Mémoire de stage de fin d’études

Pour l’obtention du Diplôme de Master

[nom] Et [nom]

Spécialité : [nom]

Analyse Collaborative dans le décisionnel pour tous

Projet ANR BI4people

Réalisé par :

[nom]

Sous la direction de :

M. Ali YAHYAOUY · Professeur à la FSDM-Université Sidi Mohamed Ben Abdellah

Fès – Maroc

Mme. Sabine Loudcher · Professeure des universités, université Lumière Lyon 2 – France.

Mme. Cécile Favre · Maîtresse de conférences, université Lumière Lyon 2 – France.

M. Jérôme Darmont · Professeur d'[nom], université Lumière Lyon 2 – France

et coordinateur du projet BI4people.

Soutenu le XX/07/2022, devant le jury composé de :

M. Ali YAHYAOUY · Professeur à la FSDM · Président du jury

M. Xxx XXX

Mme. Xxx XXX

Année Universitaire : 2021 - 2022

Dédicaces

Au nom de Dieu, le Tout Miséricordieux, le Très Miséricordieux

Je dédie ce travail

A ma chère mère,

A mon cher père, Qui n’ont jamais cessé de faire des prières à mon égard de me soutenir

Et de leurs encouragements pour que je puisse atteindre mes objectifs.

A mes frères, Hamza, Omar et Hatim

Pour leur soutien moral et leurs conseils précieux tout au long de mes études.

A mon cher ami, Amine

Qui m’a supporté durant ces deux dernières années et Chez qui j’ai trouvé l’entente dont j’avais besoin.

A mes chers ami, Yazid, Mohammed

Qui m’ont aidé plusieurs moments tout au long de ces années.

A mes chères ami(e)s, Imane, Souraya

Pour leurs aides et support durant les moments difficiles.

A toute ma famille

A tous ce que j’aime et ceux qui m’aiment.

2

Remerciements

Au terme de ce projet, Je tiens à exprimer ma gratitude envers tous ceux qui ont assisté de près ou de loin à sa réalisation.

Je remercie ardemment mon encadrant à la faculté des sciences Dhar El

Mahraz de Fès (Maroc) Monsieur le professeur Ali YAHYAOUY pour la qualité inédite de son suivi et la pertinence de ses conseils.

Je tiens à remercier chaleureusement Monsieur Jérôme Darmont chef du projet BI4people, Madames Cécile Favre et Sabine Loudcher pour m’avoir impliqué dans ce projet et pour le savoir-faire qu’elles m’ont transférés entant qu’encadrantes.

Je tiens à remercier toute personne ayant contribué à la réussite de ce projet, M. Fahad Muhammad Post-Doctorant ANR au laboratoire ERIC de son aide toutes au long de cette période de stage.

Mes remerciements s’adressent également à tous mes enseignants et aux cadres pédagogiques de l’Université Sidi Mohammed Ben Abdellah surtout de la Faculté des Sciences Dhar el Mahraz de Fès, Maroc pour les efforts déployés dans le but de développer toutes nos compétences.

J’adresse mon vif remerciement a :

Monsieur le Professeur Jaouad BOUMHIDI, Professeur à la Faculté Des Sciences Dhar El Mahraz de Fès (Maroc) et coordonnateur du master

[nom] ET [nom] pour son support durant toutes ces années d’études entant que professeur et coordonnateur.

Monsieur le professeur Julien Jacques, Professeur à l’université Lumière

Lyon 2 et directeur du laboratoire ERIC.

Madame Habiba Osman, Responsable Administrative et Financière du LABORATOIRE ERIC de l’université Lyon 2 pour son soutien durant cette période. A toutes les membres du laboratoire ERIC surtout celles de L’équipe SID

(Systèmes d’Information Décisionnels) pour tous leurs aides.

3

Résumé

L’[nom] (BI) est un processus de gestion des données qui combine la collecte et le stockage des données, la gestion des connaissances et l'analyse afin d'alimenter le processus décisionnel.

La BI met l'accent sur l'analyse de grands volumes de données sur l'entreprise et ses opérations. Elle comprend la veille concurrentielle (surveillance des concurrents) en tant que sous-ensemble. Dans les environnements [nom], la veille stratégique utilise une grande base de données, généralement stockée dans un entrepôt de données (Data Warehouse/Data Mart), comme source d'information et comme base d'une analyse sophistiquée. Le principal but de ce projet est de rendre ces techniques d’analyses accessible par toutes et tous, d’où vient le nom du projet BI4people et qui veut dire business intelligence pour tous, qui va permettre une prise en main simplifiée du processus décisionnel, en masquant les phases d’intégration de données et de conception d’un entrepôt à travers des techniques de CBI (Collaborative Business Intelligence). C’est sur cela que portera ce projet, en étalant toutes les étapes de conception du système à travers un choix des outils et une mise en place ainsi que des tests et des résultats.

Mots clés : Business Intelligence, Données, Entrepôt de données, Intégration des données, Extraction des données, Chargement des données, Data Mart, Collaborative Business Intelligence.

4

Abstract

Business Intelligence (BI) is a data management process that combines data collection and storage, knowledge management, and analysis to feed the decision-making process.

BI focuses on the analysis of large volumes of data about the company and its operations. It includes competitive intelligence (competitor monitoring) as a subset.

In IT environments, BI uses a large database, usually stored in a (Data

Warehouse/Data Marts), as a source of information and as a basis for sophisticated analysis.

The main goal of this project is to make these analysis techniques accessible to everyone, hence the name of the BI4people project, which means business intelligence for all, which will allow a simplified handling of the decision-making process, by masking the phases of data integration and design of a warehouse through CBI techniques (Collaborative Business Intelligence). This is what this project will focus on, spreading out all the stages of system design through a choice of tools and implementation as well as tests and results.

