5. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Programme
Jour 1
Introduction à la chaîne BI, besoins et étapes
Exemple d’une chaîne BI avec les outils Jaspersoft
Jour 2
Conception du Datawarehouse : Aspects Fondamentaux
Exemple simple de conception de Datawarehouse et de Data
Mining avec Mondrian
L. SFAXI Formation Business Intelligence 4 / 91
6. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Sommaire
Business Intelligence : Besoins et Étapes
Introduction au BI
Risques et Facteurs de Succès
La Chaîne Décisionnelle
Étapes de la Chaîne Décisionnelle
Architectures et Technologies
Structures de Stockage
Phases de la Chaîne Décisionnelle
Les Entrepôts de Données (Datawarehouse)
Systèmes Opérationnels vs. Systèmes Décisionnels
Modélisation Multi-Dimensionnelle
Caractéristiques de la Modélisation Multidimensionnelle
Aspects Fondamentaux de la Modélisation Multidimensionnelle
Modèles d’un Entrepôt de Données
Aspects Fondamentaux de la MMD
Opérations OLAP
Modèles de Stockage
Conclusion
L. SFAXI Formation Business Intelligence 5 / 91
7. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Sommaire
Business Intelligence : Besoins et Étapes
Introduction au BI
Risques et Facteurs de Succès
La Chaîne Décisionnelle
Les Entrepôts de Données (Datawarehouse)
Aspects Fondamentaux de la Modélisation Multidimensionnelle
Conclusion
L. SFAXI Formation Business Intelligence 6 / 91
8. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Aide à la Décision : Mise en Situation
• Le chiffre d’affaires a baissé en octobre. Pour y remédier, des
décisions sont à prendre.
• Pour prendre les bonnes décisions, il faut savoir :
• Pourquoi le CA a-t-il baissé ?
• Comment a-t-il baissé ?
• Dans quelle gamme de produits ?
• Dans quels pays, quelles régions ?
• Dans le portefeuille de clientèle de quels commerciaux ?
• Dans quels segments de distribution ?
• N avait-on pas une baisse semblable en octobre chaque année ?
L. SFAXI Formation Business Intelligence 7 / 91
9. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Définition de l’Informatique Décisionnelle
Terme générique qui englobe les applications, l’infrastructure, les
outils et les meilleures pratiques permettant l’accès et l’analyse de
l’information afin d’améliorer et d’optimiser les décisions et les
performances.
Source : GARTNER
L. SFAXI Formation Business Intelligence 8 / 91
10. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Pourquoi Construire un Système Décisionnel ?
• Un des actifs les plus importants des sociétés, c’est leur
capital d’informations qu’elles collectent au jour le jour
• Généralement, la plupart de ces informations sont
inaccessibles, ou réparties dans une multitude de systèmes
• Besoin de :
• Avoir une vision globale homogène et cohérente des
informations manipulées par les différents départements
• Accéder directement à l’information nécessaire
• Donner un sens unique aux données de gestion (marge, CA...)
L. SFAXI Formation Business Intelligence 9 / 91
11. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Pourquoi Construire un Système Décisionnel ?
• Le Système d’Information Décisionnel (SID) résulte d’un
processus qui consiste à :
• extraire les données à partir des systèmes opérationnels et
d’autres sources externes à l’entreprise
• les transformer en information de pilotage
• les rendre accessibles aux utilisateurs
• La Base Décisionnelle est aujourd’hui reconnue comme un
actif stratégique par beaucoup d’entreprises.
