Eric Tremblay Spécialiste Oracle
|
|
- Roland Raoul Michaud
- il y a 7 ans
- Total affichages :
Transcription
1 Concept: Entrepôt de données Eric Tremblay Spécialiste Oracle
2 Objectif Décrire les principales étapes et approches de conception d'un entrepôt de données (Data Warehouse) et de présenter les techniques de son exploitation ainsi que les principaux défis liés à son implantation.
3 Définition
4 Définition «Un entrepôt de données est une collection de données orientées sujet, intégrées, non volatiles et historisées, organisées pour le processus de décision.» --- Bill Inmon
5 Les objectifs d un entrepôt de données
6 Les objectifs d un entrepôt de données Accès aux informations de l entreprise Les informations de l entreprise sont cohérentes Une vue consistante, globale et unifiée de l entreprise Les données publiées sont entreposées pour la consultation rapide de l entreprise
7 Les objectifs d un entrepôt de données Qualité de l information d un entrepôt de données Les outils de présentation d informations font partie de l entrepôt de données Supporte des applications de type informationnel comme, les applications d aide à la décision
8 Concept d intelligence d affaire Décisions Action Valeur d'affaires Collection Intégration Analyse Connaissance Information Données
9 Besoin d affaires Modèlisation dimensionnel Conception technique d'architecture Planification et gestion de projet Conception Physique Besoin d'affaires Entretien et croissance Conception Data Staging Planification déploiement Spécifications application utilisateur
10 Comment construire une entrepôt de données Identifiez les problèmes et les processus d'affaires Identifiez le grain Identifiez les dimensions Identifiez les faits
11 Étapes pour construire un entrepôt de données Conception technique d'architecture Sélection et installation de produits Planification de projet Définition des besoins d'affaires Modèlisation dimensionnel Conception physique Data staging & développement Déploiement Entretien et croissance Spécifications d'application analytiques Développement d'applicaiton analytique Gestion de projet
12 Éléments d'un entrepôt de données DONNÉES SOURCES ENTREPÔT DE DONNÉES OUTILS D'ACCÈS DE DONNÉES Requête Rapport Analyse Forage
13 Éléments de base d'un entrepôt de données Système source opérationnel Extraction Data staging area Chargement Entrepôt de données Accès Outils d'accès
14 Éléments de base d'un entrepôt de données Système source opérationnel Extraction Data staging area Chargement Entrepôt de données Accès Outils d'accès Flux d'information circulant dans un entrepôt de données
15 Extraction Source Staging
16 Transformation Staging Transformation Staging
17 Staging Chargement
18 Dimension & Table de faits
19 Table de dimension
20 Table de dimension Clef primaire simple Attributs textuels riches et adaptés à l'utilisateur Rapports hiérarchiques Peu de codes; des codes devraient être décodés selon des descriptions Relativement petit
21 Dimension Province Client Location Région Ville 3-Chiffres Code Postal 6-Chiffres Code Postal Adresse Clef d'entrepôt Grain de dimension
22 Année Fiscale Dimension Calendrier Calendrier Année Quart Fiscal Calendrier Quart Mois Fiscal Calendrier Mois Calendrier Semaine Jour Clef d'entrepôt Grain de dimension
23 Modèles multidimensionnels Schéma étoile et flocon
24 Table de faits Clef primaire composé La date/heure est presque toujours une clef Les faits sont habituellement numériques Les faits sont en général additifs
25 Table de faits Schéma étoile
26 Table de faits Schéma étoile Dimension promotion promotion_clef (PK) promotion_nom Dimension calendrier calendrier_clef (PK) jour_de_semaine mois quart année Dimension magasin Ventes Table de faits promotion_clef (FK) calendrier_clef (FK) produit_clef (FK) magasin_clef (FK) client_clef (FK) dollars_vendu dollars_coût unités_vendu Dimension produit produit_clef (PK) SKU description marque catégorie Dimension client magasin_clef (PK) magasin_id magasin_nom adresse client_clef (PK) client_id client_nom adresse
