SQL Server Analysis Services dans sa version 2012 a introduit la notion de BI Semantic Model, BISM, qui se décline soit en modèle Multidimensionnel, soit en modèle Tabulaire. Les besoins adressés par ces deux modes sont pour une grande part communs, mais les prérequis nécessaires à leur implémentation diffèrent sur de nombreux points qu'il est important de connaître avant de se lancer dans un projet. Durant cette session nous comparerons ces deux modes sur de nombreux critères, qu'ils concernent les administrateurs (infrastructures à mettre en place, maintenabilité, sécurité), les architectes (modélisations relationnelles sous-jacentes et frontaux supportés), les développeurs (techniques d'implémentation, performance des requêtes) et les chefs de projet qu'ils soient techniques ou fonctionnels (cas métier adressés, facilité de mise en place).
Au delà de ce buzz word :
Les grands concepts
Les étapes clés des projets Big Data et les technologies à utiliser (stockage, ingestion, …)
Les enjeux des architectures Big Data (architecture lambda, …)
L'intelligence artificielle (machine learning, deep learning, …)
Et un cas d'usage du big data sur AWS autour de l'utilisation des données gyroscopiques de vos internautes mobiles.
SQL Server Analysis Services dans sa version 2012 a introduit la notion de BI Semantic Model, BISM, qui se décline soit en modèle Multidimensionnel, soit en modèle Tabulaire. Les besoins adressés par ces deux modes sont pour une grande part communs, mais les prérequis nécessaires à leur implémentation diffèrent sur de nombreux points qu'il est important de connaître avant de se lancer dans un projet. Durant cette session nous comparerons ces deux modes sur de nombreux critères, qu'ils concernent les administrateurs (infrastructures à mettre en place, maintenabilité, sécurité), les architectes (modélisations relationnelles sous-jacentes et frontaux supportés), les développeurs (techniques d'implémentation, performance des requêtes) et les chefs de projet qu'ils soient techniques ou fonctionnels (cas métier adressés, facilité de mise en place).
Au delà de ce buzz word :
Les grands concepts
Les étapes clés des projets Big Data et les technologies à utiliser (stockage, ingestion, …)
Les enjeux des architectures Big Data (architecture lambda, …)
L'intelligence artificielle (machine learning, deep learning, …)
Et un cas d'usage du big data sur AWS autour de l'utilisation des données gyroscopiques de vos internautes mobiles.
Une base de données, pourquoi faire ? Le SQL, c’est quoi ce langage ? Un DBA, ça sert à quoi ? Cette session est là pour démystifier la base de données du point de vue des développeurs. Au programme : des bonnes pratiques, de la méthodologie, quelques tips techniques… De quoi rapprocher les développeurs et les DBA.
OSA02 - Pas de transactionnel haute performance sans un couple machine logici...Nicolas Desachy
Ressources cloisonnées et dépourvues de flexibilité ? Goulots d\’étranglement au niveau des performances ? Temps d\’arrêt inacceptables ? Coûts et complexité liés à l\’évolutivité ? Tâches de gestion manuelles très longues ? L’explosion des données et la croissance des transactions augmente la demande de systèmes éprouvés et capables de garantir l\’intégrité, les performances et la flexibilité tout en permettant de réaliser des économies. Si ces questions vous interpellent, cet atelier est pour vous. Vous y découvrirez les dernières nouveautés en terme de systèmes transactionnels IBM et les raisons pour lesquelles de nombreux clients migrent vers ces systèmes.
En prime : les premiers retours d’expérience de portage vers IBM DB2 9.7
Introduction aux bases de données NoSQL faite pour l'Ensim (Ecole Nationale Supérieure d'Ingénieurs du Mans), niveau Master. Après un bref historique sur les RDBMS et NoSQL, sont présentées : les modèles de distribution, le map-reduce et les familles de bases NoSQL ainsi que leurs cas d'usage.
Point de vue expert: la stratégie “ comptoir des données”Denodo
Watch full webinar here: https://bit.ly/3CS93vx
François Bouteyre, directeur conseil chez Sopra Steria Next illustre en quelques minutes les attentes, besoins, contraintes datas des métiers.
Pendant cette session, le Directeur Conseil de Sopra Steria revient sur les points d’incompréhensions et de tensions des métiers avec les experts data.
Suite aux échecs successifs des approches traditionnelles, François Bouteyre propose une nouvelle voie pour soutenir les métiers.
En visionnant cette session vidéo, vous allez apprendre:
- à mieux appréhender les concepts de “comptoir des données”
- comment le data mesh, la data fabric et la data virtualization sont compatibles
- comment les entreprises modernes peuvent passer à l’échelle
Tracer la voie vers le BigData et l'analyse prédictive avec Talend et Amazon AWS.
Peut-on se passer du Big Data, de l’analyse prédictive, ou du machine learning depuis qu’ils ont démontré leur capacité à transformer l’entreprise et à ouvrir les portes de vos marchés à de nouveaux acteurs ? Et sinon, comment s’approprier au plus vite toute cette panoplie technologique, à première vue complexe, coûteuse et en perpétuelle mutation ?
