Evry - M2 MIAGE Entrepôts de Données

Dimension: px
Commencer à balayer dès la page:

Download "Evry - M2 MIAGE Entrepôts de Données"

Transcription

1 Evry - M2 MIAGE Entrepôts de Données Modélisation décisionnelle D. Ploix - M2 MIAGE - Conception EDD 1

2 Plan Construction de l entrepôt : les faits et les dimensions Préparation de l analyse : Les agrégats les rapports et les cubes Optimisation Exemple d analyse Transport D. Ploix - M2 MIAGE - Conception EDD 2

3 Faits et dimensions Une méthode de modélisation faits/dimensions part du processus métier analysé vers l analyse : 1. Identification du processus métier analysé 2. Établissement du niveau de granularité de l analyse 3. Établissement des dimensions qui s appliquent à chaque ligne de fait 4. Identification des caractéristiques numériques qui s appliquent à chaque ligne de fait Cette méthode demande une vision complète et décrite du processus métier et de son implémentation. Elle permet de construire le tableau qui croise les processus métier (et les différentes étapes des processus métier) et les dimensions : Processus\ Dimension Date Entrepôt Produit Magasin Promotion Vente au détail X X X X Stock entrepôt X X X Commande X X X D. Ploix - M2 MIAGE - Conception EDD 3

4 Faits et dimensions Deux type d informations caractérisent les faits : Des mesures numériques propre à chaque instance de faits (quantité, prix, ) Des dimensions caractéristiques plus ou moins complexes (fournisseur, produit, ) Les mesures numériques propres à chaque fait sont l objet de calculs d analyse (montant global, moyenne globale, ) et les dimensions constituent des facteurs de sélection des faits étudiés (produits de telle ou telle marque, ). D. Ploix - M2 MIAGE - Conception EDD 4

5 Faits et dimensions À partir de l entrepôt de données intégrant l ensemble des faits et dimensions constitutif des processus métier, une analyse doit être réalisée pour identifier les éléments nécessaires aux analystes (pour construire les datamarts, agrégats et autres cubes). Méthode d identification du modèle décisionnel à partir de l analyse cible : Que voulez vous analyser? Faits Quels sont vos critères d'analyse? Dimensions Jusqu'à quel niveau de détail voulez vous aller? Mesures dans les faits Attributs des dimensions La modélisation sera réalisée à l aide d un tableau par «fait» : Chaque colonne désigne une dimension Chaque éléments de chaque colonne désigne les caractéristiques des dimensions Dans la première colonne sont placées les caractéristiques intégrées à la table de faits (mesures, facteurs). FaitX : Attribut1, Attribut2, Dimension 1 Dimension 2 Dimension 3 Attribut1 Dim 1 Attribut 1 Dim 2 Attribut 1 Dim 3 Attribut 2 Dim 1 Attribut 2 Dim 2 Attribut 2 Dim 3 D. Ploix - M2 MIAGE - Conception EDD 5

6 Faits et dimensions Exemple : Le département en charge des approvisionnement des magasins souhaite faire une étude sur la fidélité des clients en période de vacances pour les produits à forte valeur ajoutée. Les analystes souhaiteraient en particulier identifier les déplacements de population d une région vers une autre pour pouvoir mieux approvisionner les magasin des produits consommés par les clients pendant leurs vacances. Date Client Magasin Produit Localisation du client Localisation du magasin Date Id client Id magasin Désignation Code postal Code postal Libelle mois Libelle année Nom Ville Ville Taille Région Région Pays Pays Fait de vente : quantité, prix unitaire D. Ploix - M2 MIAGE - Conception EDD 6

7 Schéma en étoile D. Ploix - M2 MIAGE - Conception EDD 7

8 les faits Quelques règles [conseils] sur les faits [Kimball] Une ligne [un enregistrement] dans une table de faits correspond à une mesure. Une mesure est une ligne [un enregistrement] dans une table de faits. Les caractéristiques les plus utiles d une table de faits sont numériques et additives. Toutes les caractéristiques dans une table de faits doivent être de même granularité. Dans les modèles dimensionnels, les tables de faits expriment des relations de plusieurs à plusieurs entre les dimensions. D. Ploix - M2 MIAGE - Conception EDD 8

9 «ce qui est fait des faits» Les calculs réalisés dans les EDD sont des calculs d agrégation : pour un ensemble de faits partageant des caractéristiques communes, on va réaliser des opérations d agrégation sur des caractéristiques numériques des faits («ce qui est analysé»). Exemple de fonctions d agrégations sur les caractéristiques numériques : Somme : par exemple, la quantité totale vendue, Min, max : plus petite / grande quantité Moyenne : quantité moyenne Numération : Nombre de ventes effectuées par catégorie de produit Nombre de valeurs différentes : nombre de prix pour la vente d un produit D. Ploix - M2 MIAGE - Conception EDD 9

10 caractéristiques des faits Exemple de tables de faits pour les ventes : Le positionnement de caractéristiques numériques unitaires dans la table de fait est essentielle pour la performance des calcul réalisés au cours des analyses : cela évite les jointures sur les éléments à la base du calcul réalisé. Les questions induites sont alors : Quelles mesures unitaires intégrer? Quel niveau de normalisation doit-on appliquer? D. Ploix - M2 MIAGE - Conception EDD 10

11 caractéristiques des faits Mesures à intégrer : Toutes les mesures qui seront nécessaires aux analyses (agrégations) réalisées. Niveau de normalisation : La question se pose lorsque des mesures caractérisant un fait sont de nature fonctionnelle proche (différents types de quantités, de prix, ) sont présents dans la table de fait. Cette normalisation ne doit, généralement, pas être mise en œuvre car elle aura comme effet : La multiplication du nombre de fait, La réalisation de jointure lors des calculs Attention à bien distinguer l usage d une caractéristiques comme élément d analyse («ce qui est analysé») par rapport à un usage comme critère de sélection d une partie des faits («critère d analyse»), dans le premier cas, il s agit d une caractéristique numérique (non normalisée), et dans le second d une dimension. D. Ploix - M2 MIAGE - Conception EDD 11

12 caractéristiques des faits Exemple de fait «complexes» : instantané récapitulatif du pipeline de traitement des commande. L ensemble des «points de vue» sur la commande traitée seront présents par autant de quantités de type différents. Des facteurs faisant correspondre une unité de quantification d un département à l autre permettent d en gérer la diversité (par exemple : la distribution et livraison sont réalisés par casiers lorsque la production travaille de manière unitaire, ). Le placement des facteurs de conversion dans la table de faits garanti leur utilisation correcte. La présentation des données aux différents types d utilisateurs sera réalisée par la création d autant de vues qui intègreront les quantités qui les concernent dans leur unité de mesure (avec application du facteur). D. Ploix - M2 MIAGE - Conception EDD 12

13 caractéristiques des faits La majeur partie des mesures sont additives sur toutes les dimensions. Par exemple : montant d une vente, quantité vendue, coûts du produit vendu, Certain types de mesures numérique représentent des valeurs qui ne peuvent être additionnées selon toutes les dimensions d analyse. Par exemple, niveau de stock est additif (agrégation via somme) sur une dimension «magasins» mais ne le sera pas sur la dimension temps. D autres opérations d agrégations restent utilisables (moyenne, min, max, ). D autres mesures ne sont additive sur aucune dimension. Par exemple : le prix unitaire du produit ou le ratio bénéfice brut / chiffre d affaire (= marge brute). D. Ploix - M2 MIAGE - Conception EDD 13

14 caractéristiques des faits Pour le cas de mesures non additives comme la marge brute (calculée en divisant le bénéfice brut par le chiffre d affaire) et dont mesures utilisées pour son calcul peuvent l être pour un ensemble d éléments (groupe de produits, de magasin, ), on va intégrer tous les composants utiles au calcul dans la base de faits et réaliser le calcul de la mesure dynamiquement par rapport à l ensemble de faits considérés. De même pour les fonctions d agrégation, les résultats de certaines sont additive (somme des valeurs), d autres semi additives (min / max), d autres non additives (nombre de faits) On définira donc, pour chacune des caractéristique numérique (agrégée ou non) de la table de faits et pour chaque fonction d agrégation, les dimensions sur lesquelles elles sont additives (utilisables) et celles pour lesquelles elles ne le sont pas. D. Ploix - M2 MIAGE - Conception EDD 14

