Collabora'on IRISA/INRA sur le transfert de nitrates et l améliora'on de la qualité des eaux des bassins versants:
|
|
- Agathe St-Amour
- il y a 8 ans
- Total affichages :
Transcription
1 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
2 Plan Introduc<on: Contexte de la thèse Entrepôts de données Défini<on et applica<ons Cube de données Modélisa<ons conceptuelles des entrepôts de données Opéra<ons OLAP Explora<on des cubes de données Couplage fouille de données et analyse en ligne Conclusion Pistes de proposi<ons 2
3 Contexte de la thèse Langage de scénario Accès aux résultats de simulation Requête / interaction Simulateur Modèle décisionnel Modèle biophysique Accès aux connaissances Entrepôt de données : Connaissances Résultats/données Appren<ssage et fouille 3
4 Entrepôts de données Entrepôts de données Data Warehouses (DW) Différentes défini<ons «Un data warehouse est une collec<on de données concernant un sujet par<culier, varie dans le temps, non vola<le et où les données sont intégrées.» W. H. Inmon Objec<fs: Offrir un accès à une version agrégée et historisée de l'ensemble des données de l'entreprise Offrir des ou<ls d'aide à la décision (OLAP) 4
5 Applica<ons d un DW Traitement d informa<ons: Analyses sta<s<ques de base Rapports à l aide de tableaux croisés, graphe, etc. Traitement analy<que: Analyse mul<dimensionnelle des données d un DW Supporte les opéra<ons OLAP Fouille de données: Découverte de connaissances 5
6 Cube de données Un DW est basé sur un modèle mul<dimensionnel où les données sont vues comme des data cubes Un data cube, ex: ventes, permet de voir les données selon plusieurs dimensions Les tables de dimension ex: item (nom_item, marque, type), ou temps (jour, semaine, mois, trimestre, année) La table de faits con<ent des mesures (ex: unités_vendues) et les clés externes faisant référence à chaque table de dimension Dans la liférature du data warehousing, un cube de dimension n est dit cuboïde. Le treillis des cuboïdes d un data warehouse forme un data cube. 6
7 Data Cube TV PC DVD sum Date 1Trim 2Trim 3Trim 4Trim Total annuel des ventes de TV aux U.S.A. sum U.S.A Canada Mexique Pays sum 7
8 Cube: Un treillis de cuboïdes tous D cuboïde temps item lieu fournisseur D cuboïdes temps,item temps,lieu item,lieu Temps, fournisseur item,fournisseur Lieu, fournisseur D cuboïdes temps,item,lieu temps,lieu, fournisseur D cuboïdes Temps, item, fournisseur item,lieu, fournisseur 8 Temps, item,lieu,fournisseur D cuboïde
9 Concept de hiérarchie Montant des ventes comme une fonc<on des paramètres produit, mois, région Dimensions: Produit, Lieu, Temps Chemins de consolidation hiérarchiques Produit Industrie Région Année Catégorie Pays Trimestre Produit Ville Mois Semaine 9 Mois Magasin Jour
10 Modélisa<on Conceptuelle des Data Warehouses Dimensions & mesures Schéma en étoile: Au milieu, une table de faits connectée à un ensemble de tables de dimensions Schéma flocon de neige (snowflake): Un raffinement du précédent où certaines tables de dimensions sont normalisées (donc décomposées) Constella'on de faits: Plusieurs tables de faits partagent quelques tables de dimension (constella<on d étoiles) 10
11 Exemple de schéma en étoile temps Id_temps jour Jour_semaine mois trimestre année 11 branche Id_branche Nom_branche Type_branche Mesures Table de faits ventes id_time id_item id_branche id_lieu unités_vendues montant_ventes moyenne_ventes Id_item Nom_item marque type Type_fournisseur lieu item Id_lieu rue ville département pays
12 Exemple de schéma Snowflake temps Id_temps jour Jour_semaine mois trimestre année 12 branche Id_branche Nom_branche Type_branche Mesures Table de faits Vente Id_temps Id_item Id-branch Id_lieu unités_vendues montant_vente moyenne_vente item Id_item Nom_item Marque type Id_fournisseur lieu Id_lieu rue Id_ville fournisseur Id_fournisseur Type_fournisseur ville Id_ville ville département pays
