Entrepôt de données et l Analyse en ligne. Maguelonne Teisseire Hugo Alatrista Salas hugo.alatrista- Flavien Bouillot

Dimension: px
Commencer à balayer dès la page:

Download "Entrepôt de données et l Analyse en ligne. Maguelonne Teisseire Hugo Alatrista Salas hugo.alatrista- salas@teledetec9on.fr Flavien Bouillot"

Transcription

1 Entrepôt de données et l Analyse en ligne Maguelonne Teisseire Hugo Alatrista Salas hugo.alatrista- Flavien Bouillot

2 Déroulement du cours 17 janvier : cours et TD 20 janvier : cours? et TP 20 janvier : CC noté ý Une par9e de l examen final portera sur ce cours 2

3 Plan de cours 1. Systèmes d informa9on décisionnelles 2. Entrepôt de données (Data Warehouse) 3. Analyse Mul9dimensionnelle 3

4 Systèmes d information décisionnelles 4

5 Contexte Pilotage Indicateurs Operations (Administratif + Métier) 5

6 Contexte Pilotage Décisionnel Indicateurs Operations (Administratif + Métier) Fonc9onnel 6

7 Problématique 1 Les entreprises possèdent de nombreuses sources de données poten9ellement exploitables 7

8 Problématique 2 Les sources de données sont disséminées sur diverses bases de données Ventes Stock RH 8

9 Problématique 3 Le besoin d analyse exprimé est transversal afin de perme`re la prise de décision stratégique Ventes Stock 9 RH

10 Problématique 4 Type de données : données opéra9onnelles (de produc9on) Bases de données, fichiers, 9ckets case, bulle9ns de paie,... Caractéris9ques des données : Distribuées : systèmes éparpillés Hétérogènes : systèmes et structures de données différents Détaillées : organisa9on de données selon les processus fonc9onnels et données trop abondantes pour l analyse Peu/pas adaptées à l analyse : des requêtes lourdes peuvent bloquer le système transac9onnel Vola9les : pas d historisa9on systéma9que 10

11 L idée centralisation 1 Ventes Stock RH 11

12 L idée centralisation 2 Ventes Stock RH Data Warehouse + OLAP 12

13 Du transactionnel au décisionnel Schème opérationnelle Schème du Data Warehouse Schème utilisateur Données opérationnelles Données consolidées Données derivées Système OLTP Data Warehouse Applications OLAP 13

14 Pour quoi pas utiliser OLTP? Données U9lisateurs OLTP Atomiques Orientée applica9on A jour Dynamiques Employés de bureau Nombreux Concurrents Mises à jour Requêtes prédéfinies Réponses immédiates Data Warehouse Résumées Orientée sujet Historiques Sta9ques Analystes Peu Non concurrents Interroga9ons Requetés spécifiques Réponses moins rapides Access à peu de données Access à beaucoup d informa9on 14

15 Métaphore du restaurant Prepara1on : the kitchen Quality, consistency, and integrity Raw materials Presenta1on : the dinning room Food, decor, service, cost The kitchen The dinning room h`p://www.kimballgroup.com/2004/01/01/data- warehouse- dining- experience/ 15

16 L entrepôt de données (Data Warehouse) 16

17 Les fondateurs Edgar Frank Codd Fondateur du modèle rela9onnelle (1970) Ecrit les douze lois du traitement analy9que en ligne (1993) Bill Inmon Formalisé du concept d entrepôt de données (1994) Proposé le modèle Top- down Ralph Kimball Des premiers travaux sur la informa9que décisionnelle 70 Proposé le modèle Bo`on- up 17

18 DéNinition (B. Inmon) «Un entrepôt de données est une collec9on de données orientées sujet, intégrées, non vola9les et historiées, organisées pour le support d un processus d aide à la décision» «Un entrepôt de données ne s achète pas, il se construit» 18

19 Les approches académiques R. Kimball B. Inmon Processus Bo`om- up Top- down Organisa9on Data marts Data Warehouse Schéma9sa9on Etoile Flocon 19