Keywords: Business Intelligence, Data, Data warehouse, Data integration, Data mining, Data loading, Data Mart, Collaborative Business Intelligence

5

Table des matières

Dédicaces ...................................................................................................................................................... 2

Remerciements ............................................................................................................................................. 3

Résumé ......................................................................................................................................................... 4

Abstract ..................................................................................................................................................... 5

Tables des figures .......................................................................................................................................... 8

Introduction ................................................................................................................................................ 10

• · Environnement et contexte de stage .................................................................................................. 11 1.1. · L’unité de recherche ERIC : ....................................................................................................... 11 1.2. · Projet ANR BI4people « Le décisionnel pour tous » .................................................................. 12 1.2.1. · Mode de travail : ................................................................................................................. 12 1.2.2. · Descriptif et objectif : ......................................................................................................... 12 1.2.3. · Partenaires : ......................................................................................................................... 13 ❖ · Partenaires académiques : ........................................................................................................... 13 ❖ · Partenaires Industriel : ................................................................................................................ 13 ❖ · Partenaires associés : ................................................................................................................... 14 1.2.4. · Plateforme du projet « BI en libre-service » : ..................................................................... 14 1.2.5. · Missions du stage : .............................................................................................................. 17
• · L’[nom] : ............................................................................................................ 18 2.1. · Introduction : ............................................................................................................................... 18 2.2. · Concepts généraux du BI : .......................................................................................................... 18 2.2.1. · La Business Intelligence ..................................................................................................... 18 2.2.2. · Avantages du BI : ................................................................................................................ 18 2.2.3. · Les limites du BI : ............................................................................................................... 18 2.3. · Les principes des systèmes décisionnels : ................................................................................... 19 2.3.1. · Sources de données : ........................................................................................................... 19 2.3.2. · Entrepôt de données : .......................................................................................................... 20 2.3.3. · Extract-Transform-Load : ................................................................................................... 20 2.3.4. · La différence entre OLTP et OLAP : .................................................................................. 20 2.3.5. · Conclusion : ........................................................................................................................ 21
• · Etat de l’art : ........................................................................................................................................ 22

6

3.1. · Concepts de base ......................................................................................................................... 22

3.2. · Principes de conception de La CBI : ........................................................................................... 23

3.3. · Phases du processus de prise de décision en collaboration : ....................................................... 23

3.4. · Différents aspects de la recherche en BI collaborative : ............................................................. 24

3.5. · Conclusion : ................................................................................................................................ 25

• · Différents cas pour l'analyse collaborative des données : .................................................................. 25 4.1. · Types de données disponibles : ................................................................................................... 25 4.2. · Objectif : ..................................................................................................................................... 26 4.3. · Conclusion : ................................................................................................................................ 27
• · Réalisation du stage : .......................................................................................................................... 27 5.1. · Etude de cas sur la scolarisation en France : ............................................................................... 27 5.1.1. · Implémentation d’ETL : ...................................................................................................... 27 5.1.2. · Base de données utilisée : ................................................................................................... 27 5.1.3. · Etude des sources de données et type de chargement : ....................................................... 29 5.1.4. · Visualisations des données : ............................................................................................... 37 5.2. · Dashboard bilingues (Fr, En) : .................................................................................................... 44 5.2.1. · L’enjeux de multilingues : ................................................................................................... 44 5.2.2. · Choix de l’outil : .................................................................................................................. 44 5.2.3. · Réagir avec React-i18next : ................................................................................................. 44 5.2.4. · Résultat : ............................................................................................................................. 47 5.2.5. · Conclusion : ......................................................................................................................... 47 Conclusion ................................................................................................................................................... 48 Bibliographie ............................................................................................................................................... 49

7

Tables des figures

Figure 1: Axes de recherche d’ERIC ................................................................................................... 11

Figure 2: Schéma global de fonctionnement de BI4people ....................................................................... 12

Figure 3 : les outputs des Workpackage ..................................................................................................... 15

Figure 4 : Architecture générale d’un système décisionnel ....................................................................... 19

Figure 5 : La différence entre OLTP et OLAP ............................................................................................... 21

Figure 6: Différentes formes de la Business Intelligence Collaborative ..................................................... 22

Figure 7: Phases du processus de prise de décision en collaboration ........................................................ 24

Figure 8: Vue générale de la base source (Excel) ........................................................................................ 28

Figure 9 : Dictionnaire des variables ........................................................................................................... 28

Figure 10 : Schéma de notre source des données ...................................................................................... 29

Figure 11 : Diagramme UML du processus d’alimentation ........................................................................ 30

Figure 12 : Connexion à MariadB et création de la base datawarehouse_BI4people ................................ 31

Figure 13 : Structure après [nom] de chaque colonne par ses racines ................................................ 32

Figure 14 : Création des tables de dimensions ........................................................................................... 33

Figure 15 : Création de la table de fait ........................................................................................................ 33

Figure 16 : Insértion dans la table de fait .................................................................................................. 34

Figure 17 : Quelques visualisations pour le test avec Power BI.................................................................. 37

Figure 18 : Architecture fonctionnelle de Cube Js ...................................................................................... 38

Figure 19 : Contenu du fichier. env de notre projet ................................................................................. 39

Figure 20 : Géneration du Schéma.............................................................................................................. 39

Figure 21 : Démarage du dashboard ........................................................................................................... 41

Figure 22 : Interface Dashboard avec React ............................................................................................... 41

Figure 23 : Visualisation sous forme d'une Table ....................................................................................... 41

Figure 24 : Visualisation sous forme de Bar ............................................................................................... 42

Figure 25 : Visualisation sous forme de Pie chart ...................................................................................... 42

Figure 26 : Enregistrement du Dashboard .................................................................................................. 42

Figure 27 : Vue des visualisations enregistrer ............................................................................................ 43

Figure 28 : Modification des visualisations après la création ..................................................................... 43

Figure 29 : Dictionnaire des données en JSON ........................................................................................... 45

8

BI

CBI

LLSHS

OLAP

CI

SBI

GDM

ETL

ORM

OLTP

UML

SSAS

CDM

Tableau d’abréviation

Business Intelligence

Collaborative business intelligence

Domaines des lettres, langues, sciences humaines et sociales

Online Analytical Processing

Communication interne

Social Business Intelligence

Group Decision Making

Extract-Transform-Load

Object Relational Mapping

Online Transaction Processing

Unified Modeling Language

Software-as-a-service

Collaborative Decision Making

9

Introduction

Etudiant en deuxième année master [nom] DECISIONNELES

ET [nom] au sein de la faculté des sciences Dhar El Mahraz de Fès, Maroc.

Je suis en période de stage de fin d’étude auprès du laboratoire ERIC, Il s'agit d’une unité de recherche des Universités Lyon 2 et Lyon 1, c’est un stage pour une durée 18 semaines, du 23 mars au 29 juillet 2022.

Ce stage a pour but de confirmer mon diplôme de master qui est orienté vers la recherche.

La mission de stage que l’organisme d’accueil m’a proposé, en plus d’être cohérent avec le programme d’étude suivi tout au long de ma formation correspond justement à cet objectif, c’est pourquoi j’ai choisi cette unité de recherche.

De plus, le secteur de recherche vers lequel il est tournée, à savoir l’[nom]

[nom], la science des données, m’a semblé très intéressant.