13 Exemple de Constella<on de faits temps Id_temps jour Jour_semaine mois trimestre année branche Id_branche Nom_branche Type_branche 13 Meesures Table de faits Vente Id_temps Id_item Id-branche Id_lieu unités_vendues montant_vente moyenne_vente lieu item Id_item Nom_item marque type Id_fourniseur Id_lieu rue ville département pays Table de faits Transport Id_temps Id_item Id_transporteur id_départ id_arrivée coût Unités_transportées transporteur Id_Transporteur Nom_transporteur Id_lieu Type_transporteur
14 Opéra<ons typiques de l OLAP Roll up : consolider (résumer) les données Passer à un niveau supérieur dans la hiérarchie d une dimension Drill down : l inverse du Roll up descendre dans la hiérarchie d une dimension Slice et Dice: Projec6on et sélec6on du modèle rela6onnel Pivot (Rotate): Réoriente le cube pour visualisa6on 14
15 15
16 16
17 Explora<on des cubes de données Explora<on guidée par les hypothèses Explora<on par l usager à l'aide des opéra<ons OLAP (drill down, roll up, slice, dice, pivot,..) Avantages Permet de visualiser les données selon diverses perspec<ves Inconvénients Espace de recherche trop grand Pour un cube de n dimensions et Li niveaux de hiérarchie pour la dimension Di T= i=1..n (Li+1) Exemple : un cube de 8 dimensions avec des hiérarchies de dimension de 7 niveaux offre 1,6 millions (8 ^8) cuboïdes possibles 17
18 Explora<on des cubes de données Visualisa<on Manipula<on interac<ve 18
19 Couplage Fouille de données et analyse en ligne Entrepôt de données / OLAP Grande capacité de stockage ECD / Fouille de données Structuration multidimensionnelle des données Entrepôt Cubes de de données / OLAP OLAP Exploration : visualisation et navigation dans les cubes de données OLAP : besoin d une analyse en ligne plus élaborée dépassant la simple exploration et le résumé des cubes de données ECD / Fouille de données OLAP + Fouille de données Extraction La structure des multidimensionnelle connaissances à partir peut de tableaux apporter «Individus-Variables» un contexte d analyse ciblé pour la Fouille fouille de données Approche inductive pour la description et la prédiction Associer l aspect exploratoire de l OLAP à la démarche descriptive et prédictive de la fouille Définir une nouvelle génération d opérateurs OLAP basés sur des techniques de fouille 19
20 Couplage Fouille de données et analyse en ligne 1. Extension des opérateurs OLAP 2. Adaptation des algorithmes de fouille de données 20
21 1. Extension des opérateurs OLAP Etendre le langage de requêtes des opérateurs OLAP pour simuler des techniques de fouille de données Han et al. (OLAM : DBMiner) Sathe et al. (Opérateur RELAX ) Sarawagi (Opérateur DIFF) 21
22 2. Adaptation des algorithmes de fouille de données Application de la fouille au cœur des données multidimensionnelles Palpanas (Visions théoriques : processus d analyse élaborée) Sarawagi et al. (Discovery-driven : détection des valeurs remarquables) Giacometti et al. (Recommandations de requêtes pour OLAP ) 22
23 Conclusion Démarche pour une explora<on efficace et effec<ve des cubes de données dans les entrepôts Présente des défis intéressants dans un contexte mul<dimensionnel Peut abou<r à des connaissances fort u<les décrivant des associa<ons, des groupements ou des excep<ons au niveau des données agrégées Trouve des applica<ons dans plusieurs domaines du monde réel 23
24 Pistes de proposi<ons Orienter l u<lisateur dans l u<lisa<on des opérateurs OLAP Personnalisa<on de la défini<on d une excep<on par l u<lisateur Etablir de nouveaux modèles d appren<ssage en ligne sur les données mul<dimensionnelles Créa<on de nouveaux opérateurs permefant la prédic'on 24
25 Je vous remercie 25
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 détailEntrepôt de données et l Analyse en ligne. Maguelonne Teisseire Hugo Alatrista Salas hugo.alatrista- salas@teledetec9on.fr Flavien Bouillot
Entrepôt de données et l Analyse en ligne Maguelonne Teisseire Hugo Alatrista Salas hugo.alatrista- salas@teledetec9on.fr Flavien Bouillot Déroulement du cours 17 janvier : cours et TD 20 janvier : cours?