L. SFAXI Formation Business Intelligence 10 / 91
13. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Métriques d’Aide à la Décision
Donnée
• Résultat direct d’une mesure
• Peut être collectée par un outil de mesure, ou peut être
présente dans une base de données
• Ne permet pas de prendre de décision sur une action à lancer
L. SFAXI Formation Business Intelligence 12 / 91
16. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Métriques d’Aide à la Décision
Sagesse
• État d’esprit général de discernement final sur le contenu et
de jugement de bon sens
• Permet de lancer des actions d’adaptation de l’organisation,
des personnes, des processus et outils
L. SFAXI Formation Business Intelligence 15 / 91
17. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Risques d’un Projet Décisionnel
• Orientation technologique du projet, plutôt qu’utilisateur
• Mise en cause de la fiabilité et/ou cohérence des informations
• Alimentations trop longues et irrégulières
• Outils et architecture technique inadaptés
• Fraîcheur insuffisante des informations
• Pas d’administrateur du système
• Surenchère fonctionnelle concernant les analyses et les outils à
utiliser par rapport aux réels enjeux métiers
L. SFAXI Formation Business Intelligence 16 / 91
18. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Facteurs Clefs de Succès
Pour la Conduite de Projet
• Adopter une démarche incrémentale avec des objectifs précis
et quantifiés à l’avance
• Miser dès le départ sur un socle informatique stable, puis
coordonner des itérations courtes avec des résultats tangibles
Dans la Conception Fonctionnelle
Pour la Mise en œuvre Technique
Dans la Prise en compte des Impacts Organisationnels
L. SFAXI Formation Business Intelligence 17 / 91
19. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Facteurs Clefs de Succès
Pour la Conduite de Projet
Dans la Conception Fonctionnelle
• Préférer des états figés mais utiles à des analyses libres mais
compliquées
• Raisonner en flux amont-aval et en échanges transverses entre
utilisateurs
Pour la Mise en œuvre Technique
Dans la Prise en compte des Impacts Organisationnels
L. SFAXI Formation Business Intelligence 17 / 91
20. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Facteurs Clefs de Succès
Pour la Conduite de Projet
Dans la Conception Fonctionnelle
Pour la Mise en œuvre Technique
• S’assurer de l’évolutivité de la solution technique
• Privilégier les solutions paramétrables par un administrateur
fonctionnel
• Insérer dans la recette technique des tests de montée en
charge
Dans la Prise en compte des Impacts Organisationnels
L. SFAXI Formation Business Intelligence 17 / 91
21. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Facteurs Clefs de Succès
Pour la Conduite de Projet
Dans la Conception Fonctionnelle
Pour la Mise en œuvre Technique
Dans la Prise en compte des Impacts Organisationnels
• Préparer le changement et l’insérer dans le plan de projet
• Fonder et associer le plus tôt possible le futur administrateur
du système
L. SFAXI Formation Business Intelligence 17 / 91
22. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Sommaire
Business Intelligence : Besoins et Étapes
La Chaîne Décisionnelle
Étapes de la Chaîne Décisionnelle
Architectures et Technologies
Structures de Stockage
Phases de la Chaîne Décisionnelle
Les Entrepôts de Données (Datawarehouse)
Aspects Fondamentaux de la Modélisation Multidimensionnelle
Conclusion
L. SFAXI Formation Business Intelligence 18 / 91
24. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
La Chaîne Décisionnelle
Planification
• Pour mettre en place une plate-forme décisionnelle
d’entreprise intégrée, la première étape est donc la
planification de ce projet
• Un tel projet nécessite une administration solide
• Exemple : les ressources humaines
• Un responsable peut voir le salaire des personnes de son équipe
• Mais ne peut pas voir celui de son chef
⇒ Nécessité d’une stratégie de sécurité rigoureuse
L. SFAXI Formation Business Intelligence 20 / 91
25. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
La Chaîne Décisionnelle
ETL
• ETL : Extract, Transform, Load
• Extraction des données à partir d’une ou plusieurs sources de
données : fichiers texte, Excel, base de données...
• Transformation des données agrégées
• Chargement des données dans la banque de données de
destination (datawarehouse)
⇒ La phase d’ETL est incontournable car elle conditionne et
influence la qualité du projet par la suite
L. SFAXI Formation Business Intelligence 21 / 91
26. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
La Chaîne Décisionnelle
Stockage
• Plusieurs manières de stocker la donnée dans un
datawarehouse
• Chacune ayant ses avantages et ses inconvénients
• L’administrateur des bases de données décisionnelles pourra
notamment choisir entre plusieurs modèles (en étoile, en
flocon...)
L. SFAXI Formation Business Intelligence 22 / 91
27. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
La Chaîne Décisionnelle
Analyse
• Regroupement de l’ensemble des techniques de statistique,
d’économétrie, de Data Mining, et de recherche opérationnelle
• Demande souvent des compétences statistiques avancées
• Néanmoins certaines solutions embarquent ces fonctionnalités
pré-paramétrées à des cas de figures bien définies, afin d’offrir
leur valeur ajoutée à des personnes fonctionnelles
L. SFAXI Formation Business Intelligence 23 / 91
28. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
La Chaîne Décisionnelle
Restitution
• La génération de tableau de bord, est la partie émergée de
l’iceberg : l’informatique décisionnelle.
• C’est la partie que voient la plupart des utilisateurs.
• Ce sont généralement de jolies interfaces intuitives permettant
à un utilisateur lambda, en fonction de ses droits, de consulter
des rapports, des tableaux de bord, de les annoter, voire de les
créer lui-même
L. SFAXI Formation Business Intelligence 24 / 91
30. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
L’Alimentation !