Cette présentation démontre comment s’approprier et orchestrer les plates-formes cloud telles qu’Amazon AWS, pour tirer partie de la puissance de traitements de Hadoop et de Spark dans le cadre d’applications analytiques de nouvelle génération.
Nouveautes Minitab-Integration Python, Arbres de decision, Validation de mode...Minitab, LLC
Ajoutez une corde à votre arc pour l’analyse de données : le Machine Learning désormais à votre portée !
Prendre les meilleures décisions, éclairées par les données, grâce à l'analyse prédictive.
Alors que nous devons tous travailler toujours de façon plus intelligente et plus efficace, être en mesure d'extraire des informations pertinentes de vos données et de les communiquer est un atout essentiel.
Vous disposez de plus de données, les exploitez-vous de façon optimale ?
Minitab intègre une nouvelle fonctionnalité pour analyser des milliers de variables. Nous vous expliquons, dans ce document, comment bénéficier de la valeur de vos données grâce au Machine Learning.
La toute nouvelle version du logiciel de statistiques Minitab élargit votre champ des possibles :
- Arbres de régression et de classification
- Validation de vos modèles
- Intégration de Python
ItSMF 2011 : Tablettes, VDI, Cloud, Opportunités et impacts pour la Gestion d...Patrick Joubert
Tablettes, VDI, Cloud Computing : Quelles opportunités et quels impacts pour la gestion de service ?
Une approche avec 10 points clés par Timspirit et Beamap.
Légère mise à jour de l'introduction aux bases de données NoSQL faite pour l'Ensim (Ecole Nationale Supérieure d'Ingénieurs du Mans), niveau Master en Janvier 2014. Ajout d'exemples et d'une présentation rapide des APIs majeures.
Alphorm.com Formation Power BI : Transformation de Données avec DAX et Power ...Alphorm
Power BI est une solution décisionnelle qui permet de faire une mise en œuvre très rapide d’une analyse des données. Les données peuvent être de sources multiples (BDD, EXCEL, CSV, QVD, QVS, XML, …).
L’outil Power BI est la collection d’application, de connecteurs de données et de services logiciels qui sont utilisés pour obtenir les données de différentes sources de données, de transformer ces données et de produire des rapports et tableaux de bords utiles.
Avec cette formation Power BI, vous serez capable de comprendre très rapidement les différentes fonctionnalités de l'outil, de l'analyse de données et la mise en place de rapports et tableaux de bord. Ce logiciel agit comme un cerveau humain qui travaille sur l’association, et il peut aller dans n'importe quelle direction pour chercher les réponses.
Power BI gère les informations de manière conviviale et similaire au fonctionnement du cerveau humain. Il crée progressivement des connexions entre les informations traitées. Ce n'est pas la base de données, mais bien vous qui posez une question. Cliquez simplement sur l'élément sur lequel vous souhaitez obtenir des informations.
Cette formation Power BI vous aidera à Comprendre les concepts de la solution Business Intelligence d’une manière rapide afin que vous soyez autonome, mais aussi d’avoir une vision globale des principales fonctionnalités existantes et nouvelles.
Power BI : les bonnes pratiques - aMS Strasbourg 2021Philippe Geiger
L'événement de l'aMS de Strasbourg a eu lieu le 14 octobre 2021. Cette fois-ci l'événement a eu lieu à domicile, c'est à dire à Strasbourg. C'est tout naturellement que j'ai proposé une idée de session et que j'ai été retenu, sur le thème des bonnes pratiques avec Power BI. En plus cette événement a eu lieu en présentiel, après des longs de mois de confinement.
Comment piloter votre activité à l’aide de SAP Analytics Cloud ?Axys
SAP Analytics Cloud (SAC) est un outil de Business Intelligence (BI) moderne qui offre de nombreuses possibilités, et nous allons parcourir les principales lors ce webinar : analyse opérationnelle, visualisations modernes, interactivité, et analyse prédictive sont au programme !
Nous vous montrerons aussi combien il est facile de créer des Dashboard avec SAP Analytics Cloud : en quelques minutes et quelques clics, vous obtenez votre premier rapport personnalisé !
Pour ceux qui souhaitent donner vie à leurs simulations, nous évoquerons la version planning de SAC qui permet alors d’agir sur les données et de faire de votre outil de BI un outil de reprévision voire même d’élaboration budgétaire…
Vous êtes responsable MOA ou MOE et vous vous interrogez sur les possibilités du Machine Learning ?
Vous avez déjà rapidement entendu parler de classification supervisée, de prédiction, de recommandation … mais vous n’en comprenez pas réellement les tenants et les aboutissants ?
Cette présentation est faite pour vous!
Vous trouverez :
- une définition concise
- les grands principes du ML
- les problématiques auxquelles répond le ML
- les étapes à suivre
- les prémices d’un projet
- les indicateurs à prendre en compte lors du choix de l’algorithme à utiliser
Aujourd’hui, tous les métiers sont concernés par le Machine Learning, alors n’ayez pas peur de vous lancer! C’est à vous!
Si vous avez des questions, les commentaires sont les bienvenus.
