Le document présente une introduction complète à la gestion des entrepôts de données (data warehouses), abordant leur définition, architecture, et utilisation dans différents domaines tels que la santé et le commerce. Il passe également en revue des concepts clés liés aux data marts, à la modélisation des données, et à l'alimentation des entrepôts, tout en mettant l'accent sur l'importance des outils ETL. Enfin, le data mining est présenté comme une méthode d'exploration des données pour aider à la prise de décisions stratégiques.

1. TIC MANAGEMENT
Les Entrepôts de Données (Data Warehouses)
PRÉSENTER PAR :
 NZUGUEM KEVIN
BILONG LEON
MELINGA PATRICK
Institut Africain d’Informatique
7/5/2016
1
DATAWAREHOUSE

2. PLAN DU TRAVAIL
 INTRODUCTION
 LES ENTREPOTS DE DONNEES
 LES DATAMARTS
 ARCHITECTURE
 MODELISATION
 ALIMENTATION
 LES BASES DE DONNEES MULTIDIMENTIONNELLES
 MARCHE DU DECISIONNEL
 LE DATAMINIG
7/5/2016
2
DATA WAREHOUSE

3. INTRODUCTION
7/5/2016
3
DATA WAREHOUSE

4. CONTEXTE
 Besoin : prise de décision stratégiques et tactique;
 Pourquoi : besoin de réactivité;
 Qui : les décideurs (non informaticiens);
 Comment : répondre au demande d’analyse de données, dégager les informations qualitatives
nouvelles.
7/5/2016
4
DATA WAREHOUSE

5. CONTEXTE
Quels francais
consomment beaucoup le
piossons ?
Quels francais
consomment beaucoup
le piossons ?
Quels francais
consomment beaucoup
le piossons ?
Quels francais
consomment beaucoup
le piossons ?
7/5/2016
5
DATA WAREHOUSE

6. PROBLEMATIQUE
 Comment repondre aux données des decideurs ? :
 En donnant un acces rapide et simple a l’information strategique;
 En donnant du sens au données.
 mettre en place un systeme d’information dédié aux applications decisionnelles :
un DATA WAREHOUSE.
7/5/2016DATA WAREHOUSE
6

7. PROCESSUS DE PRISE DE DECISION
7/5/2016DATA WAREHOUSE
7

8. PROCESSUS DE PRISE DE DECISION
7/5/2016DATA WAREHOUSE
8

9. DOMAINE D’UTILISATION D’UN DW
 BANQUE : risque d’un prêt, prime plus precise
 SANTE : épidémologie, risque alimentaire
 COMMERCE : ciblage de clientèle, determiner des promotions
 LOGISTIQUE : adéquation demande/production
 ASSURANCE : risque lié au contrat d’assurance(voiture)
7/5/2016DATA WAREHOUSE
9

10. LES ENTREPOTS
DE DONNEES
7/5/2016
10
DATA WAREHOUSE

11. DEFININITION D’UN DW
 W.B.Inmon
« Le data Warehouse est une collection de données orientées sujet, intégrées,
non volatiles et historisées, organisées pour le support d’un processus d’aide à la
décision »
 PRINCIPE : mettre en place une base de donnée utilisé a des fin d’analyse.
7/5/2016
11
DATA WAREHOUSE

12. LES 4 CARACTERISTIQUES D’UN DW
 DONNÉES ORIENTÉES SUJET :
 Regroupe les informations des différents métiers
 Ne tiens pas compte de l’organisation fonctionnelle des données
7/5/2016
12
DATA WAREHOUSE

13. LES 4 CARACTERISTIQUES D’UN DW
7/5/2016
13
DATA WAREHOUSE
 DONNÉES INTÉGRÉES :
Normalisation des données
Définition d’un référentiel unique

14. LES 4 CARACTERISTIQUES D’UN DW
 DONNÉES NON VOLATILES :
 Traçabilité des informations et des décisions prises
 Copie des données de production
7/5/2016
14
DATA WAREHOUSE

15. LES 4 CARACTERISTIQUES D’UN DW
 DONNÉES DATÉES :
 Les données persistent dans le temps
 Mise en place d’un référentiel temps
7/5/2016
15
DATA WAREHOUSE