• Sur le plan des données
• Définir un langage commun
• Localiser les données utiles dans les systèmes sources
• Harmoniser les nomenclatures
• Sur le plan technique
• Les règles d’alimentation changent sans cesse
• Développements modulaires auto-documentés, traçabilité des
données
• Temps de chargement compatibles avec la fenêtre
d’exploitation
L. SFAXI Formation Business Intelligence 26 / 91
33. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Structures de Stockage des Données
Définitions
ODS(Operational Data Store)
• Collection de données orientées sujet,
volatiles, organisées pour le support d’un
processus de décision ponctuel, en support à
une activité opérationnelle particulière
• Donne la vision immédiate et intégrée de
l’état d’un ou plusieurs systèmes opérants
Datawarehouse
Data Mart
Data Mining
L. SFAXI Formation Business Intelligence 29 / 91
34. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Structures de Stockage des Données
Définitions
ODS(Operational Data Store)
Datawarehouse
• Entrepôt de données spécifique au monde
décisionnel, destiné principalement à analyser
les leviers business potentiels
• Collection de données orientées sujet,
intégrées, non volatiles et historisées,
organisées pour le support d’un processus
d’aide à la décision
Data Mart
Data Mining
L. SFAXI Formation Business Intelligence 29 / 91
35. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Structures de Stockage des Données
Définitions
ODS(Operational Data Store)
Datawarehouse
Data Mart
• Magasin de données orienté sujet, non
volatile, mis à la disposition des utilisateurs
dans un contexte décisionnel décentralisé,
ciblé pour un usage particulier
Data Mining
L. SFAXI Formation Business Intelligence 29 / 91
36. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Structures de Stockage des Données
Définitions
ODS(Operational Data Store)
Datawarehouse
Data Mart
Data Mining
• Ensemble d’outils, méthodes et technologies
d’analyse mises en œuvre pour définir des
tendances, pour segmenter l’information ou
pour établir des corrélations entre les données
L. SFAXI Formation Business Intelligence 29 / 91
37. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Structures de Stockage des Données
Datawarehouse vs. ODS
• Datawarehouse
• Intégration des données hors ligne
• ODS
• Intégration des données en ligne
• Sauvegarde des données récentes
• Utilisé quand les données sont dispersées sur plusieurs supports
de stockage, et on a besoin de les rassembler
• Exemple
• On veut avoir une vue unique sur un patient, qu’on pourra
modifier en ligne
• Les données de ce patient sont disposées dans plusieurs bases
de données (liste des hospitalisations, liste des diagnostics, liste
des achats pharmaceutiques...)
• ODS peut être utilisé pour extraire les données et les afficher
L. SFAXI Formation Business Intelligence 30 / 91
38. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Structures de Stockage des Données
Datawarehouse vs. Data Mart
• Datawarehouse
• Dépôt des données au niveau entreprise
• Combinaison de plusieurs Data Marts
• Contient toutes les mesures et dimensions nécessaires
• Assure l’intégrité de ces dimensions à travers tous les Data
Marts
• Data Mart
• Ensemble de dimensions et mesures limitées
• Utilisées pour des thèmes métier spécifiques
• Construites à partir des données des entrepôts
• Exemple
• Dans une entreprise, il existe un seul entrepôt de données mais
plusieurs magasins de données : Finance, Vente...
L. SFAXI Formation Business Intelligence 31 / 91
41. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Entrepôts de Données
Objectifs
• Regrouper, organiser des informations provenant de sources
diverses
• Les intégrer et les stocker pour donner à l’utilisateur une vue
orientée métier
• Retrouver et analyser l’information selon plusieurs critères
L. SFAXI Formation Business Intelligence 32 / 91
42. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Entrepôts de Données
Objectifs
• Regrouper, organiser des informations provenant de sources
diverses
• Les intégrer et les stocker pour donner à l’utilisateur une vue
orientée métier
• Retrouver et analyser l’information selon plusieurs critères
• Transformer un système d’information qui avait une vocation
de production en un SI décisionnel
L. SFAXI Formation Business Intelligence 32 / 91
43. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Entrepôts de Données
Objectifs
• Regrouper, organiser des informations provenant de sources
diverses
• Les intégrer et les stocker pour donner à l’utilisateur une vue
orientée métier
• Retrouver et analyser l’information selon plusieurs critères
• Transformer un système d’information qui avait une vocation
de production en un SI décisionnel
• Doit contenir des informations cohérentes
L. SFAXI Formation Business Intelligence 32 / 91
44. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Entrepôts de Données
Objectifs
• Regrouper, organiser des informations provenant de sources
diverses
• Les intégrer et les stocker pour donner à l’utilisateur une vue
orientée métier
• Retrouver et analyser l’information selon plusieurs critères
• Transformer un système d’information qui avait une vocation
de production en un SI décisionnel
• Doit contenir des informations cohérentes
• Les données doivent pouvoir être séparées et combinées au
moyen de toutes les mesures possibles de l’activité
L. SFAXI Formation Business Intelligence 32 / 91
45. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Entrepôts de Données
Objectifs
• Regrouper, organiser des informations provenant de sources
diverses
• Les intégrer et les stocker pour donner à l’utilisateur une vue
orientée métier
• Retrouver et analyser l’information selon plusieurs critères
• Transformer un système d’information qui avait une vocation
de production en un SI décisionnel
• Doit contenir des informations cohérentes
• Les données doivent pouvoir être séparées et combinées au
moyen de toutes les mesures possibles de l’activité
• Le DW ne contient pas uniquement des données, mais aussi
un ensemble d’outils de requêtes, d’analyse et de présentation
de l’information.