This document provides an overview of blockchain technology and its applications from the perspective of the Director of RMIT Blockchain Innovation Hub. It defines blockchain as a new economic infrastructure that allows records to be maintained in an append-only public ledger. Bitcoin is discussed as an early example of blockchain, combining technologies like cryptography, peer-to-peer networking, and consensus algorithms. Potential uses of blockchain include facilitating trade, creating new economies and currencies, implementing smart contracts, and innovating on governance models. Specific applications highlighted include supply chain management, autonomous machines and the Internet of Things, digital law, and community decision making platforms. The document concludes by discussing blockchain-focused education courses to prepare students for jobs in the emerging blockchain economy.
Une base de données, pourquoi faire ? Le SQL, c’est quoi ce langage ? Un DBA, ça sert à quoi ? Cette session est là pour démystifier la base de données du point de vue des développeurs. Au programme : des bonnes pratiques, de la méthodologie, quelques tips techniques… De quoi rapprocher les développeurs et les DBA.
OSA02 - Pas de transactionnel haute performance sans un couple machine logici...Nicolas Desachy
Ressources cloisonnées et dépourvues de flexibilité ? Goulots d\’étranglement au niveau des performances ? Temps d\’arrêt inacceptables ? Coûts et complexité liés à l\’évolutivité ? Tâches de gestion manuelles très longues ? L’explosion des données et la croissance des transactions augmente la demande de systèmes éprouvés et capables de garantir l\’intégrité, les performances et la flexibilité tout en permettant de réaliser des économies. Si ces questions vous interpellent, cet atelier est pour vous. Vous y découvrirez les dernières nouveautés en terme de systèmes transactionnels IBM et les raisons pour lesquelles de nombreux clients migrent vers ces systèmes.
En prime : les premiers retours d’expérience de portage vers IBM DB2 9.7
Introduction aux bases de données NoSQL faite pour l'Ensim (Ecole Nationale Supérieure d'Ingénieurs du Mans), niveau Master. Après un bref historique sur les RDBMS et NoSQL, sont présentées : les modèles de distribution, le map-reduce et les familles de bases NoSQL ainsi que leurs cas d'usage.
Point de vue expert: la stratégie “ comptoir des données”Denodo
Watch full webinar here: https://bit.ly/3CS93vx
François Bouteyre, directeur conseil chez Sopra Steria Next illustre en quelques minutes les attentes, besoins, contraintes datas des métiers.
Pendant cette session, le Directeur Conseil de Sopra Steria revient sur les points d’incompréhensions et de tensions des métiers avec les experts data.
Suite aux échecs successifs des approches traditionnelles, François Bouteyre propose une nouvelle voie pour soutenir les métiers.
En visionnant cette session vidéo, vous allez apprendre:
- à mieux appréhender les concepts de “comptoir des données”
- comment le data mesh, la data fabric et la data virtualization sont compatibles
- comment les entreprises modernes peuvent passer à l’échelle
Tracer la voie vers le BigData et l'analyse prédictive avec Talend et Amazon AWS.
Peut-on se passer du Big Data, de l’analyse prédictive, ou du machine learning depuis qu’ils ont démontré leur capacité à transformer l’entreprise et à ouvrir les portes de vos marchés à de nouveaux acteurs ? Et sinon, comment s’approprier au plus vite toute cette panoplie technologique, à première vue complexe, coûteuse et en perpétuelle mutation ?
Cette présentation démontre comment s’approprier et orchestrer les plates-formes cloud telles qu’Amazon AWS, pour tirer partie de la puissance de traitements de Hadoop et de Spark dans le cadre d’applications analytiques de nouvelle génération.
Nouveautes Minitab-Integration Python, Arbres de decision, Validation de mode...Minitab, LLC
Ajoutez une corde à votre arc pour l’analyse de données : le Machine Learning désormais à votre portée !
Prendre les meilleures décisions, éclairées par les données, grâce à l'analyse prédictive.
Alors que nous devons tous travailler toujours de façon plus intelligente et plus efficace, être en mesure d'extraire des informations pertinentes de vos données et de les communiquer est un atout essentiel.
Vous disposez de plus de données, les exploitez-vous de façon optimale ?
Minitab intègre une nouvelle fonctionnalité pour analyser des milliers de variables. Nous vous expliquons, dans ce document, comment bénéficier de la valeur de vos données grâce au Machine Learning.
La toute nouvelle version du logiciel de statistiques Minitab élargit votre champ des possibles :
- Arbres de régression et de classification
- Validation de vos modèles
- Intégration de Python
ItSMF 2011 : Tablettes, VDI, Cloud, Opportunités et impacts pour la Gestion d...Patrick Joubert
Tablettes, VDI, Cloud Computing : Quelles opportunités et quels impacts pour la gestion de service ?
Une approche avec 10 points clés par Timspirit et Beamap.
Légère mise à jour de l'introduction aux bases de données NoSQL faite pour l'Ensim (Ecole Nationale Supérieure d'Ingénieurs du Mans), niveau Master en Janvier 2014. Ajout d'exemples et d'une présentation rapide des APIs majeures.
