de réduire leurs quantités d’approvisionnement. Cet exemple montre qu’il peut être intéressant et judicieux d’aller au-delà de la mobilité comme simple accès à distance aux données (mobilité technologique), pour prendre également en considération la localisation et le contexte de travail du décideur mobile (mobilité comme déplacement et changement dynamique d’environnement), afin d’être en mesure de pousser vers ce dernier, des données d’affaire et des informations contextuelles adaptées à son contexte d’affaire GeoBI.
La proposition d’une telle solution de GeoBI mobile sensible au contexte mobile du décideur en plus d’être sémantiquement augmentée (voir section précédente) soulève indubitablement diverses problématiques de recherche que nous exposons dans la section ci-dessous. Proposer, concevoir et développer des solutions d’intelligence d’affaire géospatiale constituent en l’occurrence l’un des objectifs des activités de recherche et développement du groupe de recherche GeoSOA au sein duquel la présente thèse a été menée.
1.2 Problématique
Le contexte général exposé ci-dessus a souligné notamment une carence sémantique des données d’affaires S/OLAP et une non prise en considération du contexte mobile du décideur par les solutions existantes de BI / GeoBI mobile.
La présente thèse de doctorat explore donc la possibilité de contribuer (contributions de recherche) au solutionnement de la problématique générale de mise en œuvre d’une solution d’intelligence géospatiale mobile en mesure de pousser vers les gens d’affaire mobiles, selon leur contexte et leur besoin, des données d’affaires S/OLAP sémantiquement plus riches et des informations contextuelles pertinentes qui permettent de raisonner sur un contexte d’affaire GeoBI.
9 La poussée d’informations contextuelles selon le contexte mobile GeoBI du décideur implique que la solution mobile proposée soit sensible au contexte. La sensibilité au contexte implique à son tour que la solution mobile GeoBI connaisse à l’avance les informations contextuelles auxquelles elle doit réagir (ce qui implique la caractérisation / modélisation de ce qu’est un contexte mobile GeoBI), et la façon dont elle doit réagir pour déterminer les informations contextuelles escomptées (ce qui implique la mise en œuvre d’un mécanisme de raisonnement basé sur le contexte).
La caractérisation/modélisation de contexte, et le raisonnement basé sur le contexte demeurent des problématiques importantes de recherche (Bao, Cao, Chen, Tian, & Xiong, 2012), (Chen, Finin, & Joshi, 2003). Cela est d’autant plus vrai en ce qui concerne l’intelligence d’affaire géospatiale (GeoBI), étant donnée l’absence, au meilleur de notre connaissance, de publications scientifiques référencées et de solutions technologiques portant sur et mettant en œuvre une solution autour de la notion de contexte mobile GeoBI. La caractérisation/modélisation d’un contexte mobile GeoBI propice au raisonnement (problématique P1) et la mise en œuvre d’un raisonnement basé sur un tel contexte pour soutenir l’analyse contextuelle des affaires (problématique P2) constituent alors les premières problématiques de recherche que nous traiterons dans le cadre de la présente thèse de doctorat. Ces problématiques sont décrites plus en détail respectivement dans les sections 1.2.1 et 1.2.2 ci-dessous.
