SlideShare une entreprise Scribd logo
1  sur  77
Télécharger pour lire hors ligne
Data Warehouse
1
Plan
 Introduction
 Les entrepôts de données
 Les datamart
 Architecture
 Modélisation
 Alimentation
 Les bases de données multidimensionnelles
 Le marché du décisionnel
 Démonstration
2
Le contexte
 Besoin: prise de décisions stratégiques et tactiques
 Pourquoi: besoin de réactivité
 Qui: les décideurs (non informaticiens)
 Comment: répondre aux demandes d’analyse des données, dégager
des informations qualitatives nouvelles
3
Qui sont mes
meilleurs
clients?
A combien
s’élèvent mes
ventes
journalières?
Quels français
consomment
beaucoup de
poisson?
Pourquoi et
comment le
chiffre
d’affaire a
baissé?
Les données utilisables par les
décideurs
 Données opérationnelles (de production)
 Bases de données (Oracle, SQL Server)
 Fichiers, …
 Paye, gestion des RH, gestion des commandes…
 Caractéristiques de ces données:
 Distribuées: systèmes éparpillés
 Hétérogènes: systèmes et structures de données différents
 Détaillées: organisation des données selon les processus
fonctionnels, données surabondantes pour l’analyse
 Peu/pas adaptées à l’analyse : les requêtes lourdes peuvent
bloquer le système transactionnel
 Volatiles: pas d’historisation systématique
4
Problématique
 Comment répondre aux demandes des décideurs?
 En donnant un accès rapide et simple à l’information
stratégique
 En donnant du sens aux données
Mettre en place un système d’information dédié aux
applications décisionnelles:
un data warehouse
5
Le processus de prise de décision
6
Temps de prise d’une décision
Définir le
problème
Rassembler
les données
Analyser les
données
Établir des
solutions
Décider
Champs d’application des
systèmes décisionnels
Le processus de prise de décision
7
Bases de
production
Data
warehouse
Base multi -
dimensionnelle
Prédiction /
simulation
Prise de
décision
Domaines d’utilisation des
DW
 Banque
 Risques d’un prêt, prime plus précise
 Santé
 Épidémiologie
 Risque alimentaire
 Commerce
 Ciblage de clientèle
 Déterminer des promotions
 Logistique
 Adéquation demande/production
 Assurance
 Risque lié à un contrat d’assurance (voiture)
 …
8
Quelques métiers du décisionnel
 Strategic Performance Management
 Déterminer et contrôler les indicateurs clé de la performance de
l’entreprise
 Finance Intelligence
 Planifier, analyser et diffuser l’information financière. Mesurer et
gérer les risques
 Human Capital Management (gestion de la relation avec les
employés)
 Aligner les stratégies RH, les processus et les technologies.
 Customer Relationship Management (gestion de la relation client)
 Améliorer la connaissance client, identifier et prévoir la
rentabilité client, accroitre l’efficacité du marketing client
 Supplier Relationship Management (gestion de la relation fournisseur)
 Classifier et évaluer l’ensemble des fournisseurs. Planifier et
piloter la stratégie Achat.
9
Plan
 Introduction
 Les entrepôts de données
 Les datamart
 Architecture
 Modélisation
 Alimentation
 Les bases de données multidimensionnelles
 Le marché du décisionnel
 Démonstration
10
Définition d’un DW
 W. H. Inmon (1996):
« 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
données utilisée à des fins d’analyse
11
Les 4 caractéristiques des data warehouse
1. Données orientées sujet:
 Regroupe les informations des différents métiers
 Ne tiens pas compte de l’organisation fonctionnelle
des données
12
Ass. Vie Ass. Auto Ass. Santé
Client
Police
Les 4 caractéristiques des data
warehouse
2. Données intégrées:
 Normalisation des données
 Définition d’un référentiel unique
13
h,f
1,0
homme, femme
h,f
GBP
CHF
USD
EUR
Les 4 caractéristiques des data
warehouse
3. Données non volatiles
 Traçabilité des informations et des décisions prises
 Copie des données de production
14
Ajout
Modification
Suppression
Accès
Chargement
Bases de production Entrepôts de données
Les 4 caractéristiques des data warehouse
4. Données datées
 Les données persistent dans le temps
 Mise en place d’un référentiel temps
Nom Ville
Dupont Paris
Durand Lyon
Nom Ville
Dupont Marseille
Durand Lyon
15
Image de la base en Mai 2005 Image de la base en Juillet 2006
Code Année Mois
1 2005 Mai
Base de
production
Entrepôt
de
données
Calendrier
Code Année Mois
1 Dupont Paris
1 Durand Lyon
Répertoire
RépertoireRépertoire
Code Année Mois
1 2005 Mai
2 2006 Juillet
Code Année Mois
1 Dupont Paris
1 Durand Lyon
2 Dupont Marseille
SGBD et DW
16
Service
commercial
Service
Financier
Service
livraison
BD prod BD prod BD prod
Clientèle
Data Warehouse
Clientèle
H
I
S
T
O
R
I
Q
U
E
OLTP: On-Line
Transactional
Processing
OLAP: On-Line
Analitical
Processing
OLTP VS DW
OLTP DW
Orienté transaction Orienté analyse
Orienté application Orienté sujet
Données courantes Données historisées
Données détaillées Données agrégées
Données évolutives Données statiques
Utilisateurs nombreux,
administrateurs/opérationnels
Utilisateurs peu nombreux,
manager
Temps d’exécution: court Temps d’exécution: long
17
Plan
 Introduction
 Les entrepôts de données
 Les datamart
 Architecture
 Modélisation
 Alimentation
 Les bases de données multidimensionnelles
 Le marché du décisionnel
 Démonstration
18
Datamart
 Sous-ensemble d’un entrepôt de données
 Destiné à répondre aux besoins d’un secteur ou
d’une fonction particulière de l’entreprise
 Point de vue spécifique selon des critères métiers
19
Datamarts du
service Marketing
Datamart du
service Ressources
Humaines
DW de l’entreprise
Intérêt des datamart
 Nouvel environnement structuré et formaté en
fonction des besoins d’un métier ou d’un
usage particulier
 Moins de données que DW
 Plus facile à comprendre, à manipuler
 Amélioration des temps de réponse
 Utilisateurs plus ciblés: DM plus facile à définir
20
Plan
 Introduction
 Les entrepôts de données
 Les datamart
 Architecture
 Modélisation
 Alimentation
 Les bases de données multidimensionnelles
 Le marché du décisionnel
 Démonstration
21
Architecture générale
22
Data
warehouse
Requêtes
Rapports
Visualisation
Data Mining
…
Sources de
données
Transformations:
Nettoyage
Standardisation
…
Zone de préparation
Zone de
présentation
Datamart
C
H
A
R
G
E
M
E
N
T
Zone de stockage
E
X
T
R
A
C
T
I
O
N
Les flux de données
 Flux entrant
 Extraction: multi-source, hétérogène
 Transformation: filtrer, trier, homogénéiser, nettoyer
 Chargement: insertion des données dans l’entrepôt
 Flux sortant:
 Mise à disposition des données pour les utilisateurs
finaux
23
Les différentes zones de l’architecture
 Zone de préparation (Staging area)
 Zone temporaire de stockage des données extraites
 Réalisation des transformations avant l’insertion dans le DW:
○ Nettoyage
○ Normalisation…
 Données souvent détruites après chargement dans le DW
 Zone de stockage (DW, DM)
 On y transfère les données nettoyées
 Stockage permanent des données
 Zone de présentation
 Donne accès aux données contenues dans le DW
 Peut contenir des outils d’analyse programmés:
○ Rapports
○ Requêtes…
24
Plan
 Introduction
 Les entrepôts de données
 Les datamart
 Architecture
 Modélisation
 Alimentation
 Les bases de données multidimensionnelles
 Le marché du décisionnel
 Démonstration
25
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 final:
 Schéma très/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
26
Exemple
27
Mode
d’expédition
Transporteur
Produit
Groupe de
produits
Famille de
produits
Division
de ventes
Région de
ventes
Magasin
Commande
client
Type de
contrat
Contrat
Client
Employé
Fonction
Stock
Fournisseurs
Modélisation des DW
 Nouvelle méthode de conception autour des
concepts métiers
 Ne pas normaliser au maximum
 Introduction de nouveaux types de table:
 Table de faits
 Table de dimensions
 Introduction de nouveaux modèles:
 Modèle en étoile
 Modèle en flocon
28
Table de faits
 Table principale du modèle dimensionnel
 Contient les données observables (les faits) sur le sujet
étudié selon divers axes d’analyse (les dimensions)
Table de faits des ventes
Clé date (CE)
Clé produit (CE)
Clé magasin (CE)
Quantité vendue
Coût
Montant des ventes
29
Clés étrangères
vers les
dimensions
Faits
Table de faits (suite)
 Fait:
 Ce que l’on souhaite mesurer
○ Quantités vendues, montant des ventes…
 Contient les clés étrangères des axes d’analyse
(dimension)
○ Date, produit, magasin
 Trois types de faits:
○ Additif
○ Semi additif
○ Non additif
30
Typologie des faits
 Additif: additionnable suivant toutes les dimensions
 Quantités vendues, chiffre d’affaire
 Peut être le résultat d’un calcul:
○ Bénéfice = 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
○ Σ sur les comptes: on connaît ce que nous possédons
en banque
 Non additif: fait non additionnable quelque soit la
dimension
 Prix unitaire: l’addition sur n’importe quelle dimension donne
un nombre dépourvu de sens
31
Granularité de la table de faits
 Répondre à la question :
 Que représente un enregistrement de la table de
faits?
 La granularité définit le niveau de détails de la
table de faits:
 Exemple: une ligne de commande par produit, par
client et par jour
32
Précision des analyses
Taille de l’entrepôt
- + Finesse
Table de dimension
 Axe d’analyse selon lequel vont être étudiées les données
observables (faits)
 Contient le détail sur les faits
Dimension produit
Clé produit (CP)
Code produit
Description du produit
Famille du produits
Marque
Emballage
Poids
33
Clé de substitution
Attributs de la
dimension
Table de dimension (suite)
 Dimension = axe d’analyse
 Client, produit, période de temps…
 Contient souvent un grand nombre de colonnes
 L’ensemble des informations descriptives des faits
 Contient en général beaucoup moins
d’enregistrements qu’une table de faits
34
La dimension Temps
 Commune à l’ensemble
du DW
 Reliée à toute table de
faits
Dimension Temps
Clé temps (CP)
Jour
Mois
Trimestre
Semestre
Année
Num_jour_dans_année
Num_semaine_ds_année
35
Granularité d’une dimension
 Une dimension contient des membres
organisés en hiérarchie :
 Chacun des membres appartient à un niveau
hiérarchique (ou niveau de granularité) particulier
 Granularité d’une dimension : nombre de niveaux
hiérarchiques
 Temps :
○ année – semestre – trimestre - mois
36
Évolution des dimensions
 Dimensions à évolution lente
 Dimensions à évolution rapide
37
Évolution des dimensions
 Dimensions à évolution lente
 Un client peut se marier, avoir des enfants…
 Un produit peut changer de noms ou de
formulation:
○ « Raider » en « Twix »
○ « yaourt à la vanille » en « yaourt saveur vanille »
 Gestion de la situation, 3 solutions:
○ Écrasement de l’ancienne valeur
○ Versionnement
○ Valeur d’origine / valeur courante
 Dimensions à évolution rapide
38
Dimensions à évolution lente (1/3)
 Écrasement de l’ancienne valeur :
 Correction des informations erronées
 Avantage:
 Facile à mettre en œuvre
 Inconvénients:
 Perte de la trace des valeurs antérieures des attributs
 Perte de la cause de l’évolution dans les faits mesurés
39
Clé produit Description du produit Groupe de produits
12345 Intelli-Kids Logiciel
Jeux éducatifs
Dimensions à évolution lente (2/3)
 Ajout d’un nouvel enregistrement:
 Utilisation d’une clé de substitution
 Avantages:
 Permet de suivre l’évolution des attributs
 Permet de segmenter la table de faits en fonction de
l’historique
 Inconvénient:
 Accroit le volume de la table
40
Clé produit Description du produit Groupe de produits
12345 Intelli-Kids Logiciel
25963 Intelli-Kids Jeux éducatifs
Dimensions à évolution lente (3/3)
 Ajout d’un nouvel attribut:
 Valeur origine/valeur courante
 Avantages:
 Avoir deux visions simultanées des données :
○ Voir les données récentes avec l’ancien attribut
○ Voir les données anciennes avec le nouvel attribut
 Voir les données comme si le changement n’avait pas eu lieu
 Inconvénient:
 Inadapté pour suivre plusieurs valeurs d’attributs intermédiaires
41
Clé produit Description du
produit
Groupe de
produits
12345 Intelli-Kids Logiciel
Nouveau groupe
de produits
Jeux éducatifs
Évolution des dimensions
 Dimensions à évolution lente
 Dimensions à évolution rapide
 Subit des changements très fréquents (tous les
mois) dont on veut préserver l’historique
 Solution: isoler les attributs qui changent
rapidement
42
Dimensions à évolution rapide
 Changements fréquents des attributs dont on veut garder
l’historique
 Clients pour une compagnie d’assurance
 Isoler les attributs qui évoluent vite
43
Dimensions à évolution rapide (suite)
Faits
Clé_client
Clé_démog
44
Dim_démographique
Clé_démog
Revenus
Niveau_étude
Nb_enfants
Statut_marital
Profil_financier
Profil_achat
Dim client
Clé_client
Nom
Prénom
Adresse
Date_nais
…
Revenus
Niveau_étude
Nb_enfants
Statut_marital
Profil_financier
Profil_achat
Dim client
Clé_client
Nom
Prénom
Adresse
Date_naissance
…
Faits
Clé_client
…
Les types de modèles
45
Modèle en étoile Modèle en flocon
Modèle en étoile
 Une table de fait centrale et des dimensions
 Les dimensions n’ont pas de liaison entre elles
 Avantages:
 Facilité de navigation
 Nombre de jointures limité
 Inconvénients:
 Redondance dans les dimensions
 Toutes les dimensions ne concernent pas les
mesures
46
Modèle en étoile
47
Dimension Temps
ID temps
année
mois
jour
…
Dimension Magasin
ID magasin
description
ville
surface
…
Dimension Region
ID région
pays