27 Table de faits Schéma étoile Dimension promotion promotion_clef (PK) promotion_nom Dimension calendrier calendrier_clef (PK) jour_de_semaine mois quart année Dimension magasin Ventes Table de faits promotion_clef (FK) calendrier_clef (FK) produit_clef (FK) magasin_clef (FK) client_clef (FK) dollars_vendu dollars_coût unités_vendu Dimension produit produit_clef (PK) SKU description marque catégorie Dimension client magasin_clef (PK) magasin_id magasin_nom adresse client_clef (PK) client_id client_nom adresse
28 Dimension Temps temps_clef (PK) date_sql jour_de_semaine numéro_semaine mois Dimension Cours cours_clef (PK) nom département niveau cours_numéro laboratoire Table de faitsdimension Étudiant Schéma étoile Présence d'étudiant Table de faits temps_clef (FK) étudiant_clef (FK) cours_clef (FK) professeur_clef (FK) local_clef (FK) présence = 1 étudiant_clef (PK) étudiant_id nom adress inscrit Dimension Local local_clef (PK) type endroit département nombre de sièges taille Dimension Professeur professeur_clef (PK) employé_id nom adress département titre
29 Table de faits Dimension Temps Dimension Étudiant temps_clef (PK) date_sql jour_de_semaine numéro_semaine mois Dimension Cours cours_clef (PK) nom département niveau cours_numéro laboratoire Schéma étoile Présence d'étudiant Table de faits temps_clef (FK) étudiant_clef (FK) cours_clef (FK) professeur_clef (FK) local_clef (FK) présence = 1 étudiant_clef (PK) étudiant_id nom adress inscrit Quelle classe était la plus fortement occupée? Dimension Local local_clef (PK) type endroit département nombre de sièges taille Dimension Professeur professeur_clef (PK) employé_id nom adress département titre
30 Table de faits Dimension Temps Dimension Étudiant temps_clef (PK) date_sql jour_de_semaine numéro_semaine mois Dimension Cours cours_clef (PK) nom département niveau cours_numéro laboratoire Schéma étoile Présence d'étudiant Table de faits temps_clef (FK) étudiant_clef (FK) cours_clef (FK) professeur_clef (FK) local_clef (FK) présence = 1 étudiant_clef (PK) étudiant_id nom adress inscrit Quelle classe était la plus fortement occupée? Quelle classe était la moins occupée? Dimension Local local_clef (PK) type endroit département nombre de sièges taille Dimension Professeur professeur_clef (PK) employé_id nom adress département titre
31 Table de faits Dimension Temps Dimension Étudiant temps_clef (PK) date_sql jour_de_semaine numéro_semaine mois Dimension Cours cours_clef (PK) nom département niveau cours_numéro laboratoire Schéma étoile Présence d'étudiant Table de faits temps_clef (FK) étudiant_clef (FK) cours_clef (FK) professeur_clef (FK) local_clef (FK) présence = 1 étudiant_clef (PK) étudiant_id nom adress inscrit Quelle classe était la plus fortement occupée? Quelle classe était la moins occupée? Quel professeur a enseigné à plus d'étudiants? Dimension Local local_clef (PK) type endroit département nombre de sièges taille Dimension Professeur professeur_clef (PK) employé_id nom adress département titre
32 Table de faits Dimension Temps Dimension Étudiant temps_clef (PK) date_sql jour_de_semaine numéro_semaine mois Dimension Cours cours_clef (PK) nom département niveau cours_numéro laboratoire Schéma étoile Présence d'étudiant Table de faits temps_clef (FK) étudiant_clef (FK) cours_clef (FK) professeur_clef (FK) local_clef (FK) présence = 1 étudiant_clef (PK) étudiant_id nom adress inscrit Quelle classe était la plus fortement occupée? Quelle classe était la moins occupée? Quel professeur a enseigné à plus d'étudiants? Dimension Local local_clef (PK) type endroit département nombre de sièges taille Dimension Professeur Quel professeur a enseigné des cours dans des professeur_clef (PK) employé_id nom adress département titre classes appartenant à d'autres départements?