Plus en détailPlan. Introduction Eléments de la théorie des systèmes d'informations Les entrepôts de données (Datawarehouse) Les datamart Architecture Modélisation
Data WareHouse Plan Introduction Eléments de la théorie des systèmes d'informations Les entrepôts de données (Datawarehouse) Les datamart Architecture Modélisation 2 Présentation Besoin: prise de décisions
Plus en détailEntrepôts de données. (data warehouses) NSY 107 Année 2009-2010 PLAN! Introduction! F.-Y. VILLEMIN! CNAM-CEDRIC! Définitions
NSY 107 Année 2009-2010 Entrepôts de données (data warehouses) F.-Y. VILLEMIN! CNAM-CEDRIC! f-yv@cnam.fr PLAN! 1." Introduction 2." Limites du relationnel et du transactionnel 3." Bases multidimensionnelles
Plus en détailMTI820 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 détailLes 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 détailIntroduction à la B.I. Avec SQL Server 2008
Introduction à la B.I. Avec SQL Server 2008 Version 1.0 VALENTIN Pauline 2 Introduction à la B.I. avec SQL Server 2008 Sommaire 1 Présentation de la B.I. et SQL Server 2008... 3 1.1 Présentation rapide
Plus en détailDatawarehouse: Cubes OLAP. Marlyse Dieungang Khaoula Ghilani
Datawarehouse: Cubes OLAP Marlyse Dieungang Khaoula Ghilani Table des matières 1 Data Warehouse 3 1.1 Introduction............................ 3 1.1.1 Définition......................... 3 1.1.2 Architecture........................
Plus en détailEntrepôts de données. NEGRE Elsa Université Paris-Dauphine 2015-2016
Entrepôts de données NEGRE Elsa Université Paris-Dauphine 2015-2016 Contexte et problématique Le processus de prise de décision L entrepôt de données Définition Différence avec un SGBD Caractéristiques
Plus en détailet les Systèmes Multidimensionnels
Le Data Warehouse et les Systèmes Multidimensionnels 1 1. Définition d un Datawarehouse (DW) Le Datawarehouse est une collection de données orientées sujet, intégrées, non volatiles et historisées, organisées
Plus en détailÉvolu>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 détailLes entrepôts de données
Les entrepôts de données Lydie Soler Janvier 2008 U.F.R. d informatique Document diffusé sous licence Creative Commons by-nc-nd (http://creativecommons.org/licenses/by-nc-nd/2.0/fr/) 1 Plan Introduction
Plus en détailBusiness Intelligence : Informatique Décisionnelle
Business Intelligence : Informatique Décisionnelle On appelle «aide à la décision», «décisionnel», ou encore «business intelligence», un ensemble de solutions informatiques permettant l analyse des données
Plus en détailBases 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 détailLes 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 détailLa problématique. La philosophie ' ) * )
La problématique!" La philosophie #$ % La philosophie &'( ' ) * ) 1 La philosophie +, -) *. Mise en oeuvre Data warehouse ou Datamart /01-2, / 3 13 4,$ / 5 23, 2 * $3 3 63 3 #, 7 Datawarehouse Data warehouse
Plus en détailLe "tout fichier" Le besoin de centraliser les traitements des fichiers. Maitriser les bases de données. Historique
Introduction à l informatique : Information automatisée Le premier ordinateur Définition disque dure, mémoire, carte mémoire, carte mère etc Architecture d un ordinateur Les constructeurs leader du marché
Plus en détailEntrepôt de données 1. Introduction
Entrepôt de données 1 (data warehouse) Introduction 1 Présentation Le concept d entrepôt de données a été formalisé pour la première fois en 1990 par Bill Inmon. Il s agissait de constituer une base de
Plus en détailOLAP : 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 détailOracle Décisionnel : Modèle OLAP et Vue matérialisée D BILEK
Oracle Décisionnel : Modèle OLAP et Vue matérialisée SOMMAIRE Introduction Le modèle en étoiles Requêtes OLAP Vue matérialisée Fonctions Roll up et Cube Application Introduction Data Warehouse Moteur OLAP
Plus en détailIntroduction. Informatique décisionnelle et data mining. Data mining (fouille de données) Cours/TP partagés. Information du cours
Information du cours Informatique décisionnelle et data mining www.lia.univ-avignon.fr/chercheurs/torres/cours/dm Juan-Manuel Torres juan-manuel.torres@univ-avignon.fr LIA/Université d Avignon Cours/TP
Plus en détailL 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 détailLES ENTREPOTS DE DONNEES