16. SGBDR ET DW
7/5/2016
16
DATA WAREHOUSE
OLTP: On-Line
Transactional
Processing
OLAP: On-Line
Analitical
Processing

17. OLTP vs DW
7/5/2016
17
DATA WAREHOUSE

18. LES DATA MARTS
7/5/2016
18
DATA WAREHOUSE

19. DATA MARTS
7/5/2016
19
DATA WAREHOUSE
 SOUS ENSEMBLE D’UN ENTREPOTS DE DONNNEES
 DESTINE A REPONDRE AU BESION D’UN SECTEUR OU
D’UNE FONCTION PARTICULIERE DE L’ENTREPRISE
 POINT DE VUE VUE SPECIFIQUE SELON LES CRITERES
METIERS

20. DATA MARTS
7/5/2016
20
DATA WAREHOUSE

21. INTERETS DES DATA MARTS
7/5/2016
21
DATA WAREHOUSE
 NOUVEL ENVIRONNEMENT STRUCTURE ET FORMATE EN FONCTION
DES BESIONS D’UN METIER OU D’UN USAGE PARTICULIER
 MOINS DE DONNEES QUE LE DATA WAREHOUSE : plus facile à
comprendre et a manipuler, amélioration des temps de réponses
 UTILISATEURS PLUS CIBLES : DM PLUS FACILE A DEFINIR

22. ARCHITECTURE
7/5/2016
22
DATA WAREHOUSE

23. ARCHITECTURE GENERALE
7/5/2016
23
DATA WAREHOUSE

24. FLUX DE DONNEES
7/5/2016
24
DATA WAREHOUSE
 FLUX ENTRANTS :
- Extraction : multi-source, hétérogene;
- Transformation : filter, Trier, homogeiniser, netoyer
- Chargement : insertion des données dans l’entrepot
 FLUX SORTANTS :
- Mise à la disposition des données pour les utilisateurs finaux

25. LES DIFFERENTES ZONES DE
L’ARCHITECTURE
7/5/2016
25
DATA WAREHOUSE
 ZONE DE PREPARATION (STAGING AREA):
- zone temporaire de stockage des données extraites;
- Realisation des transformation avant l’insertion dans le DW :
nettoyage, normalisation
- Données souvent detruites après chargement dans le DW

26. LES DIFFERENTES ZONES DE
L’ARCHITECTURE
7/5/2016
26
DATA WAREHOUSE
 ZONE DE STOCKAGE (DW, DM):
- On y transfert les données nettoyés;
- Stockage permanent des données

27. LES DIFFERENTES ZONES DE
L’ARCHITECTURE
7/5/2016
27
DATA WAREHOUSE
 ZONE DE PRESENTATION :
- Donne accès au données contenues dans le DW;
- Peut contenir des outils d’analyse programmés: rapports,
requetes

28. MODELISATION
7/5/2016
28
DATA WAREHOUSE

29. MODELISATION ENTITE/ ASSOCIATION
7/5/2016
29
DATA WAREHOUSE
 AVANTAGES:
- Normalisation: éleminer les redondances, preserver la coherence
des données.
- Optimisation des transactions
- Reduction de l’espace de stockage

30. MODELISATION ENTITE/ ASSOCIATION
7/5/2016
30
DATA WAREHOUSE
 INCONVENIENTS POUR UTILISATEURS FINAUX:
- Shema très et trop complet : contient des tables/champs inutiles
pour l’analyse
- Pas d’interface graphique capable de rendre utilisable le madèle E/A
- Inapdaté pour l’analyse

31. EXEMPLE
7/5/2016
31
DATA WAREHOUSE

32. MODELISATION DE DW
7/5/2016
32
DATA WAREHOUSE
 NOUVELLES METHODES DE CONCEPTION AUTOUR DES CONCEPTS
METIERS :
- Ne pas normaliser au maximun
 INTRODUCTION DE NOUVEAUX TYPES DE TABLES :
- Tables de faits
- Tables de dimension
 INTRODUCTION DE NOUVEAUX MODELES:
- Modèle en etoile
- Modèle en flocon

33. TABLE DE FAITS
7/5/2016
33
DATA WAREHOUSE
 TABLE PRINCIPALE DU MODELE DIMENSIONNEL
 CONTIENT DES DONNEES OBSERVABLE (FAITS) SUR
LE SUJET ETUDIE SELON DIVERS AXES D’ANALYSE
(LES DIMENSIONS)

34. TABLE DE FAITS
7/5/2016
34
DATA WAREHOUSE

35. TABLE DE FAITS
7/5/2016
35
DATA WAREHOUSE
 FAIT :
- ce que l’on souhaite mésurer : quantité vendue, montant des ventes.
- Contient les clés étrangeres des axes d’analyse: date, produit, magasin
- Trois types de faits : additif, semi-additif, non additif