Alphorm.com Formation Power BI : Transformation de Données avec DAX et Power ...Alphorm
Power BI est une solution décisionnelle qui permet de faire une mise en œuvre très rapide d’une analyse des données. Les données peuvent être de sources multiples (BDD, EXCEL, CSV, QVD, QVS, XML, …).
L’outil Power BI est la collection d’application, de connecteurs de données et de services logiciels qui sont utilisés pour obtenir les données de différentes sources de données, de transformer ces données et de produire des rapports et tableaux de bords utiles.
Avec cette formation Power BI, vous serez capable de comprendre très rapidement les différentes fonctionnalités de l'outil, de l'analyse de données et la mise en place de rapports et tableaux de bord. Ce logiciel agit comme un cerveau humain qui travaille sur l’association, et il peut aller dans n'importe quelle direction pour chercher les réponses.
Power BI gère les informations de manière conviviale et similaire au fonctionnement du cerveau humain. Il crée progressivement des connexions entre les informations traitées. Ce n'est pas la base de données, mais bien vous qui posez une question. Cliquez simplement sur l'élément sur lequel vous souhaitez obtenir des informations.
Cette formation Power BI vous aidera à Comprendre les concepts de la solution Business Intelligence d’une manière rapide afin que vous soyez autonome, mais aussi d’avoir une vision globale des principales fonctionnalités existantes et nouvelles.
Power BI : les bonnes pratiques - aMS Strasbourg 2021Philippe Geiger
L'événement de l'aMS de Strasbourg a eu lieu le 14 octobre 2021. Cette fois-ci l'événement a eu lieu à domicile, c'est à dire à Strasbourg. C'est tout naturellement que j'ai proposé une idée de session et que j'ai été retenu, sur le thème des bonnes pratiques avec Power BI. En plus cette événement a eu lieu en présentiel, après des longs de mois de confinement.
Comment piloter votre activité à l’aide de SAP Analytics Cloud ?Axys
SAP Analytics Cloud (SAC) est un outil de Business Intelligence (BI) moderne qui offre de nombreuses possibilités, et nous allons parcourir les principales lors ce webinar : analyse opérationnelle, visualisations modernes, interactivité, et analyse prédictive sont au programme !
Nous vous montrerons aussi combien il est facile de créer des Dashboard avec SAP Analytics Cloud : en quelques minutes et quelques clics, vous obtenez votre premier rapport personnalisé !
Pour ceux qui souhaitent donner vie à leurs simulations, nous évoquerons la version planning de SAC qui permet alors d’agir sur les données et de faire de votre outil de BI un outil de reprévision voire même d’élaboration budgétaire…
Vous êtes responsable MOA ou MOE et vous vous interrogez sur les possibilités du Machine Learning ?
Vous avez déjà rapidement entendu parler de classification supervisée, de prédiction, de recommandation … mais vous n’en comprenez pas réellement les tenants et les aboutissants ?
Cette présentation est faite pour vous!
Vous trouverez :
- une définition concise
- les grands principes du ML
- les problématiques auxquelles répond le ML
- les étapes à suivre
- les prémices d’un projet
- les indicateurs à prendre en compte lors du choix de l’algorithme à utiliser
Aujourd’hui, tous les métiers sont concernés par le Machine Learning, alors n’ayez pas peur de vous lancer! C’est à vous!
Si vous avez des questions, les commentaires sont les bienvenus.
This document provides an overview of blockchain technology and its applications from the perspective of the Director of RMIT Blockchain Innovation Hub. It defines blockchain as a new economic infrastructure that allows records to be maintained in an append-only public ledger. Bitcoin is discussed as an early example of blockchain, combining technologies like cryptography, peer-to-peer networking, and consensus algorithms. Potential uses of blockchain include facilitating trade, creating new economies and currencies, implementing smart contracts, and innovating on governance models. Specific applications highlighted include supply chain management, autonomous machines and the Internet of Things, digital law, and community decision making platforms. The document concludes by discussing blockchain-focused education courses to prepare students for jobs in the emerging blockchain economy.
Dans un contexte où la transmission et l'installation d'agriculteurs sont des enjeux cruciaux pour la profession agricole, de nouveaux agriculteurs s'installent chaque année et, parmi eux, certains Bac+5 ou plus. Les cursus des écoles d'ingénieurs n'ont pas vocation à former de futurs agriculteurs. Pourtant, certains apprenants ayant suivi ces cursus BAC + 5, qu'ils soient ou non issus du milieu agricole, tentent l'aventure de l'entrepreneuriat agricole. Qui sont-ils ? Quelles sont leurs motivations et visions ? Comment travaillent-ils ?
