Introduc;on à l intelligence d affaires et aux entrepôts de données

Dimension: px
Commencer à balayer dès la page:

Download "Introduc;on à l intelligence d affaires et aux entrepôts de données"

Transcription

1 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, C. Desrosiers 1

2 QuesFons Quelles sont vos expériences avec l intelligence d affaires? Quelle est selon vous la définifon de ce concept? Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 2

3 Avant de commencer 1. Quel est le lien entre les couches et la bière? 2. Pourquoi les services de Google (Gmail, Calendar, Groups) sont- ils gratuits? Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 3

4 Le lien entre les couches et la bière ObservaFons: Les ventes de bières sont parfculièrement importantes les vendredis en début de soirée; Les clients qui achètent de la bière durant ce[e période ont tendance à acheter également des couches! MarkeFng: En plaçant ces deux produits près l un de l autre, les épiceries augmentent leurs ventes et leurs profits (stratégie de vente croisée). Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 4

5 Le principe Google: Toute informafon a un prix; Google uflise ses services pour acquérir gratuitement de l informafon sur ses usagers: Analyse syntaxique des courriels (Gmail); Profil et liste des contacts (Google Groups); Emploi du temps (Google Calendar); etc. Ce[e informafon est uflisée pour envoyer de la publicité ciblée aux usagers. Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 5

6 ExploitaFon de l informafon «Les entreprises qui gèrent leurs données comme une ressource stratégique et inves<ssent dans la qualité de celles- ci sont en avance sur leurs compé<teurs, au niveau de la réputa<on et de profitabilité» Sondage PricewaterhouseCoopers Global Data Management (2001) Métro / Loblaws / Super C: Entreprises qui vendent de la nourriture OU; Entreprises qui exploitent des connaissances sur: Les préférences des clients; Les biais géographiques; La chaîne logisfque; Le cycle de vie des produits; Les informafons sur les ventes des compéfteurs. Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 6

7 QuesFon En quoi l informafon diffère- t- elle des ressources matérielles et humaines? Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 7

8 CaractérisFques de l informafon [1/2] Temporelle: La valeur diminue avec le temps; Ex: acfons en bourse, achats des clients, etc. Partageable: Peut être copiée et distribuée facilement; Ex: réseaux sociaux, le Web, les médias, etc. Valeur augmente avec l usage: Ne se dégrade pas comme d autres ressources (ex: une voiture); Ex: algorithme PageRank de Google. Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 8

9 CaractérisFques de l informafon [2/2] Valeur augmente avec la qualité: Une informafon erronée ou imprécise peut nuire; Ex: opérafons militaires. Valeur augmente avec la fusion: Une informafon peut avoir de la valeur que si elle est combinée avec d autres informafons; Ex: ventes + inventaire = planificafon. Valeur mesurable: Historique: combien a couté l acquisifon de ce[e informafon? Marché: combien une personne serait- elle prête à payer pour obtenir ce[e informafon; U5lité: quelle valeur peut- on espérer obtenir de ce[e informafon? Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 9

10 QuesFon Est- ce que stocker beaucoup de données est suffisant pour aider la prise de décision d une entreprise? Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 10

11 Données vs informafons vs connaissances Données: CollecFon d éléments de valeur brute ou de faits servant à calculer, raisonner et mesurer; Peuvent être collectées, stockées ou traitées; Ne possèdent pas de contexte ni de sens. InformaFons: Proviennent de l organisafon des données, me[ant en valeur les relafons entre les différents éléments de ces données; Fournissent un contexte et un sens aux données. Connaissances: Viennent de la compréhension de l informafon dans son contexte; Sont ufles au processus de décision. Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 11

12 De données à stratégies Pyramide d abstracfon: Niveau d abstracfon Connaissances et intelligence InformaFons Données Intelligence d affaires: Ensemble de processus, de technologies et d oufls servant à transformer: Les données en informafons; Les informafons en connaissances; Les connaissances en stratégies menant à des acfons profitables à l entreprise. Taille des données Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 12

13 QuesFons Comment le marché d aujourd hui diffère- t- il d il y a 10, 20 ou 30 ans? Pourquoi avons- nous besoin de l intelligence d affaires? Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 13

14 Taux d échec de projets: Échecs dans les projets Catégorie Film (Hollywood) AcquisiFon / fusion TI Produit alimentaire Produit pharmaceufque Taux approx. 60 % 60 % 70 % 80 % 90 % Source: Slywotzky et Weber (2007). The Upside: The 7 Strategies for Turning Big Threats into Growth Breakthroughs Causes fréquentes d échecs: Considérer trop peu de scénarios / scénarios peu réalistes; Être incapable d anfciper les acfons d un compéfteur; Ignorer les changements économiques ou sociaux; Prévoir incorrectement la demande. Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 14