36. TYPOLOGIES DES FAITS
7/5/2016
36
DATA WAREHOUSE
 ADDITIF : additionnable suivant toutes les dimensions
- quantité vendue, chiffre d’affaire
- peut etre le resultat d’un calcul : Benefice= montant de ventes –
cout

37. TYPOLOGIES DES FAITS
7/5/2016
37
DATA WAREHOUSE
 SEMI-ADDITIF: additionable suivant certaines dimensions
- solde d’un compte bancaire : pas de sens d’additionner sur les
dates car cela represente les instantanés d’un niveau

38. TYPOLOGIES DES FAITS
7/5/2016
38
DATA WAREHOUSE
 NON ADDITIF: Fait non additionable quelque soit la
dimension
- prix unitaire : l’addition sur n’importe quelle dimension donne
un nonbre depouvu de sens

39. TABLE DE DIMENSIONS
7/5/2016
39
DATA WAREHOUSE
 AXES D’ANALYSE SELON LESQUELS VONT ETRE ETUDIEES
LES DONNEES OBSERVABLE (FAITS )
 CONTIENT LE DETAIL SUR LES FAITS

40. TABLE DE DIMENSIONS
7/5/2016
40
DATA WAREHOUSE

41. TABLE DE DIMENSIONS
7/5/2016
41
DATA WAREHOUSE
 DIMENSIONS = AXES D’ANALYSE
- Client, produit, periode de temps…
 CONTIENT SOUVENT UN GRAND NOMBRE DE COLONNE:
l’essemble d’information desciptives des faits
 CONTIENT EN GENERALE BEAUCOUP MOINS D’INFORMATION
Q’UNE TABLE DE FAITS

42. TYPE DE MODELES
7/5/2016
42
DATA WAREHOUSE
 MODELE EN ETOILE

43. TYPE DE MODELES
7/5/2016
43
DATA WAREHOUSE
 MODELE EN FLOCON

44. MODELE EN ETOILE
7/5/2016
44
DATA WAREHOUSE
 UNE TABLE DE FAITS CENTRALE ET DES DIMENSIONS
 LES DIMENSIONS N’ONT PAS DE LIAISON ENTRE ELLES
 AVANTAGES : facilité de navigation, nombre de jointures limitées
 INCONVENIENTS : redondance dans les dimensions, toutes les
dimensions ne concernent pas les mesures.

45. MODELE EN ETOILE
7/5/2016
45
DATA WAREHOUSE

46. MODELE EN FLOCON
7/5/2016
46
DATA WAREHOUSE
 UNE TABLE DE FAIT ET DES DIMENSIONS DECOMPOSEES EN
SOUS HIERACHIE
 ON A UN SEUL NIVEAU HIERACHIQUE DANS UNE TABLE DE
DIMENSION
 LA TABLE DE DIMENSION HIERACHIQUE LE PLUS BAS EST RELIEE
A LA TABLE DE FAITS

47. MODELE EN FLOCON
7/5/2016
47
DATA WAREHOUSE
 AVANTAGES : normalisation des dimensions, economie
d’espace du disque
 INCONVENIENTS : modele plus complexe (jointures ),
requetes moins performantes

48. MODELE EN FLOCON
7/5/2016
48
DATA WAREHOUSE

49. ALIMENTATION
7/5/2016
49
DATA WAREHOUSE

50. ALIMENTATION/ MISE A JOUR DU DW
7/5/2016
50
DATA WAREHOUSE
 ENTREPOT MISE A JOUR REGULIEREMENT
 BESION D’OUTIL PERMETTANT D’AUTOMATISER LE
CHARGEMENT DANS L’ENTREPOT
 UTILISATION D’OUTIL ETL (EXTRACT, TRANSFORM AND
LOAD)

51. DEFINITION D’UN ETL
7/5/2016
51
DATA WAREHOUSE
 OFFRE UN ENVIRONNEMENT DE DEVELLOPEMENT
 OFFRE DES OUTILS DE GESTION DES OPERATIONS ET DE MAINTENANCE
 PERMET DE DECOUVRIR, ANALYSER, EXTRAIRE DES DONNEES A PARTIR DE
SOURCES HETEROGENES
 PERMET DE NETTOYER ET DE STANDADISER LES DONNEES
 PERMET DE CHARGER LES DONNEES DANS LE DW