Nous allons commencer ce rapport de stage par une présentation de l’organisme d’accueil qui m’a accueillie : ERIC, en décrivant le secteur d’activité de recherche.

Plan du mémoire

Ce mémoire s’articule de la manière suivante.

• La section 2 introduit les concepts généraux (les avantages et les limites, etc…) de la Business intelligence
• La section 3 présente un peu d’histoire sur la littérature de la CBI (Collaborative Business intelligence)
• La section 4 présente les différents cas de l’analyse collaboratives des données, les types des données possible en indiquant notre choix de type des données ainsi
• La section 5 présente les réalisations du stage et enfin une conclusion s’impose.

10

• · Environnement et contexte de stage

Nous allons débuter cette première partie en présentant l’unité de recherche qui m’a accueilli pour effectuer ce stage ainsi que son secteur d’activité. Nous décrivons également le projet ANR

BI4people « Le décisionnel pour tous »et les partenaires associés ainsi que ma mission de stage.

1.1. L’unité de recherche ERIC :

Le laboratoire ERIC (Unité de recherche des Universités Lyon 2 et Lyon 1) développe des recherches théoriques et appliquées dans les domaines de la science des données et de l’[nom]

[nom] Elles visent à valoriser les grandes bases de données complexes, notamment dans les domaines des lettres, langues, sciences humaines et sociales (LLSHS) et se situent dans les domaines suivants :

• Science des données : machine Learning, [nom], décision, fouille de données complexes, textuelles ou fonctionnelles, agrégation multicritère.
• [nom] : entrepôts de données, intégration [nom] de données complexes, modélisation multidimensionnelle d’objets complexes, analyse en ligne (OLAP) personnalisée, lacs de données, gestion de métadonnées, sécurité des données.
• Humanités numériques, gestion et analyse de données variées (au sens des mégadonnées), métadonnées, interprétabilité des modèles de fouille de données,

[nom] et genre.

Figure 1: Axes de recherche d’ERIC

11

1.2. Projet ANR BI4people « Le décisionnel pour tous »

1.2.1. Mode de travail :

Suite à des problèmes administratifs je suis arrivé plus tard, j’ai commencé le stage en télétravail, j’ai participé à une réunion plénière qui regroupe tous les partenaires en distanciel le 24 mars et une autre en présentiel le 23,24 juin à la MSH de Lyon, ça été l’occasion de voir comment se déroule le projet et de se mettre d’accord avec les différents workpackage sur l’avancement du projet ainsi y’avais des réunions hebdomadaires qui m’ont données l’occasion de poser des questions et savoir pas mal des choses.

1.2.2. Descriptif et objectif :

Le descriptif et l’objectif présenté ci-dessous sont reprise du site web du projet dans la référence est la suivante : Projet ANR BI4people - Le décisionnel pour tou.tes

([lien])

Les technologies de l'[nom] (business intelligence ou BI), telles que les entrepôts de données OLAP, sont des outils primordiaux dans l'aide à la décision qui ont longtemps nécessité un investissement financier et humain très lourd.

Toutefois, il existe désormais de nombreuses solutions de BI gratuites, qu'elles soient propriétaires, libres ou infonuagiques. Les logiciels propriétaires se focalisent cependant sur les tableaux de bord et la visualisation, et ont tous des fonctionnalités limitées, comme l'absence d'une intégration efficace de données depuis des sources disparates.

De plus, bien que quelques logiciels libres proposent des explorations OLAP, ils demeurent techniquement hors de portée des petites entreprises, des chercheurs et des indépendants comme des journalistes, que nous ciblons particulièrement dans ce projet.

Finalement, la tendance à déporter la BI dans le nuage rejoint la demande grandissante d'outils collaboratifs qui permettent aux utilisateurs de croiser des données privées, publiques, ainsi que des self data, d'effectuer des analyses conjointes, d'annoter des figures ou des rapports et de communiquer via les réseaux sociaux. Les réponses actuelles à cette demande globale restent en deçà des attentes en se limitant au partage en ligne de résultats d'analyse.

L'objectif de BI4people est de rendre accessible la puissance de l'analyse interactive OLAP à la plus large audience possible, en mettant en œuvre le processus d'entreposage de données en mode SSAS, de l'intégration de données multi source, hétérogènes (typiquement sous la forme de tableaux issus de tableurs, de documents textuels ou semi-structurés, ou encore du Web) à une analyse OLAP et une visualisation très simple. Pour atteindre ce but, le service de BI doit inclure la privacy by design, être autonome, extrêmement simple, ergonomique et intelligible (jargon [nom] ou BI interdit !). Dans ce contexte, les étapes classiques de l'entreposage de données s'appliquent mais doivent être complètement automatisées.

12

Figure 2: Schéma global de fonctionnement de BI4people

Relevant actuellement plutôt de l'apprentissage automatique. De plus, le prototype logiciel que nous proposons comme le délivrable principal du projet prendra en charge la confidentialité des données dans toutes les étapes, permettra des analyses collaboratives et sera réellement intelligible par ses utilisateurs. Nous insistons en effet sur l'importance de l'appropriation des visuali satio ns fournies par l'outil par les utilisateurs, ce qui implique une collaboration interdisciplinaire entre l'[nom] et les sciences de l'information et de la communication.

1.2.3. Partenaires :

Le projet regroupe des partenaires reconnus dans les domaines mentionnés :Mon organisme d’accueil (ERIC) pour ses compétences en analyse OLAP, personnalisation de la BI et cryptographie ; l’IRIT pour ses compétences en modèles d’entrepôts des données, intégration de données et processus ETL, Le laboratoire LIFAT de Tours pour leurs compétences de visualisations des données et enfin ELICO pour ses compétences en études d’usage. S’ajoutent à ce consortium, l’entreprise TRIMANE qui possède un département

R&D en Big Data et deux associations citoyennes qui militent dans le domaine des « données personnelles » : le TUBA à Lyon et la FING (Fondation Internet Nouvelle Génération).

❖ Partenaires académiques :

❖ Partenaires Industriel :

13

❖ Partenaires associés :

1.2.4. Plateforme du projet « BI en libre-service » :

1.2.4.1. Objectif principal :

La business intelligence en self-service consiste à permettre aux utilisateurs non experts de prendre des décisions bien informées en enrichissant le processus de décision avec des données situationnelles, c'est-à-dire des données qui ont une focalisation étroite sur un problème métier spécifique sur une durée de vie courte pour un petit groupe d'utilisateurs.