33 Dimension calendrier calendrier_clef (PK) mois_clef (FK) année Table de faits Schéma flocon Dimension produit produit_clef (PK) SKU description marque_clef (FK) catégorie mois_clef (PK) année année_clef (PK) Ventes Table de faits calendrier_clef (FK) produit_clef (FK) magasin_clef (FK) client_clef (FK) dollars_vendu dollars_coût unités_vendu marque_clef (PK) marque_description Dimension magasin Dimension client magasin_clef (PK) magasin_id magasin_nom adresse client_clef (PK) client_id client_nom adresse
34 Dimensions changeant graduellement
35 Dimensions changeant graduellement Type 1: Recouvrez l'attribut changé. Un fait est associé seulement à la valeur courante d'une colonne de dimension. Type 2: Ajoutez le nouveau record de dimension. Un fait est associé seulement à la valeur originale d'une colonne de dimension. Type 3: Employez un champ pour la vieille valeur. Un fait est associé à la valeur originale et à la valeur courante d'une colonne de dimension.
36 Dimensions changeant graduellement Type 1: Recouvrez l'attribut changé. Un fait est associé seulement à la valeur courante d'une colonne de dimension. Type 2: Ajoutez le nouveau record de dimension. Un fait est associé seulement à la valeur originale d'une colonne de dimension. Type 3: Employez un champ pour la vieille valeur. Un fait est associé à la valeur originale et à la valeur courante d'une colonne de dimension.
37 Dimensions changeant graduellement Type 1: Recouvrez l'attribut changé. Un fait est associé seulement à la valeur courante d'une colonne de dimension. Type 2: Ajoutez le nouveau record de dimension. Un fait est associé seulement à la valeur originale d'une colonne de dimension. Type 3: Employez un champ pour la vieille valeur. Un fait est associé à la valeur originale et à la valeur courante d'une colonne de dimension.
38 Dimensions changeant graduellement Scénario : Le dernier nom du client change de Pharand à Smith : Mise à jour Cust.Lname
39 Dimensions changeant graduellement
40 Dimensions changeant graduellement
41 Normalisation
42 Normalisation 3FN
43 Normalisation 3FN
44 Normalisation Simplicité de la requête Performance de la requête Économie mineure d'espace disque Ralentit les utilisateurs
45 Normalisation Simplicité de la requête Performance de la requête Économie mineure d'espace disque Ralentit les utilisateurs
46 Normalisation Simplicité de la requête Performance de la requête Économie mineure d'espace disque Ralentit les utilisateurs
47 Normalisation Simplicité de la requête Performance de la requête Économie mineure d'espace disque Ralentit les utilisateurs
48 La différence ERD Schéma étoile (Star Schema)
49 La différence Base de données Réel Interne Isolé Transactions Normalisé Sale Détaillé Entrepôt de données Historique Interne et externe Intégré Analyse Dimensionnel Propre et conforme Détaillé et sommaire
50 Requête Ad Hoc & Analyse Analyse avancée Rapport d entreprise
51 Éléments d'un entrepôt de données DONNÉES SOURCES PRÉPARATION DE DONNÉES OUTILS D'ANALYSE DE DONNÉES OUTILS D'ACCÈS DE DONNÉES BD transactionnel Données ERP Données de département Extraction Filtrer Nettoyer Transformer Chargement Portal Forage de données OLAP Rapport Affichage Graphique Pivot Forage Distribuer
52 Ralph Kimball Gourou de l entrepôt de données
53
54
Les Entrepôts de Données. (Data Warehouses)
Les Entrepôts de Données (Data Warehouses) Pr. Omar Boussaid Département d'informatique et de Sta5s5que Université Lyon2 - France Les Entrepôts de Données 1. Généralités, sur le décisionnel 2. L'entreposage
Plus en détailEntrepôt 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 détailLes entrepôts de données et l analyse de données
LOG660 - Bases de données de haute performance Les entrepôts de données et l analyse de données Quelques définitions Entreposage de données (data warehousing): «La copie périodique et coordonnée de données
Plus en détailIntroduc;on à l intelligence d affaires et aux entrepôts de données
MTI820 Entrepôts de données et intelligence d affaires Introduc;on à l intelligence d affaires et aux entrepôts de données C. Desrosiers Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi,
Plus en détailPlan de cours. 1. Mise en contexte. 2. Place du cours dans le programme. 3. Descripteur du cours
Faculté des sciences Centre de formation en technologies de l information Plan de cours Cours : INF 735 Entrepôt et forage de données Trimestre : Hiver 2015 Enseignant : Robert J. Laurin 1. Mise en contexte
Plus en détailBI = 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 détailLES 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 détailBusiness 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 détailChapitre 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 détailBases 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 détailLe "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 détailLes 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 détailThéories de la Business Intelligence
25 Chapitre 2 Théories de la Business Intelligence 1. Architectures des systèmes décisionnels Théories de la Business Intelligence Depuis les premières requêtes sur les sources de données OLTP consolidées
Plus en détailEntrepôts 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 détail4. 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 détailPrésentation 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 détailIntroduction 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 détailPapier n : 4 Présentation : 17 juin 2004
Systèmes d Information Décisionnels De Excel à OFA Mohammed Mraoua * Papier n : 4 Présentation : 17 juin 2004 Résumé Cet article présente la notion de Système d Information Décisionnel (SID) par l exemple.