52. EXTRACTION
7/5/2016
52
DATA WAREHOUSE
 EXTRAIRE DES DONNEES DE SYSTEME DE PRODUCTION
 DIALOGUER AVEC DIFFERENTES SOURCES: Bases de
données, fichiers, bases proprietaires
 UTILISE DIVERS CONNECTEURS: ODBC, SQL natif, fichiers
plats

53. TRANSFORMATION
7/5/2016
53
DATA WAREHOUSE
 RENDRE COHERENTES LES DONNEES DE DIFFERENTES SOURCES :
- transformer, nettoyer, trier, unifier les données
- exemple : unifier le format de date (MM/JJ/AAA en JJ/MM/AAAA)
 ETAPE TRES IMPORTANTE: garantir la coherence et le fiabilité des données

54. CHARGEMENT
7/5/2016
54
DATA WAREHOUSE
 INSERER OU MODIFIER LES DONNEES DANS
L’ENTREPOT
 UTILISATION DES CONNECTEURS : ODBC, SQL natif,
fichiers plats

55. APERCU D’UN ETL
7/5/2016
55
DATA WAREHOUSE

56. BASE DE DONNEE
MULTIDIMENTIONNE
L
7/5/2016
56
DATA WAREHOUSE

57. OLTP vs OLAP
7/5/2016
57
DATA WAREHOUSE

58. MANIPULATION DES DONNEES
MULTIDIMENSIONNELLES
7/5/2016
58
DATA WAREHOUSE
 ROTATION (ROTATE) : presenter une autre face du cube

59. MANIPULATION DES DONNEES
MULTIDIMENSIONNELLES
7/5/2016
59
DATA WAREHOUSE
 TRANCHAGE (SLICING) : consiste a travailler que sur une tranche du cube.
Une des diensions est alors reduite a une seule valeur

60. MANIPULATION DES DONNEES
MULTIDIMENSIONNELLES
7/5/2016
60
DATA WAREHOUSE
 EXTRACTION D’UN BLOC DE DONNEE(DICING) : ne travailler
que sous un sous cube.

61. MANIPULATION DES DONNEES
MULTIDIMENSIONNELLES
7/5/2016
61
DATA WAREHOUSE
 EXTRACTION D’UN BLOC DE DONNEE(DICING) : ne travailler
que sous un sous cube.

62. MANIPULATION DES DONNEES
MULTIDIMENSIONNELLES
7/5/2016
62
DATA WAREHOUSE
 FORAGE VERS LE HAUT (ROLL-UP): << dezoomer>> obtenir
un niveau de granularité superieur, utilisation des fonctions
d’agregations
 FORAGE VERS LE HAUT (ROLL-UP): <<zoomer>> obtenir un
niveau de granularité inferieur, données plus detaillées

63. MANIPULATION DES DONNEES
MULTIDIMENSIONNELLES
7/5/2016
63
DATA WAREHOUSE

64. MDX : MULTIDIMENSIONNAL
EXPRESSION
7/5/2016
64
DATA WAREHOUSE
 LANGUAGE PERMETTANT DE DEFINIR, D’UTILISER ET
DE RECUPERER, DES DONNEES A PARTIR D’OBJETS
MULTIDIMENTIONNELLES
- Permet de faire des operations decrites precedemment
 EQUIVALENT DE SQL POUR LE MONDE OLAP
 ORIGINE : MICROSOFT

65. MDX, EXEMPLE
7/5/2016
65
DATA WAREHOUSE
 FOURNIR LES EFFECTIFS D’UNE SOCIETE PENDANT
LES ANNEES 2004 ET 2005 CROISES PAR LES
PAIEMENT

66. MARCHE DU
DECISIONNEL
7/5/2016
66
DATA WAREHOUSE

67. MARCHE DU DESICIONNEL
7/5/2016
67
DATA WAREHOUSE

68. QUELQUES SOLUTIONS
COMMERCIALES
7/5/2016
68
DATA WAREHOUSE

69. QUELQUES SOLUTIONS OPEN
SOURCE
7/5/2016
69
DATA WAREHOUSE

70. DATA MINING
7/5/2016
70
DATA WAREHOUSE

71. INTRODUCTION AU DATAMINING
7/5/2016
71
DATA WAREHOUSE
 LA FOUILLE DES DONNÉES
 Le DATAMINING est l’ensemble des:
 techniques et méthodes
 … destinées à l’exploration et l’analyse
 … de (souvent) grandes bases de données informatiques
 … en vue de détecter dans ces données des règles, des associations, des
tendances inconnues (non fixées a priori), dans des structures particulières
restituant de façon concise l’essentiel de l’information utile.
 … pour l’aide à la décision.
 On parle alors d’extraction de l’information dans la donnée