• Le principal résultat de ce projet sera un prototype de logiciel open source supportant toutes les fonctionnalités mentionnées dans différents lots de travail
• Nous inclurons BI4people en tant que plateforme BI en libre-service

1.2.4.2. Environnement de travail :

Pour faciliter ce processus, BI4people sera conçu de manière modulaire et orientée service dès le départ.

La technologie utilisée est NodeJS, les scripts NodeJS relient divers modules écrits dans différents langages et assurent l'interopérabilité entre les différents

WP (Work Packages).

1.2.4.3. C’est quoi Node.JS ?

14

Node.js est un environnement d'exécution JavaScript open-source et multiplateforme :

• Node.js exécute le moteur JavaScript V8, le cœur de Google Chrome, en dehors du navigateur.
• Une application Node.js s'exécute dans un seul processus, sans créer un nouveau thread pour chaque requête.
• Node.js fournit un ensemble de primitives d'E/S asynchrones dans sa bibliothèque standard.

Figure 3 : les outputs des Workpackage

15

Integration des données: Toulouse

Self Service BI

Sécurité des · platform CUBEJS · Visualisations des

données : Lyon · données: Tours

Toulouse

OLAP Collaborative:

LYON

1.2.4.4. Front End des équipes de travail (WPs) :

NodeJS peut se connecter avec n'importe quelle application frontale basée sur html5

React - bibliothèque JavaScript : Il s'agit d'une bibliothèque JavaScript open-source, front-end, pour la construction d'interfaces utilisateur ou de composants UI. Elle est maintenue par Facebook ...

Développer un module de la plateforme BI revient à développer une application

JS frontale.

Tout ce dont vous avez besoin est NodeJS 10.

Chaque application fonctionnant dans la plateforme BI est une application

HTML5 côté client qui interagit avec vos données par le biais de l'API du serveur.

16

1.2.4.5. OLAP collaboratif : Extension de CubeJS

Cube est une plateforme de business intelligence basée sur des API, destinée aux ingénieurs de données et aux développeurs d'applications, qui permet de rendre les données accessibles et cohérentes dans toutes les applications.

Cubejs : [lien]

1.2.5. Missions du stage :

La mission de stage que l’organisme d’accueil m’a proposé, en plus d’être cohérent avec le programme d’études suivies tout au long de ma formation, correspond justement à cet objectif, c’est pourquoi j’ai choisi cette unité de recherche. De plus, le secteur de recherche vers lequel il est tournée, à savoir l’[nom], la science des données, m’a semblé très intéressant. J’ai donc pour mission principale, premièrement de voir l’état de l’art sur la CBI (Collaborative business intelligence) et après une étude de cas sur la scolarisation en France et la création d’un script qui permet l’importation des données depuis une base de données Excel sous Maria DB prenant en compte les relations et les jointures entre toutes les tables de dimensions afin de faire des visualisations des données par la création d’un Dashboard avec React et après une phase de traduction du Dashboard afin de rendre notre Dashboard bilingues.

17

• L’[nom] :

2.1. Introduction :

Ce chapitre sera réservé pour définir l’[nom] Nous présentons dans un premier temps ses avantages et ses limites. Nous abordons, ensuite, ses termes et les concepts clés en détaillant la notion d’ETL et d’entrepôt de données.

2.2. Concepts généraux du BI :

2.2.1. La Business Intelligence

L’[nom], également Business Intelligence ou BI en anglais, désigne les moyens, les méthodes et les outils qui apportent des solutions en vue d’offrir une aide à la décision aux professionnels afin de leur permettre d’avoir une vue d’ensemble sur l’activité de l’entreprise et de leur permettre de prendre des décisions plus avisées à travers des tableaux de bord de suivi et des analyses.

2.2.2. Avantages du BI :

Déployer une solution BI apporte de nombreux avantages :

• Améliorer la visibilité sur les chiffres, les écarts et les anomalies.
• La combinaison de plusieurs sources de données (ERP, systèmes comptable,feuilles de calcul, des budgets ...).
• La présentation uniforme d’informations fiables.
• L’automatisation permettant l’accélération de la collecte et de la diffusion de l’information.
• La performance dans le calcul d’agrégats sur de gros volume de données.
• La prise de décision grâce à des indicateurs pertinents et à une structure cohérente des informations.
• La prise de décision grâce à des indicateurs pertinents et à une structure cohérente des informations.

2.2.3. Les limites du BI :

Parmi les limites de la Business Intelligence :

• La mise en place d’une solution de BI prend beaucoup du temps : de nombreuses entreprises dans le scénario industriel rapide ne sont pas assez patientes pour attendre la mise en place du système décisionnel dans leur organisation.
• Complexité : un autre inconvénient de BI pourrait être sa complexité dans la mise en œuvre des données.

18

• Erreur : les résultats produits par les systèmes décisionnels sont le résultat de conceptions [nom] et mathématiques complexes, qui peuvent révéler des erreurs, par ailleurs les résultats sont souvent statistiques, donc non déterministes. La possibilité d’une erreur ou une approximation inadaptée devra toujours être prise en compte dans les décisions.

2.3. Les principes des systèmes décisionnels :

Le système décisionnel est architecturé de la façon suivante :

• Plusieurs sources de données en lecture
• Un entrepôt de données fusionnant les données requises.
• Un ETL permettant d’alimenter l’entrepôt de données à partir des données existantes.
• Des magasins de données permettant de simplifier l’entrepôt de données
• Des applications d’exploitation de données pour présenter l’étude aux utilisateurs finaux et décideurs.

Figure 4 : Architecture générale d’un système décisionnel

2.3.1. Sources de données :

Afin d’alimenter l’entrepôt, les informations doivent être identifiées et extraites de leurs emplacements originels. Il s’agit des sources de données hétérogènes qui peuvent comporter des données internes à l’entreprise, stockées dans les bases de données de production des différents services.

Elles peuvent être aussi des sources externes, récupérées via des services distants et des web services ou des sources qui peuvent être sous format de fichier plats comme le cas de notre projet.

19

2.3.2. Entrepôt de données :

D’après BILL Inmon : "Un entrepôt de données est une collection de données thématiques, intégrées, non volatiles et historiées, organisées pour la prise de décision"

D’après cette définition nous distinguons les caractéristiques suivantes :

• Données Orientées sujet : les données des entrepôts sont organisées par sujet et donc triées par thème.
• Données intégrées : les données provenant des différentes sources doivent être intégrées avant leur stockage dans l’entrepôt de données. Un nettoyage préalable des données est nécessaire afin d’avoir une cohérence et une normalisation de l’information.
• Données non-volatiles : à la différence des données opérationnelles, celles de l’entrepôt sont permanentes et ne peuvent pas être modifiées. Le rafraîchissement de l’entrepôt, consiste à ajouter de nouvelles données sans perdre celles qui existent.
• Historiées : les données doivent être datées.