15 la granularité des faits Les faits de granularité différentes ne peuvent être fusionnés même s ils semblent s appliquer à un même objet. Exemple typique : entête d une commande (frais d expédition, ) et lignes de la commande (produit, quantité, ). Solution : Soit deux tables de faits sont construites : une pour les faits de haut niveau (entête de commande) et une pour les faits de niveau plus fin (lignes de commande). Soit les faits de plus haut niveau (frais d expéditions) sont répartis à un niveau plus détaillé (entre les lignes de la commande) en suivant un facteur d allocation (en fonction du poids unitaire et de la quantité, ), D. Ploix - M2 MIAGE - Conception EDD 15

16 la granularité des faits On distingue alors trois grandes familles de granularité : Granularité de transaction : mesure unitaire d une action métier. Granularité de l instantané périodique : mesure des actions métier dans un intervalle fixe (semaine, mois, ). Granularité de l instantané récapitulatif : mesure des actions métier sur une période non prédéterminée (instantané des productions ) Les faits transactionnels constituent la base de l entrepôt de données d entreprise. Les faits périodiques et récapitulatifs sont généralement utilisés dans les datamarts. Ils seront construits par l agrégation des faits transactionnels (constitution d agrégas). D. Ploix - M2 MIAGE - Conception EDD 16

17 la granularité des faits Pour reprendre l exemple des ventes : Les faits transactionnels identifient chacun des tickets de caisse, Les faits d instantanés périodiques identifient les ventes journalières, hebdomadaires, mensuelles, Les faits d instantanés récapitulatifs identifient les ventes sur un mois glissant, depuis le début du mois, D. Ploix - M2 MIAGE - Conception EDD 17

18 la granularité des faits Caractéristique Transaction Instantané périodique Instantané récapitulatif Période dans le temps représenté Grain Chargement des tables de faits Mise à jours des lignes de faits Dimension date Faits Point dans le temps Une ligne par événement Intervalles réguliers prévisibles Une ligne par période Durée indéterminée généralement courte Une ligne pour la vie de l entité Insertion Insertion Insertion et mise à jours Pas de mise à jour Pas de mise à jour Mise à jour pour chaque activité Date de la transaction Activité de la transaction Date de la fin de la période Performance dans un intervalle prédéfini Dates multiples pour des étapes standard Performance sur une durée de vie limitée D. Ploix - M2 MIAGE - Conception EDD 18

19 ce qui est fait des dimensions Les dimensions sont les «critères d analyse» permettant de fixer le champs sémantique des faits analysés. Les clients, les produits, les dates, les adresses de livraisons, les adresses de clients, Dans une démarche d urbanisation, les dimensions les plus «utiles» sont issues des données «de référence» [cf MDM] (ou transverses à l entreprise ou conformes [Kimball]) car les caractéristiques en sont partagées au niveau sémantique et syntaxique par toute l entreprise. Ces dimensions auront la même signification pour toutes les tables de faits qui y font référence D. Ploix - M2 MIAGE - Conception EDD 19

20 Construire les dimensions Attribut des dimensions : il est important de considérer la fonction des attributs des dimensions. Ils vont être utiliser par les utilisateurs comme critère de sélection des faits. Ainsi, il est préférable de placer des attributs supplémentaires aux dimensions pour en faciliter l usage. La liste des attributs sera donc construite en fonction du contexte du processus métier et des analyses. Exemple typique : la dimension date se verra compléter d attributs qualifiant la date : jour férié, numéro de jour dans la semaine, dans le mois, dans l année, numéro de semaine dans le mois, dans l année, trimestre calendrier, Il est important de noter qu il est infiniment plus simple de n afficher qu une partie des caractéristiques d une dimension à l utilisateur par rapport au travail demandé pour en rajouter une à postériori dans l entrepôt de données. D. Ploix - M2 MIAGE - Conception EDD 20

21 Construire les dimensions Dimensions dégénérées en ligne de fait : Dans certain cas de figure, les dimensions peuvent se réduire à un numéro unique (numéro de commande, de lettre, de facture, ). Dimension qui ne s applique pas à tous les faits : certain cas de dimension (promotion par exemple) ne sont pas intrinsèquement liés aux faits. Il est alors nécessaire d ajouter une ligne «élément null» dans la dimension pour éviter des clés étrangères nulle dans la table de faits. Pour la table de promotion, on ajoutera ainsi un fait «pas de promotion». Dimension jeu de rôle : la dimension date peut jouer différents rôles pour, par exemple, un fait qui traite les clients d hôtels : date d arrivée, date de départ, date de réservation, On dit alors qu elle joue plusieurs rôle. Elle n est créée qu une fois et la clé entre la table de faits et la dimension en précise le rôle. D. Ploix - M2 MIAGE - Conception EDD 21

22 Construire les dimensions Grand nombre de dimension : Lorsque la modélisation fait apparaître un grand nombre de dimensions (> 15), un travail de rationalisation (regroupement) des dimensions doit être réalisé pour en réduire le nombre quitte à réaliser des dimensions avec beaucoup d attributs. Une solution à ce problème peut être la mise en place de dimension fourre-tout (junk dimension) qui intégrera les séries d indicateurs à faible cardinalité ou de drapeaux (valeurs oui/non) comme autant d attributs. ID dimension indicateurs de commande Type de règlement Groupe type de règlement Indicateur commande UE / hors UE Indicateur de commission 1 Cash Cash Union Europ. Commissionnable Normal Indicateur type de commande 2 Cash Cash Union Europ. Hors Commission Présentation 3 Cash Cash Union Europ. Hors Commission Normal 4 Cash Cash Hors UE Commissionnable Présentation 5 MasterCard Crédit Union Europ. Commissionnable Normal 6 VisaCard Crédit Union Europ. Commissionnable Présentation D. Ploix - M2 MIAGE - Conception EDD 22

23 Dimension à évolution lente (SCD) Les valeurs des enregistrement des dimensions peuvent être amenés à évoluer. Par exemple, un produit va changer de nom, de rayon, de numéro de version (par ex. logiciels) Trois méthodes sont possible pour gérer ces évolutions : 1. Écrasement de la valeur par la nouvelle Solution la plus simple : ni la table de faits ni la table de dimension ne change dans leur structure ou leur organisation. Désavantage : il y a perte de l historique. 2. Ajout d une ligne de dimension pour y intégrer la modification (même si elle ne concerne qu une sous partie des attributs). La nouvelle ligne aura un nouvel ID unique et il est donc important de prévoir une clé primaire différente de la clé primaire naturelle, Elle permet de segmenter la table de faits en fonction de l historique. 3. Ajout d une colonne de dimension Permet d associer l ancienne valeur de l attribut directement avec la nouvelle Dans le cas de caractéristique de dimension à évolution rapide, il est préférable de les isoler dans une dimension spécifique (ex. dimension client). D. Ploix - M2 MIAGE - Conception EDD 23

24 Dimension à évolution lente (SCD) Exemple de traitement d une dimension à évolution lente : le rayon de vente d un produite High Tech Valeur d origine Ecrasement Clé produit Description Rayon EAN IntelliKids Éducation Clé produit Description Rayon EAN IntelliKids Stratégie Ajout ligne Clé produit Description Rayon EAN IntelliKids Éducation IntelliKids Stratégie Ajout colonne Clé produit Description Rayon Rayon antérieur EAN IntelliKids Stratégie Éducation D. Ploix - M2 MIAGE - Conception EDD 24

25 Normalisation des dimensions La question de la conservation d une forme dénormalisée vs une forme normalisée se pose. Deux écoles coexistent : Les pro normalisation : Économie d espace : les informations sont stockées une seule fois dans les dimensions, Facilité de mise à jours en cas de changement de valeur. Les anti normalisation : L économie d espace est très relative comparée à la table de faits, Complexification de la navigation dans les dimensions : la simplicité est un des principaux objectifs du modèle décisionnel, l ajout de tables de dimension complexifie (dans notre exemple, passage de 5 à 9 dimensions). L optimisation SGBD est moins performante (index bitmap), parcours de hiérarchie, Conclusion de Kimball (très anti mais une référence) : Les tables de dimension doivent rester des tables physiques plates Les outils de restitution (la suite microsoft par exemple) savent restituer une hiérarchie fonctionnelle issue de tables physiques plates. D. Ploix - M2 MIAGE - Conception EDD 25

26 Dimensions hiérarchiques Les moteurs de bases de données (transactionnel comme décisionnel) traitent mal les structures hiérarchiques. Par exemple : comment représenter la hiérarchie suivante : D. Ploix - M2 MIAGE - Conception EDD 26