Plus en détailEduardo Almeida. Master Alma Université de Nantes {eduardo.almeida@univ-nantes.fr}
Data Warehouse - OLAP Master Alma Université de Nantes {eduardo.almeida@univ-nantes.fr} Objectif Présenter les concepts de base d'un Data Warehouse (DW) et On Line Analytical Processing (OLAP). Présenter
Plus en détailCatalogue 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 détailPlan. 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 détailUrbanisation 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 détailLa problématique. La philosophie ' ) * )
La problématique!" La philosophie #$ % La philosophie &'( ' ) * ) 1 La philosophie +, -) *. Mise en oeuvre Data warehouse ou Datamart /01-2, / 3 13 4,$ / 5 23, 2 * $3 3 63 3 #, 7 Datawarehouse Data warehouse
Plus en détailUn 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 détailSGBDR. 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 détailLes bases de données
Les bases de données Introduction aux fonctions de tableur et logiciels ou langages spécialisés (MS-Access, Base, SQL ) Yves Roggeman Boulevard du Triomphe CP 212 B-1050 Bruxelles (Belgium) Idée intuitive
Plus en détailEntrepôt 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 détailBUSINESS 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 détailDatawarehouse: 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 détailAlfresco Guide Utilisateur
Alfresco Guide Utilisateur ATELIER TECHNIQUE DES ESPACES NATURELS - 1 Table des matières Alfresco Guide Utilisateur...1 Accéder à la GED de l'aten...3 Via un client FTP...3 Onglet Général...3 Onglet Avancé...3
Plus en détailBusiness & 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 détailRejoignez 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 détailMagasins 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 détailSQL 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 détailSkills Technology Software PARTENAIRE TECHNOLOGIQUE DE VOTRE DÉVELOPPEMENT
Skills Technology Software w w w.s PARTENAIRE TECHNOLOGIQUE DE VOTRE DÉVELOPPEMENT ka ty s. co m E U OG ION L TA AT A C RM FO Accélérateur de votre RÉUSSITE 2 Formation Aujourd hui, la formation constitue
Plus en détailet 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 détail2 Serveurs OLAP et introduction au Data Mining
2-1 2 Serveurs OLAP et introduction au Data Mining 2-2 Création et consultation des cubes en mode client-serveur Serveur OLAP Clients OLAP Clients OLAP 2-3 Intérêt Systèmes serveurs et clients Fonctionnalité
Plus en détail2014/2015. Rapport 4 REALISE PAR : ISMAIL NAIT ABDELLAH OUALI SOUFIANE HOURRI MOHAMED OUSSAFI ENCADRE PAR : MME L.LAMRINI ANOUAR OUFQIR SMARTSIR
2014/2015 Rapport 4 REALISE PAR : ISMAIL NAIT ABDELLAH OUALI SOUFIANE HOURRI MOHAMED OUSSAFI ENCADRE PAR : ANOUAR OUFQIR MME L.LAMRINI SMARTSIR Table des matières Introduction... 2 Choix de l outil pour
Plus en détailLe Data Warehouse. Fait Vente. temps produit promotion. magasin. revenu ... Produit réf. libellé volume catégorie poids. Temps jour semaine date ...
