Entrepôts de données. (data warehouses) NSY 107 Année PLAN! Introduction! F.-Y. VILLEMIN! CNAM-CEDRIC! Définitions

Dimension: px
Commencer à balayer dès la page:

Download "Entrepôts de données. (data warehouses) NSY 107 Année 2009-2010 PLAN! Introduction! F.-Y. VILLEMIN! CNAM-CEDRIC! Définitions"

Transcription

1 NSY 107 Année Entrepôts de données (data warehouses) F.-Y. VILLEMIN! CNAM-CEDRIC! PLAN! 1." Introduction 2." Limites du relationnel et du transactionnel 3." Bases multidimensionnelles 4." Analyse en ligne (OLAP) 5." Opérations de base 6." Métadonnées 7." Architectures serveurs 8." Architectures internes 9." Tables de choix! 10." Exemples 2! Définitions Quelques définitions pas très rigoureuses des entrepôts de données (ou data warehouse) :!!Une base de données d aide à la décision qui est maintenue séparément de la base opérationnelle de l organisation!! Un entrepôt de données est une collection de données concernant un sujet particulier, qui varie dans le temps, qui est non volatile et où les données sont intégrées. (W. H. Inmon) Introduction! Différence entre donnée et information :!donnée: fait brut, non interprété!information porte une signification, rassemblant des données interprétées dans un contexte particulier Information = ensemble de trois éléments:!une entité: l'être, l'objet ou le concept concerné!un attribut: un élément de la description de l'entité!une mesure: une valeur associée à l'attribut Information apporte une connaissance:!renseignement au sujet d'une entité jouant un rôle de formation ou de transformation de la représentation de l'entité Distinction entre:!le signifiant (le support) et!le signifié (la sémantique ou le sens donné) 3! 4!

2 Problèmes:! Introduction (1) La quantité de données double tous les 20 mois: Introduction Volume de données Vendeur (2) Trop de données, pas assez d'informations Achats Activité 5! 6! Entrepôt de données! Nature des données: Systèmes opérationnels et informationnels opérationnel" informationnel" Pour opérations courantes! Pour besoins de décision! Détaillées! Synthétiques! Valeur instantanée! Valeur dans le temps! Modifiées en permanence! Très rarement modifiées! Origine: transaction! Origine: analyse! Orientées performance! Orientées lisibilité! Disponibilité immédiate! Disponibilité difficile! Redondance minimale! Redondance acceptée! Structure fixe (contenu variable)! Structure flexible! Nombreuses petites transactions! Peu de transactions! Faible quantité de données par transaction! Parfois de très grosses données! Données externes Besoins des utilisateurs finaux: (1) accès direct, autonome aux données de l'entreprise (2) des moyens de navigation et d'agrégation des données (3) des moyens d'explication des données (informations)! Datamining 7! 8!