L. SFAXI Formation Business Intelligence 32 / 91
49. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Entrepôts de Données
Données Historisées et Non Volatiles
Non Volatiles : une donnée entrée dans un entrepôt l’est pour de
bon et n’a pas vocation à être supprimée.
Historisées : les données sont datées, et un historique est conservé.
L. SFAXI Formation Business Intelligence 36 / 91
51. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Phases de la Chaîne Décisionnelle
Extraction
• Extraction des données de leur
environnement d’origine (base de données
relationnelles, fichiers plats...)
• Besoin d’outils spécifiques pour accéder aux
bases de production (requêtes sur des BD
hétérogènes)
• Besoin d’une technique appropriée pour
n’extraire que les données nécessaires
• Données créées ou modifiées depuis la dernière
opération d’extraction
• Attention : L’extraction ne doit pas perturber
l’activité de production
L. SFAXI Formation Business Intelligence 38 / 91
52. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Phases de la Chaîne Décisionnelle
Transformation
• Homogénéisation du vocabulaire, structures,
valeurs
• Suppression et fusion des redondances
• Épuration des données (suppression des
données incohérentes)
• Transformation des données dans un format
cible
L. SFAXI Formation Business Intelligence 39 / 91
53. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Phases de la Chaîne Décisionnelle
Chargement
• Opérations de calcul et d’agrégation des
données
• Remplacement de certaines bases si aucune solution
d’extraction satisfaisante n’est possible
• Mise en place de procédures de chargement
(nocturne ?) et de restauration (en cas de
problème)
• Envisager la mise en place de systèmes redondants si
la disponibilité du système ne peut être interrompue
• Prise en compte de la notion de granularité
• Conservation des données détaillées
• Possibilité d’agrégation des données pour la synthèse
L. SFAXI Formation Business Intelligence 40 / 91
55. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Phases de la Chaîne Décisionnelle
Structure de l’Entrepôt
Cumul Simple :
On stocke les données de chaque mise à jour, les
mises à jour étant fréquentes (par ex. tous les
jours). On a un espace occupé important, mais on
ne perd pas d’information.
L. SFAXI Formation Business Intelligence 41 / 91
56. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Phases de la Chaîne Décisionnelle
Structure de l’Entrepôt
Résumé Déroulant :
À chaque mise à jour, on stocke des données
détaillées et on synthétise les données anciennes en
fonction de leur âge. Plus une donnée est vieille,
moins elle est détaillée.
L. SFAXI Formation Business Intelligence 41 / 91
57. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Sommaire
Business Intelligence : Besoins et Étapes
La Chaîne Décisionnelle
Les Entrepôts de Données (Datawarehouse)
Systèmes Opérationnels vs. Systèmes Décisionnels
Modélisation Multi-Dimensionnelle
Caractéristiques de la Modélisation Multidimensionnelle
Aspects Fondamentaux de la Modélisation Multidimensionnelle
Conclusion
L. SFAXI Formation Business Intelligence 42 / 91
58. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Systèmes Opérationnels vs. Systèmes Décisionnels
Systèmes Opérationnels
• OLTP (On-Line Transaction
Processing)
• Dédiés aux métiers de l’entreprise
pour les assister dans leurs tâches de
gestion quotidienne
• Utilisation des ERP pour la gestion
des données
• Utilisateurs : Agents opérationnels,
nombreux et concurrents
• Données :
• Détaillées
• Récentes
• Réparties
• Non homogènes
Systèmes Décisionnels
• OLAP (On-Line Analytical
Processing)
• Dédiés à la gestion de l’entreprise
pour l’aider au pilotage de l’activité
pour une vision transversale de
l’entreprise
• Utilisation des entrepôts de données
• Utilisateurs : Décideurs, peu
nombreux et non concurrents
• Données
• Globalisées
• Historiques
• Centralisées
• Intégrées
L. SFAXI Formation Business Intelligence 43 / 91
59. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Systèmes Opérationnels vs. Systèmes Décisionnels
OLTP vs. OLAP
OLTP : On-Line Transactional Processing
• Système destiné à offrir le moyen à une application d’utiliser de façon
transactionnelle un serveur de base de données.
• Ensemble de logiciels que l’utilisateur peut employer de façon interactive pour
accéder aux données de la manière la plus rapide et simple possible.
• Exemple : Le 15/01/2012 à 13h12, le client X a retiré 500dt du compte Y
OLAP : On-Line Analytical Processing
• Catégorie de technologie logicielle permettant aux analystes, managers et
décideurs d’accéder de manière rapide, consistante et interactive à une large
variété d’information, transformée pour refléter la dimension réelle d’une
entreprise.