Si la baisse de la productivité est effective dans toutes les économies développées... elle est particulièrement marquée en France. Au niveau national, cet essoufflement touche tous les secteurs, et plus particulièrement celui de l’industrie, usuellement caractérisé par des gains de productivité élevés. Depuis la crise Covid, le secteur industriel contribue pour 35 % environ à cette perte, alors qu’il ne représente que 9,3 % de la valeur ajoutée nationale brute en 2023. Dans ce contexte, est-il possible de mener une politique de réindustrialisation du pays sans y associer un objectif de hausse des gains de productivité ?Non rappelle ce Cube. Au contraire, ces deux objectifs, jusqu’alors indépendants l’un de l’autre, sont désormais deux défis à relever conjointement. En analysant les différents explications à la baisse de celle-ci observée en France et dans les autres économies développées, ce Cube suggère que l’augmenter en parallèle d’une politique de réindustrialisation sous-entend une réallocation des facteurs de production vers les entreprises industrielles à fort potentiel. Elle suppose également une une meilleure affectation des ressources.
2. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
Plan
1 Modélisation Entité/Association
Med AMNAI Informatique Décisionnelle 2 / 38
3. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
Plan
1 Modélisation Entité/Association
2 Limites du modèle relationnel : OLTP vs OLAP
Med AMNAI Informatique Décisionnelle 2 / 38
4. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
Plan
1 Modélisation Entité/Association
2 Limites du modèle relationnel : OLTP vs OLAP
3 Nécessité d'une structure muti-dimensionnelle
Med AMNAI Informatique Décisionnelle 2 / 38
5. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
Plan
1 Modélisation Entité/Association
2 Limites du modèle relationnel : OLTP vs OLAP
3 Nécessité d'une structure muti-dimensionnelle
4 Modélisation multidimensionnelle des DW
Med AMNAI Informatique Décisionnelle 2 / 38
6. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
Plan
1 Modélisation Entité/Association
2 Limites du modèle relationnel : OLTP vs OLAP
3 Nécessité d'une structure muti-dimensionnelle
4 Modélisation multidimensionnelle des DW
5 Schémas Multidimensionnels
Med AMNAI Informatique Décisionnelle 2 / 38
7. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
Modélisation Entité/Association
• Avantages
• Normalisation;
• Éliminer les redondances ;
• Préserver la cohérence des données.
• Optimisation des transactions;
• Réduction de l'espace de stockage;
• Inconvénients pour un utilisateur nal
• Schéma trop complet : Contient des tables/champs inutiles
pour l'analyse;
• Pas d'interface graphique capable de rendre utilisable le
modèle E/A;
• Inadapté pour l'analyse.
Med AMNAI Informatique Décisionnelle 3 / 38
8. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
Limites du modèle relationnel : OLTP vs OLAP
• OLTP : Requêtes simples qui, quoi
• ex. les ventes de X;
• jointures : les ventes de X à quel prix de quel fournisseur.
• OLAP : besoin de données agrégées, synthétisées
• nombre de ventes par vendeur, par région, par mois;
• nombre de ventes par vendeur, par fournisseur, par mois.
• SQL : Possibilité d'agréger les données (group by) :
• très coûteux (parcourir toutes les tables) et il faut recalculer à
chaque utilisation.
Med AMNAI Informatique Décisionnelle 4 / 38
9. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
Nécessité d'une structure muti-dimensionnelle
• Les BD relationnelles ne sont pas adaptées à l'OLAP
car :
• Pas les mêmes objectifs;
• Pas les mêmes données;
• Pas les mêmes traitements et requêtes.
• Il est donc nécessaire de disposer d'une structure de
stockage adaptée à l'OLAP, i.e. permettant de :
• représenter les données dans plusieurs dimensions;
• manipuler les données facilement et ecacement.
Med AMNAI Informatique Décisionnelle 5 / 38
10. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
Notions de Modélisation Multidimensionnelle
Cocepts Multidimensionnelle
Table des Faits
Dimensions
Schémas Multidimensionnel
Méthodologie de Kimball
Exemple d'un DW (Entrpôt de données)
• L'ED doit fournir le CA des ventes d'un produit, par date,
client, magasin et vendeur, ainsi que toutes les sommations
possibles de chire d'aaires dans une année donnée.
• Une vente est caractérisée par :
Vente (produit, client, magasin, date, pays, coût de
vente, montant des ventes, Qté vendue)
• Produit : clé produit, Description (et libellés), . . .
• Client : clé client, type client, . . .
• Magasin : clé magasin, . . .
• Date : clé temps, jour, semaine, mois, . . .
Med AMNAI Informatique Décisionnelle 6 / 38
11. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
Notions de Modélisation Multidimensionnelle
Cocepts Multidimensionnelle
Table des Faits
Dimensions
Schémas Multidimensionnel
Méthodologie de Kimball
Représentation multidimensionnelle
Cube représentant le sujet des Ventes
Med AMNAI Informatique Décisionnelle 7 / 38
12. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
Notions de Modélisation Multidimensionnelle
Cocepts Multidimensionnelle
Table des Faits
Dimensions
Schémas Multidimensionnel
Méthodologie de Kimball
Cocepts de schéma de modélisation
• Nouvelle méthode de conception autour des concepts métiers
(Ne pas normaliser au maximum.)
• Notion de cube (en fonction des dimensions).
• Introduction de nouveaux types des tables :
• Table de faits (mesure).
• Table de dimensions
• Introduction de nouveaux modèles :
• Modèle en étoile.