Le Data Warehouse Temps jour semaine date magasin nom ville m 2 région manager... Fait Vente temps produit promotion magasin revenu... Produit réf. libellé volume catégorie poids... Promo nom budget média
Plus en détail25/05/2012. Business Intelligence. Plan de Présentation
Business Intelligence Prof. Mourad Oubrich Plan de Présentation Définition de la BI Chaine de la valeur de la BI Marché de la BI Métiers de la BI Architecture de la BI Technologie SAP BI Les priorités
Plus en détailOracle 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 détailDidacticiel PowerAMC 11.0 MPD
Didacticiel PowerAMC 11.0 MPD Pierre GERARD IUT de Villetaneuse Ce document est une retranscription du Tutoriel PowerAMC disponible en ligne à l'adresse : http://sybooks.sybase.com/onlinebooks/group-pd/amc1100f/
Plus en détailBUSINESS 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 détailDépartement Génie Informatique
Département Génie Informatique BD51 : Business Intelligence & Data Warehouse Projet Rédacteur : Christian FISCHER Automne 2011 Sujet : Développer un système décisionnel pour la gestion des ventes par magasin
Plus en détailArchitecture des entrepôts de données
MTI820 Entrepôts de données et intelligence d affaires Architecture des entrepôts de données Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaEi, C. Desrosiers 1 Le cycle de vie d un projet
Plus en détailWorkflow/DataWarehouse/DataMining. 14-09-98 LORIA - Université d automne 1998 - Informatique décisionnelle - L. Mirtain 1
Workflow/DataWarehouse/DataMining 14-09-98 LORIA - Université d automne 1998 - Informatique décisionnelle - L. Mirtain 1 plan Workflow DataWarehouse Aide à la décision DataMinig Conclusion 14-09-98 LORIA
Plus en détailCRM & DATA SOLUTIONS VENTES SFA & MARKETING
01 55 94 28 15 www.crmdata.fr SOLUTIONS VENTES SFA & MARKETING En ASP ou Intranet Copyright 2004 - tous droits réservés. QUI SOMMES-NOUS? Société française totalement autofinancée, a été créée en 2002
Plus en détailPROPOSITION DE FORMATION DE GREGOIRE DE LASSENCE A EPITA VERSION 1.0
PROPOSITION DE FORMATION DE GREGOIRE DE LASSENCE A VERSION 1.0 1. Table des matières 1. Table des matières... 2 2. Préambule... 2 3. Objectif global... 3 4. Thème... 4 5. Méthodes pédagogiques utilisées...
Plus en détailIntroduction à l Informatique Décisionnelle - Business Intelligence (7)
Introduction à l Informatique Décisionnelle - Business Intelligence (7) Bernard ESPINASSE Professeur à Aix-Marseille Université (AMU) Ecole Polytechnique Universitaire de Marseille Septembre 2013 Emergence
Plus en détailDéroulement de la présentation
Veille technologique portant sur le mariage judicieux de l intelligence d affaires et l information géospatiale Colloque Géomatique 2009, Montréal Marie-Josée Proulx, M.Sc., Présidente-directrice générale
Plus en détailEntreprise et Big Data
Entreprise et Big Data Christophe Favart Chef Architecte, SAP Advanced Development, Business Information Technology Public Juin 2013 Agenda SAP Données d Entreprise Big Data en entreprise Solutions SAP
Plus en détailFaculté 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 détailIntelligence Economique - Business Intelligence
Intelligence Economique - Business Intelligence Notion de Business Intelligence Dès qu'il y a une entreprise, il y a implicitement intelligence économique (tout comme il y a du marketing) : quelle produit
Plus en détailTravail de diplôme 2011 Business Intelligence Open Source SpagoBI/Talend Résumé
ESNE Travail de diplôme 2011 Business Intelligence Open Source SpagoBI/Talend Résumé I.Cirillo 2010-2011 Introduction Le laboratoire de base de données de l ESNE a mis en place, il y a quelques années,