2.3.3. · Extract-Transform-Load :

ETL acronyme d’extraction transformation loading est un processus d’intégration des données. Il permet de transférer des données brutes d’un système source, de les préparer pour une utilisation et de les envoyer vers l’entrepôt de données.

Ce système doit faire passer les données par un tas de processus pour les dénormaliser, les nettoyer, les contextualiser, puis de les charger de la façon adéquate.

Cependant, la réalisation de l’ETL est une étape très importante et très complexe parce qu’il constitue 70% d’un projet décisionnel en moyenne.

2.3.4. La différence entre OLTP et OLAP :

Les systèmes [nom] peuvent se subdiviser en deux catégories :

Les systèmes transactionnels OLTP (Online Transaction Processing) et les systèmes analytiques OLAP (Online Analytical Processing) :

• Les systèmes OLTP sont dédiés aux métiers de l’entreprise pour les assister dans leurs tâches de gestion quotidiennes et donc directement opérationnels, le mode de travail est transactionnel, l’objectif est de pouvoir insérer, modifier et interroger rapidement et en sécurité la base. Ces actions doivent pourvoir être effectuées très rapidement par de nombreux utilisateurs simultanément. Il est proposé essentiellement pour les applications gérant des opérations commerciales comme les opérations bancaires, ou l’achat de bien divers.
• Les systèmes OLAP sont dédiés au management de l’entreprise pour l’aider au pilotage de l’activité. C’est un outil de reporting dont la couche d’analyse permet de générer des résultats en fonction du contenu d’un entrepôt de données. Les

20

programmes consultent

une quantité importante de données pour procéder à des analyses. Les objectifs principaux sont : regrouper, organiser des informations provenant de sources diverses, les intégrer et les stocker pour permettre à l’utilisateur de retrouver et analyser l’information facilement et rapidement.

Bien que les systèmes d’informations OLTP et OLAP aient le point commun de regrouper les données de l’entreprise dans un SGBD et d’en fournir l’accès aux utilisateurs, ils présentent de profondes différences :

Figure 5 : La différence entre OLTP et OLAP

2.3.5. Conclusion :

Dans ce chapitre, nous avons détaillé toutes les notions relatives aux systèmes décisionnels, pour les maîtriser afin de favoriser le bon déroulement du projet et puis nous revenons sur nos recherches à propos de la littérature de la BI collaborative qui sera représenté dans le chapitre suivant.

21

• Etat de l’art :

3.1. Concepts de base

Voici quelques concepts de base sur la Business Intelligence collaborative (CBI en anglais) qui sont très utiles et favorisent la compréhension sur la problématique.

Selon (Kaufmann et Chamoni, 2014), Les CBI peuvent prendre plusieurs formes.

Il peut s'agir d'une discussion générale où les personnes au sein des entreprises génèrent plusieurs rapports basés sur certaines discussions où des sujets généraux où il peut s'agir d'une discussion plus centrée sur le rapport qui se concentre sur les commentaires et les commentaires sur un rapport particulier.

D'autres formes de CBI peuvent être considérées comme l'ajout d'annotations à des éléments spécifiques dans un rapport où de nombreuses personnes ajoutent leur analyse ou leurs commentaires en fonction de leurs domaines d'expertise. Il peut s'agir d'analyses de rapports et de visualisation du comportement des clients, d'un support de partage d'informations et d'un support de coordination des tâches, etc. La figure 1 Illustres diverses formes de CBI.

Discussion

centrée sur le rapport

Ajout · Coordination

d'annotations · des tâches

Formes de

Discussion · CBI

Orienter Une

générale · analyse

Partage · Visualisation

d'information · du

comportement

Figure 6: Différentes formes de la Business Intelligence Collaborative

Une approche collaborative de l'analytique rassemble les compétences, l'expérience et les connaissances de personnes occupant des rôles variés, ce qui apporte des avantages à l'organisation et aux membres individuels de l'équipe.

22

3.2. Principes de conception de La CBI :

Kretzer et al. (2015) ont conçu des principes pour la diffusion des rapports et l'utilisation innovante des plateformes de Business Intelligence. Pour la diffusion des rapports, ils suggèrent que la plate-forme de BI devrait proposer que le rapport à un nouvel utilisateur potentiel soit basé sur Ses préférences

• La contagion des utilisateurs précédents de ce rapport.
• L'équivalence des rôles entre l'utilisateur et les utilisateurs précédents de ce rapport.
• La cohésion sociale entre l'utilisateur et les utilisateurs précédents de ce rapport.

En plus de l'utilisation innovante, la plate-forme de BI doit offrir un bac à sable permanent aux utilisateurs finaux dans lequel ils peuvent charger les données de la plate-forme de BI, les modifier et les enrichir avec des données provenant de sources de données externes. Leurs principes de conception basés sur des études de cas et des recherches existantes sont précieux pour les gestionnaires BI ainsi que pour les chercheurs BI.

3.3. Phases du processus de prise de décision en collaboration :

Adla et al. (2010) ont proposé un modèle en trois phases du processus de prise de décision en collaboration (c'est-à-dire la phase de pré-décision, la phase de décision et la phase de post-décision).

Dans la phase de pré-décision, tous les participants doivent partager une compréhension commune du problème et des objectifs à atteindre. Cela permet d'obtenir une représentation commune du problème selon différents points de vue et de définir les limites et les frontières du problème.

La phase de décision se déroule en quatre étapes :

• Les idées sont générées par tous les participants et leur permettent de comparer leurs idées.
• Ces idées sont organisées afin d'accroître leur visibilité et leur compréhension.
• Les idées et solutions proposées sont comparées selon les différents points de vue dans le référentiel commun de la décision.
• On identifie et publie les accords des participants et on choisit parmi toutes les solutions proposées.

Enfin, la phase post [nom] est très importante car elle permet le suivi d'une décision, qui consiste essentiellement à réaliser un plan afin de mettre en œuvre la décision prise.

La figure 3 illustre ces phases du processus de prise de décision en collaboration.

23

•Tous les participants partagent la même compréhension du problème

•Liste des objectifs à atteindre

la phase de · •Représentation commune du problème

pré-décision · •Définir les limites et les frontières du problème

•Les idées sont générées par tous les participants et comparées.

•Les idées sont organisées pour augmenter leur visibilité et leur compréhension.

