Une méthode orientée processus pour le pilotage par la performance des systèmes industriels
Bibliographic record
Abstract
Dans un contexte particulièrement instable et concurrentiel, les entreprises souhaitent rationaliser leurs organisations autour de processus fiables et directement opérationnels. Parallèlement, elles développent une culture de mesure et d'évaluation de performance comme base de l'aide à la décision. A la croisée de ces deux tendances, elles cherchent à piloter leur organisation grâce à ces processus qui induisent la performance. Nous montrerons que les méthodes d'aide à la définition de systèmes d'indicateurs de performance mobilisent 3 concepts afin de caractériser la performance : les processus , les centres de décision , les déterminants de la performance. Une démarche originale basée sur un cadre de modélisation d'entreprise permet d'intégrer ces concepts afin de fournir une architecture de pilotage, DEEP, reposant sur des éléments des méthodes GRAI et SADT. Pour permettre une identification ciblée des causes de (non-)performance d'un processus et faciliter la définition de plans d'amélioration continue, 3 types d'indicateurs sont introduits : le «point de vue pertinence» ; le « point de vue efficacité » ; le « point de vue efficience ». Une mise en application expérimentale sur la chaîne logistique d'un grand groupe pharmaceutique et cosmétique est présentée.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.010 | 0.021 |
| Meta-epidemiology (narrow) | 0.003 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.008 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".