15 L environnement d affaires L environnement d affaires est en constante évolufon et devient de plus en plus complexe; Les entreprises sont sous pression: elles doivent répondre rapidement aux changements et innover dans leurs manières d opérer; La prise de décisions stratégiques et opérafonnelles complexes requiert une quanfté considérable de données et de connaissances; Les données nécessaires à la prise de décision proviennent de sources diverses et hétérogènes; L informafon de ces données doit être traitée très rapidement. Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 15

16 Intelligence d affaires Business intelligence (BI): Un ensemble de concepts, de méthodologies et d applicafons pour rassembler, stocker, analyser, et perme[re d accéder des données, dans le but d aider les uflisateurs d entreprises dans leur processus de décision. Inclut: L entreposage de données; Les requêtes et le reporfng; L analyse mulfdimensionnelle (OLAP); L analyse stafsfque; La prédicfon (forecas<ng); Le forage de données (data mining). Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 16

17 Pourquoi l intelligence d affaires? Profitabilité accrue de l entreprise; DiminuFon des coûts; Meilleure gesfon des relafons avec le client (CRM); DiminuFon des risques; etc. Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 17

18 QuesFon Qu est- ce qu un entreprôt de données et en quoi ce[e technologie diffère- t- elle des bases de données transacfonnelles? Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 18

19 OLTP vs OLAP [1/3] OnLine TransacFon Processing (OLTP): Caractérisé par un grand nombre de courtes transacfons faites en- ligne (ex: INSERT, UPDATE, DELETE); Met l emphase sur le traitement rapide de requêtes simples, et sur l intégrité des données dans un environnement concurrenfel (c.- à- d. plusieurs requêtes simultanées). OnLine AnalyFcal Processing (OLAP): Met l emphase sur le traitement rapide de requêtes complexes (mulfples tables, agrégafon de données, etc.) ayant pour objecff d assister dans la prise de décision. Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 19

20 OLTP vs OLAP [2/3] Critère OLTP OLAP But Types de données Contrôler et exécuter les tâches quofdiennes et fondamentales de l entreprise Données opérafonnelles (transacfons) Assister dans la planificafon, la résolufon de problème et la prise de décision Données historiques consolidées Sources de données BD transacfonnelles Entrepôts de données ou magasins de données Ce que montre les données InserFons et mises- à- jour Requêtes Portrait instantané des processus d affaires de l entreprise Courtes requêtes d inserfon et de mise- à- jour lancées par les usagers finaux Simples requêtes retournant quelques enregistrements (lignes) de la BD Vue mulfdimensionnelle de plusieurs acfvités d affaires de l entreprise Longs traitements en lot servant à rafraichir les données Requêtes complexes impliquant souvent plusieurs tables et faisant l agrégafon de valeurs Temps de réponses Instantané Quelques secondes à 1 minute max. Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 20

21 OLTP vs OLAP [3/3] Critère OLTP OLAP Espace requis ModélisaFon de la BD Sauvegarde et récupérafon RelaFvement peft si les données historiques sont archivées Un grand nombre de tables hautement normalisées Fait de façon régulière, crifque pour l entreprise Grand due aux données historiques et aux données d agrégafon Moins de tables, tables typiquement dénormalisées, schémas en étoile ou flocon Fait de façon irrégulière, peut récupérer des données OLTP ReporFng RouFnier et très ciblé Ad hoc, mulfdimensionnel, à plus large portée Ressources requises Simple DBMS relafonnel DBMS spécialisé mulf- processeurs et à grande capacité Nombre d uflisateurs simultanés Grand PeFt Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 21

22 Quelques définifons Entreposage de données (data warehousing): «La copie périodique et coordonnée de données provenant de diverses sources, internes et externes à l entreprise, dans un environnement opfmisé pour l analyse» Les entrepôts de données (data warehouse): Centralisent les données de l entreprise; Sont contenus dans un environnement bien géré; Possèdent un processus cohérent et répétable pour charger les données provenant des applicafons de l entreprise; Reposent sur une architecture ouverte et extensible pouvant accommoder la croissance des données; Fournissent des oufls perme[ant aux usagers de transformer les données en informafon ufle à la prise de décision. Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 22

23 Historique des entrepôts de données GIS, réseaux sociaux, Web sémanfque, etc. Oracle, IBM, Microso, SAP, etc. Naissance de l entreposage de données; Dispersion des données causée par les PC; Première solufon Teradata (RDBMS). ProducFon de rapports automafsés sur micro- ordinateurs (pas d intégrafon). Ralph Kimball Bill Inmon Mesures de la performance d une entreprise et de l impact d une stratégie de markefng. Arthur Nielsen Naissance de la recherche en markefng. Charles Coolidge Parlin Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 23