• Exemple : Quel est le volume des ventes par produit et par région durant le
deuxième trimestre de 2012 ?
L. SFAXI Formation Business Intelligence 44 / 91
62. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Systèmes Opérationnels vs. Systèmes Décisionnels
Modélisation Entité/Relation
• Discipline permettant d’éclairer les relations microscopiques
entre les données (Suppression des redondances, simplification
des transactions...)
• Principes
• Notion d’identifiant
• Dépendance fonctionnelle
• Formes normales
L. SFAXI Formation Business Intelligence 47 / 91
63. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Systèmes Opérationnels vs. Systèmes Décisionnels
Modélisation Entité/Relation
• Il existe 8 formes normales
• Exemples :
FN1 : Les attributs d’une table doivent contenir une valeur scalaire,
non répétitives et constante dans le temps
L. SFAXI Formation Business Intelligence 48 / 91
64. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Systèmes Opérationnels vs. Systèmes Décisionnels
Modélisation Entité/Relation
• Il existe 8 formes normales
• Exemples :
FN2 : Les attributs d’une relation sont divisés en deux groupes : La
clé (une ou plusieurs)et les autres attributs (éventuellement vides).
Tout attribut du deuxième groupe ne peut pas dépendre que d’un
sous-ensemble (strict) d’attribut(s) du premier groupe.
L. SFAXI Formation Business Intelligence 48 / 91
65. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Systèmes Opérationnels vs. Systèmes Décisionnels
Modélisation Entité/Relation
• Il existe 8 formes normales
• Exemples :
FN3 : Tout attribut du deuxième groupe ne peut pas dépendre que
d’un sous-ensemble (strict) d’attribut(s) du deuxième groupe.
L. SFAXI Formation Business Intelligence 48 / 91
66. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Systèmes Opérationnels vs. Systèmes Décisionnels
Limites de la Modélisation Entité/Relation
• Modèle complexe : plusieurs tables et jointures
• Risque de dégradation des performances
• Pas de compréhension par l’utilisateur
• Données historiques difficilement représentées
• Contraire aux objectifs du DataWarehouse
L. SFAXI Formation Business Intelligence 49 / 91
67. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Modélisation Multi-Dimensionnelle
Notions de Base
• Méthode de conception logique qui vise à présenter les
données sous une forme standardisée, intuitive, qui permet des
accès hautement performants
• Permet de considérer un sujet analysé comme point dans un
espace à plusieurs dimensions
• Les données sont organisées de manière à mettre en évidence :
• Le sujet ⇒ Le Fait
• Les perspectives de l’analyse ⇒ Les Dimensions
L. SFAXI Formation Business Intelligence 50 / 91
68. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Modélisation Multi-Dimensionnelle
Les Faits
• Un fait
• Sujet d’analyse
• Grain de mesure de l’activité
• Résultat d’une opération d’agrégation des données
• Valeur d’une mesure, telle que : Chiffre d’affaires, ventes,
gain, nombre de transactions
• En général, une valeur numérique
• Une table des faits
• Clé composite référençant les clés primaires des tables de
dimension
• Contient les valeurs des mesures et des clefs vers les tables des
dimensions
• Plusieurs tables de fait dans un datawarehouse
• A en général plusieurs lignes et peu de colonnes
L. SFAXI Formation Business Intelligence 51 / 91
70. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Modélisation Multi-Dimensionnelle
Les Dimensions
• Une Dimension
• Thème ou axe selon lequel les données sont analysées
• En général sous forme textuelle
• Parfois discrète (ensemble de valeurs)
• Une table des dimensions
• Représente le point d’entrée de l’entrepôt de données
• Contient une clef primaire unique qui correspond à l’un des
composants de la clef multiple de la table des faits
• A en général plusieurs colonnes et peu de lignes
L. SFAXI Formation Business Intelligence 52 / 91
72. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Modélisation Multi-Dimensionnelle
Vue
• Représentation d’une ou plusieurs requêtes de l’utilisateur du
SID
• À une requête correspond une et une seule vue
• À une vue peuvent correspondre plusieurs requêtes
• Une vue correspond également à un hyper-cube dont :
• Chaque dimension est décrite par une entité dont le contenu
est décrit par l’association de ces entités
• Les propriétés de l’association sont des faits ou mesures
• Les propriétés des entités intervenant dans la vue sont des
conditions
• Les combinaisons des conditions sont les coordonnées qui
déterminent des valeurs de faits
• Un fait n’est pas seulement un élément du résultat de la
requête, mais il doit être déterminé par l’association des
conditions