• Modèle en ocon.
Med AMNAI Informatique Décisionnelle 8 / 38
13. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
Notions de Modélisation Multidimensionnelle
Cocepts Multidimensionnelle
Table des Faits
Dimensions
Schémas Multidimensionnel
Méthodologie de Kimball
Cube
• Modélisation multidimensionnelle des données facilitant
l'analyse d'une quantité selon diérentes dimensions :
• Temps.
• Localisation géographique ...
• Les calculs sont réalisés lors du chargement ou de la mise à
jour du cube.
Med AMNAI Informatique Décisionnelle 9 / 38
14. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
Notions de Modélisation Multidimensionnelle
Cocepts Multidimensionnelle
Table des Faits
Dimensions
Schémas Multidimensionnel
Méthodologie de Kimball
Manipulation du cube
• Opérateurs appliqués sur le cube sont algébriques (le résultat
est un autre cube) et peuvent être combinés.
• Opérateurs :
• Slicing, Dicing (extraction).
• Changement de la granularité d'une dimension
• Roll up (agrégation d'une dimension = résumé).
• Drill down (plus détaillées).
Med AMNAI Informatique Décisionnelle 10 / 38
15. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
Notions de Modélisation Multidimensionnelle
Cocepts Multidimensionnelle
Table des Faits
Dimensions
Schémas Multidimensionnel
Méthodologie de Kimball
Slicing et Dicing
• Slicing : Sélection de tranches du cube par des prédicats selon
une dimension
• Filtrer une dimension selon une valeur.
• Exemple : Slice (1998) : on ne retient que la partie du cube qui
correspond à cette date.
• Dicing : extraction d'un sous-cube.
• RQ : Slicing et Dicing Opérateurs sur le cube
Med AMNAI Informatique Décisionnelle 11 / 38
16. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
Notions de Modélisation Multidimensionnelle
Cocepts Multidimensionnelle
Table des Faits
Dimensions
Schémas Multidimensionnel
Méthodologie de Kimball
Exemple Slicing
Données d'une activité de Vente
Med AMNAI Informatique Décisionnelle 12 / 38
17. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
Notions de Modélisation Multidimensionnelle
Cocepts Multidimensionnelle
Table des Faits
Dimensions
Schémas Multidimensionnel
Méthodologie de Kimball
Exemple Dicing
Extraction d'un sous cube
Med AMNAI Informatique Décisionnelle 13 / 38
18. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
Notions de Modélisation Multidimensionnelle
Cocepts Multidimensionnelle
Table des Faits
Dimensions
Schémas Multidimensionnel
Méthodologie de Kimball
Drill-Down et Roll-Up
• Les opérations agissant sur la granularité d'observation des
données caractérisent la hiérarchie de navigation entre les
diérents niveaux.
• Roll-up ou forage vers le haut : consiste à représenter les
données du cube à un niveau de granularité supérieur
conformément à la hiérarchie dénie sur la dimension.
• Utilisation de la fonction d'agrégation (somme, moyenne, etc)
spécifée pour la mesure et la dimension.
• Drill-down ou forage vers le bas : consiste à représenter les
données du cube à un niveau de granularité de niveau inférieur
sous forme plus détaillée.
• RQ : Roll-up et Drill-down Opérateurs sur les dimensions
Med AMNAI Informatique Décisionnelle 14 / 38
19. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
Notions de Modélisation Multidimensionnelle
Cocepts Multidimensionnelle
Table des Faits
Dimensions
Schémas Multidimensionnel
Méthodologie de Kimball
Exemple Drill-Down
Med AMNAI Informatique Décisionnelle 15 / 38
20. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
Notions de Modélisation Multidimensionnelle
Cocepts Multidimensionnelle
Table des Faits
Dimensions
Schémas Multidimensionnel
Méthodologie de Kimball
Exemple Roll-Up
Med AMNAI Informatique Décisionnelle 16 / 38
21. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
Notions de Modélisation Multidimensionnelle
Cocepts Multidimensionnelle
Table des Faits
Dimensions
Schémas Multidimensionnel
Méthodologie de Kimball
Concept Faits
• Le fait modélise le sujet de l'analyse. Un fait est formé de
mesures correspondant aux informations de l'activité analysée
(ex : Quantités vendues, montant des ventes,. . . ).
• Les mesures d'un fait sont numériques et généralement
valorisées de manière continue.
• Les mesures sont numériques pour permettre de résumer un
grand nombre d'enregistrements en quelques enregistrements
(on peut les additionner, les dénombrer ou bien calculer le
minimum, le maximum ou la moyenne).
Med AMNAI Informatique Décisionnelle 17 / 38
22. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
Notions de Modélisation Multidimensionnelle
Cocepts Multidimensionnelle
Table des Faits
Dimensions
Schémas Multidimensionnel
Méthodologie de Kimball
Table de Faits
• Table principale du modèle multidimensionnel.
• Contient les données observables (les faits) sur le sujet étudié
selon divers axes d'analyse (les dimensions).