27 Dimensions hiérarchiques La représentation «naturelle» sera sous la forme de tables «récursive» : Ce qui rend complexe l intégration dans une dimension et, même dans une modélisation transactionnelle, rend le code SQL permettant d identifier la position hiérarchique et les «ancêtres» complexe. ID Famille ID Père Description 1 0 Nourriture 2 1 Produits frais 3 1 Produits sec 4 2 Légumes 5 2 Poissons 6 2 Viande 7 3 Conserves 8 3 Pâtes 9 4 Tomates 10 4 Salades 11 5 Truites 12 6 Bœuf 13 6 Mouton 14 7 Sauces 15 8 Spagetti D. Ploix - M2 MIAGE - Conception EDD 27

28 Dimensions hiérarchiques Une solution est l utilisation d attributs pour la position hiérarchique (speed table) ID Racine ID Famille ID Sous Famille ID Catégorie Description Nourriture Produits frais Produits sec Légumes Poissons Viande Conserves Pâtes Tomates Salades Truites Bœuf Mouton Sauces Spagetti D. Ploix - M2 MIAGE - Conception EDD 28

29 Dimensions hiérarchiques Tables passerelles : elles indiquent la distance à la racine (position dans la hiérarchie) et le fait d être une feuille ou une racine. Par exemple, la table passerelle pour la partie droite (produits sec) de la structure exemple. L usage conseillé est de construire une vue table de faits + table de hiérarchie à clé unique (profondeur à la racine fixé, ) évitant les valeurs multiples et donnant une flexibilité sans multiplier les dimensions jeu de rôle. Clé parent Clé famille Niveau depuis parent Drapeau inf Drapeau sup N O N N N N N N O N O N N N N N N N O N O N N N O N O N N N O N O N D. Ploix - M2 MIAGE - Conception EDD 29

30 Dimensions hiérarchiques Chaque méthode à ses avantages : Speed table : plus simple à maintenir et à intégrer aux dimensions, Table passerelle : plus simple à utiliser (tous les éléments de niveau 2, Et ses inconvénients : Speed table : très complexe d ajouter un niveau de profondeur dans la hiérarchie, Table passerelle : la jointure entre la table de faits et la dimension passe par la table passerelle. Il faut faire attention à ne pas compter plusieurs fois le même fait. Pour les deux : attention aux modifications de structure hiérarchique D. Ploix - M2 MIAGE - Conception EDD 30

31 Schéma normalisé : en flocon Les dimensions Date et Localisation ne sont pas normalisées car des attributs sont fortement redondants : libelle mois, libelle année, région, pays, Leur normalisation permet la construction d un schéma en flocon : D. Ploix - M2 MIAGE - Conception EDD 31

32 Plan Construction de l entrepôt : les faits et les dimensions Préparation de l analyse : Les agrégats, les rapports et les cubes Optimisation Exemple d analyse Transport D. Ploix - M2 MIAGE - Conception EDD 32

33 Les agrégats, les rapports et les cubes Une fois l entrepôt de données, les faits, les dimensions, voir les agrégats construits, on passe à l outillage de la navigation dans les données. Solutions : Publication d un rapport visualisant le résultat de recherches/analyses régulières sur l entrepôt, Construction d analyse spécifique visant à chercher une partie de faits (ou des opérations de sommes sur les faits) sans idées à priori des dimensions parcourues. Construction de tables d agrégats Construction de cubes D. Ploix - M2 MIAGE - Conception EDD 33

34 Les agrégats L agrégation est le moyen de passer d une granularité fine à une granularité plus importante. Par exemple, la table des faits des tickets de caisses contient l ensemble des tickets. Si les analyses sont uniquement basées sur une période journalière (voir hebdomadaire ou mensuelle), chaque interrogation de l entrepôt va demander de recalculer les mêmes sommes. Des tables de faits agrégés (tables d agrégats) vont alors être construites sur le niveau requis pour les analyses. D. Ploix - M2 MIAGE - Conception EDD 34

35 Les agrégats Avantage : gain significatif du temps de calcul des analyses Inconvénient : l espace nécessaire au stockage de l entrepôt croit de manière importante (même si les tables d agrégats sont, pas nature, de taille moindre aux tables de faits initiales). Usage : généralement utilisé pour passer de l entrepôt de données d entreprise vers les datamarts conçu de manière précise pour des champs d analyse. D. Ploix - M2 MIAGE - Conception EDD 35

36 Les agrégats La gestion de la granularité dans la modélisation décisionnelle suit alors le schéma suivant Analyse du processus métier Faits de type Transaction de granularité la plus fine Construction des faits orientés analyse Agrégation stable pour des périodicité (pas que temporelles) fixes : création d instantanés périodiques Agrégation dynamique pour des périodicités (pas que temporelles) de taille variables : création d instantanés récapitulatifs Mise en place des calculs d agrégats en mode batch en parallèle du processus d alimentation des données. Les méthodes utilisées pour l agrégation des faits sont liées au niveau d additivité des mesures présentes dans les faits transactionnels. D. Ploix - M2 MIAGE - Conception EDD 36

37 Les rapports La différence entre un rapport d analyse et la navigation dans un cube et que le rapport est statique et présente une vue unique sur les données. La construction de rapports reviendra alors à : Identifier les informations métier nécessaires à une activité de pilotage : nombre de produit vendu par XXX sur la période YYY dans la région ZZZ, Les données de l entrepôt à la source des informations et les calculs composant le rapport : Fait X, Dimension Y, agrégation, fonction sur les données, La forme la plus appropriée pour la lecture des informations : table de valeur, élément graphique (camembert, ), Le risque le plus courant est la réalisation d un nombre trop important de rapports par rapport au besoin métier. Le point d attention réside dans l identification du besoin de navigation dans le cube par un nombre réduit d utilisateur par rapport à la consultation d un nombre d information limité pour le pilotage courant de l activité métier. D. Ploix - M2 MIAGE - Conception EDD 37

38 Les cubes Les cubes sont un moyens de naviguer dans les données de l entrepôt afin d en découvrir des propriétés sous différents points de vues. Par exemple, nous voulons pouvoir analyser les ventes d un produit ou d une gamme de produits selon une période données dans toutes les régions puis, pour affiner notre analyse, souhaiter voir quelles sont les ventes pour une région particulière mais sur une période de temps différente, Ce type de navigation est facilité via l utilisation de cube. D. Ploix - M2 MIAGE - Conception EDD 38

39 Les cubes Voici un exemple d entrepôt : D. Ploix - M2 MIAGE - Conception EDD 39

40 Les cubes Chaque ligne du cube correspond à un produit, chaque colonne à une région et chaque profondeur à une année. Chaque point du cube correspond à un fait correspondant aux différentes données des dimensions (vente de Modems en Asie en 2000). Si on prend la tranche (slice) Asie, on obtient toutes les ventes des différents produits en Asie de 2000 à La tranche 2000 permet d avoir la table des données correspondant aux ventes des différents produits dans le monde. La tranche Modems permet d avoir la table des données de ventes des Modems dans le monde de 2000 à D. Ploix - M2 MIAGE - Conception EDD 40

41 One peut également choisir une ligne ou une sous partie du cube. Ces opérations (de sélection d une partie des données du cube), s appelle Drill Down lorsqu on réduit la partie des données du cube sélectionnées et Drill Up lorsqu on l élargie. Les cubes D. Ploix - M2 MIAGE - Conception EDD 41

42 Les cubes Il est également possible de varier le grain d agrégation des données dans les cubes. Cette opération de concentration (agrégation) est appelée Roll-Up. L inverse sera Roll-Down D. Ploix - M2 MIAGE - Conception EDD 42

43 Les cubes Enfin, il est également possible de changer l orientation du cube (et de changer les points de vue) en le faisant pivoter : D. Ploix - M2 MIAGE - Conception EDD 43

44 Les cubes La construction d un cube d analyse reviendra à sélectionner un ensemble de mesures d un fait (ou un ensemble de mesures d une agrégation issues d un fait) et les dimensions qui seront parcourues. Exemple : Pour la mesure quantité du fait Vente, Les niveaux hebdomadaire, mensuels et annuels de la dimension date, L ensemble des caractéristiques de la dimension produit, L ensemble des caractéristiques des clients. Il pourra alors être généré au sein du système d entrepôt de données, les différents croisements possibles entre les mesures et dimensions choisies (éléments du cube) permettant de réaliser les différentes rotations et agrégations (drill-up et down). D. Ploix - M2 MIAGE - Conception EDD 44