24 CaractérisFques des entrepôts de données Orientés sujet: Les données sont organisées par sujet (ex: clients, produits, ventes, etc.). Intégrés: Les données, qui proviennent de diverses sources hétérogènes, sont consolidées et intégrées dans l entrepôt. Historiques: Les données ont très souvent une composante temporelle (ex: date et heure d une transacfon). Non- volafles: Une fois insérées dans l entrepôt, les données ne sont jamais modifiées ou effacées; elle sont conservées pour des analyses futures. Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 24

25 QuesFon Quels sont les avantages d ufliser les entrepôts de données? Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 25

26 Bénéfices des entrepôts de données Directs: Perme[ent de mener des analyses poussées sur différents sujets d affaires; Fournissent une vue consolidée des données de l entreprise (une seule vérité); Procurent de l informafon de qualité, plus rapidement; Libèrent les ressources (ex: serveurs) dédiées au traitement des transacfons des tâches d analyse; Simplifient l accès aux données. Indirects: Améliorent le savoir de l entreprise; Procurent un avantage concurrenfel à l entreprise; Améliorent la safsfacfon des clients; etc. Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 26

27 Bénéfices sociaux des entrepôts de données Meilleure communicafon/coopérafon entre les différents intervenants d une entreprise: Normalement très peu d affinités entre les intervenants du domaine des TI et ceux du domaine des affaires; Un projet d entreposage de données rapproche ces deux groupes en leur donnant un objecff commun. Meilleure communicafon/coopérafon entre les différentes branches d une entreprise: Permet d intégrer et de consolider les données des différentes branches; Fournit une plateforme et des oufls d analyse communs. Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 27

28 Architecture d un entrepôt de données Sources de données Op;on sans datamart ERP / CRM Legacy POS OLT / Web Processus ETL Sélec;on Extrac;on Transforma;on Intégra;on Méta- données Entrepôt de données Copie Accès Datamart (marke;ng) Datamart (finances) Datamart (clients) API / Intergiciels Applica;ons (visualisa;ons) Rapports de rou;ne Forage de données / textes OLAP, tableaux de bord Externes Chargement Datamart (ventes) Autres Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 28

29 Sources de données Enterprise resource planning (ERP): Gèrent les processus opérafonnels d'une entreprise (ex: ressources humaines, finances, distribufon, approvisionnement, etc.). Customer rela<onship management (CRM): Gèrent les interacfons d une entreprise avec ses clients (ex: markefng, ventes, après- vente, assistance technique, etc.). Systèmes legacy: Matériels et logiciels obsolètes mais difficilement remplaçables. Point of sale (POS): Matériels et logiciels uflisés dans les caisses de sorfes d un magasin. Externes: Ex: données concurrenfelles achetées, données démographiques. Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 29

30 QuesFons À quoi correspond le processus ETL? Pourquoi ce processus est- il essenfel à l entreposage de données? Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 30

31 IntégraFon des données Processus Extract, Tranform, Load (ETL): 1. Extraire les données des sources hétérogènes: IdenFfier les sources ufles; Comprendre les schémas. 2. Consolider les données: Données redondantes / manquantes; Différents noms / types; Incohérences. 3. Charger les données intégrées dans l entrepôt: Mode différé (batch); Quasi temps- réel. Représente la parfe la plus complexe de l entreposage. Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 31

32 Les oufls d analyse de données Rapports et requêtes simples «Dis moi ce qui s est passé». Analyse d affaires «Dis moi ce qui s est passé et pourquoi». Tableaux de bord et scorecards «Donne moi l informa<on mais ne me fait pas travailler pour obtenir les réponses». Forage de données «Dis moi quelque chose de nouveau et d intéressant sans que j aille à le demander». Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 32

33 Exemples de tableau de bord [1/2] Données du système des finances Données de systèmes ERP Données d autres systèmes Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 33

34 Exemples de tableau de bord [2/2] Intégration avec MS Office Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 34

35 Cas d étude: Police de Richmond [1/4] Objectif: Réduire le crime en anticipant les activités criminelles. Données: Données actuelles et historiques d appels au 911; Informations relatives aux événements de la ville et des régions limitrophes; Conditions météorologiques; etc. Méthode: Analyser les interactions entre les données actuelles et historiques. Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 35