Med AMNAI Informatique Décisionnelle 18 / 38
23. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
Notions de Modélisation Multidimensionnelle
Cocepts Multidimensionnelle
Table des Faits
Dimensions
Schémas Multidimensionnel
Méthodologie de Kimball
Table de Faits (suite)
• Contient les clés étrangères des axes d'analyse (dimension) :
CléDate, Cléproduit, Clémagasin
• Trois types de faits :
• Additif.
• Semi Additif.
• Non Additif.
• Les faits les plus utiles sont numériques et additifs.
Med AMNAI Informatique Décisionnelle 19 / 38
24. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
Notions de Modélisation Multidimensionnelle
Cocepts Multidimensionnelle
Table des Faits
Dimensions
Schémas Multidimensionnel
Méthodologie de Kimball
Types de Faits
• Additif : additionnable suivant toutes les dimensions
• Quantités vendues, chire d'aaire.
• Peut être le résultat d'un calcul : Bénéce = montant vente -
coût
• Semi additif : additionnable suivant certaines dimensions
• Solde d'un compte bancaire : Pas de sens d'additionner sur les
dates car cela représente des instantanés d'un niveau.
• Non additif : fait non additionnable quelque soit la dimension.
• Prix unitaire : l'addition sur n'importe quelle dimension donne
un nombre dépourvu de sens.
Med AMNAI Informatique Décisionnelle 20 / 38
25. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
Notions de Modélisation Multidimensionnelle
Cocepts Multidimensionnelle
Table des Faits
Dimensions
Schémas Multidimensionnel
Méthodologie de Kimball
Dimension
• Le sujet (les faits, mesures) est analysé suivant diérentes
perspectives.
• Ces perspectives correspondent à une catégorie utilisée pour
caractériser les mesures d'activité analysées, on parle de
dimensions.
• Une dimension modélise une perspective d'analyse.
• Une dimension se compose d'attributs et niveaux
correspondant aux informations faisant varier les mesures de
l'activité.
Med AMNAI Informatique Décisionnelle 21 / 38
26. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
Notions de Modélisation Multidimensionnelle
Cocepts Multidimensionnelle
Table des Faits
Dimensions
Schémas Multidimensionnel
Méthodologie de Kimball
Exemples dimension
Vente (Produit, client, magasin, vendeur, date, coût de vente,
montant des ventes, Qté vendue)
Med AMNAI Informatique Décisionnelle 22 / 38
27. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
Notions de Modélisation Multidimensionnelle
Cocepts Multidimensionnelle
Table des Faits
Dimensions
Schémas Multidimensionnel
Méthodologie de Kimball
Attributs et Niveaux
• Une dimension est généralement formée de paramètres (ou
attributs) textuels et discrets.
• Les paramètres textuels sont utilisés pour restreindre la
portée des requêtes an de limiter la taille des réponses.
• Les paramètres sont discrets, c'est à dire que les valeurs
possibles sont bien déterminées et sont des descripteurs
constants.
Med AMNAI Informatique Décisionnelle 23 / 38
28. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
Notions de Modélisation Multidimensionnelle
Cocepts Multidimensionnelle
Table des Faits
Dimensions
Schémas Multidimensionnel
Méthodologie de Kimball
Concept Hiérarchie/Granularité
• Une hiérarchie organise les attributs d'une dimension selon
une relation est plus n conformément à leur niveau de
détail ou granularité.
• On distingue deux types de hiérarchies Simple et Multiple :
Med AMNAI Informatique Décisionnelle 24 / 38
29. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
Notions de Modélisation Multidimensionnelle
Cocepts Multidimensionnelle
Table des Faits
Dimensions
Schémas Multidimensionnel
Méthodologie de Kimball
Modèle Multidimensionnel
• Table de faits + Tables de dimensions reliées à la table de
faits par une jointure.
• Chaque enregistrement de la table de faits stocke les clés des
tables de dimensions et les mesures faites à un instant précis.
• Chacune des tables de dimension possède une clé primaire
unique correspondant à l'un des composants de la clé multiple
de la table de faits.
• On obtient un schéma en étoile (dans le cas le plus simple).
Med AMNAI Informatique Décisionnelle 25 / 38
30. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
Notions de Modélisation Multidimensionnelle
Cocepts Multidimensionnelle
Table des Faits
Dimensions
Schémas Multidimensionnel
Méthodologie de Kimball
Types de modèles
Med AMNAI Informatique Décisionnelle 26 / 38
31. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
Notions de Modélisation Multidimensionnelle
Cocepts Multidimensionnelle
Table des Faits
Dimensions
Schémas Multidimensionnel
Méthodologie de Kimball
Modèle en étoile
• Une table de fait centrale et des dimensions.
• Les dimensions n'ont pas de liaison entre elles
• Chacune des tables de dimension possède une clé primaire
unique correspondant à l'un des composants de la clé multiple
de la table de faits.
• Avantages :
• Facilité de navigation.
• Nombre de jointures limité.
• Inconvénients :
• Redondance dans les dimensions.
• Toutes les dimensions ne concernent pas les mesures.