L. SFAXI Formation Business Intelligence 53 / 91
76. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Modélisation Multi-Dimensionnelle
Domaine et Contexte
Domaine
• Concerne un utilisateur ou un ensemble cohérent d’utilisateurs
• Implique un vocabulaire commun et une manière commune
d’appréhender l’information
Contexte
• Ensemble de faits et dimensions assemblées selon des critères
sémantiques formels de cohérence
• Caractérisé par une association unique, groupant tous les faits
relevés dans les vues
L. SFAXI Formation Business Intelligence 55 / 91
78. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Modélisation Multi-Dimensionnelle
Hiérarchie
• Élément fondamental dans la structure d’un contexte
• Représente pour l’utilisateur des chemins de consolidation
d’indicateurs (faits)
• Chaque niveau est représenté par une entité
• Certaines entités sont rattachées à d’autres par des liens
d’appartenance ou de regroupement hiérarchique
• Certains de ces chemins sont connus (Jour, Mois, Année),
d’autres doivent être repérés par une analyse précise du
vocabulaire des utilisateurs (Produit, Gamme, Marque)
L. SFAXI Formation Business Intelligence 57 / 91
80. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Modélisation Multi-Dimensionnelle
Granularité
• Le "grain" d’une dimension est le niveau de sélection le plus
fin possible de cette dimension
• Le grain de la dimension Temps est Mois
• Le grain de la dimension Territoire est Région
• L’intégration de chaque nouvelle vue est donc susceptible de
modifier le grain sur une ou plusieurs dimensions
• Le grain d’un contexte découle de la combinaison des grains
de toutes les dimensions. Il définit le niveau de détail pouvant
être obtenu par la requête la plus sélective et la plus fine
possible mettant en jeu toutes les dimensions.
L. SFAXI Formation Business Intelligence 58 / 91
81. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Modélisation Multi-Dimensionnelle
Granularité
• Grain du contexte : combinaison Produit-Mois-Client-Région
• S’applique à tous les faits
• Règle : Tous les faits d’un contexte doivent être définis pour
le grain de ce contexte
• Si les 3 indicateurs marge, revenu et quantité sont dans le
contexte, alors ils ont un sens à tous les niveaux
• Exemple : si la marge n’est définie que par Pays et par Mois,
alors que les autres le sont par Région et par Trimestre, il y
aurait décalage de grain entre les faits
• Décalage de grain : les faits n’appartiennent pas tous au même
contexte ⇒Facteur d’incohérence !
L. SFAXI Formation Business Intelligence 58 / 91
83. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Caractéristiques de la Modélisation Multidimensionnelle
• Lisibilité
• Performances (chargement + exécution des requêtes)
• Évolutivité
• Redondances envisageables
• Pas de mise à jour en ligne (chargement uniquement)
• Pas de problème d’intégrité des données (contrôles à
l’acquisition)
• Privilégier l’accessibilité plutôt que la normalisation
• Requêtes ensemblistes, portant sur de gros volumes de
données
• Projections, restrictions, regroupements, agrégations
• Adaptation du modèle pour des requêtes ad-hoc
• Techniques d’optimisation basées sur les chemins d’accès
• Pré-calcul de certains agrégats + dé-normalisation
L. SFAXI Formation Business Intelligence 59 / 91
84. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Avantages de la Modélisation Multidimensionnelle
• Structure prévisible et standardisée
• Diminution du nombre de tables et de jointures
• Modèle évolutif qui peut être modifié sans peine :
• Ajout de nouveaux faits non prévus initialement, à partir du
moment où ils sont cohérents avec la granularité de la table
des faits existante
• Ajout de nouvelles dimensions, à partir du moment où une
seule valeur de la dimension est définie pour chaque
enregistrement factuel existant
• Ajout d’attributs dimensionnels nouveaux
• Changement de granularité : Décomposition des
enregistrements d’une dimension existante en un niveau de
détail plus fin à partir d’une date déterminée
L. SFAXI Formation Business Intelligence 60 / 91
86. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Règles d’Élaboration et d’Intégration des Vues
• La structure des vues externes se déduit directement des
requêtes des utilisateurs, non des connexions possibles entre
les entités
• Dans un domaine, il existe un ou plusieurs sous-ensembles de
vues liées entre elles par des critères de cohérence sémantique
et structurelles. ⇒ Contextes
• La liste exhaustive des vues n’est jamais figée
• La normalisation du MDD permet d’anticiper et d’intégrer
automatiquement dans chaque contexte le plus grand nombre
possible de vues probables d’après la structure vue connues.