Module B4 : Projet des Systèmes d information Lille, le 25 mars 2002 LES ENTREPOTS DE DONNEES Problématique : Pour capitaliser ses informations, une entreprise doit-elle commencer par mettre en œuvre des
Plus en détailBases de Données Avancées
1/26 Bases de Données Avancées DataWareHouse Thierry Hamon Bureau H202 - Institut Galilée Tél. : 33 1.48.38.35.53 Bureau 150 LIM&BIO EA 3969 Université Paris 13 - UFR Léonard de Vinci 74, rue Marcel Cachin,
Plus en détailBI = Business Intelligence Master Data-ScienceCours 3 - Data
BI = Business Intelligence Master Data-Science Cours 3 - Datawarehouse UPMC 8 février 2015 Rappel L Informatique Décisionnelle (ID), en anglais Business Intelligence (BI), est l informatique à l usage
Plus en détailFouille 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 détailUrbanisation des SI-NFE107
OLAP Urbanisation des SI-NFE107 Fiche de lecture Karim SEKRI 20/01/2009 OLAP 1 Introduction PLAN OLAP Les différentes technologies OLAP Plate formes et Outils 20/01/2009 OLAP 2 Informatique décisionnelle
Plus en détailLes 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 détailEntrepôts 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 détailMTI820 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 détailLa place de la Géomatique Décisionnelle dans le processus de décision
Géomatique décisionnelle La place de la Géomatique Décisionnelle dans le processus de décision - Arnaud Van De Casteele Mines ParisTech - CRC Arnaud {dot} van_de_casteele {at} mines-paristech.fr Les rencontres
Plus en détailDevenez un virtuose de Google. Atelier en informa5que présenté par Dominic P. Tremblay h@p://dominictremblay.com
Devenez un virtuose de Google Atelier en informa5que présenté par Dominic P. Tremblay h@p://dominictremblay.com Google Google est une société fondée en 1998 en Californie par Larry Page et Sergey Brin.
Plus en détailIntroduction à Business Objects. J. Akoka I. Wattiau
Introduction à Business Objects J. Akoka I. Wattiau Introduction Un outil d'aide à la décision accès aux informations stockées dans les bases de données et les progiciels interrogation génération d'états
Plus en détailLe 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 détailet les Systèmes Multidimensionnels
Le Data Warehouse et les Systèmes Multidimensionnels 1 1. Définition d un Data warehouse (DW) Le Data warehouse (entrepôt de données) est une collection de données orientées sujet, intégrées, non volatiles
Plus en détailEntrepôt de Données. Jean-François Desnos. Jean-Francois.Desnos@grenet.fr ED JFD 1
Entrepôt de Données Jean-François Desnos Jean-Francois.Desnos@grenet.fr ED JFD 1 Définition (Bill Inmon 1990) Un entrepôt de données (data warehouse) est une collection de données thématiques, intégrées,
Plus en détailSQL 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 détailSGBDR. Systèmes de Gestion de Bases de Données (Relationnelles)
SGBDR Systèmes de Gestion de Bases de Données (Relationnelles) Plan Approches Les tâches du SGBD Les transactions Approche 1 Systèmes traditionnels basés sur des fichiers Application 1 Gestion clients
Plus en détailUn datawarehouse est un entrepôt de données (une base de données) qui se caractérise par des données :
Page 1 of 6 Entrepôt de données Un article de Wikipédia, l'encyclopédie libre. L'entrepôt de données, ou datawarehouse, est un concept spécifique de l'informatique décisionnelle, issu du constat suivant
Plus en détailIntroduction à l Informatique Décisionnelle - Business Intelligence (7)
Introduction à l Informatique Décisionnelle - Business Intelligence (7) Bernard ESPINASSE Professeur à Aix-Marseille Université (AMU) Ecole Polytechnique Universitaire de Marseille Septembre 2013 Emergence
Plus en détailFournir 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 détailIntroduc;on à l intelligence d affaires et aux entrepôts de données
MTI820 Entrepôts de données et intelligence d affaires Introduc;on à l intelligence d affaires et aux entrepôts de données C. Desrosiers Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi,
Plus en détail4. Utilisation d un SGBD : le langage SQL. 5. Normalisation
Base de données S. Lèbre slebre@unistra.fr Université de Strasbourg, département d informatique. Présentation du module Contenu général Notion de bases de données Fondements / Conception Utilisation :
Plus en détailBases 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 détailHERMES SYSTEM et BEWISE souhaitent vous offrir les meilleures compétences.