3 Limites du relationnel et du transactionnel! OLTP (On-line Transaction Processing) pour décrire des applications consistant en de très nombreuses transactions relativement simples qui :!!Traitent un nombre restreint d'enregistrements!!font appel à des relations simples entre les tables!!utilisent des données opérationnelles, détaillées et non redondantes!!utilisent les données actuelles!!consultent et mettent à jour les données Bases de données relationnelles (et outils OLTP) inadaptés aux besoins :!!Gestion inefficace des relations à n entités!!modèle relationnel basé sur un modèle physique à 2 dimensions (les tables)!!données multidimensionnelles " nombre de tables important à relier avec jointures!!requêtes complexes avec des performances catastrophiques (risques d'erreur)!!fonctions d'analyse insuffisantes:! outils frontaux (Query, Infocentre...) = calculs sur le poste client, trafic sur le réseau Difficulté avec SQL: Limites du relationnel et du transactionnel!!sommer ou effectuer la moyenne de certains champs pour certaines lignes et pas pour d'autres dans la même requête!!créer des expressions faisant référence à ensemble de lignes d'une même table (ex: pour chaque magasin, différence du chiffre d'affaires par rapport à la moyenne de la région)!!sommer ou détailler selon les lignes sélectionnées dans la même requête... Dénormalisation:!!réduction du nombre de jointure, calcul des agrégats...!!demande des traitements complexes!!conduit à des grosses tables qui occupent beaucoup de mémoire (disque): "!redondance des données "!index supplémentaires "!colonnes vides (renseignées que dans certains cas)!!entraîne performances dégradées 9! 10! Bases multidimensionnelles! Peut être visualisée comme une ensemble de cubes de données, contenant eux-mêmes d'autres cubes; chaque face du cube représentant une dimension Chaque dimension représente une catégorie de données, comme un type de produit, une lieu, le temps... Les dimensions peuvent être hiérarchisées (Région, département, ville...). On parle alors d'attributs (ou "membres") hiérarchisés de la dimension Chaque cellule de la structure multidimensionnelle représente la consolidation d'une donnée numérique (montant des ventes, quantité de produits vendus, marge moyenne...) pour l'intersection entre chaque attribut de chaque dimension Cette consolidation peut être simple (somme, moyenne) ou complexe (fonctions statistiques, financières...) Les données consolidées sont appelées "mesures" Transactions dépenses Bases multidimensionnelles date! numéro! description! quantité! prix unit.! prix total! n site! ! ! imprimante! 1! 2499,50! 2499,50! 11! ! ! crayon! 50! 2,50! 125,00! 16! ! ! répondeur! 1! 2499,50! 2499,50! 19! ! ! papier! 20! 75,00! 1500,00! 16! ! ! copieur! 1! 6449,00! 6449,00! 23! ! ! chaise! 3! 750,00! 2250,00! 16! ! ! téléphone! 1! 99,50! 99,50! 19! ! ! disquette! 10! 17,50! 175,00! 23! Transactions salaires num. empl.! n site! date! mode! sal.brut! déduction! payé! 0175! 16! ! chèque! 12000! 2400! 9600! 1423! 11! ! virement! 19500! 2750! 16750! 0279! 19! ! virement! 11200! 2350! 8850! 0157! 23! ! virement! 17500! 2650! 14850! 1136! 16! ! chèque! 18450! 2700! 15750! 1254! 11! ! virement! 17500! 2650! 14850! 11! 12!

4 Bases multidimensionnelles! Bases multidimensionnelles Table relationnelle Type de dépense! site! Total (KF)! salaire! Paris! 155! salaire! Lyon! 45! salaire! Rennes! 33! fournitures! Paris! 12,5! fournitures! Lyon! 0,9! fournitures! Rennes! 0,7! matériel! Paris! 45,5! matériel! Lyon! 11,2! matériel! Rennes! 14,5! téléphone! Paris! 31,9! téléphone! Lyon! 11,6! téléphone! Rennes! 9,5! Table multidimensionnelle Structure Physique:!!!Les données dans une base multidimensionnelle sont dynamiquement structurées et compressées (optimisation de place disque)!!exemple: données "denses" (grand nombre de dimensions) stockées séparément données "dispersées" (grand nombre de cellules vides)!!index gardés en mémoire Constitution de la base de données:!!extraction des données provenant de SGBD ou de fichiers!!décomposition des données en dimensions, attributs et mesures!!calculs des consolidations!!chargement de l'hyper-cube selon la structure dimensionnelle fixée Paris! Lyon! Rennes! salaire! 155! 45! 33! Aucun standard de base de données multidimensionnelle fournitures! 12,5! 0,9! 0,7! matériel! 45,5! 11,2! 14,5! téléphone! 31,9! 11,6! 9,5! 13! 14! Bases multidimensionnelles Données intégrées!!construite en intégrant plusieurs sources de données possiblement hétérogènes: bases relationnelles, fichiers plats, Première génération Outils de recherche PC EIS Autonome 1993! deuxième génération Moteur OLAP client/serveur!!les techniques d intégration et de nettoyage des données sont utilisées pour garantir :!!la consistance des conventions de nommage (les attributs Nom et Nom_Famille dans BD1 et BD2 désignent la même chose)!!les structures de codage (l attribut Nom est sur 15 char sur BD1 et 20 char sur BD2; NSS est une chaîne dans BD1 et est un entier long dans BD2),!!les domaines des attributs (ex: cm vs pouce), etc.!!les données sont traduites au moment où elles sont copiées dans l'entrepôt de données 15! 16!