• Entre deux entités intervenant dans une vue, il doit exister un
et un seul chemin de navigation sémantique et ce chemin doit
être le plus court possible
L. SFAXI Formation Business Intelligence 62 / 91
87. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Normalisation des Contextes
• Un contexte regroupant un nombre élevé de dimensions a peu
de chances de correspondre à une réalité et serait d’un
maniement trop complexe
• En général, le nombre de dimensions d’un contexte varie entre
4 et 12 dimensions
• Au delà de ce nombre, la probabilité de redondance
dimensionnelle devient de plus en plus importante
• Un contexte est dit cohérent lorsque toutes les vues qu’il
autorise ont une signification dans le domaine de l’utilisateur
L. SFAXI Formation Business Intelligence 63 / 91
88. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Normalisation des Contextes
Règle I
• Il ne doit pas y avoir de dépendance fonctionnelle entre deux
entités appartenant à des dimensions différentes d’un même
contexte
• Conséquence : Regroupement des entités dépendantes dans
une même dimension
• Exemple : Si les produits sont organisés par région, on doit
intégrer l’entité Région dans la dimension Produit
L. SFAXI Formation Business Intelligence 64 / 91
89. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Normalisation des Contextes
Règle II
• Tous les faits d’un contexte doivent être définis d’une manière
cohérente pour toutes les combinaisons dimensionnelles de ce
contexte
• Conséquence : Les faits qui ne sont valables que pour
certaines dimensions nécessitent l’éclatement du contexte
• Exemple :
L. SFAXI Formation Business Intelligence 65 / 91
90. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Normalisation des Contextes
Règle III
• Tous les faits d’un contexte doivent être définis pour le grain
de ce contexte
• Le grain d’un contexte découle de la combinaison des grains
de toutes les dimensions
• Le grain d’une dimension est le niveau de sélection le plus fin
possible de cette dimension
L. SFAXI Formation Business Intelligence 66 / 91
92. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Sommaire
Business Intelligence : Besoins et Étapes
La Chaîne Décisionnelle
Les Entrepôts de Données (Datawarehouse)
Aspects Fondamentaux de la Modélisation Multidimensionnelle
Modèles d’un Entrepôt de Données
Aspects Fondamentaux de la MMD
Opérations OLAP
Modèles de Stockage
Conclusion
L. SFAXI Formation Business Intelligence 68 / 91
93. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Modèles d’un Entrepôt de Données
Modèle en Étoile
• Une (ou plusieurs) table(s) de faits comprenant une ou
plusieurs mesures
• Plusieurs tables de dimension dé-normalisées : descripteurs des
dimensions.
• Les tables de dimension n’ont pas de lien entre elles.
• Avantages
• Facilité de navigation.
• Performances : nombre de jointures limité ; gestion des
données creuses.
• Gestion des agrégats
• Inconvénients
• Redondances dans les dimensions.
• Alimentation complexe..
L. SFAXI Formation Business Intelligence 69 / 91
95. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Modèles d’un Entrepôt de Données
Modèle en Flocon de Neige
• Dérivé du schéma en étoile où les tables de dimensions sont
normalisées
• La table des faits reste inchangée
• Chacune des dimensions est décomposée selon sa (ou ses)
hiérarchie(s)
• Exemple : Commune, Département, Région, Pays, Continent
• Utilisé lorsque les tables sont très volumineuses
• Avantages
• Réduction du volume
• Permettre des analyses par pallier (drill down) sur la dimension
hiérarchisée
• Inconvénients
• Navigation difficile
• Nombreuses jointures
L. SFAXI Formation Business Intelligence 70 / 91
97. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Modèles d’un Entrepôt de Données
Modèle en Constellation
• Fusionner plusieurs modèles en étoile qui utilisent des
dimensions communes
• Un modèle en constellation comprend donc :
• Plusieurs tables des faits
• Des tables de dimension communes ou non à ces tables de faits
L. SFAXI Formation Business Intelligence 71 / 91
100. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Aspects Fondamentaux
Dimension
• Une dimension peut être définie comme un thème, ou un axe
(attributs), selon lequel les données seront analysées.
• Ex : Temps, Découpage administratif, Produits.
• Une dimension contient des membres organisés en hiérarchie :
• Chacun des membres appartient à un niveau hiérarchique (ou
niveau de granularité) particulier
• Exemple : pour la dimension Temps : année - semestre - mois -
jour
L. SFAXI Formation Business Intelligence 73 / 91
101. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Aspects Fondamentaux
Dimensions : Vocabulaire
Dimension
• Temps, Produit, Géographie, ...
Niveau : hiérarchisation des dimensions
• Temps : Année, Semestre, Trimestre, Mois, Semaine, ...
• Produit : Rayon, Catégorie, Nature,...
• Géographie : Région, Département, Ville, Magasin, ...
Membres d’un Niveau
• Produit ::Rayon : Frais, Surgelé, Liquide
• Produit ::Rayon.Catégorie : Frais.Laitage, Liquide.Jus
• Produit ::Rayon.Catégorie.Nature : Frais.Laitage.Yaourt, Liquide.Jus.Orange
Cellule
• Intersection des membres des différentes dimensions
Formule
• Calcul, expression, règle, croisement des dimensions
• Exemple : Somme(Qte*PrixVente), Moyenne(Qte*(PrixVente-PrixAchat))...