Notre alliance, Votre atout. HERMES SYSTEM et BEWISE souhaitent vous offrir les meilleures compétences. C est de cette philosophie qu est née notre partenariat avec la société toulousaine (31) Bewise,
Plus en détailFreeAnalysis. Schema Designer. Cubes
FreeAnalysis Schema Designer Cubes Charles Martin et Patrick Beaucamp BPM Conseil Contact : charles.martin@bpm-conseil.com, patrick.beaucamp@bpm-conseil.com Janvier 2013 Document : BPM_Vanilla_FreeAnalysisSchemaDesigner_v4.2_FR.odt
Plus en détailCQP 112 Introduc/on à la programma/on. Thème 2 : Architecture d un système informa/que. Département d informa/que
CQP 112 Introduc/on à la programma/on Thème 2 : Architecture d un système informa/que Département d informa/que CQP 112 : Introduc/on à la programma/on Plan 1. Historique des ordinateurs 2. Composants
Plus en détailArchitecture 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 détailIntroduction au domaine du décisionnel et aux data warehouses
Data warehouse Introduction au domaine du décisionnel et aux data warehouses http://dwh.crzt.fr STÉPHANE CROZAT Paternité - Partage des Conditions Initiales à l'identique : http://creativecommons.org/licenses/by-sa/2.0/fr/
Plus en détailBases de Données. Stella MARC-ZWECKER. stella@unistra.u-strasbg.fr. Maître de conférences Dpt. Informatique - UdS
Bases de Données Stella MARC-ZWECKER Maître de conférences Dpt. Informatique - UdS stella@unistra.u-strasbg.fr 1 Plan du cours 1. Introduction aux BD et aux SGBD Objectifs, fonctionnalités et évolutions
Plus en détailL ou%l téléphone dans votre stratégie de marke%ng direct
L ou%l téléphone dans votre stratégie de marke%ng direct «Allo, vous n avez pas de stratégie téléphone?» Alain Pierre La Chaîne de l Espoir Pascal Fréneaux ADM VALUE Présenta%on de La Chaîne de l Espoir
Plus en détailDOCUMENTATION 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 détailMagasins et entrepôts de données (Datamart, data warehouse) Approche relationnelle pour l'analyse des données en ligne (ROLAP)
Magasins et entrepôts de données (Datamart, data warehouse) Approche relationnelle pour l'analyse des données en ligne (ROLAP) Définition (G. Gardarin) Entrepôt : ensemble de données historisées variant
Plus en détailOPEN DATA : CHALLENGES ET PERSPECTIVES D ENTREPOSAGE
OPEN DATA : CHALLENGES ET PERSPECTIVES D ENTREPOSAGE «Journée Open Data» 5 Novembre 2013 Présenté par : Imen Megdiche Directeur de thèse : Pr. Olivier Teste (SIG-IRIT) Co-directeur de thèse : Mr. Alain
Plus en détailBusiness Intelligence avec Excel, Power BI et Office 365
Avant-propos A. À qui s adresse ce livre? 9 1. Pourquoi à chaque manager? 9 2. Pourquoi à tout informaticien impliqué dans des projets «BI» 9 B. Obtention des données sources 10 C. Objectif du livre 10
Plus en détailSQL Server 2012 Implémentation d'une solution de Business Intelligence (Sql Server, Analysis Services...)