description
district vente
….
Dimension produit
ID produit
nom
code
prix
poids
groupe
famille
…
Dimension Client
ID client
nom
prénom
adresse
…
Table de faits Achat
ID client
ID temps
ID magasin
ID région
ID produit
Quantité achetée
Montant des achats
Modèle en flocon
 Une table de fait et des dimensions décomposées en sous
hiérarchies
 On a un seul niveau hiérarchique dans une table de
dimension
 La table de dimension de niveau hiérarchique le plus bas
est reliée à la table de fait. On dit qu’elle a la granularité la
plus fine
 Avantages:
 Normalisation des dimensions
 Économie d’espace disque
 Inconvénients:
 Modèle plus complexe (jointure)
 Requêtes moins performantes
48
Modèle en flocon
49
Dimension Temps
ID temps
annee
mois
jour
…
Dimension Magasin
ID magasin
description
ville
surface
…
Dimension produit
ID produit
ID groupe
nom
code
prix
poids
…
Dimension Client
ID client
nom
prénom
adresse
…
Dimension groupe
ID groupe
ID famille
nom
…
Dimension Famille
ID famille
nom
…
Dimension
Division vente
ID division vente
description
….
Dimension Region
ID région
ID division vente
pays
description
….
Table de faits Achat
ID client
ID temps
ID magasin
ID région
ID produit
Quantité achetée
Montant des achats
Méthodologie: 9 étapes de
Kimball
1. Choisir le sujet
2. Choisir la granularité des faits
3. Identifier 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
50
Plan
 Introduction
 Les entrepôts de données
 Les datamart
 Architecture
 Modélisation
 Alimentation
 Les bases de données multidimensionnelles
 Le marché du décisionnel
 Démonstration
51
Alimentation/ mise à jour de
l’entrepôt
 Entrepôt mis à jour régulièrement
 Besoin d’un outil permettant d’automatiser les
chargements dans l’entrepôt
Utilisation d’outils ETL (Extract, Transform, Load)
52
Définition d’un ETL
 Offre un environnement de développement
 Offre 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
53
Extraction
 Extraire des données des systèmes de production
 Dialoguer avec différentes sources:
 Base de données,
 Fichiers,
 Bases propriétaires
 Utilise divers connecteurs :
 ODBC,
 SQL natif,
 Fichiers plats
54
Transformation
 Rendre cohérentes les données des différentes
sources
 Transformer, nettoyer, trier, unifier les données
 Exemple: unifier le format des dates
(MM/JJ/AA JJ/MM/AA)
 Etape très importante, garantit la cohérence et la
fiabilité des données
55
Chargement
 Insérer ou modifier les données dans l’entrepôt
 Utilisation de connecteurs:
 ODBC,
 SQL natif,
 Fichiers plats
56
Aperçu d’un ETL
57
Plan
 Introduction
 Les entrepôts de données
 Les datamart
 Architecture
 Modélisation
 Alimentation
 Les bases de données multidimensionnelles
 Accès à l’information
 Démonstration
58
OLTP VS OLAP
59
Pays
France
Espagne
Allemagnepommes
poires
oranges
janvier
février
avril
Temps
Produits
Vente de
pommes en
Allemagne
en avril
Achat
PK id_achat
FK id_client
id_produit
Quantité
client
PK id_client
Nom
adresse
Produit
PK id_produit
Libellé
Famille
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
60
MOLAP
 Multi dimensional OLAP:
 Utiliser un système multidimensionnel « pur » qui
gère les structures multidimensionnelles natives
(les cubes)
 Accès direct aux données dans le cube
 Plus difficile à mettre en place
 Formats souvent propriétaires
 Conçu exclusivement pour l’analyse
multidimensionnelle
 Exemples de moteurs MOLAP:
 Microsoft Analysis Services
 Hyperion
61
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
62
Le cube
 Modélisation multidimensionnelle des données
facilitant l’analyse d’une quantité selon
différentes dimensions:
 Temps
 Localisation géographique
 …
 Les calculs sont réalisés lors du chargement
ou de la mise à jour du cube
63
Manipulation des données
multidimensionnelles
 Opération agissant sur la structure
 Rotation (rotate): présenter une autre face du cube
05 06 07
Œuf 221 263 139
Viande 275 257 116
64
05 06 07
Idf 101 120 52
Ain 395 400 203
Manipulation des données
multidimensionnelles
 Opération agissant sur la structure
 Tranchage (slicing): consiste à ne travailler que sur une
tranche du cube. Une des dimensions est alors réduite à une
seule valeur
06
Œuf Idf 265
Ain 245
Viande Idf 152
Ain 174
65
05 06 07
Œuf Idf 220 265 284
Ain 225 245 240
Viande Idf 163 152 145
Ain 187 174 184
Manipulation des données
multidimensionnelles
 Opération agissant sur la structure
 Extraction d’un bloc de données (dicing): ne travailler que
sous un sous-cube
05 06 07
Œuf Idf 220 265 284
Ain 225 245 240
66
05 06 07
Œuf Idf 220 265 284
Ain 225 245 240
Viande Idf 163 152 145
Ain 187 174 184
Manipulation des données
multidimensionnelles
 Opération agissant sur la granularité
 Forage vers le haut (roll-up): « dézoomer »
○ Obtenir un niveau de granularité supérieur
○ Utilisation de fonctions d’agrégation
 Forage vers le bas (drill-down): « zoomer »
○ Obtenir un niveau de granularité inférieur
○ Données plus détaillées
67
Drill-up, drill-down
68
05-07
Fruits 623
Viande 648
1S05 2S05 1S06 2S06 1S07
Fruits 100 121 111 152 139
Viande 134 141 120 137 116
05 06 07
Fruits 221 263 139
Viande 275 257 116
05 06 07
Pomme 20 19 22
… … … …
Boeuf 40 43 48
05 06 07
Alim. 496 520 255
Roll up
Drill down
Dimension
Produit
Dimension
Temps
Drill down
Roll up
MDX (Multidimensional
Expressions)
 Langage permettant de définir, d'utiliser et de récupérer
des données à partir d'objets multidimensionnels
 Permet d’effectuer les opérations décrites précédemment
 Equivalent de SQL pour le monde OLAP
 Origine: Microsoft
69
MDX, exemple
 Fournir les effectifs d’une société pendant les années
2004 et 2005 croisés par le type de paiement
2004 2005
Heure 3396 4015
Jour 3678 2056
70
Dimensions,
axes d’analyse
SELECT {([Time].[2004]), ([Time].[2005])} ON COLUMNS,
{[Pay].[Pay Type].Members} ON ROWS
FROM RH
WHERE ([Measures].[Count])
Cube
Plan
 Introduction
 Les entrepôts de données
 Les datamart
 Architecture
 Modélisation
 Alimentation
 Les bases de données multidimensionnelles
 Le marché du décisionnel
 Démonstration
71
Le marché du décisionnel
72
Quelques solutions
commerciales
73
Quelques solutions open source
Intégré
Pentaho (Kettle, Mondrian, JFreeReport, Weka)
SpagoBI
74
ETL Entrepôt
de données
OLAP Reporting Data Mining
Octopus
Kettle
CloverETL
Talend
MySql
Postgresql
Greenplum/Biz
gres
Mondrian
Palo
Birt
Open Report
Jasper Report
JFreeReport
Weka
R-Project
Orange
Xelopes
Plan
 Introduction
 Les entrepôts de données
 Les datamart
 Architecture
 Modélisation
 Alimentation
 Les bases de données multidimensionnelles
 Accès à l’information
 Démonstration
75
Exemples
 Rapports
 Sales by customer
 Dashboard
 Analyse
76
77