20 Approche Top- down (Inmon) Qui veut par9ciper? Nous!!! RH Stock Ventes 20

21 Schéma général Datamarts RH RH Stock ETL Stock Ventes Data Warehouse Ventes 21

22 Approche Down- top (Kimball) Veux- tu par9ciper? Veux- tu par9ciper? Oui RH Oui Stock 22

23 Schéma général RH Data marts RH ETL Bus Stock Stock Ventes Ventes Data Warehouse 23

24 Data Mart Un magasin de données (Data mart) est un sous- ensemble de l'entrepôt Il correspond à une classe de décideurs intéressés par le même thème Son volume réduit permet un accès plus rapide aux données Généralement le magasin est modélisé sous forme mul9dimensionnelle Les ou9ls ETL peuvent être u9lisés à ce niveau 24

25 Les phases 1. La concep9on (et la phase ETL) 2. La phase de structura9on 3. La phase OLAP 25

26 Conception Piloter quelle ac9vité de l entreprise Déterminer et recenser les données à u9liser Définir les aspects techniques de la réalisa9on Construire les modelés de données Me`re au point les démarches d alimenta9on (ETL) Définir les stratégies d administra9on Définir des espaces d analyse Définir le mode de res9tu9on 26

27 ETL Alimenta9on du Data Warehouse et extrac9on des Data marts Extract Accès aux différentes sources Selon des règles (déclencheurs) ou requêtes Périodique Transform Unifica9on des modèles (sources hétérogènes) Ges9on des inconsistances des données sources, élimina9on des doubles, etc. Load Chargement dans l'entrepôt ou dans les magasins Périodicité parfois longue 27

28 Ex. d intégration des données m, f h, f homme, femme Transforma9on homme, femme FRF USD EUR Transforma9on EUR char(10) dec(13,3) numeric(7) Transforma9on numeric(7) 28

29 La structuration 1 1. Extrac9on des données Besoin d ou9ls spécifiques pour : Accéder aux bases de produc9on (requêtes sur des BD hétérogènes) Améliorer la qualité des données : ne`oyer, filtrer, Transformer les données : intégrer, homogénéiser Dater systéma9quement les données 29

30 La structuration 2 2. Référen9el La métabase con9ent des métadonnées : des données sur les données de l entrepôt de données Quelles sont les données «entreposées», leur format, leur Significa9on, leur degré d exac9tude Les processus de récupéra9on/extrac9on dans les bases sources La date du dernier chargement de l entrepôt L historique des données sources et de celles de l entrepôt 30

31 La structuration 3 2. Les modèles (ils sont détaillées ensuite) Modèle en étoile Modèle en flocon Modèle en constella9on 31

32 Modèle en étoile Une table de faits : iden9fiants des tables de dimension ; une ou plusieurs mesures Plusieurs tables de dimension : descripteurs des dimensions Une granularité définie par les iden9fiants dans la table des faits Avantages : Facilité de naviga9on Performances : nombre de jointures limité ; ges9on des données creuses. Ges9on des agrégats Fiabilité des résultats Inconvénients : Toutes les dimensions ne concernent pas les mesures Redondances dans les dimensions Alimenta9on complexe 32

33 Schéma en étoile Dimension 1 Dimension 3 Table de faits Dimension 2 Dimension n 33

34 Exemple de schéma en étoile Commande numcomm detaille Faits numcomm codprod cledate quan9te prix Produit codprod detaille categorie Date cledate jour mois annee 34

35 Modèle en Nlocon Le modèle doit être simple à comprendre : on peut augmenter sa lisibilité en regroupant certaines dimensions On définit ainsi des hiérarchies : celles- ci peuvent être géographiques ou organisa9onnelles Mod. flocons de neige = Mod. étoile + normalisa5on des dimension Avantages : Réduc9on du volume Perme`re des analyse par pallier (drill down) sur la dimension hiérarchisée Inconvénients : Naviga9on difficile Nombreuses jointures 35