36 Cas d étude: Police de Richmond [2/4] Composantes technologiques: Technologie Webfocus (Informa;on Builders) SPSS (IBM) ESRI Composante IntégraFon des données Analyse prédicfve Correspondance dynamique des informafons géographiques OuFl de visualisafon: ReprésentaFon des indicateurs sur la carte graphique de la ville. Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 36

37 Cas d étude: Police de Richmond [3/4] Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 37

38 Cas d étude: Police de Richmond [4/4] Résultats: AffectaFon opfmale des ressources policières; Meilleure anfcipafon des acfvités criminelles; Le crime a été réduit de 49 %; Moins d appels au 911. Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 38

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

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

Architecture des entrepôts de données

Architecture 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 détail

BI = Business Intelligence Master Data-ScienceCours 2 - ETL

BI = Business Intelligence Master Data-ScienceCours 2 - ETL BI = Business Intelligence Master Data-Science Cours 2 - ETL UPMC 1 er février 2015 Rappel L Informatique Décisionnelle (ID), en anglais Business Intelligence (BI), est l informatique à l usage des décideurs

Plus en détail

Le cycle de vie d'un projet en intelligence d'affaires

Le cycle de vie d'un projet en intelligence d'affaires MTI820 Entrepôts de données et intelligence d affaires Le cycle de vie d'un projet en intelligence d'affaires Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaHi, C. Desrosiers 1 QuesKons

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

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

Introduction aux S.G.B.D.

Introduction aux S.G.B.D. NFE113 Administration et configuration des bases de données - 2010 Introduction aux S.G.B.D. Eric Boniface Sommaire L origine La gestion de fichiers Les S.G.B.D. : définition, principes et architecture

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

MTI820 Entrepôts de données et intelligence d affaires. Intégra*on des données et ETL

MTI820 Entrepôts de données et intelligence d affaires. Intégra*on des données et ETL MTI820 Entrepôts de données et intelligence d affaires Intégra*on des données et ETL Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaEi, C. Desrosiers 1 Le cycle de vie d un projet en BI

Plus en détail

2015-03- 09. Le cycle de vie d un projet en BI. Ques1on. Diagramme de flux de travail: Pourquoi est- il nécessaire de faire l intégra1on des données?

2015-03- 09. Le cycle de vie d un projet en BI. Ques1on. Diagramme de flux de travail: Pourquoi est- il nécessaire de faire l intégra1on des données? MTI820 Entrepôts de données et intelligence d affaires Intégra1on des données et ETL Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaIi, C. Desrosiers 1 Le cycle de vie d un projet en BI

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

Restitution. Antoine Lapostolle Ingénieur Avant-Vente Microsoft France

Restitution. Antoine Lapostolle Ingénieur Avant-Vente Microsoft France Restitution Antoine Lapostolle Ingénieur Avant-Vente Microsoft France Fgi was here Restitution: les problématiques Stocker ne suffit, il faut permettre de comprendre et d analyser ces données. Avec des

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

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

Département Génie Informatique

Département 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 détail

Les entrepôts de données et l analyse de données

Les 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 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

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

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

La problématique. La philosophie ' ) * )

La 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 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

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

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

ORACLE DATA INTEGRATOR ENTERPRISE EDITION - ODI EE

ORACLE DATA INTEGRATOR ENTERPRISE EDITION - ODI EE ORACLE DATA INTEGRATOR ENTERPRISE EDITION - ODI EE ORACLE DATA INTEGRATOR ENTERPRISE EDITION offre de nombreux avantages : performances de pointe, productivité et souplesse accrues pour un coût total de

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

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

BI = Business Intelligence Master Data-ScienceCours 4 - OLAP

BI = Business Intelligence Master Data-ScienceCours 4 - OLAP BI = Business Intelligence Master Data-Science Cours 4 - OLAP UPMC 15 février 2015 Plan Vision générale ETL Datawarehouse OLAP Reporting Data Mining Entrepôt de données Les entrepôts de données (data warehouse)

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

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

Travail de diplôme 2011 Business Intelligence Open Source SpagoBI/Talend Résumé

Travail 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 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

EPITA. Bases de données 2 ème par4e AppIng2-2015 Session 2014. Alexandra Champavert. Copyright 2010-2014 Alexandra Champavert - 1 -

EPITA. Bases de données 2 ème par4e AppIng2-2015 Session 2014. Alexandra Champavert. Copyright 2010-2014 Alexandra Champavert - 1 - EPITA Bases de données 2 ème par4e AppIng2-2015 Session 2014 Alexandra Champavert - 1 - Contenu du cours Le datawarehouse Principes de modélisa=on (flocon, étoile) Les ETL Les fonc=onnalités propres à