Contenu connexe

Tendances

Intégration des données avec Talend ETL
Intégration des données avec Talend ETLIntégration des données avec Talend ETL
Intégration des données avec Talend ETLLilia Sfaxi
 
Chp1 - Introduction à l'Informatique Décisionnelle
Chp1 - Introduction à l'Informatique DécisionnelleChp1 - Introduction à l'Informatique Décisionnelle
Chp1 - Introduction à l'Informatique DécisionnelleLilia Sfaxi
 
La BI : Qu’est-ce que c’est ? A quoi ça sert ?
La BI : Qu’est-ce que c’est ? A quoi ça sert ?La BI : Qu’est-ce que c’est ? A quoi ça sert ?
La BI : Qu’est-ce que c’est ? A quoi ça sert ?Jean-Marc Dupont
 
Chp2 - Les Entrepôts de Données
Chp2 - Les Entrepôts de DonnéesChp2 - Les Entrepôts de Données
Chp2 - Les Entrepôts de DonnéesLilia Sfaxi
 
BigData_Chp1: Introduction à la Big Data
BigData_Chp1: Introduction à la Big DataBigData_Chp1: Introduction à la Big Data
BigData_Chp1: Introduction à la Big DataLilia Sfaxi
 
Introduction à la Business Intelligence
Introduction à la Business Intelligence Introduction à la Business Intelligence
Introduction à la Business Intelligence Cynapsys It Hotspot
 
Projet BI - 1 - Analyse des besoins
Projet BI - 1 - Analyse des besoinsProjet BI - 1 - Analyse des besoins
Projet BI - 1 - Analyse des besoinsJean-Marc Dupont
 
La Business Intelligence
La Business Intelligence La Business Intelligence
La Business Intelligence Khchaf Mouna
 
Projet Bi - 3 - Alimentation des données
Projet Bi - 3 - Alimentation des donnéesProjet Bi - 3 - Alimentation des données
Projet Bi - 3 - Alimentation des donnéesJean-Marc Dupont
 
Integration de donnees_etl
Integration de donnees_etlIntegration de donnees_etl
Integration de donnees_etlhoracio lassey
 
Business Intelligence
Business IntelligenceBusiness Intelligence
Business IntelligenceLilia Sfaxi
 
Chp3 - Modélisation Multidimensionnelle
Chp3 - Modélisation MultidimensionnelleChp3 - Modélisation Multidimensionnelle
Chp3 - Modélisation MultidimensionnelleLilia Sfaxi
 
Concéption et réalisation d'un processus décisionnel, tableau de bord social.
Concéption et réalisation d'un processus décisionnel, tableau de bord social.Concéption et réalisation d'un processus décisionnel, tableau de bord social.
Concéption et réalisation d'un processus décisionnel, tableau de bord social.Rim ENNOUR
 
exercices business intelligence
exercices business intelligence exercices business intelligence
exercices business intelligence Yassine Badri
 

Tendances (20)

Intégration des données avec Talend ETL
Intégration des données avec Talend ETLIntégration des données avec Talend ETL
Intégration des données avec Talend ETL
 
Chp1 - Introduction à l'Informatique Décisionnelle
Chp1 - Introduction à l'Informatique DécisionnelleChp1 - Introduction à l'Informatique Décisionnelle
Chp1 - Introduction à l'Informatique Décisionnelle
 
Partie1BI-DW2019
Partie1BI-DW2019Partie1BI-DW2019
Partie1BI-DW2019
 
Présentation bi 1.0
Présentation bi 1.0Présentation bi 1.0
Présentation bi 1.0
 
La BI : Qu’est-ce que c’est ? A quoi ça sert ?
La BI : Qu’est-ce que c’est ? A quoi ça sert ?La BI : Qu’est-ce que c’est ? A quoi ça sert ?
La BI : Qu’est-ce que c’est ? A quoi ça sert ?
 
Chp2 - Les Entrepôts de Données
Chp2 - Les Entrepôts de DonnéesChp2 - Les Entrepôts de Données
Chp2 - Les Entrepôts de Données
 
BigData_Chp1: Introduction à la Big Data
BigData_Chp1: Introduction à la Big DataBigData_Chp1: Introduction à la Big Data
BigData_Chp1: Introduction à la Big Data
 
Introduction à la Business Intelligence
Introduction à la Business Intelligence Introduction à la Business Intelligence
Introduction à la Business Intelligence
 
Le processus ETL (Extraction, Transformation, Chargement)
Le processus ETL (Extraction, Transformation, Chargement)Le processus ETL (Extraction, Transformation, Chargement)
Le processus ETL (Extraction, Transformation, Chargement)
 
Projet BI - 1 - Analyse des besoins
Projet BI - 1 - Analyse des besoinsProjet BI - 1 - Analyse des besoins
Projet BI - 1 - Analyse des besoins
 
La Business Intelligence
La Business Intelligence La Business Intelligence
La Business Intelligence
 
Projet Bi - 3 - Alimentation des données
Projet Bi - 3 - Alimentation des donnéesProjet Bi - 3 - Alimentation des données
Projet Bi - 3 - Alimentation des données
 
Integration de donnees_etl
Integration de donnees_etlIntegration de donnees_etl
Integration de donnees_etl
 
Business Intelligence
Business IntelligenceBusiness Intelligence
Business Intelligence
 
Td dw1
Td dw1Td dw1
Td dw1
 
Chp3 - Modélisation Multidimensionnelle
Chp3 - Modélisation MultidimensionnelleChp3 - Modélisation Multidimensionnelle
Chp3 - Modélisation Multidimensionnelle
 
Qu'est-ce qu'un ETL ?
Qu'est-ce qu'un ETL ?Qu'est-ce qu'un ETL ?
Qu'est-ce qu'un ETL ?
 
Data warehouse
Data warehouseData warehouse
Data warehouse
 
Concéption et réalisation d'un processus décisionnel, tableau de bord social.
Concéption et réalisation d'un processus décisionnel, tableau de bord social.Concéption et réalisation d'un processus décisionnel, tableau de bord social.
Concéption et réalisation d'un processus décisionnel, tableau de bord social.
 
exercices business intelligence
exercices business intelligence exercices business intelligence
exercices business intelligence
 

En vedette

Conception et Réalisation d'un Data Warehouse
Conception et Réalisation d'un Data WarehouseConception et Réalisation d'un Data Warehouse
Conception et Réalisation d'un Data WarehouseAbderrahmane Filali
 
Business Intelligence : introduction to datawarehouse
Business Intelligence : introduction to datawarehouseBusiness Intelligence : introduction to datawarehouse
Business Intelligence : introduction to datawarehouseAlexandre Equoy
 
Business intelligence | State of the art
Business intelligence | State of the artBusiness intelligence | State of the art
Business intelligence | State of the artShubham Sharma
 
PFE BI - INPT
PFE BI - INPTPFE BI - INPT
PFE BI - INPTriyadadva
 
Etat de l art business intelligence
Etat de l art business intelligenceEtat de l art business intelligence
Etat de l art business intelligenceOCTO Technology
 
Business Intelligence
Business IntelligenceBusiness Intelligence
Business Intelligences.poles
 
Data Visualisation, Business Intelligence et Big Data
Data Visualisation, Business Intelligence et Big DataData Visualisation, Business Intelligence et Big Data
Data Visualisation, Business Intelligence et Big DataVincent Lagorce
 
Business Intelligence au coeur de la décision
Business Intelligence au coeur de la décision Business Intelligence au coeur de la décision
Business Intelligence au coeur de la décision Amal Brioual
 
Business Intelligence Resume - Sam Kamara
Business Intelligence Resume - Sam KamaraBusiness Intelligence Resume - Sam Kamara
Business Intelligence Resume - Sam Kamaraskamara1
 
BUSINESS INTELIGENCE : Exploitation d'un Datamart
BUSINESS INTELIGENCE : Exploitation d'un DatamartBUSINESS INTELIGENCE : Exploitation d'un Datamart
BUSINESS INTELIGENCE : Exploitation d'un DatamartFalitokiniaina Rabearison
 
GeoInTalk 2010 : Luc Vaillancourt (Spatialytics) - Injection du géospatial au...
GeoInTalk 2010 : Luc Vaillancourt (Spatialytics) - Injection du géospatial au...GeoInTalk 2010 : Luc Vaillancourt (Spatialytics) - Injection du géospatial au...
GeoInTalk 2010 : Luc Vaillancourt (Spatialytics) - Injection du géospatial au...GeoInWeb
 
3_ CFT & les plates-formes d\'intégration à base d\'ESB
3_ CFT & les plates-formes d\'intégration à base d\'ESB3_ CFT & les plates-formes d\'intégration à base d\'ESB
3_ CFT & les plates-formes d\'intégration à base d\'ESBJean-Claude Bellando
 

En vedette (15)