Plus en détailETL 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 détailIntroduction. Informatique décisionnelle et data mining. Data mining (fouille de données) Cours/TP partagés. Information du cours
Information du cours Informatique décisionnelle et data mining www.lia.univ-avignon.fr/chercheurs/torres/cours/dm Juan-Manuel Torres juan-manuel.torres@univ-avignon.fr LIA/Université d Avignon Cours/TP
Plus en détailMémoire de fin d études. Thème Conception et réalisation d un Data Warehouse pour la mise en place d un système décisionnel
Mémoire de fin d études Pour l obtention du diplôme d Ingénieur d Etat en Informatique Option : Systèmes d information Thème Conception et réalisation d un Data Warehouse pour la mise en place d un système
Plus en détailBig Data On Line Analytics
Fdil Fadila Bentayeb Lb Laboratoire ERIC Lyon 2 Big Data On Line Analytics ASD 2014 Hammamet Tunisie 1 Sommaire Sommaire Informatique décisionnelle (BI Business Intelligence) Big Data Big Data analytics
Plus en détailIntroduction 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 détailStructure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données
Structure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données et le Data Mining Nous suivons le plan suivant : Fonctionnement de Spad Catalogue des méthodes (statistiques
Plus en détailLa place de la Géomatique Décisionnelle dans le processus de décision
Géomatique décisionnelle La place de la Géomatique Décisionnelle dans le processus de décision - Arnaud Van De Casteele Mines ParisTech - CRC Arnaud {dot} van_de_casteele {at} mines-paristech.fr Les rencontres
Plus en détailmolis result portal Description fonctionnelle La structure système Configuration système requise Architecture du système
La structure système Configuration système requise Serveur de base de données (en partenariat avec InterSystems Caché ) Serveur Windows à partir de la version 2003 x 64 Serveur Windows à partir de la version
Plus en détailCollabora'on IRISA/INRA sur le transfert de nitrates et l améliora'on de la qualité des eaux des bassins versants:
Collabora'on IRISA/INRA sur le transfert de nitrates et l améliora'on de la qualité des eaux des bassins versants: Tassadit BOUADI 22 Juin 2010, Saint Jacut 1 Plan Introduc
Plus en détailLe modèle de données
Le modèle de données Introduction : Une fois que l étude des besoins est complétée, deux points importants sont à retenir : Les données du système étudié Les traitements effectués par le système documentaire.
Plus en détailFreeAnalysis. Schema Designer. Cubes
FreeAnalysis Schema Designer Cubes Charles Martin et Patrick Beaucamp BPM Conseil Contact : charles.martin@bpm-conseil.com, patrick.beaucamp@bpm-conseil.com Janvier 2013 Document : BPM_Vanilla_FreeAnalysisSchemaDesigner_v4.2_FR.odt
Plus en détailÉvolution de schémas dans les entrepôts de données mise à jour de hiérarchies de dimension pour la personnalisation des analyses
Évolution de schémas dans les entrepôts de données mise à jour de hiérarchies de dimension pour la personnalisation des analyses Thèse présentée par Cécile FAVRE pour obtenir le titre de Docteur en Informatique
Plus en détail27 janvier 2011. Issam El Hachimi Ludovic Schmieder
27 janvier 2011 Issam El Hachimi Ludovic Schmieder Le Business Intelligence Les ETL PDI Talend Démo : 2 exemples Constat et comparatif Conclusion 2 «Il faut connaitre le client pour connaitre ses besoins»
Plus en détailBases de Données. Plan