36 Schéma en Nlocon Table de faits 36

37 Exemple de schéma en Nlocon Commande numcomm detaille Faits numcomm codprod cledate quan9té prix Produit codprod detaille codcate Date cledate Jour clemois Mois Categorie codcate descrip9on clemois mois cleannee Annee cleannee annee 37

38 Modèle en constellation La modélisa9on en constella9on consiste à fusionner plusieurs modèles en étoile qui u9lisent des dimensions communes. Un modèle en constella9on comprend donc plusieurs tables de faits et des tables de dimensions communes ou non à ces tables de faits. 38

39 Concernant l hiérarchie Hiérarchie Simple Categorie Hiérarchie Mul1ple Annee Semaine Mois Produit Jour 39

40 L analyse multidimensionnelle 40

41 L analyse multidimensionnelle Objec9f : obtenir des informa9ons déjà agrégées selon les besoins de l u9lisateur : simplicité et rapidité d accès HyperCube OLAP : représenta9on de l informa9on dans un hypercube à N dimensions OLAP (On- Line Analy9cal Processing) : fonc9onnalités qui servent à faciliter l analyse mul9dimensionnelle : opéra9ons réalisables sur l hypercube 41

42 (Hyper)Cube de données 1 Commande numcomm detaille Faits numcomm codprod cledate quan9te prix Produit codprod detaille categorie Date cledate jour mois annee Produit Fait Commande 42

43 Composantes d un cube Chaque cellule du cube correspond à une occurrence du fait Chaque cellule con9ent des indicateurs (variables, métriques ou mesures) Les axes d'analyse, également appelés dimensions, con9ennent un ensemble de valeurs Des hiérarchies sont spécifiées sur les dimensions afin de perme`re une consolida9on des indicateurs Chaque indicateur a une fonc1on d agrégat afin d être exploité sur la hiérarchie 43

44 (Hyper)Cube de données 2 quan9te prix Axes d analyse Produit Commande Indicateurs Fait 44

45 Exemple 1 VENTES Quantité Montants MAGASIN Paris France Europe Lille DATES Asie Anglaterre Japan Londres Tokyo Janvier Décembre Janvier Décembre Foulard Laine Gants Bottes Cuir Sac-à-main PRODUITS 45

46 Exemple 2 VENTES Unités vendues Prix unitaire MAGASIN Sud Montpellier DATES Nord Lille Ardennes Janvier Décembre Janvier Décembre Fifa 2013 Sport PES 2014 Darkness 2 Action Resident Evil JEUX VIDEO 46

47 L'implémentation du OLAP MOLAP (Mul9dimensional OLAP) Le cube est stocké sous forme propriétaire par un SGBD mul9dimensionnel dans une matrice On trouve en colonne tous les axes, puis tous les indicateurs Chaque cellule du cube est stockée par une ligne dans la matrice ROLAP (Rela9onal OLAP) Le stockage peut s'effectuer sur un SGBD rela9onnel classique Le cube est stocké selon le modèle en étoile (flocon ou constella9on) HOLAP (Hybride OLAP) ROLAP + MOLAP 47

48 Operateurs algébriques OLAP Modèle rela9onnel : projec9on, jointure, restric9on, union, division, intersec9on, etc. Modèle OLAP : drill- up, drill- down, slice, dice, pivot, switch, etc. 48

49 Catégories d'opérations OLAP 1 Restructura9on : opéra9ons liées à la structure, manipula9on et visualisa9on du cube : Rotate/pivot : effectuer à un cube une rota9on autour d un de ses trois axes passant par le centre de 2 faces opposées, de façon à présenter un ensemble de faces différents Switch : consiste à inter- changer la posi9on des membres d une dimension Split : consiste à présenter chaque tranche du cube et de passer d une présenta9on tridimensionnelle d un cube à sa présenta9on sous la forme d un ensemble de tables Nest : imbrica9on des membres à par9r du cube Push : combiner les membres d une dimension aux mesures du cube 49