Conception et Réalisation d'un Data Warehouse
Conception et Réalisation d'un Data WarehouseConception et Réalisation d'un Data Warehouse
Conception et Réalisation d'un Data Warehouse
 
Business Intelligence : introduction to datawarehouse
Business Intelligence : introduction to datawarehouseBusiness Intelligence : introduction to datawarehouse
Business Intelligence : introduction to datawarehouse
 
Business intelligence
Business intelligenceBusiness intelligence
Business intelligence
 
Business intelligence | State of the art
Business intelligence | State of the artBusiness intelligence | State of the art
Business intelligence | State of the art
 
PFE BI - INPT
PFE BI - INPTPFE BI - INPT
PFE BI - INPT
 
Etat de l art business intelligence
Etat de l art business intelligenceEtat de l art business intelligence
Etat de l art business intelligence
 
Business Intelligence
Business IntelligenceBusiness Intelligence
Business Intelligence
 
Data Visualisation, Business Intelligence et Big Data
Data Visualisation, Business Intelligence et Big DataData Visualisation, Business Intelligence et Big Data
Data Visualisation, Business Intelligence et Big Data
 
Business Intelligence au coeur de la décision
Business Intelligence au coeur de la décision Business Intelligence au coeur de la décision
Business Intelligence au coeur de la décision
 
Business Intelligence Resume - Sam Kamara
Business Intelligence Resume - Sam KamaraBusiness Intelligence Resume - Sam Kamara
Business Intelligence Resume - Sam Kamara
 
Data mining
Data miningData mining
Data mining
 
BUSINESS INTELIGENCE : Exploitation d'un Datamart
BUSINESS INTELIGENCE : Exploitation d'un DatamartBUSINESS INTELIGENCE : Exploitation d'un Datamart
BUSINESS INTELIGENCE : Exploitation d'un Datamart
 
Rapport PFE
Rapport PFERapport PFE
Rapport PFE
 
GeoInTalk 2010 : Luc Vaillancourt (Spatialytics) - Injection du géospatial au...
GeoInTalk 2010 : Luc Vaillancourt (Spatialytics) - Injection du géospatial au...GeoInTalk 2010 : Luc Vaillancourt (Spatialytics) - Injection du géospatial au...
GeoInTalk 2010 : Luc Vaillancourt (Spatialytics) - Injection du géospatial au...
 
3_ CFT & les plates-formes d\'intégration à base d\'ESB
3_ CFT & les plates-formes d\'intégration à base d\'ESB3_ CFT & les plates-formes d\'intégration à base d\'ESB
3_ CFT & les plates-formes d\'intégration à base d\'ESB
 

Similaire à Resume de BI

Dataw formation-data-warehouse-et-systemes-d-aide-a-la-decision
Dataw formation-data-warehouse-et-systemes-d-aide-a-la-decisionDataw formation-data-warehouse-et-systemes-d-aide-a-la-decision
Dataw formation-data-warehouse-et-systemes-d-aide-a-la-decisionCERTyou Formation
 
Decizia Décisionnel et Pilotage Courte
Decizia Décisionnel et Pilotage CourteDecizia Décisionnel et Pilotage Courte
Decizia Décisionnel et Pilotage CourteDecizia
 
Etat de l’art approche et outils BI
Etat de l’art approche et outils BIEtat de l’art approche et outils BI
Etat de l’art approche et outils BISaid Sadik
 
DATA FORUM MICROPOLE - 2015
DATA FORUM MICROPOLE - 2015DATA FORUM MICROPOLE - 2015
DATA FORUM MICROPOLE - 2015Micropole Group
 
BD_Decisionnel_fin-2020tjtgenieindustriel.ppt
BD_Decisionnel_fin-2020tjtgenieindustriel.pptBD_Decisionnel_fin-2020tjtgenieindustriel.ppt
BD_Decisionnel_fin-2020tjtgenieindustriel.pptmarocdakhla135
 
Introduction aux systèmes d’information des entreprises
Introduction aux systèmes d’information des entreprisesIntroduction aux systèmes d’information des entreprises
Introduction aux systèmes d’information des entreprisesMessaoud Hatri
 
Pilotez votre Stratégie Clients avec des Tableaux de bord intégrant 100% de v...
Pilotez votre Stratégie Clients avec des Tableaux de bord intégrant 100% de v...Pilotez votre Stratégie Clients avec des Tableaux de bord intégrant 100% de v...
Pilotez votre Stratégie Clients avec des Tableaux de bord intégrant 100% de v...Report One
 
LES SYSTEMES INTERACTIFS D'AIDE A' LA DECISION.
LES SYSTEMES INTERACTIFS D'AIDE A' LA DECISION.LES SYSTEMES INTERACTIFS D'AIDE A' LA DECISION.
LES SYSTEMES INTERACTIFS D'AIDE A' LA DECISION.IsabelleMasika
 
Chapitre 1 les entrepôts de données
Chapitre 1 les entrepôts de donnéesChapitre 1 les entrepôts de données
Chapitre 1 les entrepôts de donnéesMohamed Mkaouar
 
Big Data by Soft Computing - Lille
Big Data by Soft Computing - LilleBig Data by Soft Computing - Lille
Big Data by Soft Computing - LilleSoft Computing
 
Business intelligence 3 eme
Business intelligence 3 eme Business intelligence 3 eme
Business intelligence 3 eme AmeniBoubaker2
 
Emna borgi mabroukachraita-datawarehouse
Emna borgi mabroukachraita-datawarehouseEmna borgi mabroukachraita-datawarehouse
Emna borgi mabroukachraita-datawarehouseEmna Borgi
 
7 points clés à retenir pour aborder le data management de données clients...
7 points clés à retenir pour aborder le data management de données clients...7 points clés à retenir pour aborder le data management de données clients...
7 points clés à retenir pour aborder le data management de données clients...dibs-conseil
 
Seance 1 & 2 deploiement de la bi dans l'entreprise
Seance 1 & 2 deploiement de la bi dans l'entrepriseSeance 1 & 2 deploiement de la bi dans l'entreprise
Seance 1 & 2 deploiement de la bi dans l'entreprisesciafrique
 

Similaire à Resume de BI (20)

Séance 3.pptx
Séance 3.pptxSéance 3.pptx
Séance 3.pptx
 
Bi vf-3
Bi vf-3Bi vf-3
Bi vf-3
 
Dataw formation-data-warehouse-et-systemes-d-aide-a-la-decision
Dataw formation-data-warehouse-et-systemes-d-aide-a-la-decisionDataw formation-data-warehouse-et-systemes-d-aide-a-la-decision
Dataw formation-data-warehouse-et-systemes-d-aide-a-la-decision
 
Decizia Décisionnel et Pilotage Courte
Decizia Décisionnel et Pilotage CourteDecizia Décisionnel et Pilotage Courte
Decizia Décisionnel et Pilotage Courte
 
Etat de l’art approche et outils BI
Etat de l’art approche et outils BIEtat de l’art approche et outils BI
Etat de l’art approche et outils BI
 
DATA FORUM MICROPOLE - 2015
DATA FORUM MICROPOLE - 2015DATA FORUM MICROPOLE - 2015
DATA FORUM MICROPOLE - 2015
 
BD_Decisionnel_fin-2020tjtgenieindustriel.ppt
BD_Decisionnel_fin-2020tjtgenieindustriel.pptBD_Decisionnel_fin-2020tjtgenieindustriel.ppt
BD_Decisionnel_fin-2020tjtgenieindustriel.ppt
 
Introduction aux systèmes d’information des entreprises
Introduction aux systèmes d’information des entreprisesIntroduction aux systèmes d’information des entreprises
Introduction aux systèmes d’information des entreprises
 
Pilotez votre Stratégie Clients avec des Tableaux de bord intégrant 100% de v...
Pilotez votre Stratégie Clients avec des Tableaux de bord intégrant 100% de v...Pilotez votre Stratégie Clients avec des Tableaux de bord intégrant 100% de v...
Pilotez votre Stratégie Clients avec des Tableaux de bord intégrant 100% de v...
 