5 Varie dans le temps Données intégrées La portée temporelle des données dans un entrepôt de données est plus longue que celle des bases opérationnelles!!base opérationnelle: valeur courante des données.!!entrepôt de données: fournit des infos sous une perspective historique (ex: 5 à 10 dernières années) Dans un entrepôt de données, en général, chaque donnée fait référence au temps!!mais dans une base opérationnelle les données peuvent ne pas faire référence au temps Données intégrées Un entrepôt de données est non-volatile!!un support de stockage séparé!!les mises à jour de la base opérationnelle n ont pas lieu au niveau de l'entrepôt de données "!N a pas besoin de modules de gestion de transactions (concurrence, reprise sur panne ) "!N a besoin que de deux opérations pour accéder aux données, chargement initial des données et interrogation (lecture) 17! 18! Trois Catégories de mesures Hiérarchie de la dimension "lieu" distributives: si le résultat obtenu par une fonction à n valeurs calculées est le même que le résultat de la fonction sur toutes les valeurs : tous Tout count(), sum(), min(), max()! algébriques: si elle peut être calculée par une fonction à M arguments chacun obtenu par une fonction distributive : avg(), min_n(), standard_deviation()! continent pays France Europe Allemagne Amérique Canada... Mexique holistique: s'il n'y a pas de limite constante sur la taille nécessaire pour décrire un composant : ville Paris... Vancouver... Toronto median(), mode(), rank()! magasin J. Doe... M. Lee 19! 20!

6 Cubes de données Un entrepôt de données est basé sur un modèle multidimensionnel où les données sont vues comme des cubes de données (ou cuboïdes) Un cube de données (exemple: ventes) permet de voir les données selon plusieurs dimensions!!les tables de dimension exemple: item (nom_item, marque, type), ou temps (jour, semaine, mois, trimestre, année)!!la table de faits contient des mesures (exemple: unités_vendues) et les clés externes faisant référence à chaque table de dimension Un cube de dimension n est un treillis des cubes de dimension <n. Produit Données multidimensionnelles Montant des ventes comme une fonction des paramètres produit, mois, région Dimensions: Produit, Lieu, Temps Chemins de consolidation hiérarchiques Industrie Région Catégorie Pays Année Trimestre Produit Ville Mois Semaine Mois Magasin Jour 21! 22! Un exemple de cube" Treillis de cubes Date 1Trim 2Trim 3Trim 4Trim sum Total annuel des ventes de TV aux U.S.A Tout! U.S.A! Canada! Pays tout produit date pays produit,date produit,pays date, pays Cube (ou apex) Cubes D!" Cubes D!# Mexique! Cubes (de base) D-3 sum! produit, date, pays TV Partout! 23! 24!

7 Cube: Un treillis de cuboïdes tous! temps! item! lieu! fournisseur! temps,item! temps,lieu! item,lieu! Temps, fournisseur! temps,lieu, fournisseur! temps,item,lieu! item,fournisseur! Lieu, fournisseur! D=0 cube D!$ cubes D!$ cubes D!$ cubes Analyse en ligne (OLAP) OLAP (On-line Analytical Processing)!!créé en 1993 par Edgar F. Codd!!invoque des requête interactives pour alimenter un processus de décision!!but: rechercher des relations complexes entre les données et les analyser pour en extraire des informations (de manière itérative): modèles, tendances, conditions d'exceptions... Temps, item, fournisseur! item,lieu, fournisseur! D!$ cubes Temps, item,lieu,fournisseur! 25! 26! Analyse en ligne (OLAP)! 12 règles de Codd pour définir les requêtes OLAP (extrait):!!font appel à de très grands volumes de données (giga octets)!!analysent les relations entre de nombreux types d'éléments différents!!ont besoin de données agrégées!!comparent des données agrégées hiérarchiquement dans le temps (semaine, mois, trimestre...)!!présentent les données selon différentes perspectives (multidimensions)!!effectuent des calculs complexes!!doivent répondre vite aux requêtes des utilisateurs, sans altérer les performances du système d'information opérationnel!!présentent les données sous forme de tableaux croisés facilement manipulables, pour que toute l'attention de l'utilisateur se porte sur le processus d'analyse et non sur l'outil fournissant les informations;!!consultent les données sans les modifier Les 12 règles de Codd 27! 28!