•Les idées et les solutions sont comparées selon les différents

la phase de · points de vue dans le référentiel commun de la décision.

décision · •Identifier et publier les accords des participants et sélectionner

parmi toutes les solutions proposées

•Permet le suivi d'une décision.

•La réalisation d'un plan d'action.

•La mise en œuvre de la décision prise.

la phase poste décision

Figure 7: Phases du processus de prise de décision en collaboration

3.4. Différents aspects de la recherche en BI collaborative :

Il existe de nombreux aspects pour lesquels nous avons besoin de l'[nom]

[nom] collaborative tels que la formulation des requêtes, la recherche des sources, l'acquisition, l'intégration et la présentation des données comme le présentent Abelló et al. (2013).

La formulation de requête collaborative où l'utilisateur désigne une requête étendue avec une recherche par mot clé en se basant sur les actions précédentes des autres utilisateurs dans les mêmes cas ou des cas similaires.

Un autre aspect peut être la découverte collaborative de sources ou la recherche de données pertinentes de haute qualité sur la base des balises fournies par d'autres utilisateurs démontrant le contenu exact des sources. Lorsque les données souhaitées ne sont pas disponibles en ligne, il est possible de demander des données à la communauté, où d'autres personnes peuvent télécharger les données souhaitées qui seront utilisées par l'ensemble de la communauté, ce que l'on appelle également l'acquisition collaborative de données.

Après cette phase, il peut arriver qu'un utilisateur souhaite ajouter une dimension géographique au cube de fusion. Cela peut se faire en réutilisant des parties existantes disponibles en ligne ou en collaborant avec d'autres utilisateurs, ce que l'on appelle également l'intégration collaborative des données.

Les applications de Business Intelligence utilisent des données recueillies à partir d'un entrepôt de données (DataWarehouse) ou d'un data Mart et les concepts de BI et de DW se combinent où l'entrepôt de données contient une copie des données analytiques qui facilitent l'aide à la décision.

Par conséquent, nous étudions les applications existantes de la BI pour le DW dans notre revue de la littérature.

24

Il existe déjà un document d'étude sur des sujets similaires à l'IBC, à savoir la prise de décision collaborative (CDM) et la Social Business Intelligence (SBI) (Kauf-mann et Chamoni, 2014).

Leur étude porte davantage sur les approches CDM, qui comprennent le CBI et le Group Decision

Making (GDM), et le SBI, également appelé Social Media Analytics ou Social Analytics.

Le SBI traite de la demande d'intelligence sociale, suit l'impact des activités sociales sur l'organisation et favorise la compréhension de la façon dont les gens pensent et agissent. Dans leur document de recherche, ils identifient les principaux concepts et domaines de l'IBC et répondent à deux questions majeures.

Quelles sont les définitions des IBC et dans quelle mesure sont-elles populaires ? Quels aspects sont principalement abordés par les chercheurs et quels domaines sont prometteurs pour les recherches futures ?

Ils décrivent l'IBC comme " une extension à dessein du processus d'analyse en BI en ajoutant des partenaires internes et externes et en ouvrant nécessairement l'accès aux données ".

Sur la base de cette définition, ils classent les travaux existants en trois grandes catégories.

Premièrement, la plupart des systèmes existants abordent les défis de recherche concernant la communication interne (CI). Deuxièmement, les travaux de recherche abordent les défis relatifs au partenariat en matière de données (PD), où les partenaires externes sont impliqués dans le processus de fourniture de données. Troisièmement, les travaux de recherche abordent les questions relatives au partenariat dans l'analyse (PA), où les partenaires travaillent ensemble dans le processus d'analyse des données. Dans notre enquête, nous ignorons complètement les travaux de recherche qui se concentrent sur la mesure des stratégies de BI sociale après les activités sociales dans les organisations. Il existe donc un besoin pour un nouvel état de l'art sur les approches et les techniques de CBI excluant SBI et CDM. Cela nous motive à combler cette lacune et à analyser les approches et les outils de CBI. Par conséquent, nous étudions en détail la littérature de recherche sur l'IBC en ce qui concerne non seulement les défis et les objectifs qu'ils atteignent, mais aussi sous divers aspects techniques, tels que l'évolutivité, la flexibilité, la configuration de nouveaux modèles, etc.

3.5. Conclusion :

La Business Intelligence collaborative (CBI) est un concept qui implique l'intégration de la Business Intelligence (BI) et des outils technologiques collaboratifs afin d'aider une organisation à prendre des décisions commerciales nouvelles et améliorées, dans la section suivante on verra les types des données disponibles pour notre analyse ,ainsi nous faisons une étude pour voir le type des données qui sont les plus appropriées pour l'analyse collaborative.

• Différents cas pour l'analyse collaborative des données :

4.1. Types de données disponibles :

• Données scientifiques
• Virus, maladie, gène ...
• Données générales collectées par les pouvoirs publics
• Consommation, Chômage, Emploi, (ex. données INSEE)
• Bases de données ouvertes comme Skyserver
• Journaux de données et de requêtes

25

4.2. Objectif :

Analyser les différents types de données gouvernementales disponibles et sélectionner l'ensemble de données qui convient le mieux à l'analyse collaborative

Commencer à regarder du point de vue des :

• Des sciences de l'information et de la communication.
• Les besoins de l'analyse multidimensionnelle.

Diplômes - Formation base-cc-diplomes-formation-2017-2012-2007

15 à [âge]

25 à [âge]

50 à [âge]

65 plus ans

26

• Les données 2007, 2012, et 2017 sont diffusées selon la géographie en vigueur au 1er janvier 2020.
• En complément des données, la base comprend plusieurs onglets : la liste des variables, les formules de calcul et la documentation générale.
• Les bases en téléchargement sont au format : xlsx et csv.
• Niveau géographique : commune, arrondissement municipal.
• Résultats : les variables sont disponibles pour 2007, 2012 et 2017

4.3. Conclusion :

Un post Doctorant qui travaille dans le projet à pouvoir analyser différents types de données disponibles (scientifiques, gouvernementales, données d'enregistrement) et en conclusion il a pu voir que les données gouvernementales sont les plus appropriées pour l'analyse collaborative.