Avant-propos 1. À qui s'adresse ce livre? 15 2. Pré-requis 15 3. Objectifs du livre 16 4. Notations 17 Introduction à la Business Intelligence 1. Du transactionnel au décisionnel 19 2. Business Intelligence
Plus en détailPlan de cours. 1. Mise en contexte. 2. Place du cours dans le programme. 3. Descripteur du cours
Faculté des sciences Centre de formation en technologies de l information Plan de cours Cours : INF 735 Entrepôt et forage de données Trimestre : Hiver 2015 Enseignant : Robert J. Laurin 1. Mise en contexte
Plus en détailBusiness & High Technology
UNIVERSITE DE TUNIS INSTITUT SUPERIEUR DE GESTION DE TUNIS Département : Informatique Business & High Technology Chapitre 8 : ID : Informatique Décisionnelle BI : Business Intelligence Sommaire Introduction...
Plus en détailAméliorez et industrialisez vos feedback produit
Améliorez et industrialisez vos feedback produit Jean- Philippe Gillibert, architecte logiciel et coach agile chez Introduc)on Retour d expérience sur un projet à la SNCF Méthode originale de traitement
Plus en détail2 Serveurs OLAP et introduction au Data Mining
2-1 2 Serveurs OLAP et introduction au Data Mining 2-2 Création et consultation des cubes en mode client-serveur Serveur OLAP Clients OLAP Clients OLAP 2-3 Intérêt Systèmes serveurs et clients Fonctionnalité
Plus en détailDépartement Génie Informatique
Département Génie Informatique BD51 : Business Intelligence & Data Warehouse Projet Rédacteur : Christian FISCHER Automne 2011 Sujet : Développer un système décisionnel pour la gestion des ventes par magasin
Plus en détailIntelligence Economique - Business Intelligence
Intelligence Economique - Business Intelligence Notion de Business Intelligence Dès qu'il y a une entreprise, il y a implicitement intelligence économique (tout comme il y a du marketing) : quelle produit
Plus en détailLa Geo-Business Intelligence selon GALIGEO avec 26/10/2005 1
La Geo-Business Intelligence selon GALIGEO avec ESRI 2005 session «Décisionnel» 26/10/2005 1 La Business Intelligence : Une Définition La Business intelligence permet l utilisation des données opérationnelles
Plus en détailThéories de la Business Intelligence
25 Chapitre 2 Théories de la Business Intelligence 1. Architectures des systèmes décisionnels Théories de la Business Intelligence Depuis les premières requêtes sur les sources de données OLTP consolidées
Plus en détailEntreposage de données complexes pour la médecine d anticipation personnalisée
Manuscrit auteur, publié dans "9th International Conference on System Science in Health Care (ICSSHC 08), Lyon : France (2008)" Entreposage de données complexes pour la médecine d anticipation personnalisée
Plus en détailConcepon et réalisaon
Concepon et réalisaon Vendée Etudes & Réalisaons de Soluons Informaques 10 rue des Sables 85540 Mouers les Mauxfaits h%p://sarl-versi.fr contact@sarl-versi.fr Mainate 2 une logiciel d aide à la communicaon
Plus en détailBig Data On Line Analytics