Aux côtés de la problématique des données contextuelles GeoBI à caractériser, se pose la problématique des données d’affaire S/OLAP à enrichir sémantiquement. En l’état actuel des structures de données GeoBI (entrepôts et cubes de données S/OLAP), nous estimons en effet que ces données d’affaire ne sont pas suffisamment sémantiquement riches pour soutenir efficacement la prise décision en mobilité (voir section 1.1.7). La problématique liée à la carence et à l’enrichissement sémantique des données d’affaire a fait l’objet de plusieurs travaux scientifiques ayant porté essentiellement sur l’enrichissement sémantique des métadonnées S/OLAP (Opoku-Anokye & Tang, 2013), (Niinimaki & Niemi, 2009), (Pardillo, Maz´on, & Trujillo, 2008), (Stefanov & List, 2006), , etc. Cependant, au meilleur de notre connaissance, nous n’avons relevé dans la littérature scientifique, aucune
10
publication portant sur les relations sémantiques pouvant exister entre les données d’affaire (ex. les compagnies X et Z sont partenaires/concurrentes, etc.). Cette mise en relation sémantique pouvant potentiellement permettre d’enrichir l’analyse des données d’affaire, nous traiterons donc également cette problématique (problématique P3) dans le cadre de la présente thèse. Les détails propres à cette problématique sont exposés dans la section 1.2.3. En plus des informations contextuelles à caractériser et des données d’affaires à enrichir sémantiquement, se pose le problème de l’infrastructure technologique à mettre en œuvre pour traiter et délivrer au décideur mobile, les informations contextuelles et les données d’affaire requises par ce dernier sur la base de son contexte actuel. La conception d’une telle infrastructure technologique intégrée permettant de délivrer des informations contextuelles et des données d’affaire sémantiquement augmentées selon le contexte du décideur mobile constitue la quatrième problématique majeure (problématique P4) de notre thèse de recherche. Cette problématique est décrite dans la section 1.2.4
Une autre problématique majeure liée à la proposition d’une solution de GeoBI mobile sémantiquement augmentée et sensible au contexte du décideur/analyste mobile est le développement d’une application mobile sensible au contexte, et plus spécifiquement l’élaboration d’une interface graphique utilisateur adaptée pour l’utilisation et l’interaction avec une telle solution de GeoBI mobile combinant informations contextuelles et données d’affaire enrichies sémantiquement. Cette problématique (problématique P5) est présentée dans la section 1.2.5. Toutefois, étant données l’ampleur et la primordialité des quatre problématiques précédentes, et étant donnée la forte implication de divers autres domaines - ex. psychologie, sociologie, sciences cognitives, graphisme/ergonomie, etc. (Jacko, 2012) - dans la conception d’interfaces homme-machine (IHM), il n’a pas été prévu de traiter cette problématique dans le cadre de la présente thèse de doctorat. Une interface limitée au strict nécessaire (ex. ligne de commande) sera utilisée pour les besoins de tests et de validation.
11
1.2.1 Problématique P1 : Caractérisation et modélisation d’un contexte mobile GeoBI propice au raisonnement
Cette problématique majeure contient deux sous-problématiques à savoir (i) la caractérisation et la définition d’un contexte mobile GeoBI approprié à l’intelligence d’affaire géospatiale mobile et basé sur le contexte, et (ii) l’élaboration d’un modèle de contexte mobile GeoBI propice au raisonnement.
1.2.1.1 Problématique P1.1 : Caractérisation et définition d’un contexte mobile GeoBI approprié à l’intelligence d’affaire géospatiale mobile et basée sur le contexte.
La notion de contexte et les informations contextuelles composant et décrivant un contexte varient selon le domaine considéré. Exemples :contexte de traitement robotique (Luber, Spinello, Silva, & Arras, 2012), (Lombardi, Cantoni, & Zavidovique, 2004.), contexte lié à l’expérience humaine, contexte d’interaction Homme-Machine (Sotsenko, Jansen, & Milrad, 2014), (Bolchini, Curino, Quintarelli, Tanca, & Schreiber, 2007), etc. (Chen & Kotz, 2000) définit le contexte d’un point de vue technologique comme « l’ensemble des états et paramètres de l’environnement3 qui détermine le comportement d’une application,
ou dans lequel un évènement lié à une application survient et intéresse l’utilisateur. » Dans le cadre de la présente thèse, nous entendons alors par contexte mobile, l’environnement (physique, applicatif, et cognitif) dans lequel un utilisateur interagit avec une application mobile installée sur un appareil mobile. Et par « contexte mobile GeoBI », nous désignons l’environnement de travail (contexte d’affaire) dans lequel un utilisateur (ex. décideur) est amené à prendre des décisions en exploitant des outils d’intelligence d’affaire rendus disponibles sur un appareil mobile.
En guise d’illustration, la position de l’usager mobile, le niveau de charge de la batterie de l’appareil mobile, ou le moment de la prise de décision (ex. : heure, saison, etc.) peuvent
3 Environnement : (Chen & Kotz, 2000) utilise ce terme pour désigner l’environnement physique de
![Figure 2-3 : Niveaux d’automatisation de la prise de décision [adaptés de (Parasuraman, Sheridan, & Wickens, 2000)]](https://thumb-eu.123doks.com/thumbv2/123doknet/6674352.182957/68.918.142.766.385.892/figure-niveaux-automatisation-décision-adaptés-parasuraman-sheridan-wickens.webp)