D’où nous avons conclu que les données gouvernementales sont plus appropriées à prendre en compte car :

• Elles présentent un niveau de complexité minimal
• Elles sont très compréhensibles et nécessitent très peu d'expertise pour être manipulées.
• Bien que certains ensembles de données soient plus ou moins sensibles, ils le sont beaucoup moins que d'autres (par exemple, les données médicales).
• Il a la capacité et suffisant pour l'utilisabilité et la représentation de notre étude de cas.
• Réalisation du stage :

5.1. Etude de cas sur la scolarisation en France :

5.1.1. Implémentation d’ETL :

L’alimentation de l’entrepôt de données est une phase cruciale dans un projet décisionnel, elle a pour objectif l’extraction, la transformation et le chargement des données depuis les systèmes sources vers l’entrepôt de données.

L’implémentation d’un processus ETL requis les étapes suivantes :

• Etude des sources de données et type de chargement.
• Choix de l’architecture technique.
• Conception de processus de chargement.

5.1.2. Base de données utilisée :

La base utilisée c’est une base INSEE sur le Recensement de la population en France, l’INSEE c’est l’Institut national de la statistique et des études économiques, le recensement de la population permet de connaître la diversité et l'évolution de la

27

population de la France. L'Insee fournit ainsi des statistiques sur les habitants, leur nombre et leurs caractéristiques : répartition par sexe et âge…

Le recensement repose désormais sur une collecte d'informations annuelles, concernant successivement tous les territoires communaux au cours d'une période de cinq ans. Les communes de moins de 10 000 habitants réalisent une enquête de recensement portant sur toute la population, à raison d'une commune sur cinq chaque année.

Figure 8: Vue générale de la base source (Excel)

Comme entrée un fichier Excel sous le nom : base-cc-diplomes-formation-2017-2012-

2007.xlsx qui contient plusieurs colonnes et lignes, nous disposons d’un dictionnaire pour bien comprendre les significations des colonnes

Figure 9 : Dictionnaire des variables

28

5.1.3. Etude des sources de données et type de chargement :

5.1.3.1. Modèle flocon de neige :

C’est une manière de relier une dimension à un fait dans un entrepôt de données. C’est le modèle en étoile avec une normalisation des dimensions. Il peut exister des hiérarchies des dimensions pour diviser les tables de dimensions lorsqu’elles sont trop volumineuses.

5.1.3.2. L’étude des sources des données :

L’étude des sources de données représente une phase primordiale pour le processus de l’ETL, elle consiste à l’identification des données sources pour l’alimentation de notre entrepôt.

En ce qui concerne notre projet, La source de données pour notre entrepôt est une base de données sous Mariadb : « datawarehouse_BI4people » qui contient une table de faits « fact_population » et 8 dimensions : « dim_annee », « dim_catDiplome », « dim_sexe », « dim_scolarisation », « dim_trancheage », « dim_commune », « dim_departement », « dim_region ».

Figure 10 : Schéma de notre source des données

29

5.1.3.3. Stratégie du chargement des données :

Les différents datamarts de notre entrepôt de données engendrent des chargements considérables, en termes de volume.

Les données liées à l’activité du service sont stockées au niveau du système transactionnel. Afin de capter les nouvelles données et les données modifiées, nous allons choisir un ETL incrémental, pour cela, dans notre entrepôt de données nous aurons :

• Des mises à jour des dimensions.
• Des nouveaux faits.
• Le chargement de notre entrepôt de données est conditionné par l’inactivité du système sources, en effet nous allons fixer le temps de l’alimentation à minuit où l’activité du système est minimale.

5.1.3.4. Processus d’alimentation :

Pour décrire le processus de l’alimentation de notre entrepôt de données nous allons employer le diagramme en utilisant le langage UML :

Figure 11 : Diagramme UML du processus d’alimentation

30

Figure 12 : Connexion à MariadB et création de la base datawarehouse_BI4people

L’alimentation des différentes tables à savoir les dimensions et la table de faits est faite par un outil ETL développé afin de garantir une homogénéité technologique au niveau du SI du service .

31

Extraction :

On a utilisé "base-cc-diplômes-formation-2007-2012-2017.xlsx" comme notre source données en utilisant 3 Sheets "COM_2007","COM 2012" et "COM 2017" et en filtrant juste les colonnes qui commencent par INTEGRER :

Transformations:

• La modification de valeurs NULL par 0.
• Remplissage de tables “stagingarea2007”,”stagingarea2012” et “stagingarea2017” par les données désirées (via la source).
• La création d’un dictionnaire afin de transformer le modèle initial de la source vers le modèle de notre cas d’étude.
• On prend pour chaque ligne les colonnes suivants: (P07_HSCOL0205,P07_HSCOL0610, P07_HSCOL1114,P07_HSCOL1517,P07_HSCOL1824,P07_HSCOL2529,P07_HSCOL30P,P07_HNSCOL0205,P07_HNSCOL 0610, P07_HNSCOL1114,P07_HNSCOL1517,P07_HNSCOL1824,P07_HNSCOL2529,P07_HNSCOL30P,P07_FSCOL0205,P07_FS COL0610, P07_FSCOL1114,P07_FSCOL1517,P07_FSCOL1824,P07_FSCOL2529,P07_FSCOL30P,P07_FNSCOL0205,P07_FNSCOL06 10, P07_FNSCOL1114,P07_FNSCOL1517,P07_FNSCOL1824,P07_FNSCOL2529,P07_FNSCOL30P,P07_HNSCOL15P_DIPLMI N,P07_HNSCOL15P_BEPC,P07_HNSCOL15P_CAPBEP,P07_HNSCOL15P_BAC,P07_HNSCOL15P_BACP2,P07_HNSCO L15P_SUP,P07_FNSCOL15P_DIPLMIN,P07_FNSCOL15P_BEPC,P07_FNSCOL15P_CAPBEP, P07_FNSCOL15P_BAC,P07_FNSCOL15P_BACP2,P07_FNSCOL15P_SUP) Et on divise chaque colonne par ses racines, par exemple : la colonne P07_HSCOL0205 on la transforme par le script ci-dessus vers une autre structure comme la suivante :

Figure 13 : Structure après [nom] de chaque colonne par ses racines

32

Chargement (Loading):

Figure 14 : Création des tables de dimensions

On remplit les dimensions et notre table de faits avec les données transformées en utilisant les jointures entre les différentes tables.

Ensuite en utilisant nos dimensions et stagingareaTotal on va merger les données pour extraire les identifiant pour remplir la table de faits ‘fact_population’ :

Figure 15 : Création de la table de fait

33

Figure 16 : Insértion dans la table de fait

34

5.1.3.5. Le chargement des tables de dimensions et la table de fait après le lancement du script :

35

36

5.1.4. Visualisations des données :

Exemple de test de visualisation après l’implémentation des tables avec Power BI et après nous abordons notre outil de visualisation implémenté :

37

Figure 17 : Quelques visualisations pour le test avec Power BI

5.1.4.1. Visualisations et notion avec cube js :

Tout d’abord Cube Js est un Framework Open Source permettant de créer des applications web analytiques, Il est principalement utilisé pour créer des outils de la BI ou pour ajouter des analyses orientées client à une application existante.