50 Catégories d'opérations OLAP 2 Granularité : concerne un changement de niveau de détail : opéra9ons liées au niveau de granularité des données : Roll- up : consiste à représenter les données du cube à un niveau de granularité supérieur conformément à la hiérarchie définie sur la dimension. Une fonc9on d agréga9on (somme, moyenne, etc.) en paramètre de l opéra9on indique comment sont calculés les valeurs du niveau supérieur à par9r de celles du niveau inférieur Drill- down : consiste à représenter les données du cube à un niveau de granularité de niveau inférieur, donc sous une forme plus détaillée (selon la hiérarchie définie de la dimension) 50

51 Catégories d'opérations OLAP 3 Ensembliste : concerne l extrac9on et lʼoltp classique : Slice : correspond à une projec9on selon une dimension du cube Dice : correspond à une sélec9on du cube 51

52 Rotate/pivot MAGASIN Nimes Lille Paris Foulard Gants Botes PRODUITS ANNEES 2013 Foulard Botes Gants Foulard Nimes Lille Nimes Lille Paris Paris

53 Switch MAGASIN Nimes Lille MAGASIN Nimes Lille Paris Foulard Gants Botes PRODUITS Paris Foulard Gants Botes PRODUITS ANNEES ANNEES 2013 Foulard Botes Gants Nimes Lille Paris Foulard Botes Gants Nimes Lille Paris 20 53

54 Split Foulard Nimes Lille 70 Paris MAGASIN Nimes Lille Paris Foulard Gants Botes PRODUITS Botes Nimes Lille Paris Gants ANNEES Nimes Lille Paris 30 20

55 Nest nest(produit, annee) Nimes Lille Paris Foulard MAGASIN Nimes Lille Botes Paris ANNEES 10 Foulard Gants Botes PRODUITS Gants

56 Push push(annee) Foulard Botes Gants MAGASIN Nimes Lille Nimes Lille Paris Foulard Gants Botes PRODUITS Paris ANNEES 56

57 Roll- up et Drill- down Roll- up : représente les données du cube à un niveau de granularité supérieur conformément à la hiérarchie définie sur la dimension Drill- down : représente les données du cube à un niveau de granularité de niveau inférieur, donc sous une forme plus détaillée tout- lieu nord centre sud Lille Paris Nimes 57

58 Exemples de Roll- up MAGASIN Gants Botes Foulard Nimes Lille 70 PRODUITS 50 ANNEES tout- ANNEES Foulard Botes Gants Nimes Lille Paris Paris tout-magasin

59 Exemple de Drill- down MAGASIN Nimes Lille MAGASIN Nimes Lille Paris ANNEES Cuir Laine PRODUITS Paris ANNEES 10 Foulard Gants Botes PRODUITS 59

60 Slide (projection) tout-magasin MAGASIN Nimes Lille Paris Foulard Gants Botes PRODUITS ANNEES Gants Botes Foulard PRODUITS ANNEES πannees,produits Foulard Botes Gants

61 Dice (selection) (MAGASIN = Nimes OR MAGASIN = Lille) AND (ANNEE = 2010 OR ANNEE = 2011) AND (PRODUITS = Foulard OR PRODUITS = Botes) ventes MAGASIN Nimes Lille Paris Foulard Gants Botes PRODUITS MAGASIN Nimes Lille ANNEES Botes Foulard PRODUITS 61 ANNEES

62 Langages pour OLAP SQL étendu (Extensions de SQL- 3 / SQL- 99 pour OLAP) : Nouvelles fonc9ons SQL d agréga9on: Rank, N_9le Nouvelles fonc9ons de la clause GROUP BY : ROLLUP CUBE GROUPING SETS (mul9ple GROUP Bys) Fenêtre glissante : WINDOWS/OVER/PARTITION MDX (Mul9 Dimensional expression) : Langage de requêtes OLAP Proposé par Microso (1997) 62

63 Références Cours Systèmes d informa9on décisionnels, E. GRISLIN- LE STRUGEON et D. DONSEZ Cours de Entrepôts de données et analyse en ligne, Bernard ESPINASSE h`p://www.kimballgroup.com/ SQL Server Microso et OLAP Cours de Introduc9on aux systèmes d informa9on décisionnelle, O. Boussaid 63