8 Analyse en ligne (OLAP)! Analyse en ligne (OLAP) Base de données Métadonnées Requête Base ou entrepôt de données" Reporting Graphique Slice Dice Chemin de recherche de l'utilisateur" 29! 30! Analyse en ligne (OLAP) Requête Analyse Opérations 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:!!Projection et sélection du modèle relationnel Pivot (rotate):!!réoriente le cube pour visualisation Reporting 31! 32!

9 Opérations de l OLAP Consolidation:!!données agrégées selon des dimensions hiérarchiques (temps, localisation, produits...)!!peut être basée sur une expression (simple ou complexe) mettant en jeu des relations entre les données Exemples:!!pourcentage par rapport à un montant cumulé par région!!fonctions financières!!fonctions personnalisées... "Drill-down" (zoom avant): À partir d'une donnée agrégée, l'utilisateur doit pouvoir très simplement (par double-clique) visualiser les données de niveau de détail comprises dans cette donnée agrégée!!doit être possible selon toute la hiérarchie de la dimension considérée (exemple: année puis semestre, trimestre, mois...)!!navigation nécessaire dans le sens inverse Opérations de l OLAP "Slicing and dicing" (permutation des axes par "glisser-déplacer") manipulations pour permuter ces axes: simple "Glisser-Déplacer" d'une tête de colonne change l'axe d'analyse Exemple de données visualisées selon différentes perspectives: "!ventes par région et canal de distribution "!puis ventes par canal de distribution et type de produit "!puis marges par produit... "slicing and dicing" implanté à partir de Excel (>5) avec les "tableaux croisés dynamiques" 33! 34! Métadonnées! (1) chaque donnée est bornée dans le temps mais elle est aussi "marquée" par une description complète (données sur les données ou modèles de données: "métadonnées" (2) on sait toujours où se trouve les méta-données et on est sûr de les trouver sous une forme standard et accessible:!!chaque colonne de chaque table devient la clé d'une ligne de description et d'explication qui contient tout ce qu'il faut savoir sur la colonne!!sa signification (sémantique)!!son origine (base de production d'origine et procédure ou le programme qui a servi à la transformer)!!son historique (forme initiale, formes successives, date des versions)!!ses créateurs (nom des intervenants aux différents niveaux) Métadonnées CWM (Common Warehouse Metamodel) (ex OIM) est le langage de modélisation définissant les application de type datawarhouse Le méta-modèle étant celui d UML avec un grand nombre des méta-classes spéciales, comme par exemple pour modéliser une base de données relationneles Ce standard vise à spécifier les bases de données relationnelles, structurelles, OLAP, XML, Datamining, Multidimentionnel Les méta-modèles de CWM sont décrits avec MOF Meta Data Coalition (fin 1995): Arbor Software, IBM, Cognos, Business Objects, Evolutionary Technology, Platinum Technology, TI Software et Meta Group et d autres éditeurs, qui a depuis fusionné avec l'omg but: interface standard pour l accès aux métadonnées CWM MOF Version 1.3 (courante,) Mai 200, disponible à 35! 36!

10 Métadonnées CWM Le CWM (ex OIM) est décrit en UML et implanté en XML. Interopérabilité via CWM 37! 38! CWM CWM Indépendance des applications et des données : les applications sont développées autour des sources de données. Application 1 Application 2 Données 1 Données 2 Outils de Nettoyage P R O D U C T E U R Entrepôt données Relationel META-DONNEES Common Warehouse Meta-modèle Repositories services C O N S O M A T E U R Outil final d'utilisateur Outil final d'utilisateur CWM Méta-modèles Ressources et Analyses Outils de Transformation RDBMS Outil final d'utilisateur Pages : reprises de Jean Bézivin, Equipe ATLAS, INRIA & IRIN, Nantes 39! 40!