Dans la plupart des cas, la première étape de la création d'une telle application est un tableau de bord analytique.

Classiquement, vous exécutez l'API Cube.js en tant que service il gère la connexion à votre base de données, y compris la file d'attente des requêtes, la mise en cache, la pré-agrégation, etc. Il expose également une API pour votre application frontale afin de créer des tableaux de bord et d'autres fonctionnalités d'analyse comme la montre la figure ci-dessous :

Figure 18 : Architecture fonctionnelle de Cube Js

Vous pouvez démarrer avec Cube localement ou l'auto-héberger avec Docker ou sur le Cloud (cube nuage)

Il existe également une option héritée pour démarrer avec Node.js,celle utilisée durant notre Projet.

• La première chose c’est d’exécutez la commande suivante pour démarrer avec Cube.js, en spécifiant le nom du projet et éventuellement votre base de données à l'aide de l’indicateur -d : npx cubejs-cli create ProjectBI -d MySQL

Une fois exécutée, la création d’un nouveau répertoire de projet contenant l'échafaudage de votre nouveau projet Cube.js. Cela inclut tous les fichiers nécessaires pour lancer le backend Cube.js

38

Le fichier. env de ce répertoire de projet contient des espaces réservés pour les informations d'identification de base de données pertinentes comme vous voyez dans la figure :

Figure 19 : Contenu du fichier. env de notre projet

Cube.js utilise Data Schema pour générer et exécuter SQL.

Il agit comme un ORM pour votre base de données et il est suffisamment flexible pour tout modéliser.

( ORM signifie Object-Relational Mapping) : Il est un ensemble de classes permettant de manipuler les tables d’une base de données relationnelles comme s’il s’agissait d’objets.

Un ORM est une couche d’abstraction d’accès à la base de données qui donne l’illusion de ne plus travailler avec des requêtes mais de manipuler des objets.

Accédez ensuite à [lien] et utilisez le pour générer des fichiers de schéma :

Figure 20 : Géneration du Schéma

39

Les éléments de base du schéma de données sont les mesures et les dimensions :

• La mesure est appelée données quantitatives, telles que le nombre d'unités vendues, le nombre de profit, etc.
• La dimension est appelée données catégorielles, telles que l'état, le sexe, le nom du produit ou les unités de temps (par exemple, jour, semaine, mois).
• Installation du client Cube.js (Nous avons utilisé React) npm i --save [lien]/core npm i --save [lien]/react
• Pour accélérer les performances des requêtes, envisagez d'utiliser des pré- agrégations , les pré-agrégations sont une couche de données agrégées créées et actualisées par Cube.js. Cela peut considérablement améliorer les performances des requêtes et fournir une simultanéité plus élevée.

40

5.1.4.2. Tableau de bord React :

Nous allons construire notre interface et notre tableau de bord avec React, en utilisant le client Cube.js React.

Mais nous pouvons utiliser n'importe quel framework pour créer une interface avec Cube.js.

Figure 21 : Démarage du dashboard

Un serveur sur le port 3000 s’ouvre sur votre navigateur Web sur localhost :3000

Figure 22 : Interface Dashboard avec React

41

Figure 23 : Visualisation sous forme d'une Table

Figure 24 : Visualisation sous forme de Bar

Figure 25 : Visualisation sous forme de Pie chart

Les deux figures ci-dessus montrent la population par tranches d’âge et catégorie de diplôme.

Si nous voulons enregistrer nos Dashboard pour des prochaines utilisations nous faisons Add to Dashboard :

Figure 26 : Enregistrement du Dashboard

42

Figure 27 : Vue des visualisations enregistrer

Une fois le graphique enregistré on peut le modifier ou le supprimer ultérieurement comme vous voyez

Figure 28 : Modification des visualisations après la création

43

5.2. Dashboard bilingues (Fr, En) :

5.2.1. L’enjeux de multilingues :

Surmonter la barrière de la langue pour les utilisateurs qui utilisent votre logiciel est un sujet important, l’anglais n'est plus la langue universelle d'Internet .

Dans cette partie, on s’intéresse à une phase d’internationalisation puisque dans ce projet y ont à des gens francophones et anglophones donc l’idée c’est de rendre notre

Dashboard utilisateurs multilingues (Français, Anglais) ou bilingues.

C’est à partir de ce dictionnaire qui est construit au format JSON (fig.29) en prenons en compte y auront plusieurs perspectives, pour la traduction y avaient deux options : faire une version anglaise et une autre française mais ça va poser des problèmes de maintenabilités parce que si en évolue la version anglaise il faut aussi faire une mise à jour pour la version française d’où le faite de prendre en compte les deux langues pour qu’e ne sera pas un impact lors de l’évolution de l’application.

5.2.2. Choix de l’outil :

Dans l'écosystème JavaScript, il existe de nombreux frameworks d'internationalisation.

Dans ce projet, nous utiliserons le Framework i18next pour internationaliser notre application React.js .

5.2.2.1. Les avantages de react-i18next :

• Taux d'adoption rapide en ce qui concerne les nouvelles fonctionnalités de React.
• API très efficace
• Écosystème i18n qui n'est pas lié à React

5.2.3. Réagir avec React-i18next :

Avant de pouvoir commencer à traduire notre application React, nous devons installer ses bibliothèques :

npm install react-i18next i18next –save npm install i18next-browser-languagedetector --save

44

Nous utiliserons la bibliothèque principale i18next pour la configuration et la bibliothèque react-i18next pour connecter ses capacités d'internationalisation à React.

Après nous créons des fichiers JSON pour les langues désirées, un identifiant unique est à chaque chaine traduite, il est utilisé pour rechercher le JSON et localiser la valeur de la chaine dans différentes langues.

Figure 29 : Dictionnaire des données en JSON

45

Nous créons un fichier de configuration i18n dans src/i18n.js qui ressemble à ceci :

Cette importation permet de détecter la langue de navigateur d’utilisateur ou le visiteur de la plateforme (si c’est le français il va afficher l’interface en français sinon en anglais) :

import LanguageDetector from "i18next-browser-languagedetector";

Modifications dans le fichier Header.js :

46

5.2.4. Résultat :

Version initiale du Tableau de bord :

Version Traduite à base du vocabulaire de la version originale :

5.2.5. C