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

Conclusion. Rôle du géodécisionnel dans une organisation gouvernementale Contexte organisationnel à Infrastructure Canada Le projet Les résultats

Conclusion. Rôle du géodécisionnel dans une organisation gouvernementale Contexte organisationnel à Infrastructure Canada Le projet Les résultats Le marché des logiciels géodécisionnels et exemple d application avec Oracle BIEE 11g Géomatique 2011, Montréal Sonia Rivest, Analyste en géodécisionnel géodécisionnel,, Intelli3 Denis Beaulieu, Gestionnaire,

Plus en détail

Projet CASI: Master Data Management

Projet CASI: Master Data Management Projet CASI: Master Data Management Mardi 17 janvier 2011 Laetitia Ader ya - Ali Lazaar-Youssef Hafi-Chun Jin Projet CASI: Master Data Management 1 / 22 1 2 3 4 5 6 Laetitia Ader ya - Ali Lazaar-Youssef

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

Datawarehouse and OLAP

Datawarehouse and OLAP Datawarehouse and OLAP Datawarehousing Syllabus, materials, notes, etc. See http://www.info.univ-tours.fr/ marcel/dw.html today architecture ETL refreshing warehousing projects architecture architecture

Plus en détail

Présentation de l offre produit de Business Objects XI

Présentation de l offre produit de Business Objects XI Conseil National des Assurances Séminaire - Atelier L information au service de tous Le 09 Novembre 2005 Présentation de l offre produit de XI Amar AMROUCHE Consultant Avant Vente aamrouche@aacom-algerie.com

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

La Business Intelligence 01/05/2012. Les Nouvelles Technologies

La Business Intelligence 01/05/2012. Les Nouvelles Technologies 2 La Business Intelligence Les Nouvelles Technologies 3 Une expertise méthodologique pour une intervention optimale sur tous les niveaux du cycle de vie d un projet 4 5 Ils nous font confiance : L ambition

Plus en détail

BASES DE DONNEES AVANCEES

BASES DE DONNEES AVANCEES 1.Introduction J.Korczak 1 BASES DE DONNEES AVANCEES Jerzy KORCZAK, Mohammed ATTIK email: {jjk,attik}@lsiit.u-strasbg.fr BDA Objectifs : Ce cours présente des méthodes, modèles et outils d'aide au développement

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

Système d Information

Système d Information 1 sur 9 Brandicourt sylvain formateur Unix,apache,Algorithme,C,Html,Css,Php,Gestion de projet,méthode Agile... sylvainbrandicourt@gmail.com Système d Information Architecture Technique Architecture Logiciel

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

Ici, le titre de la. Tableaux de bords de conférence

Ici, le titre de la. Tableaux de bords de conférence Ici, le titre de la Tableaux de bords de conférence pilotage d entreprise, indicateurs de performance reporting et BI quels outils seront incontournables à l horizon 2010? Les intervenants Editeur/Intégrateur

Plus en détail

Didier MOUNIEN Samantha MOINEAUX

Didier 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 détail

Bases de Données OLAP

Bases de Données OLAP Bases de Données OLAP Hiver 2013/2014 Melanie Herschel melanie.herschel@lri.fr Université Paris Sud, LRI Chapitre 1 Introduction Détails administratifs Entrepôts de Données Perspective sur le semestre

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

Intégration de systèmes client - serveur Des approches client-serveur à l urbanisation Quelques transparents introductifs

Intégration de systèmes client - serveur Des approches client-serveur à l urbanisation Quelques transparents introductifs Intégration de systèmes client - serveur Des approches client-serveur à l urbanisation Quelques transparents introductifs Jean-Pierre Meinadier Professeur du CNAM, meinadier@cnam.fr Révolution CS : l utilisateur

Plus en détail

BI = Business Intelligence Master Data-Science

BI = Business Intelligence Master Data-Science BI = Business Intelligence Master Data-Science UPMC 25 janvier 2015 Organisation Horaire Cours : Lundi de 13h30 à 15h30 TP : Vendredi de 13h30 à 17h45 Intervenants : Divers industriels (en cours de construction)

Plus en détail

Introduction à l Informatique Décisionnelle - Business Intelligence (7)

Introduction 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 détail

CONNECTEUR QLIKVIEW POUR INFORMATICA POWERCENTER

CONNECTEUR QLIKVIEW POUR INFORMATICA POWERCENTER CONNECTEUR QLIKVIEW POUR INFORMATICA POWERCENTER Tirer pleinement profit de l ETL d Informatica à l aide d une plate-forme de Business Discovery rapide et flexible De plus en plus d entreprises exploitent

Plus en détail

Entrepôt 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 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 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

Introduction à ORACLE WAREHOUSE BUILDER Cédric du Mouza

Introduction à ORACLE WAREHOUSE BUILDER Cédric du Mouza Introduction à ORACLE WAREHOUSE BUILDER Cédric du Mouza Avant de commencer à travailler avec le produit, il est nécessaire de comprendre, à un haut niveau, les problèmes en réponse desquels l outil a été

Plus en détail

Livre Blanc. ETL Master Data Management Data Quality - Reporting. Comment mieux connaître et maîtriser son réseau de distribution indirect?