LES SYSTEMES INTERACTIFS D'AIDE A' LA DECISION.
LES SYSTEMES INTERACTIFS D'AIDE A' LA DECISION.LES SYSTEMES INTERACTIFS D'AIDE A' LA DECISION.
LES SYSTEMES INTERACTIFS D'AIDE A' LA DECISION.
 
Chapitre 1 les entrepôts de données
Chapitre 1 les entrepôts de donnéesChapitre 1 les entrepôts de données
Chapitre 1 les entrepôts de données
 
Big Data by Soft Computing - Lille
Big Data by Soft Computing - LilleBig Data by Soft Computing - Lille
Big Data by Soft Computing - Lille
 
Pilotage & Performance 2012
Pilotage & Performance 2012Pilotage & Performance 2012
Pilotage & Performance 2012
 
chap3.pdf
chap3.pdfchap3.pdf
chap3.pdf
 
Business intelligence 3 eme
Business intelligence 3 eme Business intelligence 3 eme
Business intelligence 3 eme
 
Emna borgi mabroukachraita-datawarehouse
Emna borgi mabroukachraita-datawarehouseEmna borgi mabroukachraita-datawarehouse
Emna borgi mabroukachraita-datawarehouse
 
7 points clés à retenir pour aborder le data management de données clients...
7 points clés à retenir pour aborder le data management de données clients...7 points clés à retenir pour aborder le data management de données clients...
7 points clés à retenir pour aborder le data management de données clients...
 
Seance 1 & 2 deploiement de la bi dans l'entreprise
Seance 1 & 2 deploiement de la bi dans l'entrepriseSeance 1 & 2 deploiement de la bi dans l'entreprise
Seance 1 & 2 deploiement de la bi dans l'entreprise
 
projet BI licnence.pdf
projet BI licnence.pdfprojet BI licnence.pdf
projet BI licnence.pdf
 