45 Plan Construction de l entrepôt : les faits et les dimensions Préparation de l analyse : Les agrégats les rapports et les cubes Optimisation Exemple d entrepôt Transport (inspiré de [Kimball2002]) D. Ploix - M2 MIAGE - Conception EDD 45

46 Optimisation L optimisation d un dataware est très lié au type d usage : L utilisation des cubes entraîne la génération de requêtes dynamiques pour lesquelles des indexes doivent être préalablement posés Les rapports étant constituées de requêtes particulières, leur optimisation consiste dans l optimisation de leur plan d exécution D. Ploix - M2 MIAGE - Conception EDD 46

47 Indexation d un DW Les SGBD fournissent différents types d indexes : Indexes basées sur Btree : Cluster : les enregistrements sont ordonnés selon l index, les feuilles de l arbre B sont les pages de données. La taille de l index peut être estimée à 5% du stockage de l intégralité des clés d indexes (dans l arbre) + un identificateur unique (interne, ajouté par le système) pour chaque enregistrement (les feuilles de l arbre ne sont pas stockées dans l index). Non cluster : les enregistrements ne sont pas ordonnés selon l index : les feuilles de l arbre sont stockées dans l indexe et contiennent les valeurs de clés ainsi que les numéros d enregistrements (ou de blocs en Oracle). La taille de l index généré dépendra du nombre de valeurs Indexes de type bitmap : Utilisables pour des valeurs 0/1. Stockage très efficace (1 bit par enregistrement) et convient aux sollicitations de type décisionnelle. L éclatement de liste de valeur (classe d un billet) en drapeau est même conseillé par certain concepteur de DW afin de permettre l utilisation de ce type d indexe. Les autres types d indexes comme Hashcode ou basés sur une fonction utilisateur ne sont pas présents dans tous les SGBD mais doivent, si présents, être utilisés si appropriés. D. Ploix - M2 MIAGE - Conception EDD 47

48 Indexation d un DW Tables de faits : Les indexes de type B cluster seront utilisés pour les clés primaires de la table de faits. Attention toutefois aux effets de bords sur l ajout de données qui peut donner lieu à une restructuration de la table si des valeurs viennent s intégrer entre des valeurs existantes et modifier la structure cluster de la table, Les indexes de type B non cluster pour les clés étrangères vers les dimensions très sollicités (date,..), La table de faits sera partitionnée selon la dimension d analyse la plus sollicité (souvent la date), Tables de dimensions Index cluster pour la clé primaire, Indexes de type bitmap ou B pour les valeurs des dimensions très sollicitées Les indexes de type bitmap sont particulièrement appropriés aux problématiques DW : accès unique, stockage optimisé. Il peut ainsi être intéressant de construire des ensembles d attributs drapeau (valués 0/1) à la place d un attribut avec liste de valeur pour en permettre une indexation de type bitmap. Une indexation plus systématique que la table de faits est possible du fait de la taille moindre de ces tables par rapport à la table de faits. D. Ploix - M2 MIAGE - Conception EDD 48

49 D. Ploix - M2 MIAGE - Conception EDD 49

50 Optimisation, points d attention Les optimisations sont fortement liées au SGBD sous jacent et à l architecture de déploiement choisie. La source principales des problèmes réside dans le mode de parallélisation des traitements : Pour SQL Serveur, des verrous sur les tables partitionnées au niveau de la table ou des partitions peuvent empêcher la construction de lots de données appropriés. Il est également à noter que la parrallèlisation des traitements a été amélioré entre 2005 et Pour Oracle, la répartition de requêtes DW sur plusieurs nœuds d un RAC n est pas conseillée dans le cas de jointure sur les résultats car cela entraîne une très forte communication d inter-connect. Il est également important de bien comprendre le mode de fonctionnement des SGBD et des actualisations qui sont nécessaires à leur bon fonctionnement (statistiques, ré-indexation, gestion des segments, ). Opérations qui peuvent, dans le cas de tables de grande taille, devenir très lourdes pour les systèmes opérationnels. Les DW étant les types de calculs mettant en chalenge la capacité des SGBD, leur surveillance et administration correcte en est particulièrement cruciale. D. Ploix - M2 MIAGE - Conception EDD 50

Evry - M2 MIAGE Entrepôt de données

Evry - M2 MIAGE Entrepôt de données Evry - M2 MIAGE Entrepôt de données Introduction D. Ploix - M2 Miage - EDD - Introduction 1 Plan Positionnement du BI dans l entreprise Déclinaison fonctionnelle du décisionnel dans l entreprise Intégration

Plus en détail

Entrepôt de données 1. Introduction

Entrepôt de données 1. Introduction Entrepôt de données 1 (data warehouse) Introduction 1 Présentation Le concept d entrepôt de données a été formalisé pour la première fois en 1990 par Bill Inmon. Il s agissait de constituer une base de

Plus en détail

Plan. Introduction Eléments de la théorie des systèmes d'informations Les entrepôts de données (Datawarehouse) Les datamart Architecture Modélisation

Plan. Introduction Eléments de la théorie des systèmes d'informations Les entrepôts de données (Datawarehouse) Les datamart Architecture Modélisation Data WareHouse Plan Introduction Eléments de la théorie des systèmes d'informations Les entrepôts de données (Datawarehouse) Les datamart Architecture Modélisation 2 Présentation Besoin: prise de décisions

Plus en détail

BI = Business Intelligence Master Data-ScienceCours 3 - Data

BI = Business Intelligence Master Data-ScienceCours 3 - Data BI = Business Intelligence Master Data-Science Cours 3 - Datawarehouse UPMC 8 février 2015 Rappel L Informatique Décisionnelle (ID), en anglais Business Intelligence (BI), est l informatique à l usage

Plus en détail

Construction d un EDD avec SQL 2008 R2. D. Ploix - M2 Miage - EDD - Création

Construction d un EDD avec SQL 2008 R2. D. Ploix - M2 Miage - EDD - Création Construction d un EDD avec SQL 2008 R2 Plan Analyse du DW construit Construction de la base DW dans SQL 2008 Construction des tables de faits et dimensions Injection des données Étapes de l injection des

Plus en détail

Introduction à la B.I. Avec SQL Server 2008

Introduction à la B.I. Avec SQL Server 2008 Introduction à la B.I. Avec SQL Server 2008 Version 1.0 VALENTIN Pauline 2 Introduction à la B.I. avec SQL Server 2008 Sommaire 1 Présentation de la B.I. et SQL Server 2008... 3 1.1 Présentation rapide

Plus en détail

Les entrepôts de données

Les entrepôts de données Les entrepôts de données Lydie Soler Janvier 2008 U.F.R. d informatique Document diffusé sous licence Creative Commons by-nc-nd (http://creativecommons.org/licenses/by-nc-nd/2.0/fr/) 1 Plan Introduction

Plus en détail

et les Systèmes Multidimensionnels

et les Systèmes Multidimensionnels Le Data Warehouse et les Systèmes Multidimensionnels 1 1. Définition d un Datawarehouse (DW) Le Datawarehouse est une collection de données orientées sujet, intégrées, non volatiles et historisées, organisées

Plus en détail

Entrepôt de Données. Jean-François Desnos. Jean-Francois.Desnos@grenet.fr ED JFD 1

Entrepôt de Données. Jean-François Desnos. Jean-Francois.Desnos@grenet.fr ED JFD 1 Entrepôt de Données Jean-François Desnos Jean-Francois.Desnos@grenet.fr ED JFD 1 Définition (Bill Inmon 1990) Un entrepôt de données (data warehouse) est une collection de données thématiques, intégrées,

Plus en détail

Evry - M2 MIAGE Entrepôt de données

Evry - M2 MIAGE Entrepôt de données Evry - M2 MIAGE Entrepôt de données Intégration de données multi-sources D. Ploix - M2 Miage - EDD - IDMS 1 Intégration de données L intégration de données désigne l ensemble des opérations aboutissant

Plus en détail

LES ENTREPOTS DE DONNEES

LES ENTREPOTS DE DONNEES Module B4 : Projet des Systèmes d information Lille, le 25 mars 2002 LES ENTREPOTS DE DONNEES Problématique : Pour capitaliser ses informations, une entreprise doit-elle commencer par mettre en œuvre des