Livre Blanc. ETL Master Data Management Data Quality - Reporting. Comment mieux connaître et maîtriser son réseau de distribution indirect? Livre Blanc ETL Master Data Management Data Quality - Reporting Comment mieux connaître et maîtriser son réseau de distribution indirect? Sommaire I. Les 3 principaux canaux de distribution... 3 II. Les

Plus en détail

DOSSIER SOLUTION CA ERwin Modeling. Comment gérer la complexité des données et améliorer l agilité métier?

DOSSIER SOLUTION CA ERwin Modeling. Comment gérer la complexité des données et améliorer l agilité métier? DOSSIER SOLUTION CA ERwin Modeling Comment gérer la complexité des données et améliorer l agilité métier? CA ERwin Modeling fournit une vue centralisée des définitions de données clés afin de mieux comprendre

Plus en détail

27 janvier 2011. Issam El Hachimi Ludovic Schmieder

27 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 détail

Plan de cours. À la fin de ce cours, l étudiant doit atteindre les objectifs généraux suivants :

Plan de cours. À la fin de ce cours, l étudiant doit atteindre les objectifs généraux suivants : École de technologie supérieure Département de génie logiciel et des TI Maîtrise en génie, concentration technologie d information Trimestre : Hiver 2012 Professeur : Christian Desrosiers Responsables

Plus en détail

IBM Content Analytics Libérer l Information

IBM Content Analytics Libérer l Information IBM Content Analytics Libérer l Information Patrick HOFLEITNER patrick_hofleitner@fr.ibm.com Août 2011 TABLE DES MATIERES RESUME...3 INTRODUCTION...4 LA PROBLEMATIQUE...5 1 L EXPLOSION DU CONTENU NON-STRUCTURE...5

Plus en détail

X2BIRT : Mettez de l interactivité dans vos archives

X2BIRT : Mettez de l interactivité dans vos archives Présentation Produit Présentation Produit X2BIRT : Mettez de l interactivité dans vos archives L accès à l information est capital pour les affaires. X2BIRT, la dernière innovation d Actuate, prend le

Plus en détail

Programme scientifique Majeure ARCHITECTURE DES SYSTEMES D INFORMATION. Mentions Ingénierie des Systèmes d Information Business Intelligence

Programme scientifique Majeure ARCHITECTURE DES SYSTEMES D INFORMATION. Mentions Ingénierie des Systèmes d Information Business Intelligence É C O L E D I N G É N I E U R D E S T E C H N O L O G I E S D E L I N F O R M A T I O N E T D E L A C O M M U N I C A T I O N Programme scientifique Majeure ARCHITECTURE DES SYSTEMES D INFORMATION Mentions

Plus en détail

Business Intelligence, Etat de l art et perspectives. ICAM JP Gouigoux 10/2012

Business Intelligence, Etat de l art et perspectives. ICAM JP Gouigoux 10/2012 Business Intelligence, Etat de l art et perspectives ICAM JP Gouigoux 10/2012 CONTEXTE DE LA BI Un peu d histoire Premières bases de données utilisées comme simple système de persistance du contenu des

Plus en détail

Bases de Données OLAP. Bienvenue. Chapitre 1 Introduction. Horaires et Site Web. Melanie Herschel. Hiver 2011/2012

Bases de Données OLAP. Bienvenue. Chapitre 1 Introduction. Horaires et Site Web. Melanie Herschel. Hiver 2011/2012 Bases de Données OLAP Hiver 2011/2012 Melanie Herschel melanie.herschel@lri.fr Université Paris Sud, Groupe Bases de Données, LRI Bienvenue Je suis... 2000-2003 2003-2007 D origine lorraine et bavaroise

Plus en détail

Business Intelligence Les 15 tendances clefs pour 2015

Business Intelligence Les 15 tendances clefs pour 2015 Business Intelligence Les 15 tendances clefs pour 2015 Philippe Nieuwbourg www.decideo.fr www.b-eye-network.com 17/11/2008 15 : Temps réel» Fantasme de l intelligence artificielle» Il faut réduire les

Plus en détail

MANAGEMENT DES SYSTEMES D INFORMATION

MANAGEMENT DES SYSTEMES D INFORMATION MANAGEMENT DES SYSTEMES D INFORMATION TROISIEME PARTIE LES PROGICIELS DE GESTION INTEGREE TABLE DES MATIERES Chapitre 1 : LA PLACE DES PGI... 3 Chapitre 2 : LE CYCLE DE VIE DES PGI... 6 Questions de cours...