11 CWM CWM paquetages de haut niveau M!a!n!a!g!e!m!e!n!t! W!a!r!e!h!o!u!s!e!P!r!o!c!e!s!s! W!a!r!e!h!o!u!s!e!O!p!e!r!a!t!i!o!n! CWMFoundation A!n!a!l!y!s!i!s! T!r!a!n!s!f!o!r!m!a!t!i!o!n! O!L!A!P! D!a!t!a!M!i!n!i!n!g! I!n!f!o!r!m!a!t!i!o!n! B!u!s!i!n!e!s!s! V!i!s!u!a!l!i!s!a!t!i!o!n! N!o!m!e!n!c!l!a!t!u!r!e! R!e!s!o!u!r!c!e! O!b!j!e!c!t!M!o!d!e!l! R!e!l!a!t!i!o!n!a!l! R!e!c!o!r!d! M!u!l!t!i!d!i!m!e!n!s!i!o!n!a!l! X!M!L! WarehouseDeployment F!o!u!n!d!a!t!i!o!n! B!u!s!i!n!e!s!s! D!a!t!a!T!y!p!e!s! E!x!p!r!e!s!s!i!o!n!s! K!e!y!s!a!n!d! T!y!p!e! S!o!f!t!w!a!r!e! I!n!f!o!r!m!a!t!i!o!n! I!n!d!e!x!e!s! M!a!p!p!i!n!g! D!e!p!l!o!y!m!e!n!t! C!o!r!e! B!e!h!a!v!i!o!r!a!l! R!e!l!a!t!i!o!n!s!h!i!p!s! I!n!s!t!a!n!c!e! Relationel RecordOriented MMDB XML Le méta-modèle CWM est fortement structuré # 22 paquetages : 204 classes & 154 associations Transformation OLAP WarehousProcess WarehouseOperation 41! 42! CWM CWM -/contraint ChekContraint -deferrability : DeferrabilityType * 0..* 0..* -/contraintelement -/contraint Column CoumnSet -/owner -/feature * -precision : Integer -sca le : Integer -isnul lable : Nul lab let ype -length : Integer -col lationnam e : String -characterse tname : S tring -/ o p tionscopeco lumnset : NamedColum nset -/ referencedt ablet yp e : SQLStructuredT ype -structuralfeature -/type * * SQLDataType -typenumber : integer NemedColomnSet * -/ o p tionscopeco lumn : Column -/ type : SQLStructu redt ype -/ u singt rigger : T rigger -{ordred} Qu eryc olum nset -query : QueryExpression SQLDistinctType -length : Integer -presision : Integer -scale : Integer -/ sqlsimpletype : SQLSimpleTipe SQLSimpleType T able View * -sqldi stinctt ype -sqlsim plet ype 1 -charactermaximumlength : Integer -characterocte tlength : Integer -num ericprecisio n : Integer -num ericprecisionradix : Integer -num ericsca le : Integer -datet imeprecisio n : Integer Business Information Model Tables, colonnes et types de données 43! 44!

12 ETL : ExtractionTransformation Loading CWM Possibilité d extraire, de transformer, et de charger les données des ressources opérationnelles dans un entrepôt de données. L'extraction, la transformation et le chargement sont considérés comme des transformations, représentées par des modèles de transformations. Source Data TF Entrepôt de données Cible Source Data Sources opérationnelles de données ETL Cible Source Data Méta-données de transformations Cible 45! Exemple de document CWM 46! Modélisation conceptuelle des entrepôts de données Exemple de schéma en étoile 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)!!constellation de faits: Plusieurs tables de faits partagent quelques tables de dimension (constellation d étoiles) temps Id_temps jour Jour_semaine mois trimestre année branche Id_branche Nom_branche Type_branche Table de faits ventes id_time id_item id_branche id_lieu unités_vendues montant_ventes moyenne_ventes lieu item Id_item Nom_item marque type Type_fournisseur Id_lieu rue ville département pays Mesures 47! 48!