Université Mohammed V- Agdal Ecole Mohammadia d'ingénieurs Rabat Bases de Données Mr N.EL FADDOULI 2014-2015 Plan Généralités: Définition de Bases de Données Le modèle relationnel Algèbre relationnelle
Plus en détailHARMONISEZ VOTRE. Insidjam ERP
HARMONISEZ VOTRE ENTREPRISE AVEC... Insidjam ERP Améliorez la performance de votre entreprise avec ERP Personnalisée et Supportée par IT Solutions, cette version Algérienne d'openerp, qui est le logiciel
Plus en détailIntroduction à lʼinformatique. Décisionnelle (ID) / Business. Intelligence» (1)
Introduction à lʼinformatique Décisionnelle et la «Business Intelligence» (1) Bernard ESPINASSE Professeur à Aix-Marseille Université (AMU) Ecole Polytechnique Universitaire de Marseille Septembre 2013
Plus en détailGroupe d usagers SharePoint Québec
Groupe d usagers SharePoint Québec Rencontre du groupe d usagers Chapitre Québec SEPTEMBRE 2009 Informatique Décisionnelle 101 Informatique Décisionnelle 101 Définition Les moyens, outils et méthodes qui
Plus en détailperceptivesoftware Perceptive Content from Lexmark
Perceptive Content Dossiers et archives de gestion Gestion de documents Signature électronique Composition en document Si l information est le sang de votre entreprise, alors Perceptive Content en est
Plus en détailModélisation Multidimensionnelle des Tableaux de Bord Prospectifs
Modélisation Multidimensionnelle des Tableaux de Bord Prospectifs Zaia Alimazighi (*), Nazih Selmoune (*) (Alimazighi, Selmoune)@wissal.dz (*) Laboratoire des systèmes informatiques (LSI), Faculté d Electronique
Plus en détailAccélérateur de votre RÉUSSITE
Accélérateur de votre RÉUSSITE SAP Business Objects est une suite décisionnelle unifiée et complète qui connecte ses utilisateurs en éliminant les difficultés d accès à l information. Mobile Devices Browsers
Plus en détailObjectif. 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 détailMYXTRACTION. 2009 La Business Intelligence en temps réel
MYXTRACTION 2009 La Business Intelligence en temps réel Administration Qui sommes nous? Administration et management des profils Connecteurs Base des données Gestion des variables et catégories de variables
Plus en détailBases de Données Avancées
1/62 Bases de Données Avancées Introduction & Rappel Conception et Modélisation Thierry Hamon Bureau H202 - Institut Galilée Tél. : 33 1.48.38.35.53 Bureau 150 LIM&BIO EA 3969 Université Paris 13 - UFR
Plus en détailI. Instalation de l environnement JDK et JRE :... 4. II. Configuration outil Reporting : Pentaho... 4
Contenu I. Instalation de l environnement JDK et JRE :... 4 II. Configuration outil Reporting : Pentaho... 4 II.1 Configuration matérielle et logicielle... 4 II.2 Téléchargement et installation de la Suite
Plus en détailSGBD et aide à la décision, Aide à la décision
SGBD et aide à la décision, Aide à la décision Les systèmes décisionnels occupent aujourd'hui une place à part entière dans l'informatique d'entreprise. Ils s'appliquent à la performance dans tous les
Plus en détailBusiness Intelligence
avec Excel, Power BI et Office 365 Téléchargement www.editions-eni.fr.fr Jean-Pierre GIRARDOT Table des matières 1 Avant-propos A. À qui s adresse ce livre?..................................................
Plus en détailBD51 BUSINESS INTELLIGENCE & DATA WAREHOUSE
BD51 BUSINESS INTELLIGENCE & DATA WAREHOUSE Document de synthèse de projet Développement d un système décisionnel pour la gestion des ventes par magasin pour la base de données EMODE. VINCENT Jérémy Roussel
Plus en détailIBM System i. DB2 Web Query for System i : le successeur de Query/400? Oui, mais bien plus!!!