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

Présenta;on du cours

Présenta;on du cours MTI820 Entrepôts de données et intelligence d affaires Présenta;on du cours Hiver 2015 C. Desrosiers Département de génie logiciel et des TI MTI820 Hiver 2013 C. Desrosiers 1 InformaBons de base Titre:

Plus en détail

Solu%on de Business Intelligence leader pour la ges%on de la performance d entreprise. myssii www.myssii.fr - 2012 Jedox AG, www.jedox.

Solu%on de Business Intelligence leader pour la ges%on de la performance d entreprise. myssii www.myssii.fr - 2012 Jedox AG, www.jedox. by Solu%on de Business Intelligence leader pour la ges%on de la performance d entreprise 2014 Jedox by myssii Pour toute entreprise, l informatique d aide à la décision est devenue une arme de compétitivité

Plus en détail

Information utiles. cinzia.digiusto@gmail.com. webpage : Google+ : http://www.ibisc.univ-evry.fr/ digiusto/

Information utiles. cinzia.digiusto@gmail.com. webpage : Google+ : http://www.ibisc.univ-evry.fr/ digiusto/ Systèmes de gestion de bases de données Introduction Université d Evry Val d Essonne, IBISC utiles email : cinzia.digiusto@gmail.com webpage : http://www.ibisc.univ-evry.fr/ digiusto/ Google+ : https://plus.google.com/u/0/b/103572780965897723237/

Plus en détail

GPC Computer Science

GPC Computer Science CYCLE ISMIN P2015 GPC Computer Science P LALEVÉE lalevee@emse.fr @p_lalevee A3.01 0442616715 C YUGMA yugma@emse.fr A3.01 0442616715 01/09/2014 Présentation GPC CS - Ph. Lalevée - C Yugma 1 Scolarité Site

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

Introduction. d'informations Les entrepôts de données (Datawarehouse) Les datamarts Architecture Modélisation

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

Plus en détail

Marketing comportemental. Guide méthodologique de mise en œuvre

Marketing comportemental. Guide méthodologique de mise en œuvre Marketing comportemental Guide méthodologique de mise en œuvre Sommaire Présentation...3 Les limites du marketing de masse ou du marketing «produit»...5 L idéal marketing : délivrer le bon message au bon

Plus en détail

Catherine Chochoy. Alain Maneville. I/T Specialist, IBM Information Management on System z, Software Group

Catherine Chochoy. Alain Maneville. I/T Specialist, IBM Information Management on System z, Software Group 1 Catherine Chochoy I/T Specialist, IBM Information Management on System z, Software Group Alain Maneville Executive I/T specialist, zchampion, IBM Systems and Technology Group 2 Le défi du Big Data (et

Plus en détail

Les outils logiciels IBM à l'appui d'un projet de remontée des informations en temps réel.

Les outils logiciels IBM à l'appui d'un projet de remontée des informations en temps réel. IBM Software Group Les outils logiciels IBM à l'appui d'un projet de remontée des informations en temps réel. Lydie Peter, IBM Software Group. 2004 IBM Corporation Le principe : Identifier et réagir Filtres

Plus en détail

La Business Intelligence pour les Institutions Financières. Jean-Michel JURBERT Resp Marketing Produit

La Business Intelligence pour les Institutions Financières. Jean-Michel JURBERT Resp Marketing Produit La Business Intelligence pour les Institutions Financières Jean-Michel JURBERT Resp Marketing Produit Agenda Enjeux des Projets Financiers Valeur de Business Objects Références Clients Slide 2 Des Projets

Plus en détail

Business Intelligence L avantage. géographique. Emanuele Gennai Global Affairs ESRI Nyon, Switzerland

Business Intelligence L avantage. géographique. Emanuele Gennai Global Affairs ESRI Nyon, Switzerland Business Intelligence L avantage géographique Emanuele Gennai Global Affairs ESRI Nyon, Switzerland Qu est ce que le SIG pour ESRI? Aider à mieux gérer g nos ressources Communiquer nos géographies Notre

Plus en détail

AXIAD Conseil pour décider en toute intelligence

AXIAD Conseil pour décider en toute intelligence AXIAD Conseil pour décider en toute intelligence Gestion de la Performance, Business Intelligence, Big Data Domaine d expertise «Business Intelligence» Un accompagnement adapté à votre métier dans toutes

Plus en détail

Vous avez une problématique, nous avons la solution.