Fdil Fadila Bentayeb Lb Laboratoire ERIC Lyon 2 Big Data On Line Analytics ASD 2014 Hammamet Tunisie 1 Sommaire Sommaire Informatique décisionnelle (BI Business Intelligence) Big Data Big Data analytics
Plus en détailDEVELOPPER SON SOURCING VIA LES RESEAUX SOCIAUX FACEBOOK
DEVELOPPER SON SOURCING VIA LES RESEAUX SOCIAUX FACEBOOK DEVELOPPER SON SOURCING VIA FACEBOOK ATELIER 1 CREATION DE VOTRE PROFIL ATELIER 1 EN GUISE D INTRODUCTION Pourquoi u(liser les réseaux sociaux dans
Plus en détailSécurité 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 détailÉVALUATION DES PRODUITS COMMERCIAUX OFFRANT DES CAPACITÉS
pr ÉVALUATION DES PRODUITS COMMERCIAUX OFFRANT DES CAPACITÉS COMBINÉES D ANALYSE MULTIDIMENSIONNELLE ET DE CARTOGRAPHIE. Préparé par Marie-Josée Proulx, M.Sc. Sonia Rivest, M.Sc., chargées de recherche
Plus en détailMémoire de fin d études. Thème Conception et réalisation d un Data Warehouse pour la mise en place d un système décisionnel
Mémoire de fin d études Pour l obtention du diplôme d Ingénieur d Etat en Informatique Option : Systèmes d information Thème Conception et réalisation d un Data Warehouse pour la mise en place d un système
Plus en détailQU 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 détailUNIVERSITÉ MOHAMMED V AGDAL. FACULTÉ DES SCIENCES Rabat THÈSE DE DOCTORAT. Présentée par ELhoussaine ZIYATI Discipline : Sciences de l ingénieur
UNIVERSITÉ MOHAMMED V AGDAL FACULTÉ DES SCIENCES Rabat N d ordre 2491 THÈSE DE DOCTORAT Présentée par ELhoussaine ZIYATI Discipline : Sciences de l ingénieur Spécialité : Informatique et Télécommunications
Plus en détailBusiness Intelligence
avec Excel, Power BI et Office 365 Téléchargement www.editions-eni.fr.fr Jean-Pierre GIRARDOT Table des matières 1 Avant-propos A. À qui s adresse ce livre?..................................................
Plus en détailArchitecture des entrepôts de données
MTI820 Entrepôts de données et intelligence d affaires Architecture des entrepôts de données Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaEi, C. Desrosiers 1 Le cycle de vie d un projet
Plus en détailBUSINESS INTELLIGENCE. Une vision cockpit : utilité et apport pour l'entreprise
BUSINESS INTELLIGENCE Une vision cockpit : utilité et apport pour l'entreprise 1 Présentation PIERRE-YVES BONVIN, SOLVAXIS BERNARD BOIL, RESP. SI, GROUPE OROLUX 2 AGENDA Définitions Positionnement de la
Plus en détailBI2 : Un profil UML pour les Indicateurs Décisionnels
BI2 : Un profil UML pour les Indicateurs Décisionnels Sandro Bimonte Irstea, TSCF, 9 Av. Blaise Pascal, 63178, Aubière, France sandro.bimonte@irstea.fr Thème de Recherche MOTIVE www.irstea.fr 2 Plan Motivations
Plus en détailXCube XML For Data Warehouses
XCube XML For Data Warehouses Auteurs : Wolfgang Hümmer Andreas Bauer Gunnar Harde Présenté par : David TA KIM 2005-12-05 Sommaire Sommaire I Introduction au Datawarehouse Sommaire I Introduction au Datawarehouse
Plus en détailPrésenta6on 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 détailLe Data Warehouse. Fait Vente. temps produit promotion. magasin. revenu ... Produit réf. libellé volume catégorie poids. Temps jour semaine date ...