Plus en détail

NF26 Data warehouse et Outils Décisionnels Printemps 2010

NF26 Data warehouse et Outils Décisionnels Printemps 2010 NF26 Data warehouse et Outils Décisionnels Printemps 2010 Rapport Modélisation Datamart VU Xuan Truong LAURENS Francis Analyse des données Avant de proposer un modèle dimensionnel, une analyse exhaustive

Plus en détail

Les Entrepôts de Données

Les Entrepôts de Données Les Entrepôts de Données Grégory Bonnet Abdel-Illah Mouaddib GREYC Dépt Dépt informatique :: GREYC Dépt Dépt informatique :: Cours Cours SIR SIR Systèmes d information décisionnels Nouvelles générations

Plus en détail

Entrepôts de données. NEGRE Elsa Université Paris-Dauphine 2015-2016

Entrepôts de données. NEGRE Elsa Université Paris-Dauphine 2015-2016 Entrepôts de données NEGRE Elsa Université Paris-Dauphine 2015-2016 Contexte et problématique Le processus de prise de décision L entrepôt de données Définition Différence avec un SGBD Caractéristiques

Plus en détail

Méthodologie de conceptualisation BI

Méthodologie de conceptualisation BI Méthodologie de conceptualisation BI Business Intelligence (BI) La Business intelligence est un outil décisionnel incontournable à la gestion stratégique et quotidienne des entités. Il fournit de l information

Plus en détail

Datawarehouse: Cubes OLAP. Marlyse Dieungang Khaoula Ghilani

Datawarehouse: Cubes OLAP. Marlyse Dieungang Khaoula Ghilani Datawarehouse: Cubes OLAP Marlyse Dieungang Khaoula Ghilani Table des matières 1 Data Warehouse 3 1.1 Introduction............................ 3 1.1.1 Définition......................... 3 1.1.2 Architecture........................

Plus en détail

Bases de données multidimensionnelles OLAP. OnLine Analytical Processing

Bases de données multidimensionnelles OLAP. OnLine Analytical Processing Bases de données multidimensionnelles OLAP OnLine Analytical Processing OLAP OLAP (On Line Analytical Processing): Ensemble des outils nécessaires pour la mise en place d'un Système d'information décisionnel

Plus en détail

Le "tout fichier" Le besoin de centraliser les traitements des fichiers. Maitriser les bases de données. Historique

Le tout fichier Le besoin de centraliser les traitements des fichiers. Maitriser les bases de données. Historique Introduction à l informatique : Information automatisée Le premier ordinateur Définition disque dure, mémoire, carte mémoire, carte mère etc Architecture d un ordinateur Les constructeurs leader du marché

Plus en détail

Urbanisation des SI-NFE107

Urbanisation des SI-NFE107 OLAP Urbanisation des SI-NFE107 Fiche de lecture Karim SEKRI 20/01/2009 OLAP 1 Introduction PLAN OLAP Les différentes technologies OLAP Plate formes et Outils 20/01/2009 OLAP 2 Informatique décisionnelle

Plus en détail

SQL SERVER 2008, BUSINESS INTELLIGENCE

SQL SERVER 2008, BUSINESS INTELLIGENCE SGBD / Aide à la décision SQL SERVER 2008, BUSINESS INTELLIGENCE Réf: QLI Durée : 5 jours (7 heures) OBJECTIFS DE LA FORMATION Cette formation vous apprendra à concevoir et à déployer une solution de Business

Plus en détail

SQL Server 2014 Implémentation d'une solution de Business Intelligence (Sql Server, Analysis Services, Power BI...)

SQL Server 2014 Implémentation d'une solution de Business Intelligence (Sql Server, Analysis Services, Power BI...) Avant-propos 1. À qui s'adresse ce livre? 15 2. Pré-requis 15 3. Objectifs du livre 16 4. Notations 17 Introduction à la Business Intelligence 1. Du transactionnel au décisionnel 19 2. Business Intelligence

Plus en détail

Base de données en mémoire

Base de données en mémoire Base de données en mémoire Plan Bases de données relationnelles OnLine Analytical Processing Difficultés de l OLAP Calculs en mémoire Optimisations 1 Base de données relationnelle Introduction Date Exemple

Plus en détail

Informatique Décisionnelle pour l environnement

Informatique Décisionnelle pour l environnement Territoires, Environnement, Télédétection et Information Spatiale Unité mixte de recherche AgroParisTech - Cirad - Irstea Informatique Décisionnelle pour l environnement Principe, architecture informatique

Plus en détail

F. Opérations multidimensionnelles

F. Opérations multidimensionnelles F. Opérations multidimensionnelles Roll up (drill-up)/drill down (roll down) Roll up (drill-up) : résumer, agréger des données en montant dans une hiérachie ou en oubliant une dimension Drill down (roll

Plus en détail

SWISS ORACLE US ER GRO UP. www.soug.ch. Newsletter 5/2014 Sonderausgabe. OBIF DB licensing with VMware Delphix 12c: SQL Plan / Security Features

SWISS ORACLE US ER GRO UP. www.soug.ch. Newsletter 5/2014 Sonderausgabe. OBIF DB licensing with VMware Delphix 12c: SQL Plan / Security Features SWISS ORACLE US ER GRO UP www.soug.ch Newsletter 5/2014 Sonderausgabe OBIF DB licensing with VMware Delphix 12c: SQL Plan / Security Features 42 TIPS&TECHNIQUES Alexandre Tacchini, Benjamin Gaillard, Fabien

Plus en détail

SQL Server 2012 Implémentation d'une solution de Business Intelligence (Sql Server, Analysis Services...)

SQL Server 2012 Implémentation d'une solution de Business Intelligence (Sql Server, Analysis Services...) Avant-propos 1. À qui s'adresse ce livre? 15 2. Pré-requis 15 3. Objectifs du livre 16 4. Notations 17 Introduction à la Business Intelligence 1. Du transactionnel au décisionnel 19 2. Business Intelligence

Plus en détail

Entreposage, analyse en ligne et fouille de données

Entreposage, analyse en ligne et fouille de données Entreposage, analyse en ligne et fouille de données Houssem Jerbi IRIT - SIG/ED jerbi@irit.fr Journée COMPIL " Bases de Données" 14/12/2010 PLAN Introduction Bases de données Entrepôt de données Technologie

Plus en détail

MyReport, une gamme complète. La Business Intelligence en toute simplicité : Concevez, partagez, actualisez! pour piloter votre activité au quotidien.

MyReport, une gamme complète. La Business Intelligence en toute simplicité : Concevez, partagez, actualisez! pour piloter votre activité au quotidien. MyReportle reporting sous excel La Business Intelligence en toute simplicité : Concevez, partagez, actualisez! MyReport, une gamme complète pour piloter votre activité au quotidien. En rendant les données

Plus en détail

CONCEPTION Support de cours n 3 DE BASES DE DONNEES

CONCEPTION Support de cours n 3 DE BASES DE DONNEES CONCEPTION Support de cours n 3 DE BASES DE DONNEES Auteur: Raymonde RICHARD PRCE UBO PARTIE III. - LA DESCRIPTION LOGIQUE ET PHYSIQUE DES DONNEES... 2 A. Les concepts du modèle relationnel de données...

Plus en détail

4. Utilisation d un SGBD : le langage SQL. 5. Normalisation

4. Utilisation d un SGBD : le langage SQL. 5. Normalisation Base de données S. Lèbre slebre@unistra.fr Université de Strasbourg, département d informatique. Présentation du module Contenu général Notion de bases de données Fondements / Conception Utilisation :

Plus en détail

PLAN. Les systèmes d'information analytiques. Exemples de décisions

PLAN. Les systèmes d'information analytiques. Exemples de décisions Les systèmes d'information analytiques Dr A.R. Baba-ali Maitre de conferences USTHB PLAN Le cycle de decision Les composants analytiques ETL (Extract, Transform and Load) Entrepot de (Data warehouse) Traitement

Plus en détail

Business Intelligence avec SQL Server 2012 Maîtrisez les concepts et réalisez un système décisionnel

Business Intelligence avec SQL Server 2012 Maîtrisez les concepts et réalisez un système décisionnel Avant-propos 1. À qui s'adresse ce livre? 9 2. Les pré-requis 10 3. Les objectifs du livre 10 Introduction 1. Présentation du décisionnel 15 1.1 La notion de décideur 15 1.2 Les facteurs d'amélioration

Plus en détail

Business & High Technology

Business & High Technology UNIVERSITE DE TUNIS INSTITUT SUPERIEUR DE GESTION DE TUNIS Département : Informatique Business & High Technology Chapitre 8 : ID : Informatique Décisionnelle BI : Business Intelligence Sommaire Introduction...