DB2 Web Query for System i : le successeur de Query/400? Oui, mais bien plus!!! Stéphane MICHAUX Philippe BOURGEOIS Christian GRIERE stephane_michaux@ibi.com pbourgeois@fr.ibm.com cgriere@fr.ibm.com Les
Plus en détailCHAPITRE 1. Introduction aux bases de données
CHAPITRE 1 Contenu du chapitre 1 Pourquoi utiliser une bases de? Définitions et objectifs d'un SGBD Niveaux d'abstraction des Méthodes de modélisation d une BD Modèles de structuration des Structure globale
Plus en détailApplication web de gestion de comptes en banques
Application web de gestion de comptes en banques Objectif Réaliser une application Web permettant à un client de gérer ses comptes en banque Diagramme de cas d'utilisation 1 Les cas d'utilisation Connexion
Plus en détailBusiness Intelligence avec Excel, Power BI et Office 365
Avant-propos A. À qui s adresse ce livre? 9 1. Pourquoi à chaque manager? 9 2. Pourquoi à tout informaticien impliqué dans des projets «BI» 9 B. Obtention des données sources 10 C. Objectif du livre 10
Plus en détailCATALOGUE 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 détailAtelier 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 détail1. LA GESTION DES BASES DE DONNEES RELATIONNELLES
Dossier G11 - Interroger une base de données La base de données Facturation contient tout un ensemble d'informations concernant la facturation de la SAFPB (société anonyme de fabrication de produits de
Plus en détailImplémentation des SGBD
Implémentation des SGBD Structure générale des applications Application utilisateur accédant à des données d'une base Les programmes sous-jacents contiennent du code SQL Exécution : pendant l'exécution
Plus en détailSystèmes d information décisionnels (SIAD) Extraction de connaissances (KDD) Business Intelligence (BI)
Systèmes d information décisionnels (SIAD) Extraction de connaissances (KDD) Business Intelligence (BI) Imade BENELALLAM Imade.benelallam@ieee.org AU: 2012/2013 Imade Benelallam : imade.benelallam@ieee.org
Plus en détailDidier MOUNIEN Samantha MOINEAUX
Didier MOUNIEN Samantha MOINEAUX 08/01/2008 1 Généralisation des ERP ERP génère une importante masse de données Comment mesurer l impact réel d une décision? Comment choisir entre plusieurs décisions?
Plus en détailEntrepôt de données et l Analyse en ligne. Maguelonne Teisseire Hugo Alatrista Salas hugo.alatrista- salas@teledetec9on.fr Flavien Bouillot
Entrepôt de données et l Analyse en ligne Maguelonne Teisseire Hugo Alatrista Salas hugo.alatrista- salas@teledetec9on.fr Flavien Bouillot Déroulement du cours 17 janvier : cours et TD 20 janvier : cours?
Plus en détailTable des matières. Avant-propos
Table des matières Avant-propos v Table des matières xi 1 Introduction aux systèmes de gestion de bases de données 1 1.1 Donnée et type de données 2 1.2 Donnée et information 2 1.3 Donnée simple et complexe
Plus en détailMise en place d'un data mart concernant la paie du personnel de l'etat MEMOIRE DE FIN D'ETUDE. présenté et soutenu publiquement pour l'obtention du
MINISTERE DES ENSEIGNEMENTS SECONDAIRE, SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE UNIVERSITE POLYTECHNIQUE DE BOBO-DIOULASSO ECOLE SUPERIEURE D'INFORMATIQUE 01 BP 1091, TéL(226) 97 27 64 BOBO-DIOULASSO
Plus en détailSQL Server 2012 et SQL Server 2014
SQL Server 2012 et SQL Server 2014 Principales fonctions SQL Server 2012 est le système de gestion de base de données de Microsoft. Il intègre un moteur relationnel, un outil d extraction et de transformation
Plus en détailArchitecture N-Tier. Ces données peuvent être saisies interactivement via l interface ou lues depuis un disque. Application
Architecture Multi-Tier Traditionnellement une application informatique est un programme exécutable sur une machine qui représente la logique de traitement des données manipulées par l application. Ces
Plus en détailet les Systèmes Multidimensionnels
Le Data Warehouse et les Systèmes Multidimensionnels 1 1. Définition d un Data warehouse (DW) Le Data warehouse (entrepôt de données) est une collection de données orientées sujet, intégrées, non volatiles
Plus en détailC-CUBE: Un nouvel opérateur d agrégation pour les entrepôts de données en colonnes
C-CUBE: Un nouvel opérateur d agrégation pour les entrepôts de données en colonnes Khaled Dehdouh Fadila Bentayeb Nadia Kabachi Omar Boussaid Laboratoire ERIC, Université de Lyon 2 5 avenue Pierre Mendes-France,
Plus en détailLes PGI. A l origine, un progiciel était un logiciel adapté aux besoins d un client.
Les PGI Les Progiciels de Gestion Intégrés sont devenus en quelques années une des pierres angulaire du SI de l organisation. Le Système d Information (SI) est composé de 3 domaines : - Organisationnel
Plus en détail