MSBI vs QLikview
MSBI vs QLikviewMSBI vs QLikview
MSBI vs QLikview
 

Resume de BI

  • 2. Plan  Introduction  Les entrepôts de données  Les datamart  Architecture  Modélisation  Alimentation  Les bases de données multidimensionnelles  Le marché du décisionnel  Démonstration 2
  • 3. Le contexte  Besoin: prise de décisions stratégiques et tactiques  Pourquoi: besoin de réactivité  Qui: les décideurs (non informaticiens)  Comment: répondre aux demandes d’analyse des données, dégager des informations qualitatives nouvelles 3 Qui sont mes meilleurs clients? A combien s’élèvent mes ventes journalières? Quels français consomment beaucoup de poisson? Pourquoi et comment le chiffre d’affaire a baissé?
  • 4. Les données utilisables par les décideurs  Données opérationnelles (de production)  Bases de données (Oracle, SQL Server)  Fichiers, …  Paye, gestion des RH, gestion des commandes…  Caractéristiques de ces données:  Distribuées: systèmes éparpillés  Hétérogènes: systèmes et structures de données différents  Détaillées: organisation des données selon les processus fonctionnels, données surabondantes pour l’analyse  Peu/pas adaptées à l’analyse : les requêtes lourdes peuvent bloquer le système transactionnel  Volatiles: pas d’historisation systématique 4
  • 5. Problématique  Comment répondre aux demandes des décideurs?  En donnant un accès rapide et simple à l’information stratégique  En donnant du sens aux données Mettre en place un système d’information dédié aux applications décisionnelles: un data warehouse 5
  • 6. Le processus de prise de décision 6 Temps de prise d’une décision Définir le problème Rassembler les données Analyser les données Établir des solutions Décider Champs d’application des systèmes décisionnels
  • 7. Le processus de prise de décision 7 Bases de production Data warehouse Base multi - dimensionnelle Prédiction / simulation Prise de décision
  • 8. Domaines d’utilisation des DW  Banque  Risques d’un prêt, prime plus précise  Santé  Épidémiologie  Risque alimentaire  Commerce  Ciblage de clientèle  Déterminer des promotions  Logistique  Adéquation demande/production  Assurance  Risque lié à un contrat d’assurance (voiture)  … 8
  • 9. Quelques métiers du décisionnel  Strategic Performance Management  Déterminer et contrôler les indicateurs clé de la performance de l’entreprise  Finance Intelligence  Planifier, analyser et diffuser l’information financière. Mesurer et gérer les risques  Human Capital Management (gestion de la relation avec les employés)  Aligner les stratégies RH, les processus et les technologies.  Customer Relationship Management (gestion de la relation client)  Améliorer la connaissance client, identifier et prévoir la rentabilité client, accroitre l’efficacité du marketing client  Supplier Relationship Management (gestion de la relation fournisseur)  Classifier et évaluer l’ensemble des fournisseurs. Planifier et piloter la stratégie Achat. 9
  • 10. Plan  Introduction  Les entrepôts de données  Les datamart  Architecture  Modélisation  Alimentation  Les bases de données multidimensionnelles  Le marché du décisionnel  Démonstration 10
  • 11. Définition d’un DW  W. H. Inmon (1996): « 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 données utilisée à des fins d’analyse 11
  • 12. Les 4 caractéristiques des data warehouse 1. Données orientées sujet:  Regroupe les informations des différents métiers  Ne tiens pas compte de l’organisation fonctionnelle des données 12 Ass. Vie Ass. Auto Ass. Santé Client Police
  • 13. Les 4 caractéristiques des data warehouse 2. Données intégrées:  Normalisation des données  Définition d’un référentiel unique 13 h,f 1,0 homme, femme h,f GBP CHF USD EUR
  • 14. Les 4 caractéristiques des data warehouse 3. Données non volatiles  Traçabilité des informations et des décisions prises  Copie des données de production 14 Ajout Modification Suppression Accès Chargement Bases de production Entrepôts de données
  • 15. Les 4 caractéristiques des data warehouse 4. Données datées  Les données persistent dans le temps  Mise en place d’un référentiel temps Nom Ville Dupont Paris Durand Lyon Nom Ville Dupont Marseille Durand Lyon 15 Image de la base en Mai 2005 Image de la base en Juillet 2006 Code Année Mois 1 2005 Mai Base de production Entrepôt de données Calendrier Code Année Mois 1 Dupont Paris 1 Durand Lyon Répertoire RépertoireRépertoire Code Année Mois 1 2005 Mai 2 2006 Juillet Code Année Mois 1 Dupont Paris 1 Durand Lyon 2 Dupont Marseille
  • 16. SGBD et DW 16 Service commercial Service Financier Service livraison BD prod BD prod BD prod Clientèle Data Warehouse Clientèle H I S T O R I Q U E OLTP: On-Line Transactional Processing OLAP: On-Line Analitical Processing
  • 17. OLTP VS DW OLTP DW Orienté transaction Orienté analyse Orienté application Orienté sujet Données courantes Données historisées Données détaillées Données agrégées Données évolutives Données statiques Utilisateurs nombreux, administrateurs/opérationnels Utilisateurs peu nombreux, manager Temps d’exécution: court Temps d’exécution: long 17
  • 18. Plan  Introduction  Les entrepôts de données  Les datamart  Architecture  Modélisation  Alimentation  Les bases de données multidimensionnelles  Le marché du décisionnel  Démonstration 18
  • 19. Datamart  Sous-ensemble d’un entrepôt de données  Destiné à répondre aux besoins d’un secteur ou d’une fonction particulière de l’entreprise  Point de vue spécifique selon des critères métiers 19 Datamarts du service Marketing Datamart du service Ressources Humaines DW de l’entreprise
  • 20. Intérêt des datamart  Nouvel environnement structuré et formaté en fonction des besoins d’un métier ou d’un usage particulier  Moins de données que DW  Plus facile à comprendre, à manipuler  Amélioration des temps de réponse  Utilisateurs plus ciblés: DM plus facile à définir 20
  • 21. Plan  Introduction  Les entrepôts de données  Les datamart  Architecture  Modélisation  Alimentation  Les bases de données multidimensionnelles  Le marché du décisionnel  Démonstration 21
  • 22. Architecture générale 22 Data warehouse Requêtes Rapports Visualisation Data Mining … Sources de données Transformations: Nettoyage Standardisation … Zone de préparation Zone de présentation Datamart C H A R G E M E N T Zone de stockage E X T R A C T I O N
  • 23. Les flux de données  Flux entrant  Extraction: multi-source, hétérogène  Transformation: filtrer, trier, homogénéiser, nettoyer  Chargement: insertion des données dans l’entrepôt  Flux sortant:  Mise à disposition des données pour les utilisateurs finaux 23
  • 24. Les différentes zones de l’architecture  Zone de préparation (Staging area)  Zone temporaire de stockage des données extraites  Réalisation des transformations avant l’insertion dans le DW: ○ Nettoyage ○ Normalisation…  Données souvent détruites après chargement dans le DW  Zone de stockage (DW, DM)  On y transfère les données nettoyées  Stockage permanent des données  Zone de présentation  Donne accès aux données contenues dans le DW  Peut contenir des outils d’analyse programmés: ○ Rapports ○ Requêtes… 24
  • 25. Plan  Introduction  Les entrepôts de données  Les datamart  Architecture  Modélisation  Alimentation  Les bases de données multidimensionnelles  Le marché du décisionnel  Démonstration 25
  • 26. 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 final:  Schéma très/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 26
  • 27. Exemple 27 Mode d’expédition Transporteur Produit Groupe de produits Famille de produits Division de ventes Région de ventes Magasin Commande client Type de contrat Contrat Client Employé Fonction Stock Fournisseurs
  • 28. Modélisation des DW  Nouvelle méthode de conception autour des concepts métiers  Ne pas normaliser au maximum  Introduction de nouveaux types de table:  Table de faits  Table de dimensions  Introduction de nouveaux modèles:  Modèle en étoile  Modèle en flocon 28
  • 29. Table de faits  Table principale du modèle dimensionnel  Contient les données observables (les faits) sur le sujet étudié selon divers axes d’analyse (les dimensions) Table de faits des ventes Clé date (CE) Clé produit (CE) Clé magasin (CE) Quantité vendue Coût Montant des ventes 29 Clés étrangères vers les dimensions Faits
  • 30. Table de faits (suite)  Fait:  Ce que l’on souhaite mesurer ○ Quantités vendues, montant des ventes…  Contient les clés étrangères des axes d’analyse (dimension) ○ Date, produit, magasin  Trois types de faits: ○ Additif ○ Semi additif ○ Non additif 30
  • 31. Typologie des faits  Additif: additionnable suivant toutes les dimensions  Quantités vendues, chiffre d’affaire  Peut être le résultat d’un calcul: ○ Bénéfice = 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 ○ Σ sur les comptes: on connaît ce que nous possédons en banque  Non additif: fait non additionnable quelque soit la dimension  Prix unitaire: l’addition sur n’importe quelle dimension donne un nombre dépourvu de sens 31
  • 32. Granularité de la table de faits  Répondre à la question :  Que représente un enregistrement de la table de faits?  La granularité définit le niveau de détails de la table de faits:  Exemple: une ligne de commande par produit, par client et par jour 32 Précision des analyses Taille de l’entrepôt - + Finesse
  • 33. Table de dimension  Axe d’analyse selon lequel vont être étudiées les données observables (faits)  Contient le détail sur les faits Dimension produit Clé produit (CP) Code produit Description du produit Famille du produits Marque Emballage Poids 33 Clé de substitution Attributs de la dimension
  • 34. Table de dimension (suite)  Dimension = axe d’analyse  Client, produit, période de temps…  Contient souvent un grand nombre de colonnes  L’ensemble des informations descriptives des faits  Contient en général beaucoup moins d’enregistrements qu’une table de faits 34
  • 35. La dimension Temps  Commune à l’ensemble du DW  Reliée à toute table de faits Dimension Temps Clé temps (CP) Jour Mois Trimestre Semestre Année Num_jour_dans_année Num_semaine_ds_année 35