Plus en détail

Rejoignez la Communauté

Rejoignez la Communauté Rejoignez la Communauté MODÉLISATION DIMENSIONNELLE Le fondement du datawarehouse 2 MODÉLISATION DIMENSIONNELLE Le fondement du datawarehouse 3 QUI SOMMES NOUS? Jean-Pierre Riehl Pratice Manager SQL Azeo

Plus en détail

Introduction au domaine du décisionnel et aux data warehouses

Introduction au domaine du décisionnel et aux data warehouses Data warehouse Introduction au domaine du décisionnel et aux data warehouses http://dwh.crzt.fr STÉPHANE CROZAT Paternité - Partage des Conditions Initiales à l'identique : http://creativecommons.org/licenses/by-sa/2.0/fr/

Plus en détail

Etude de faisabilité visant à mettre en place un entrepôt de données sur les données de l IFN. Analyser et Explorer avec une grande interactivité

Etude de faisabilité visant à mettre en place un entrepôt de données sur les données de l IFN. Analyser et Explorer avec une grande interactivité Établissement chargé de réaliser l inventaire permanent du patrimoine forestier sur tout le territoire métropolitain indépendamment de toute question de propriété. Parmi ces objectifs: Connaissance de

Plus en détail

La Business Intelligence en toute simplicité :

La Business Intelligence en toute simplicité : MyReportle reporting sous excel La Business Intelligence en toute simplicité : Concevez, partagez, actualisez! En rendant les données accessibles aux personnes habilitées dans l entreprise (comptabilité,

Plus en détail

Business Intelligence avec SQL Server 2014 Maîtrisez les concepts et réalisez un système décisionnel

Business Intelligence avec SQL Server 2014 Maîtrisez les concepts et réalisez un système décisionnel Avant-propos 1. À qui s'adresse ce livre? 9 2. Les pré-requis 10 3. Les objectifs du livre 11 Introduction 1. Présentation du décisionnel 13 1.1 La notion de décideur 14 1.2 Les facteurs d'amélioration

Plus en détail

SGBDR. Systèmes de Gestion de Bases de Données (Relationnelles)

SGBDR. Systèmes de Gestion de Bases de Données (Relationnelles) SGBDR Systèmes de Gestion de Bases de Données (Relationnelles) Plan Approches Les tâches du SGBD Les transactions Approche 1 Systèmes traditionnels basés sur des fichiers Application 1 Gestion clients

Plus en détail

Modalités d échange de points MasterCard MD HSBC Premier World. Remise en argent de HSBC PUBLIC

Modalités d échange de points MasterCard MD HSBC Premier World. Remise en argent de HSBC PUBLIC Modalités d échange de points MasterCard MD HSBC Premier World Remise en argent de HSBC Versement sur votre prêt hypothécaire de la HSBC Dépôt dans votre compte d épargne personnel de la HSBC Réservez

Plus en détail

L information et la technologie de l informationl

L information et la technologie de l informationl L information et la technologie de l informationl CRM & informatique décisionnelled CRM CRM & informatique décisionnelle. d 1 2 3 Les Les fondements managériaux managériaux du du CRM. CRM. Les Les fondements

Plus en détail

DEMANDE D INFORMATION RFI (Request for information)

DEMANDE D INFORMATION RFI (Request for information) DOD SEICAM RFI Demande d information EVDEC Réf. : RFI_EVDEC- GT5_Outil_reporting_BI_v4.doc Page 1/11 DEMANDE D INFORMATION RFI (Request for information) OUTIL INTÉGRÉ DE REPORTING ET D ANALYSE DÉCISIONNELLE

Plus en détail

Aide. Réservez votre séjour pour Disneyland Resort Paris en quelques clics!

Aide. Réservez votre séjour pour Disneyland Resort Paris en quelques clics! Aide Réservez votre séjour pour Disneyland Resort Paris en quelques clics! Etape 1 : Vos souhaits... 1 Etape 2 : Nos propositions... 2 Etape 3 : Vos besoins transports... 3 Etape 4 : Nos propositions transport...

Plus en détail

CATALOGUE DE FORMATIONS BUSINESS INTELLIGENCE. Edition 2012

CATALOGUE DE FORMATIONS BUSINESS INTELLIGENCE. Edition 2012 CATALOGUE DE FORMATIONS BUSINESS INTELLIGENCE Edition 2012 AGENDA Qui sommes nous? Présentation de Keyrus Keyrus : Expert en formations BI Nos propositions de formation 3 modes de formations Liste des

Plus en détail

Les principaux domaines de l informatique

Les principaux domaines de l informatique Les principaux domaines de l informatique... abordés dans le cadre de ce cours: La Programmation Les Systèmes d Exploitation Les Systèmes d Information La Conception d Interfaces Le Calcul Scientifique

Plus en détail

L Edition Pilotée XL

L Edition Pilotée XL L Edition Pilotée XL Piloter son activité, une nécessité Processus décisionnel: «Exploiter les données de l entreprise dans le but de faciliter la prise de décision» Etre informé en permanence sur l état

Plus en détail

Business Intelligence avec SQL Server 2012

Business Intelligence avec SQL Server 2012 Editions ENI Business Intelligence avec SQL Server 2012 Maîtrisez les concepts et réalisez un système décisionnel Collection Solutions Informatiques Table des matières Les éléments à télécharger sont disponibles

Plus en détail

Business Intelligence : Informatique Décisionnelle

Business Intelligence : Informatique Décisionnelle Business Intelligence : Informatique Décisionnelle On appelle «aide à la décision», «décisionnel», ou encore «business intelligence», un ensemble de solutions informatiques permettant l analyse des données

Plus en détail

Chapitre IX. L intégration de données. Les entrepôts de données (Data Warehouses) Motivation. Le problème

Chapitre IX. L intégration de données. Les entrepôts de données (Data Warehouses) Motivation. Le problème Chapitre IX L intégration de données Le problème De façon très générale, le problème de l intégration de données (data integration) est de permettre un accès cohérent à des données d origine, de structuration

Plus en détail

Magasins et entrepôts de données (Datamart, data warehouse) Approche relationnelle pour l'analyse des données en ligne (ROLAP)

Magasins et entrepôts de données (Datamart, data warehouse) Approche relationnelle pour l'analyse des données en ligne (ROLAP) Magasins et entrepôts de données (Datamart, data warehouse) Approche relationnelle pour l'analyse des données en ligne (ROLAP) Définition (G. Gardarin) Entrepôt : ensemble de données historisées variant

Plus en détail

Formations MyReport. Formations MyReport

Formations MyReport. Formations MyReport Formations MyReport Formations MyReport MyReport Data Niveau 1 1 journée Concepteurs des applications "métier" Connaissances 1er niveau en bases de données : notions de tables, bases, champs Connaissances

Plus en détail

BUSINESS INTELLIGENCE

BUSINESS INTELLIGENCE GUIDE COMPARATIF BUSINESS INTELLIGENCE www.viseo.com Table des matières Business Intelligence :... 2 Contexte et objectifs... 2 Une architecture spécifique... 2 Les outils de Business intelligence... 3

Plus en détail

BROCHURE DE PRESENTATION

BROCHURE DE PRESENTATION MS -sms Introduction Le SMS Marketing est l outil de communication one-to-one idéal. vous offre la possibilité de : Communiquer en temps réal avec vos clients Promouvoir une offre Diffuser des informations

Plus en détail

données en connaissance et en actions?

données en connaissance et en actions? 1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)

Plus en détail

Présentation du module. Base de données spatio-temporelles. Exemple. Introduction Exemple. Plan. Plan

Présentation du module. Base de données spatio-temporelles. Exemple. Introduction Exemple. Plan. Plan Base de données spatio-temporelles S. Lèbre slebre@unistra.fr Université de Strasbourg, département d informatique. Présentation du module Contenu général Partie 1 : Notion de bases de données (Conception

Plus en détail

Objectif. Participant. Prérequis. Oracle BI Suite EE 10g R3 - Développer des référentiels. 5 Jours [35 Heures]

Objectif. Participant. Prérequis. Oracle BI Suite EE 10g R3 - Développer des référentiels. 5 Jours [35 Heures] Objectif Utiliser les techniques de gestion de la mise en cache pour contrôler et améliorer les performances des requêtes Définir des mesures simples et des mesures calculées pour une table de faits Créer

Plus en détail

Cours 6. Sécurisation d un SGBD. DBA - M1ASR - Université Evry 1

Cours 6. Sécurisation d un SGBD. DBA - M1ASR - Université Evry 1 Cours 6 Sécurisation d un SGBD DBA - M1ASR - Université Evry 1 Sécurisation? Recette d une application Vérification des fonctionnalités Vérification de l impact sur le SI existant Gestion du changement

Plus en détail

QU EST-CE QUE LE DECISIONNEL?