OLAP : Mondrian + Pentaho. Maguelonne Teisseire Hugo Alatrista Salas hugo.alatrista- salas@teledetec9on.fr Flavien Bouillot

OLAP : Mondrian + Pentaho. Maguelonne Teisseire Hugo Alatrista Salas hugo.alatrista- salas@teledetec9on.fr Flavien Bouillot OLAP : Mondrian + Pentaho Maguelonne Teisseire Hugo Alatrista Salas hugo.alatrista- salas@teledetec9on.fr Flavien Bouillot Outils Open Source Mondrian : serveur OLAP JFreeReport : ou9l de «Repor9ng» KeHle

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

Collabora'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: 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 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

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

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

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

MTI820 Entrepôts de données et intelligence d affaires. Les applica+ons de BI

MTI820 Entrepôts de données et intelligence d affaires. Les applica+ons de BI MTI820 Entrepôts de données et intelligence d affaires Les applica+ons de BI Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaEi, C. Desrosiers 1 Le cycle de vie d un projet en BI Diagramme

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

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

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

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

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

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

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

MTI820 Entrepôts de données et intelligence d affaires. Concep)on physique des données

MTI820 Entrepôts de données et intelligence d affaires. Concep)on physique des données MTI820 Entrepôts de données et intelligence d affaires Concep)on physique des données Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaFi, C. Desrosiers 1 Le cycle de vie d un projet en

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

Bases de données multidimensionnelles et mise en œuvre dans Oracle

Bases de données multidimensionnelles et mise en œuvre dans Oracle Bases de données multidimensionnelles et mise en œuvre dans Oracle 1 Introduction et Description générale Les bases de données relationnelles sont très performantes pour les systèmes opérationnels (ou

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

Entrepôt de données autour du PMSI pour le pilotage d établissement hospitalier

Entrepôt de données autour du PMSI pour le pilotage d établissement hospitalier 1 Entrepôt de données autour du PMSI pour le pilotage d établissement hospitalier Lama EL SARRAJ Ingénieur Hospitalier (AP-HM) AP-HM 2 année de doctorat en informatique (LSIS) 14 octobre 2011 HOPITECH

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

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 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

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

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

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

MTI820 Entrepôts de données et intelligence d affaires. Gouvernance des données et ges1on des données de référence

MTI820 Entrepôts de données et intelligence d affaires. Gouvernance des données et ges1on des données de référence MTI820 Entrepôts de données et intelligence d affaires Gouvernance des données et ges1on des données de référence 1 La gouvernance des données Défini1on: «Processus de supervision et de décision qui permet

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

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

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

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

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

Principes et mise en œuvre du modèle OLAP. -1 ère Partie- La modélisation multidimensionnelle

Principes et mise en œuvre du modèle OLAP. -1 ère Partie- La modélisation multidimensionnelle Principes et mise en œuvre du modèle OLAP -1 ère Partie- La modélisation multidimensionnelle 1 Le modèle multidimensionnel (1) Le modèle multidimensionnel est bien adapté pour représenter des données qui

Plus en détail

La place de la Géomatique Décisionnelle dans le processus de décision

La 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 détail

Mémoire 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. 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 détail

Le Data Warehouse. Fait Vente. temps produit promotion. magasin. revenu ... Produit réf. libellé volume catégorie poids. Temps jour semaine date ...