72. INTRODUCTION AU DATAMINING
7/5/2016
72
DATA WAREHOUSE
 LA FOUILLE DES DONNÉES
 Le DATAMINING est l’ensemble des:
 techniques et méthodes
 … destinées à l’exploration et l’analyse
 … de (souvent) grandes bases de données informatiques
 … en vue de détecter dans ces données des règles, des associations, des
tendances inconnues (non fixées a priori), dans des structures particulières
restituant de façon concise l’essentiel de l’information utile.
 … pour l’aide à la décision.
 On parle alors d’extraction de l’information dans la donnée

73. APPLICATION DU DATA MINING
7/5/2016
73
DATA WAREHOUSE
 Utilité du datamining dans le CRM (gestion de la relation client)
 Mieux connaître le client
 pour mieux le servir
 pour augmenter sa satisfaction
 pour augmenter sa fidélité (+ coûteux d’acquérir un client que le conserver)
 La connaissance du client est encore plus utile
dans le secteur tertiaire :
 les produits se ressemblent entre établissements
 le prix n’est pas toujours déterminant
 ce sont surtout le service et la relation avec le client qui font la différence

74. CRM (GESTION DE LA RELATION
CLIENT)
7/5/2016
74
DATA WAREHOUSE
 Utilité du datamining dans le CRM (gestion de la relation client)
 Mieux connaître le client
 pour mieux le servir
 pour augmenter sa satisfaction
 pour augmenter sa fidélité (+ coûteux d’acquérir un client que le conserver)
 La connaissance du client est encore plus utile
dans le secteur tertiaire :
 les produits se ressemblent entre établissements
 le prix n’est pas toujours déterminant
 ce sont surtout le service et la relation avec le client qui font la différence

75. CRM (GESTION DE LA RELATION
CLIENT)
7/5/2016
75
DATA WAREHOUSE

76. LE DATA MINING DANS LA
TELEPHONIE
7/5/2016
76
DATA WAREHOUSE
 Deux événements :
 ouverture des monopoles nationaux à d’autres opérateurs télécom
 arrivée à saturation du marché de la téléphonie mobile
 D’où les sujets dominants dans la téléphonie :
 score d’attrition (churn = changement d’opérateur)
 optimisation des campagnes marketing

77. LE DATA MINING DANS LA
TELEPHONIE
7/5/2016
77
DATA WAREHOUSE
 text mining (pour analyser les lettres de réclamation)
 Problème du churn :
 coût d’acquisition moyen en téléphonie mobile : 50,000 frs env
 plus d’un million d’utilisateurs changent chaque d’année
d’opérateur
 En France, la loi Chatel (juin 2008) facilite le changement
d’opérateur en diminuant le coût pour ceux qui ont dépassé 12
mois chez l’opérateur
 la portabilité du numéro facilite le churn

78. LE DATA MINING DANS LE
COMMERCE
7/5/2016
78
DATA WAREHOUSE
 Vente Par Correspondance
 utilise depuis longtemps des scores d’appétence
 pour optimiser ses ciblages et en réduire les coûts
 des centaines de millions de documents envoyés par an
 e-commerce
 personnalisation des pages du site web de l’entreprise, en fonction
du profil de chaque internaute
 optimisation de la navigation sur un site web

79. LE DATA MINING DANS LE
COMMERCE
7/5/2016
79
DATA WAREHOUSE

80. LE DATA MINING DANS LE
COMMERCE
7/5/2016
80
DATA WAREHOUSE
 Grande distribution
 analyse du ticket de caisse
 détermination des meilleures implantations (géomarketing)

81. Bibliographie
Supports de Cours
 Karima Tekaya – « Informatique Décisionnelle » - INSAT
 Fatma Baklouti – « Les entrepôts de données (Data Warehouses) » - INSAT
 Hweichao Lu – « Online Analytical Processing (OLAP) » - CS157B-02 Spring 2007
 Didier Donsez – « Systèmes d’information décisionnels (Data Warehouse / Data Mining) » - Université Joseph Fourier
 Jacky Akoka et Isabelle Comyn-Wattiau – « Le Data Warehouse et les Systèmes Multidimentionnels » - Université de
Versailles
Livres
 Ralph Kimball - « Concevoir et déployer un Data Warehouse » - Editions Eyrolles, 2000
7/5/2016
81
DATA WAREHOUSE

82. 7/5/2016
82
DATA WAREHOUSE
MERCI
Pour votre
participation