  • 36. Granularité d’une dimension  Une dimension contient des membres organisés en hiérarchie :  Chacun des membres appartient à un niveau hiérarchique (ou niveau de granularité) particulier  Granularité d’une dimension : nombre de niveaux hiérarchiques  Temps : ○ année – semestre – trimestre - mois 36
  • 37. Évolution des dimensions  Dimensions à évolution lente  Dimensions à évolution rapide 37
  • 38. Évolution des dimensions  Dimensions à évolution lente  Un client peut se marier, avoir des enfants…  Un produit peut changer de noms ou de formulation: ○ « Raider » en « Twix » ○ « yaourt à la vanille » en « yaourt saveur vanille »  Gestion de la situation, 3 solutions: ○ Écrasement de l’ancienne valeur ○ Versionnement ○ Valeur d’origine / valeur courante  Dimensions à évolution rapide 38
  • 39. Dimensions à évolution lente (1/3)  Écrasement de l’ancienne valeur :  Correction des informations erronées  Avantage:  Facile à mettre en œuvre  Inconvénients:  Perte de la trace des valeurs antérieures des attributs  Perte de la cause de l’évolution dans les faits mesurés 39 Clé produit Description du produit Groupe de produits 12345 Intelli-Kids Logiciel Jeux éducatifs
  • 40. Dimensions à évolution lente (2/3)  Ajout d’un nouvel enregistrement:  Utilisation d’une clé de substitution  Avantages:  Permet de suivre l’évolution des attributs  Permet de segmenter la table de faits en fonction de l’historique  Inconvénient:  Accroit le volume de la table 40 Clé produit Description du produit Groupe de produits 12345 Intelli-Kids Logiciel 25963 Intelli-Kids Jeux éducatifs
  • 41. Dimensions à évolution lente (3/3)  Ajout d’un nouvel attribut:  Valeur origine/valeur courante  Avantages:  Avoir deux visions simultanées des données : ○ Voir les données récentes avec l’ancien attribut ○ Voir les données anciennes avec le nouvel attribut  Voir les données comme si le changement n’avait pas eu lieu  Inconvénient:  Inadapté pour suivre plusieurs valeurs d’attributs intermédiaires 41 Clé produit Description du produit Groupe de produits 12345 Intelli-Kids Logiciel Nouveau groupe de produits Jeux éducatifs
  • 42. Évolution des dimensions  Dimensions à évolution lente  Dimensions à évolution rapide  Subit des changements très fréquents (tous les mois) dont on veut préserver l’historique  Solution: isoler les attributs qui changent rapidement 42
  • 43. Dimensions à évolution rapide  Changements fréquents des attributs dont on veut garder l’historique  Clients pour une compagnie d’assurance  Isoler les attributs qui évoluent vite 43
  • 44. Dimensions à évolution rapide (suite) Faits Clé_client Clé_démog 44 Dim_démographique Clé_démog Revenus Niveau_étude Nb_enfants Statut_marital Profil_financier Profil_achat Dim client Clé_client Nom Prénom Adresse Date_nais … Revenus Niveau_étude Nb_enfants Statut_marital Profil_financier Profil_achat Dim client Clé_client Nom Prénom Adresse Date_naissance … Faits Clé_client …
  • 45. Les types de modèles 45 Modèle en étoile Modèle en flocon
  • 46. Modèle en étoile  Une table de fait centrale et des dimensions  Les dimensions n’ont pas de liaison entre elles  Avantages:  Facilité de navigation  Nombre de jointures limité  Inconvénients:  Redondance dans les dimensions  Toutes les dimensions ne concernent pas les mesures 46
  • 47. Modèle en étoile 47 Dimension Temps ID temps année mois jour … Dimension Magasin ID magasin description ville surface … Dimension Region ID région pays description district vente …. Dimension produit ID produit nom code prix poids groupe famille … Dimension Client ID client nom prénom adresse … Table de faits Achat ID client ID temps ID magasin ID région ID produit Quantité achetée Montant des achats
  • 48. Modèle en flocon  Une table de fait et des dimensions décomposées en sous hiérarchies  On a un seul niveau hiérarchique dans une table de dimension  La table de dimension de niveau hiérarchique le plus bas est reliée à la table de fait. On dit qu’elle a la granularité la plus fine  Avantages:  Normalisation des dimensions  Économie d’espace disque  Inconvénients:  Modèle plus complexe (jointure)  Requêtes moins performantes 48
  • 49. Modèle en flocon 49 Dimension Temps ID temps annee mois jour … Dimension Magasin ID magasin description ville surface … Dimension produit ID produit ID groupe nom code prix poids … Dimension Client ID client nom prénom adresse … Dimension groupe ID groupe ID famille nom … Dimension Famille ID famille nom … Dimension Division vente ID division vente description …. Dimension Region ID région ID division vente pays description …. Table de faits Achat ID client ID temps ID magasin ID région ID produit Quantité achetée Montant des achats
  • 50. Méthodologie: 9 étapes de Kimball 1. Choisir le sujet 2. Choisir la granularité des faits 3. Identifier 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 50
  • 51. Plan  Introduction  Les entrepôts de données  Les datamart  Architecture  Modélisation  Alimentation  Les bases de données multidimensionnelles  Le marché du décisionnel  Démonstration 51
  • 52. Alimentation/ mise à jour de l’entrepôt  Entrepôt mis à jour régulièrement  Besoin d’un outil permettant d’automatiser les chargements dans l’entrepôt Utilisation d’outils ETL (Extract, Transform, Load) 52
  • 53. Définition d’un ETL  Offre un environnement de développement  Offre 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 53
  • 54. Extraction  Extraire des données des systèmes de production  Dialoguer avec différentes sources:  Base de données,  Fichiers,  Bases propriétaires  Utilise divers connecteurs :  ODBC,  SQL natif,  Fichiers plats 54
  • 55. Transformation  Rendre cohérentes les données des différentes sources  Transformer, nettoyer, trier, unifier les données  Exemple: unifier le format des dates (MM/JJ/AA JJ/MM/AA)  Etape très importante, garantit la cohérence et la fiabilité des données 55
  • 56. Chargement  Insérer ou modifier les données dans l’entrepôt  Utilisation de connecteurs:  ODBC,  SQL natif,  Fichiers plats 56
  • 58. Plan  Introduction  Les entrepôts de données  Les datamart  Architecture  Modélisation  Alimentation  Les bases de données multidimensionnelles  Accès à l’information  Démonstration 58
  • 59. OLTP VS OLAP 59 Pays France Espagne Allemagnepommes poires oranges janvier février avril Temps Produits Vente de pommes en Allemagne en avril Achat PK id_achat FK id_client id_produit Quantité client PK id_client Nom adresse Produit PK id_produit Libellé Famille
  • 60. 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 60
  • 61. MOLAP  Multi dimensional OLAP:  Utiliser un système multidimensionnel « pur » qui gère les structures multidimensionnelles natives (les cubes)  Accès direct aux données dans le cube  Plus difficile à mettre en place  Formats souvent propriétaires  Conçu exclusivement pour l’analyse multidimensionnelle  Exemples de moteurs MOLAP:  Microsoft Analysis Services  Hyperion 61
  • 62. 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 62
  • 63. Le cube  Modélisation multidimensionnelle des données facilitant l’analyse d’une quantité selon différentes dimensions:  Temps  Localisation géographique  …  Les calculs sont réalisés lors du chargement ou de la mise à jour du cube 63
  • 64. Manipulation des données multidimensionnelles  Opération agissant sur la structure  Rotation (rotate): présenter une autre face du cube 05 06 07 Œuf 221 263 139 Viande 275 257 116 64 05 06 07 Idf 101 120 52 Ain 395 400 203
  • 65. Manipulation des données multidimensionnelles  Opération agissant sur la structure  Tranchage (slicing): consiste à ne travailler que sur une tranche du cube. Une des dimensions est alors réduite à une seule valeur 06 Œuf Idf 265 Ain 245 Viande Idf 152 Ain 174 65 05 06 07 Œuf Idf 220 265 284 Ain 225 245 240 Viande Idf 163 152 145 Ain 187 174 184
  • 66. Manipulation des données multidimensionnelles  Opération agissant sur la structure  Extraction d’un bloc de données (dicing): ne travailler que sous un sous-cube 05 06 07 Œuf Idf 220 265 284 Ain 225 245 240 66 05 06 07 Œuf Idf 220 265 284 Ain 225 245 240 Viande Idf 163 152 145 Ain 187 174 184
  • 67. Manipulation des données multidimensionnelles  Opération agissant sur la granularité  Forage vers le haut (roll-up): « dézoomer » ○ Obtenir un niveau de granularité supérieur ○ Utilisation de fonctions d’agrégation  Forage vers le bas (drill-down): « zoomer » ○ Obtenir un niveau de granularité inférieur ○ Données plus détaillées 67
  • 68. Drill-up, drill-down 68 05-07 Fruits 623 Viande 648 1S05 2S05 1S06 2S06 1S07 Fruits 100 121 111 152 139 Viande 134 141 120 137 116 05 06 07 Fruits 221 263 139 Viande 275 257 116 05 06 07 Pomme 20 19 22 … … … … Boeuf 40 43 48 05 06 07 Alim. 496 520 255 Roll up Drill down Dimension Produit Dimension Temps Drill down Roll up
  • 69. MDX (Multidimensional Expressions)  Langage permettant de définir, d'utiliser et de récupérer des données à partir d'objets multidimensionnels  Permet d’effectuer les opérations décrites précédemment  Equivalent de SQL pour le monde OLAP  Origine: Microsoft 69
  • 70. MDX, exemple  Fournir les effectifs d’une société pendant les années 2004 et 2005 croisés par le type de paiement 2004 2005 Heure 3396 4015 Jour 3678 2056 70 Dimensions, axes d’analyse SELECT {([Time].[2004]), ([Time].[2005])} ON COLUMNS, {[Pay].[Pay Type].Members} ON ROWS FROM RH WHERE ([Measures].[Count]) Cube
  • 71. Plan  Introduction  Les entrepôts de données  Les datamart  Architecture  Modélisation  Alimentation  Les bases de données multidimensionnelles  Le marché du décisionnel  Démonstration 71
  • 72. Le marché du décisionnel 72
  • 74. Quelques solutions open source Intégré Pentaho (Kettle, Mondrian, JFreeReport, Weka) SpagoBI 74 ETL Entrepôt de données OLAP Reporting Data Mining Octopus Kettle CloverETL Talend MySql Postgresql Greenplum/Biz gres Mondrian Palo Birt Open Report Jasper Report JFreeReport Weka R-Project Orange Xelopes
  • 75. Plan  Introduction  Les entrepôts de données  Les datamart  Architecture  Modélisation  Alimentation  Les bases de données multidimensionnelles  Accès à l’information  Démonstration 75
  • 76. Exemples  Rapports  Sales by customer  Dashboard  Analyse 76
  • 77. 77