QU EST-CE QUE LE DECISIONNEL? La plupart des entreprises disposent d une masse considérable d informations sur leurs clients, leurs produits, leurs ventes Toutefois ces données sont cloisonnées par les applications utilisées ou parce

Plus en détail

ACCESS 2013. Système de Gestion de Bases de Données Relationnelles

ACCESS 2013. Système de Gestion de Bases de Données Relationnelles Access est un logiciel permettant de gérer des données en masse : une liste de clients ou de fournisseurs, un stock de produits, des commandes, des salariés, un club de tennis, une cave à vin, une bibliothèque,

Plus en détail

Leçon 12. Le tableau de bord de la gestion des stocks

Leçon 12. Le tableau de bord de la gestion des stocks CANEGE Leçon 12 Le tableau de bord de la gestion des stocks Objectif : A l'issue de la leçon l'étudiant doit être capable de : s initier au suivi et au contrôle de la réalisation des objectifs fixés au

Plus en détail

Exemple accessible via une interface Web. Bases de données et systèmes de gestion de bases de données. Généralités. Définitions

Exemple accessible via une interface Web. Bases de données et systèmes de gestion de bases de données. Généralités. Définitions Exemple accessible via une interface Web Une base de données consultable en ligne : Bases de données et systèmes de gestion de bases de données The Trans-atlantic slave trade database: http://www.slavevoyages.org/tast/index.faces

Plus en détail

IBM Cognos TM1. Fiche Produit. Aperçu

IBM Cognos TM1. Fiche Produit. Aperçu Fiche Produit IBM Cognos TM1 Aperçu Cycles de planification raccourcis de 75 % et reporting ramené à quelques minutes au lieu de plusieurs jours Solution entièrement prise en charge et gérée par le département

Plus en détail

SAP HANA: note de synthèse

SAP HANA: note de synthèse Préface: Au cœur des nombreux défis que doivent relever les entreprises, l informatique se doit de soutenir les évolutions, d aider au développement de nouveaux avantages concurrentiels tout en traitant

Plus en détail

Easy to. report. Connexion. Transformation. Stockage. Construction. Exploitation. Diffusion

Easy to. report. Connexion. Transformation. Stockage. Construction. Exploitation. Diffusion M y R e p o r t, L A S O L U T I O N R E P O R T I N G D E S U T I L I S AT E U R S E X C E L Connexion Transformation Stockage Construction Exploitation Diffusion OBJECTIF REPORTING : De la manipulation

Plus en détail

Comparatif fonctionnel des offre Saas d'igsi Easy CRM, Pro CRM, CRM On Demand

Comparatif fonctionnel des offre Saas d'igsi Easy CRM, Pro CRM, CRM On Demand Comparatif fonctionnel des offre Saas d'igsi,, On Fonctionnalités Gestion de Contacts Gestion des sociétés & contacts Gestion des prospects (leads) Gestion des relations Utilisateurs Nouveau Utilisateur

Plus en détail

Le Concept Dynamics Nav. B.I.Conseil

Le Concept Dynamics Nav. B.I.Conseil Développement Croissance Développement Productivité Investissement Environnement Ouverture B.I.Conseil Nous sommes Microsoft Business Solutions Partner, ce qui nous permet de travailler en étroite collaboration

Plus en détail

1 Modélisation d une base de données pour une société de bourse

1 Modélisation d une base de données pour une société de bourse IN306 : Corrigé SID Christophe Garion 18 octobre 2010 Ce document est un corrigé succinct de l examen du module IN306. 1 Modélisation d une base de données pour une société de bourse Une

Plus en détail

JASPERSOFT ET LE PAYSAGE ANALYTIQUE. Jaspersoft et le paysage analytique 1

JASPERSOFT ET LE PAYSAGE ANALYTIQUE. Jaspersoft et le paysage analytique 1 JASPERSOFT ET LE PAYSAGE ANALYTIQUE Jaspersoft et le paysage analytique 1 Ce texte est un résumé du Livre Blanc complet. N hésitez pas à vous inscrire sur Jaspersoft (http://www.jaspersoft.com/fr/analyticslandscape-jaspersoft)

Plus en détail

Dossier I Découverte de Base d Open Office

Dossier I Découverte de Base d Open Office ETUDE D UN SYSTEME DE GESTION DE BASE DE DONNEES RELATIONNELLES Définition : Un SGBD est un logiciel de gestion des données fournissant des méthodes d accès aux informations. Un SGBDR permet de décrire

Plus en détail

Conception de systèmes d'information et d'entrepôts de données

Conception de systèmes d'information et d'entrepôts de données Territoires, Environnement, Télédétection et Information Spatiale Unité mixte de recherche AgroParisTech - Cirad - Irstea Conception de systèmes d'information et d'entrepôts de données Vers des structures

Plus en détail

BUSINESS INTELLIGENCE. Une vision cockpit : utilité et apport pour l'entreprise

BUSINESS INTELLIGENCE. Une vision cockpit : utilité et apport pour l'entreprise BUSINESS INTELLIGENCE Une vision cockpit : utilité et apport pour l'entreprise 1 Présentation PIERRE-YVES BONVIN, SOLVAXIS BERNARD BOIL, RESP. SI, GROUPE OROLUX 2 AGENDA Définitions Positionnement de la

Plus en détail

1 Introduction et installation

1 Introduction et installation TP d introduction aux bases de données 1 TP d introduction aux bases de données Le but de ce TP est d apprendre à manipuler des bases de données. Dans le cadre du programme d informatique pour tous, on

Plus en détail

Introduction. Division Moyennes et Grandes Entreprises - Direction Produits Page 2 / 7. Communiqué de lancement Sage HR Management V5.

Introduction. Division Moyennes et Grandes Entreprises - Direction Produits Page 2 / 7. Communiqué de lancement Sage HR Management V5. Division Moyennes et Grandes Entreprises Direction Produits Communiqué de lancement Sage HR Management Version 5.10 Nouveau module Décisionnel Bases de données Sage HR Management Version 5.10 MS SQL Server

Plus en détail

La Geo-Business Intelligence selon GALIGEO avec 26/10/2005 1

La Geo-Business Intelligence selon GALIGEO avec 26/10/2005 1 La Geo-Business Intelligence selon GALIGEO avec ESRI 2005 session «Décisionnel» 26/10/2005 1 La Business Intelligence : Une Définition La Business intelligence permet l utilisation des données opérationnelles

Plus en détail

PAYBOX MANUEL UTILISATEUR BACK-OFFICE COMMERÇANT VENTE A DISTANCE

PAYBOX MANUEL UTILISATEUR BACK-OFFICE COMMERÇANT VENTE A DISTANCE PAYBOX MANUEL UTILISATEUR BACK-OFFICE COMMERÇANT VENTE A DISTANCE VERSION 1.4 01/06/2014 AVERTISSEMENT Ce document est la propriété exclusive de Paybox/Point Transaction Systems. Toute reproduction intégrale

Plus en détail

Guide d utilisation du navigateur web OECD.Stat

Guide d utilisation du navigateur web OECD.Stat OECD.Stat 2008 2 / 39 Table des matières : Introduction... 4 Concepts liés à OECD.Stat... 4 Organisation des données... 4 Séries de référence... 5 Recherche... 5 Le navigateur web OECD.Stat... 5 Guide

Plus en détail

DESCRIPTION DES PRODUITS ET MÉTRIQUES

DESCRIPTION DES PRODUITS ET MÉTRIQUES DESCRIPTION DES PRODUITS ET MÉTRIQUES DPM Adobe - Adobe Analytics (2015v1) Les Produits et Services décrits dans cette DPM sont soit des Services On-demand soit des Services Gérés (comme décrits ci-dessous)

Plus en détail

CARTE HEURISTIQUE...1 LA CHAÎNE DÉCISIONNELLE...2. Collecte des données...2 Stockage des Données...3 Exploitation des Données...4 OLTP ET OLAP...