Le 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 détail

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

Introduc;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 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

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

Présenta6on Isatech. ERP, Décisionnel, Architecture Systèmes & Réseaux. Isatech Tous droits réservés Page 1

Présenta6on Isatech. ERP, Décisionnel, Architecture Systèmes & Réseaux. Isatech Tous droits réservés Page 1 Présenta6on Isatech ERP, Décisionnel, Architecture Systèmes & Réseaux Isatech Tous droits réservés Page 1 L offre globale Couvrir l intégralité de la chaîne du SI Isatech Tous droits réservés Page 2 Isatech

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

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

et les Systèmes Multidimensionnels

et 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 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

2 Serveurs OLAP et introduction au Data Mining

2 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 détail

Plan. Ce qu est le datawarehouse? Un modèle multidimensionnel. Architecture d un datawarehouse. Implémentation d un datawarehouse

Plan. Ce qu est le datawarehouse? Un modèle multidimensionnel. Architecture d un datawarehouse. Implémentation d un datawarehouse Datawarehouse 1 Plan Ce qu est le datawarehouse? Un modèle multidimensionnel Architecture d un datawarehouse Implémentation d un datawarehouse Autres développements de la technologie data cube 2 Ce qu

Plus en détail

Ministère de l Enseignement Supérieur et de la Recherche Scientifique Ecole nationale Supérieure d Informatique (E.S.I) Oued-Smar Alger.

Ministère de l Enseignement Supérieur et de la Recherche Scientifique Ecole nationale Supérieure d Informatique (E.S.I) Oued-Smar Alger. Ministère de l Enseignement Supérieur et de la Recherche Scientifique Ecole nationale Supérieure d Informatique (E.S.I) Oued-Smar Alger École Doctorale Sciences et Technologies de l'information et de la

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

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

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

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

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

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

Un modèle multidimensionnel pour un processus d analyse en ligne de résumés flous

Un modèle multidimensionnel pour un processus d analyse en ligne de résumés flous Un modèle multidimensionnel pour un processus d analyse en ligne de résumés flous Lamiaa Naoum To cite this version: Lamiaa Naoum. Un modèle multidimensionnel pour un processus d analyse en ligne de résumés

Plus en détail

Fouille de Données : OLAP & Data Warehousing

Fouille de Données : OLAP & Data Warehousing Fouille de Données : OLAP & Data Warehousing Nicolas Pasquier Université de Nice Sophia-Antipolis Laboratoire I3S Chapitre 2. Data warehousing Définition : qu est-ce que le data warehousing? Entrepôt de

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

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

CONSERVATOIRE NATIONAL DES ARTS ET METIERS CENTRE REGIONAL ASSOCIE DE BOURGOGNE MEMOIRE. présenté en vue d'obtenir le DIPLOME D'INGENIEUR C.N.A.M.

CONSERVATOIRE NATIONAL DES ARTS ET METIERS CENTRE REGIONAL ASSOCIE DE BOURGOGNE MEMOIRE. présenté en vue d'obtenir le DIPLOME D'INGENIEUR C.N.A.M. CONSERVATOIRE NATIONAL DES ARTS ET METIERS CENTRE REGIONAL ASSOCIE DE BOURGOGNE MEMOIRE présenté en vue d'obtenir le DIPLOME D'INGENIEUR C.N.A.M. SPECIALITE : INFORMATIQUE OPTION : SYSTEMES D INFORMATION

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

Évolu>on et maintenance

Évolu>on et maintenance IFT3912 Développement et maintenance de logiciels Évolu>on et maintenance Bruno Dufour Université de Montréal dufour@iro.umontreal.ca Modifica>on des logiciels Les modifica>ons sont inévitables Des nouveaux

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

Le point sur le projet «Pilotage à l Université Paris 5» Marc Nectoux et Philippe Lafage (DSI) - juillet 2004

Le point sur le projet «Pilotage à l Université Paris 5» Marc Nectoux et Philippe Lafage (DSI) - juillet 2004 Service ingénierie du développement Marc Nectoux 01 44 50 26 16 Le point sur le projet «Pilotage à l Université Paris 5» Marc Nectoux et Philippe Lafage (DSI) - juillet 2004 Ce document fait le point sur

Plus en détail

DOCUMENTATION KAPTravel Module de gestion des appels de disponibilité

DOCUMENTATION KAPTravel Module de gestion des appels de disponibilité DOCUMENTATION KAPTravel Module de gestion des appels de disponibilité 01/06/15 KAPT Tous Droits Réservés 2 PRÉSENTATION Ce+e présenta3on va vous perme+re de prendre en main la plateforme de ges3on KAPTravel