Med AMNAI Informatique Décisionnelle 27 / 38
32. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
Notions de Modélisation Multidimensionnelle
Cocepts Multidimensionnelle
Table des Faits
Dimensions
Schémas Multidimensionnel
Méthodologie de Kimball
Exemple de Modèle en étoile
Med AMNAI Informatique Décisionnelle 28 / 38
33. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
Notions de Modélisation Multidimensionnelle
Cocepts Multidimensionnelle
Table des Faits
Dimensions
Schémas Multidimensionnel
Méthodologie de Kimball
Modèle en ocon
• Une table de fait et des dimensions décomposées en sous
hiérarchies.
• Un seul niveau hiérarchique par table de dimension.
• La table de dimension de niveau hiérarchique le plus bas est
reliée à la table de fait.
• Avantages :
• Normalisation des dimensions.
• Économie d'espace disque.
• Inconvénients :
• Modèle plus complexe (jointure).
• Requêtes moins performantes.
Med AMNAI Informatique Décisionnelle 29 / 38
34. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
Notions de Modélisation Multidimensionnelle
Cocepts Multidimensionnelle
Table des Faits
Dimensions
Schémas Multidimensionnel
Méthodologie de Kimball
Exemple de Modèle en ocon
Med AMNAI Informatique Décisionnelle 30 / 38
35. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
Notions de Modélisation Multidimensionnelle
Cocepts Multidimensionnelle
Table des Faits
Dimensions
Schémas Multidimensionnel
Méthodologie de Kimball
Méthodologie de Kimball
1 Choisir le sujet.
2 Choisir la granularité des faits.
3 Identier et adapter les dimensions.
4 Choisir les faits.
5 Stocker les pré-calculs.
6 Établir les tables de dimensions.
7 Choisir la durée de la base.
8 Suivre les dimensions lentement évolutives.
9 Décider des requêtes prioritaires, des modes de requêtes.
Med AMNAI Informatique Décisionnelle 31 / 38
36. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
Dénition d'un ETL
Alimentation/ mise à jour de l'entrepôt
Dénition d'un ETL
• Ore un environnement de développement;
• Ore des outils de gestion des opérations et de maintenance;
• Permet de découvrir, analyser et extraire les données à
partir de sources hétérogènes;
• Permet de nettoyer et standardiser les données;
• Permet de charger les données dans un entrepôt.
Med AMNAI Informatique Décisionnelle 32 / 38
37. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
Dénition d'un ETL
Alimentation/ mise à jour de l'entrepôt
Alimentation/ mise à jour de l'entrepôt
• Entrepôt mis à jour régulièrement;
• Chargement automatisé de l'entrepôt;
• Utilisation d'outils ETL (Extract, Transform, Load)
Med AMNAI Informatique Décisionnelle 33 / 38
38. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
Dénition d'un ETL
Alimentation/ mise à jour de l'entrepôt
Aperçu d'un ETL
Med AMNAI Informatique Décisionnelle 34 / 38
39. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
Dénition d'un ETL
Alimentation/ mise à jour de l'entrepôt
Aperçu d'un ETL (suite)
Med AMNAI Informatique Décisionnelle 35 / 38
40. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
ROLAP
MOLAP
HOLAP
ROLAP
• Relational OLAP :
• Données stockées dans une base de données
relationnelles;
• Un moteur OLAP permet de simuler le comportement d'un
SGBD multidimensionnel;
• Plus facile et moins cher à mettre en place;
• Moins performant lors des phases de calcul;
• Exemples de moteurs ROLAP : Mondrian
Med AMNAI Informatique Décisionnelle 36 / 38
41. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
ROLAP
MOLAP
HOLAP
MOLAP
• Multi dimensional OLAP : :
• Utilise un système multidimensionnel pur qui gère les
structures multidimensionnelles natives (les cubes);
• Accès direct aux données dans le cube;
• Plus dicile à mettre en place;
• Formats souvent propriétaires;
• Conçu exclusivement pour l'analyse multidimensionnelle.
• Exemples de moteurs MOLAP : (Microsoft Analysis Services,
Hyperion)
Med AMNAI Informatique Décisionnelle 37 / 38
42. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
ROLAP
MOLAP
HOLAP
HOLAP
• Hybride OLAP :
• tables de faits et tables de dimensions stockées dans SGBD
relationnel (données de base);
• données agrégées stockées dans des cubes;
• Solution hybride entre MOLAP et ROLAP;
• Bon compromis au niveau coût et performance.
Med AMNAI Informatique Décisionnelle 38 / 38
43. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
ROLAP
MOLAP
HOLAP
Marché Décisionnel
Med AMNAI Informatique Décisionnelle 39 / 38
44. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
ROLAP
MOLAP
HOLAP
Quelques solutions commerciales
Med AMNAI Informatique Décisionnelle 40 / 38
45. Modélisation Entité/Association
Limites du modèle relationnel : OLTP vs OLAP
Nécessité d'une structure muti-dimensionnelle
Modélisation Multidimensionnelle
Alimentation d'un Datawarehouse
Implémentations des modèles multidimensionnelles
ROLAP
MOLAP
HOLAP
Quelques solutions open source
Med AMNAI Informatique Décisionnelle 41 / 38