CARTE HEURISTIQUE...1 LA CHAÎNE DÉCISIONNELLE...2. Collecte des données...2 Stockage des Données...3 Exploitation des Données...4 OLTP ET OLAP... Table des matières CARTE HEURISTIQUE...1 LA CHAÎNE DÉCISIONNELLE...2 Collecte des données...2 Stockage des Données...3 Exploitation des Données...4 OLTP ET OLAP...6 OPÉRATIONS SUR LES CUBES...7 Exemple

Plus en détail

MARCHE A BONS DE COMMANDE * * * * * «Prestations d agence de voyages»

MARCHE A BONS DE COMMANDE * * * * * «Prestations d agence de voyages» MARCHE A BONS DE COMMANDE * * * * * «Prestations d agence de voyages» Marché passé sous forme de procédure adaptée en application des articles 26, 28 et 77 du code des marchés publics du 1 er août 2006

Plus en détail

Présentation du module Base de données spatio-temporelles

Présentation du module Base de données spatio-temporelles Présentation du module Base de données spatio-temporelles S. Lèbre slebre@unistra.fr Université de Strasbourg, département d informatique. Partie 1 : Notion de bases de données (12,5h ) Enjeux et principes

Plus en détail

Catalogue Formation «Vanilla»

Catalogue Formation «Vanilla» Catalogue Formation «Vanilla» Date : octobre 2009 Table des matières Liste des Formations...2 Contenu des formations...3 Vanilla FastTrack...3 Vanilla Architecture...5 Enterprise Services...6 BIPortail...7

Plus en détail

Ecole des Hautes Etudes Commerciales HEC Alger. par Amina GACEM. Module Informatique 1ière Année Master Sciences Commerciales

Ecole des Hautes Etudes Commerciales HEC Alger. par Amina GACEM. Module Informatique 1ière Année Master Sciences Commerciales Ecole des Hautes Etudes Commerciales HEC Alger Évolution des SGBDs par Amina GACEM Module Informatique 1ière Année Master Sciences Commerciales Evolution des SGBDs Pour toute remarque, question, commentaire

Plus en détail

Manuel de formation Spaceman - 2 ème journée

Manuel de formation Spaceman - 2 ème journée Manuel de formation Spaceman - 2 ème journée Table des Matières 1 ère PARTIE : CONSTRUIRE LE MOBILIER...2 La structure barre de charge : Ajouter / modifier...3 La structure broche : Ajouter / modifier...4

Plus en détail

Bases de Données Avancées

Bases de Données Avancées 1/26 Bases de Données Avancées DataWareHouse Thierry Hamon Bureau H202 - Institut Galilée Tél. : 33 1.48.38.35.53 Bureau 150 LIM&BIO EA 3969 Université Paris 13 - UFR Léonard de Vinci 74, rue Marcel Cachin,

Plus en détail

Chapitre 9 : Informatique décisionnelle

Chapitre 9 : Informatique décisionnelle Chapitre 9 : Informatique décisionnelle Sommaire Introduction... 3 Définition... 3 Les domaines d application de l informatique décisionnelle... 4 Architecture d un système décisionnel... 5 L outil Oracle

Plus en détail

L INFORMATION GEOGRAPHIQUE

L INFORMATION GEOGRAPHIQUE Champs sur Marne ENSG/CERSIG Le 19-nove.-02 L INFORMATION GEOGRAPHIQUE Archivage Le Système d information géographique rassemble de l information afin de permettre son utilisation dans des applications

Plus en détail

ETL Extract - Transform - Load

ETL Extract - Transform - Load ETL Extract - Transform - Load Concept général d analyse en ligne (rappels) Rémy Choquet - Université Lyon 2 - Master 2 IIDEE - 2006-2007 Plan Définitions La place d OLAP dans une entreprise OLAP versus

Plus en détail

K. Smaïli Professeur à l université Nancy2. 1/105 K. Smaïli 2008

K. Smaïli Professeur à l université Nancy2. 1/105 K. Smaïli 2008 K. Smaïli Professeur à l université Nancy2 1/105 K. Smaïli 2008 Introduction au BI (Business Intelligence) Notion de Datawarehouse Cognos Powerplay Powerplay Transformer Impromptu Datamining Le panier

Plus en détail

Faculté des sciences de gestion et sciences économiques BASE DE DONNEES

Faculté des sciences de gestion et sciences économiques BASE DE DONNEES BASE DE DONNEES La plupart des entreprises possèdent des bases de données informatiques contenant des informations essentielles à leur fonctionnement. Ces informations concernent ses clients, ses produits,

Plus en détail

Gestion commerciale. Une réponse fonctionnelle quel que soit votre secteur d activité

Gestion commerciale. Une réponse fonctionnelle quel que soit votre secteur d activité Gestion commerciale La rentabilité d une entreprise passe par l augmentation du chiffre d affaires et la maîtrise des coûts de gestion. Avec Sage 100 Gestion Commerciale, vous contrôlez votre activité

Plus en détail

Technologie data distribution Cas d usage. www.gamma-soft.com

Technologie data distribution Cas d usage. www.gamma-soft.com Technologie data distribution Cas d usage www.gamma-soft.com Applications stratégiques (ETL, EAI, extranet) Il s agit d une entreprise industrielle, leader français dans son domaine. Cette entreprise est

Plus en détail

Oracle Décisionnel : Modèle OLAP et Vue matérialisée D BILEK

Oracle Décisionnel : Modèle OLAP et Vue matérialisée D BILEK Oracle Décisionnel : Modèle OLAP et Vue matérialisée SOMMAIRE Introduction Le modèle en étoiles Requêtes OLAP Vue matérialisée Fonctions Roll up et Cube Application Introduction Data Warehouse Moteur OLAP

Plus en détail

SUGARCRM MODULE RAPPORTS

SUGARCRM MODULE RAPPORTS SUGARCRM MODULE RAPPORTS Référence document : SYNOLIA_Support_SugarCRM_Module_Rapports_v1.0.docx Version document : 1.0 Date version : 2 octobre 2012 Etat du document : En cours de rédaction Emetteur/Rédacteur

Plus en détail

Atelier Symposium MicroStrategy

Atelier Symposium MicroStrategy Atelier Symposium MicroStrategy Présentation de Soft Computing «De l'usage de MicroStrategy pour la Connaissance Client dans le secteur de la Distribution» G.MANGEON Soft Computing 16 Juin 2016 Soft Computing

Plus en détail

CegidBusinessPlaceMode. Back Office. www.cegid.fr/mode. Le progiciel de gestion intégré pour piloter votre réseau de distribution

CegidBusinessPlaceMode. Back Office. www.cegid.fr/mode. Le progiciel de gestion intégré pour piloter votre réseau de distribution CegidBusinessPlaceMode Cegid Business Place Mode Back Office Le progiciel de gestion intégré pour piloter votre réseau de distribution Cegid Back Office est un véritable outil de pilotage adapté à votre

Plus en détail

Un datawarehouse est un entrepôt de données (une base de données) qui se caractérise par des données :

Un datawarehouse est un entrepôt de données (une base de données) qui se caractérise par des données : Page 1 of 6 Entrepôt de données Un article de Wikipédia, l'encyclopédie libre. L'entrepôt de données, ou datawarehouse, est un concept spécifique de l'informatique décisionnelle, issu du constat suivant

Plus en détail

Bases de données Cours 1 : Généralités sur les bases de données

Bases de données Cours 1 : Généralités sur les bases de données Cours 1 : Généralités sur les bases de données POLYTECH Université d Aix-Marseille odile.papini@univ-amu.fr http://odile.papini.perso.esil.univmed.fr/sources/bd.html Plan du cours 1 1 Qu est ce qu une

Plus en détail

Généralités sur les bases de données

Généralités sur les bases de données Généralités sur les bases de données Qu est-ce donc qu une base de données? Que peut-on attendre d un système de gestion de bases de données? Que peut-on faire avec une base de données? 1 Des données?

Plus en détail

Nos Solutions PME VIPDev sont les Atouts Business de votre entreprise.

Nos Solutions PME VIPDev sont les Atouts Business de votre entreprise. Solutions PME VIPDev Nos Solutions PME VIPDev sont les Atouts Business de votre entreprise. Cette offre est basée sur la mise à disposition de l ensemble de nos compétences techniques et créatives au service

Plus en détail