Vous avez une problématique, nous avons la solution. Vous avez une problématique, nous avons la solution. SOMMAIRE Notre agence marketing...3 Etudes & analyses......4 Geomarketing......5 Webmarketing......6 Traitement des données...7 Décisionnel......8 Notre

Plus en détail

Je découvre Lina Maintenance

Je découvre Lina Maintenance Je découvre Lina Maintenance Une interface simple et ergonomique pour optimiser la maintenance de vos équipements 1 Sommaire Présentation 4 La plateforme Lina 5 Référentiel 6 Agenda et données personnelles

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

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

Les Entrepôts de Données. (Data Warehouses)

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 détail

avec nos solutions spécialisées pour la microfinance et ses institutions coopératives Séminaire STRATEGO Vigie STRATEGO Octobre 2013 à Lomé

avec nos solutions spécialisées pour la microfinance et ses institutions coopératives Séminaire STRATEGO Vigie STRATEGO Octobre 2013 à Lomé avec nos solutions spécialisées pour la microfinance et ses institutions coopératives Séminaire STRATEGO Vigie STRATEGO Octobre 2013 à Lomé Vigie Intelligence d Affaires (IA) 1. Qu est ce que l Intelligence

Plus en détail

SQL Server 2012 et SQL Server 2014

SQL 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 détail

Théories de la Business Intelligence

Théories 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 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

Introduction. Informatique décisionnelle et data mining. Data mining (fouille de données) Cours/TP partagés. Information du cours

Introduction. 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 détail

Thibault Denizet. Introduction à SSIS

Thibault Denizet. Introduction à SSIS Thibault Denizet Introduction à SSIS 2 SSIS - Introduction Sommaire 1 Introduction à SQL Server 2008 Integration services... 3 2 Rappel sur la Business Intelligence... 4 2.1 ETL (Extract, Transform, Load)...

Plus en détail

L offre décisionnel IBM. Patrick COOLS Spécialiste Business Intelligence

L offre décisionnel IBM. Patrick COOLS Spécialiste Business Intelligence L offre décisionnel IBM Patrick COOLS Spécialiste Business Intelligence Le marché du Business Intelligence L enjeux actuel des entreprises : devenir plus «agiles» Elargir les marchés tout en maintenant

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

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

Le terme «ERP» provient du nom de la méthode MRP (Manufacturing Ressource Planning) utilisée dans les années 70 pour la gestion et la planification

Le terme «ERP» provient du nom de la méthode MRP (Manufacturing Ressource Planning) utilisée dans les années 70 pour la gestion et la planification Séminaire national Alger 12 Mars 2008 «L Entreprise algérienne face au défi du numérique : État et perspectives» CRM et ERP Impact(s) sur l entreprise en tant qu outils de gestion Historique des ERP Le

Plus en détail

L Information en Temp Réel

L Information en Temp Réel L Information en Temp Réel Christophe Toulemonde Program Director Integration & Development Strategies christophe.toulemonde @metagroup.com Europe 2004 : Environnement économique Importance du pilotage

Plus en détail

Aperçu de l offre géospatiale du marché des solutions décisionnelles

Aperçu de l offre géospatiale du marché des solutions décisionnelles Aperçu de l offre géospatiale du marché des solutions décisionnelles Salon BI 2012, Montréal Marie-Josée Proulx, Analyste en géodécisionnel, 6 novembre 2012 Plan de la présentation Utilité du géospatial

Plus en détail

FICHE CONCEPT 01 ETL (EXTRACT TRANSFORM & LOAD)

FICHE CONCEPT 01 ETL (EXTRACT TRANSFORM & LOAD) FICHE CONCEPT 01 ETL (EXTRACT TRANSFORM & LOAD) BIEN GERER SES REFERENTIELS DE DONNEES : UN ENJEU POUR MIEUX PILOTER LA PERFORMANCE DE SON ETABLISSEMENT octobre 2008 GMSIH 44, Rue de Cambronne 75015 Paris.

Plus en détail

Action de formation: SQL Server Business Intelligence & Data Warehouse

Action de formation: SQL Server Business Intelligence & Data Warehouse Action de formation: SQL Server Business Intelligence & Data Warehouse Contenu : Integration Services Présentation de Management Studio - Présenter les différentes tâches de SSMS - Structure des serveurs

Plus en détail