Le Data Warehouse Temps jour semaine date magasin nom ville m 2 région manager... Fait Vente temps produit promotion magasin revenu... Produit réf. libellé volume catégorie poids... Promo nom budget média
Plus en détailRÉPUBLIQUE 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 détailLA DIGITALISATION DE LA RELATION CLIENT
PARTENAIRES ENTREPRISE ET TRANSFORMATION DIGITALE LA DIGITALISATION DE LA RELATION CLIENT PROGRAMME Face à la mulplicaon des canaux digitaux de communicaon, à l évoluon des comportements des clients et
Plus en détailProgramme «INVESTISSEUR»
La plateforme de missions photos Laissez la communauté prendre ou trouver des photos juste pour vous Programme «INVESTISSEUR» Offrez- vous une startup dès 100 Version : 10 février 2015 Dossier confiden,el,
Plus en détailGénéralisation contextuelle de mesures dans les entrepôts de données
Généralisation contextuelle de mesures dans les entrepôts de données Application aux entrepôts de données médicales Yoann Pitarch* Cécile Favre** Anne Laurent* Pascal Poncelet* * LIRMM, UMR 5506 161, Rue
Plus en détailIntroduction à lʼinformatique. Décisionnelle (ID) / Business. Intelligence» (1)
Introduction à lʼinformatique Décisionnelle et la «Business Intelligence» (1) Bernard ESPINASSE Professeur à Aix-Marseille Université (AMU) Ecole Polytechnique Universitaire de Marseille Septembre 2013
Plus en détailCONCEPTION ET REALISATION D'UN GENERATEUR DE TABLEAUX DE BORD PROSPECTIFS MULTIDIMENSIONNELS
CONCEPTION ET REALISATION D'UN GENERATEUR DE TABLEAUX DE BORD PROSPECTIFS MULTIDIMENSIONNELS Nazih Selmoune (*), Zaia Alimazighi (*) Selmoune@lsi-usthb.dz, Alimazighi@wissal.dz (*) Laboratoire des systèmes
Plus en détailModélisation Multidimensionnelle des Tableaux de Bord Prospectifs
Modélisation Multidimensionnelle des Tableaux de Bord Prospectifs Zaia Alimazighi (*), Nazih Selmoune (*) (Alimazighi, Selmoune)@wissal.dz (*) Laboratoire des systèmes informatiques (LSI), Faculté d Electronique
Plus en détailHervé Couturier EVP, SAP Technology Development
Hervé Couturier EVP, SAP Technology Development Hervé Biausser Directeur de l Ecole Centrale Paris Bernard Liautaud Fondateur de Business Objects Questions à: Hervé Couturier Hervé Biausser Bernard Liautaud
Plus en détailH2PS engage ses compétences auprès des entreprises et des parculiers par la mise en place de soluons d accompagnements et de services.
Notre Société H2PS engage ses compétences auprès des entreprises et des parculiers par la mise en place de soluons d accompagnements et de services. Nos Engagements: Nous uliserons nos connaissances, expériences
Plus en détailLes entrepôts de données et l analyse de données
LOG660 - Bases de données de haute performance Les entrepôts de données et l analyse de données Quelques définitions Entreposage de données (data warehousing): «La copie périodique et coordonnée de données
Plus en détailLe 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 détailTechniques 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 détailCONSERVATOIRE 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 détailEduardo Almeida. Master Alma Université de Nantes {eduardo.almeida@univ-nantes.fr}
Data Warehouse - OLAP Master Alma Université de Nantes {eduardo.almeida@univ-nantes.fr} Objectif Présenter les concepts de base d'un Data Warehouse (DW) et On Line Analytical Processing (OLAP). Présenter
Plus en détailCATALOGUE 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 détailDidier MOUNIEN Samantha MOINEAUX
Didier MOUNIEN Samantha MOINEAUX 08/01/2008 1 Généralisation des ERP ERP génère une importante masse de données Comment mesurer l impact réel d une décision? Comment choisir entre plusieurs décisions?
Plus en détailIntégration de la dimension sémantique dans les réseaux sociaux
Intégration de la dimension sémantique dans les réseaux sociaux Application : systèmes de recommandation Maria Malek LARIS-EISTI maria.malek@eisti.fr 1 Contexte : Recommandation dans les réseaux sociaux
Plus en détailTRAVAUX DE RECHERCHE DANS LE
TRAVAUX DE RECHERCHE DANS LE DOMAINE DE L'EXPLOITATION DES DONNÉES ET DES DOCUMENTS 1 Journée technologique " Solutions de maintenance prévisionnelle adaptées à la production Josiane Mothe, FREMIT, IRIT
Plus en détailPrésentation du module Base de données spatio-temporelles
Présentation du module Base de données spatio-temporelles S. Lèbre slebre@unistra.fr Université de Strasbourg, département d informatique. Partie 1 : Notion de bases de données (12,5h ) Enjeux et principes
Plus en détailRapport de DEA. Intégration de versions fonctionnelles dans les entrepôts de données multimédias au sein des systèmes OLAP. Anne-Muriel ARIGON
Rapport de DEA Intégration de versions fonctionnelles dans les entrepôts de données multimédias au sein des systèmes OLAP Anne-Muriel ARIGON LIRIS INSA de Lyon Bâtiment 501 69621 Villeurbanne, France Encadré
Plus en détail