Plus en détail

RÉPUBLIQUE ALGÉRIENNE DÉMOCRATIQUE ET POPULAIRE. Ministère de l Enseignement Supérieur et de la Recherche Scientifique I.N.I THEME : Les outils OLAP

RÉPUBLIQUE ALGÉRIENNE DÉMOCRATIQUE ET POPULAIRE. Ministère de l Enseignement Supérieur et de la Recherche Scientifique I.N.I THEME : Les outils OLAP RÉPUBLIQUE ALGÉRIENNE DÉMOCRATIQUE ET POPULAIRE Ministère de l Enseignement Supérieur et de la Recherche Scientifique I.N.I THEME : Les outils OLAP REALISE PAR : BENAKEZOUH Leïla & TIFOUS Amira Quatrième

Plus en détail

Solutions et Services. d'analyse prédictive

Solutions et Services. d'analyse prédictive ProbaYes Mastering Uncertainty Solutions et Services d'analyse prédictive Mai 2013 Copyright 2013 Probayes All Rights Reserved 1 Présenta)on Probayes Créée en 2003 Basée en France (Grenoble) Spin-off de

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

La Suite Décisionnelle (Data Warehousing / Data Mining)

La Suite Décisionnelle (Data Warehousing / Data Mining) La Suite Décisionnelle (Data Warehousing / Data Mining) Didier DONSEZ et Emmanuelle GRISLIN Université de Valenciennes Institut des Sciences et Techniques de Valenciennes donsez@univ-valenciennes.fr strugeon@univ-valenciennes.fr

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

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

Le concept de Data Warehouse a été formalisé pour la première fois en 1990.

Le concept de Data Warehouse a été formalisé pour la première fois en 1990. 1 - LE DATA WAREHOUSE 1.1 - PRESENTATION Le concept de Data Warehouse a été formalisé pour la première fois en 1990. L idée de constituer une base de données orientée sujet, intégrée, contenant des informations

Plus en détail

25/05/2012. Business Intelligence. Plan de Présentation

25/05/2012. 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 détail

Les méthodes Agiles. Introduc)on aux méthodes Agiles Exemple : Scrum

Les méthodes Agiles. Introduc)on aux méthodes Agiles Exemple : Scrum Les méthodes Agiles Introduc)on aux méthodes Agiles Exemple : Scrum Défini)on de base Les méthodes Agiles sont des procédures de concep)on de logiciel qui se veulent plus pragma)ques que les méthodes tradi)onnelles

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

Systèmes d information décisionnels (SIAD) Extraction de connaissances (KDD) Business Intelligence (BI)

Systèmes 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 détail

Big Data On Line Analytics

Big 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 détail

Entrepôts de Données

Entrepôts de Données République Tunisienne Ministère de l Enseignement Supérieur Institut Supérieur des Etudes Technologique de Kef Support de Cours Entrepôts de Données Mention : Technologies de l Informatique (TI) Parcours

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

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

Techniques d optimisation des requêtes dans les data warehouses

Techniques d optimisation des requêtes dans les data warehouses Techniques d optimisation des requêtes dans les data warehouses Ladjel Bellatreche LISI/ENSMA Téléport2-1, Avenue Clément Ader 86960 Futuroscope - FRANCE bellatreche@ensma.fr Résumé Un entrepôt de données

Plus en détail

Fournir un accès rapide à nos données : agréger au préalable nos données permet de faire nos requêtes beaucoup plus rapidement

Fournir un accès rapide à nos données : agréger au préalable nos données permet de faire nos requêtes beaucoup plus rapidement Introduction Phases du projet Les principales phases du projet sont les suivantes : La mise à disposition des sources Des fichiers Excel sont utilisés pour récolter nos informations L extraction des données

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

Bases de Données OLAP

Bases de Données OLAP Bases de Données OLAP Hiver 013/014 Melanie Herschel melanie.herschel@lri.fr Université Sud, Groupe Bases de Données, LRI Systèmes Opérationnels vs. Entrepôts de Données Requêtes Requêtes BD opérationnelles