L. SFAXI Formation Business Intelligence 74 / 91
102. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Aspects Fondamentaux
Dimension Temps
• Commune à tout entrepôt
• Reliée à toute table de fait
• 2 choix d’implantation
• Type SQL DATE
• Calendrier + Table Temps + Informations supplémentaires
• Évènement (match de finale de coupe du monde)
• Jours fériés, vacances, période fiscale,
• Saison haute ou basse,...
L. SFAXI Formation Business Intelligence 75 / 91
103. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Aspects Fondamentaux
Fait
Mesure
• Élément de donnée sur lequel portent les analyses, en fonction
des différentes dimensions
• Exemple : coût des travaux, nombre d’accidents, ventes
Fait
• Valeur d’une mesure, mesurée ou calculée, selon un membre
de chacune des dimensions
• Exemple : ń 250 000 euros ż est un fait qui exprime la valeur
de la mesure ń coût des travaux ż pour le membre ń 2002 ż
du niveau année de la dimension ń temps ż et le membre ń
Versailles ż du niveau ń ville ż de la dimension ń découpage
administratif ż
L. SFAXI Formation Business Intelligence 76 / 91
104. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Aspects Fondamentaux
Faits : Vocabulaire
Fait Additif
• Additionnable suivant toutes les dimensions
• Exemples : quantité vendue, chiffre d’affaires, coût
Fait Semi-Additif
• Additionnable selon certaines dimensions
• Exemples : Niveau de stock (excepté sur la dimension temps),
Nombre de transactions, de clients (excepté sur la dimension
produit)
Fait Non-Additif
• Non additionnable
• Exemple : attribut ratio (marge brute = 1- Coût/CA)
L. SFAXI Formation Business Intelligence 77 / 91
105. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Aspects Fondamentaux
Métabase de Données
• Existence d’une Métabase de données ou Catalogue de
métadonnées :
• Contient les métadonnées du DW
• Idéalement : Lieu de stockage unique des informations qui
pilotent les processus dans l’entrepôt
• Détails sur :
• Les données entreposées,leur format, leur signification, leur
degré d’exactitude
• Les processus de récupération/extraction dans les bases
sources
• La date du dernier chargement de l’entrepôt
• L’historique des données sources et de celles de l’entrepôt
L. SFAXI Formation Business Intelligence 78 / 91
112. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Modèles de Stockage
ROLAP (Relational OLAP)
• OLAP relationnel
• Données obtenues à partir de tables relationnelles et de
jointures entre celles-ci
• En fonction de la granularité, la requête générée est plus ou
moins complexe
• À chaque consultation, la requête est recalculée
• Les résultats ne sont pas stockés
• Langage : SQL
Avantages
• Faible coût (car tire partie des ressources existantes)
Inconvénients
• Temps de réponse long car sollicitation de la base à chaque
relance d’un rapport
L. SFAXI Formation Business Intelligence 85 / 91
113. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Modèles de Stockage
MOLAP (Multi-Dimentional OLAP)
• OLAP multi-dimentionnel (Plus de relationnel !)
• Données stockées dans une base de données
multi-dimensionnelle appelée CUBE (Exemple : Essbase)
• Tous les croisements possibles sont pré-calculés =>
Restitution des données instantanée
• Langage : MDX
Avantages
• Temps de réponse très court (tout est stocké)
Inconvénients
• Coût élevé des licences pour les bases multi-dimensionnelles
• Coût élevé de développement des cubes
• Difficile à mettre en place pour les gros volumes de données, à
cause de tous les résultats précompilés
L. SFAXI Formation Business Intelligence 86 / 91
114. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Modèles de Stockage
HOLAP (Hybrid OLAP)
• Association du ROLAP et du MOLAP
• Concept de Drill-Through
• Accès aux données agrégées avec MOLAP (Cube)
• Accès aux détails avec le ROLAP (tables relationnelles)
• Étapes :
• Données agrégées stockées dans une table multi-dimensionnelle
• Restitution de ces données à partir d’un outil de reporting
• Affichage des données agrégées extraites à partir des tables
multi-dimensionnelles
• Affichage des détails des opérations issus des bases
relationnelles
Avantages
• Temps de réponse assez court
• Moins coûteux que MOLAP car moins de développement
Inconvénients
• Ne pourra pas être utilisé si les rapports sont trop complexes et font trop de
croisements de données
L. SFAXI Formation Business Intelligence 87 / 91
115. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Business Intelligence La Chaîne Décisionnelle Data Warehouse Aspects Fondamentaux Conclusion
Modèles de Stockage
DOLAP (Desktop OLAP)
• Ce n’est pas une technologie de stockage, mais un mode de
fonctionnement.
• Base de donnée OLAP limitée en taille
• Permet à l’utilisateur d’enregistrer une partie de la base de
données multi-dimensionnelle en local
L. SFAXI Formation Business Intelligence 88 / 91