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

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

Sécurité des entrepôts de données dans le Cloud Un SaaS pour le cryptage des données issues d un ETL

Sécurité des entrepôts de données dans le Cloud Un SaaS pour le cryptage des données issues d un ETL Sécurité des entrepôts de données dans le Cloud Un SaaS pour le cryptage des données issues d un ETL Présenté par Hana Gara Kort Sous la direction de Dr Jalel Akaichi Maître de conférences 1 1.Introduction

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

Gouvernance et étude de l impact du changement des processus mé6ers sur les architectures orientées services

Gouvernance et étude de l impact du changement des processus mé6ers sur les architectures orientées services Gouvernance et étude de l impact du changement des processus mé6ers sur les architectures orientées services 30/10/2012 u Soutenance de thèse Karim DAHMAN François CHAROY Claude GODART Evolu1ons des processus

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

Chapitre 1 «mes chiffres clés à portée de mains»

Chapitre 1 «mes chiffres clés à portée de mains» Chapitre 1 «mes chiffres clés à portée de mains» Le volume des données manipulées par les acteurs du tourisme est de plus en plus important. Au delà des données mé6ers qui se complexifient, les données

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

FreeAnalysis. Schema Designer. Cubes

FreeAnalysis. 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 détail

Introduction aux entrepôts de données (2)

Introduction aux entrepôts de données (2) Introduction aux entrepôts de données (2) Bernard ESPINASSE Professeur à Aix-Marseille Université (AMU) Ecole Polytechnique Universitaire de Marseille Septembre 2013 Introduction et définition dʼun entrepôt

Plus en détail

République Algérienne Démocratique et Populaire

République Algérienne Démocratique et Populaire République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieur et de la Recherche Scientifique Institut National de formation en Informatique Direction de la Post-Graduation et de

Plus en détail

Le contrôle fiscal anno 2013

Le contrôle fiscal anno 2013 Le contrôle fiscal anno 2013 Carlos SIX! Administrateur général de la Fiscalité SPF Finances Ges$on des risques Contrôle fiscal CRM & Tolérance zéro ONDEMENT OBJECTIFS STRATEGIQUES Etude externe 2010 constata$ons

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

Architecture matériel et logiciel 2

Architecture matériel et logiciel 2 Architecture matériel et logiciel 2 Architectures Venera Arnaoudova Concep8on architecturale 1. Introduc8on 2. Modéliser l architecture avec UML 3. Éléments architecturaux 4. Styles architecturaux 1. Architecture

Plus en détail

Modélisation multidimensionnelle des données complexes : application aux données médicales

Modélisation multidimensionnelle des données complexes : application aux données médicales Modélisation multidimensionnelle des données complexes : application aux données médicales Sommaire : Midouni Sid Ahmed Djallal Version 9 08/06/05 1. Introduction... 3 2. Etat de l art... 4 3. Modélisation

Plus en détail

THESE. Pour l obtention du Grade de. Ecole Doctorale : Sciences pour l Ingénieur et Aéronautique. Secteur de Recherche : Informatique et Applications

THESE. Pour l obtention du Grade de. Ecole Doctorale : Sciences pour l Ingénieur et Aéronautique. Secteur de Recherche : Informatique et Applications THESE Pour l obtention du Grade de DOCTEUR DE L ECOLE NATIONALE SUPERIEURE DE MECANIQUE ET D AEROTECHNIQUE (Diplôme national-arrêté du 7 août 2006) Ecole Doctorale : Sciences pour l Ingénieur et Aéronautique

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

MEMOIRE MAGISTER ECOLE DOCTORALE D INFORMATIQUE (STIC) THEME

MEMOIRE MAGISTER ECOLE DOCTORALE D INFORMATIQUE (STIC) THEME MINISTERE DE L ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE UNIVERSITE FERHAT ABBAS SETIF UFAS (ALGERIE) MEMOIRE Présenté à la Faculté des Sciences de l Ingénieur Département de l informatique

Plus en détail