13 Exemple de schéma Snowflake Exemple de constellation de faits temps Id_temps jour Jour_semaine mois trimestre année 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 49! temps Id_temps jour Jour_semaine mois trimestre année branche Id_branche Nom_branche Type_branche Mesures 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 50! Entreprise warehouse Modèles d'entrepôts de données!!collecte de toutes les informations concernant les sujets traités au niveau de l organisation Data Mart!!Un sous ensemble d un entreprise warehouse. Il est spécifique à un groupe d utilisateurs (ex: data mart du marketing) Data warehouse virtuel!!un ensemble de vues définies à partir de la base opérationnelle!!seulement un sous ensemble des vues sont matérialisées Architecture des serveurs OLAP Relational OLAP (ROLAP)!!Utilise un SGBD relationnel pour stocker les données ainsi qu un middle-ware pour implémenter les opérations spécifiques de l OLAP Multidimensional OLAP (MOLAP)!!Basé sur un stockage par tableaux (techniques des matrices creuses)!!indexation rapide de données calculées 51! 52!

14 Utilitaires Extraction :!!Récupérer les données à partir des sources Nettoyage :!!détecter les erreurs et les corriger si possible Transformation :!!Convertir les formats Charger:!!Trier, consolider, calculer des vues, vérifier des contraintes, construire des index, vérifier des contraintes Rafraîchir!!Propager les mises à jour des sources sur l'entrepôts de données Entrepôts de données vs. SGBD hétérogènes Traditionnellement, l intégration de bases hétérogènes se fait par le biais de :!! Wrappers/mediateurs au dessus des bases hétérogènes!! Approche orientée requête "!Quand une requête est posée par un site client, un métadictionnaire est utilisé pour la traduire en plusieurs requêtes appropriées à chacune des bases. "!Le résultat est l intégration des réponses partielles "!L exécution des requêtes demande donc beaucoup de ressources Entrepôt de données : Approche orientée mise à jour!! Les infos sont intégrées et stockées pour une interrogation directe!!plus efficace en coût d exécution des requêtes 53! 54! Entrepôt de données vs. base opérationnelle OLTP (On-Line Transaction Processing)!!Exécution en temps réel des transactions, pour l enregistrement des opérations quotidiennes: inventaire, commandes, paye, comptabilité!!par opposition aux traitements en batch OLAP (On-Line Analytical Processing)!!Traitement efficace des requêtes d analyse pour la prise de décision qui sont par défaut assez complexes (bien qu a priori, elles peuvent être réalisées par les SGBD classiques) OLTP vs. OLAP :!!Données: courantes, détaillées vs. historiques, consolidées!!conception : modèle ER + application vs. Modèle en étoile + sujet!!vue : courante, locale vs. évolutive, intégrée SGBD et entrepôt de données Les 2 systèmes sont performants!!sgbd calibrés pour l OLTP: méthodes d accès, index, contrôle de concurrence, reprise!!warehouse calibrés pour l OLAP: requêtes OLAP complexes, vue multidimensionnelle, consolidation. Fonctions et données différentes:!!données manquantes: l aide à la décision a besoin des données historiques qui ne se trouvent pas dans les BD s opérationnelles!!consolidation: l AD a besoin de données consolidées (agrégats) alors qu elles sont brutes dans les BD s opérationnelles!!modes d accès: mise à jour vs. Lecture seule mais requêtes complexes 55! 56!

15 Schéma d'alimentation d'un entrepôt de données OLTP vs. OLAP Caractéristiques! Structure normalisée! Type abstrait! Parallélisme! Structure multidimensionnelle! Drill down! Rotation! Opération donnée-dépendante! Relationnelle! Multidimensionnelle! Objet! OLTP OLAP utilisateurs Tout le monde décideurs fonction Opérations journalières Aide à la décision DB design Orienté applications Orienté sujet data courante, à jour, relationnel plat usage répétitive ad-hoc historiques, résumés, multidimensionnelle intégrées accès read/write Beaucoup de scans index/hash sur clés Unité de travail Transactions courtes Requêtes complexes # enregistrement dizaines millions # utilisateurs Centaine(s) Dizaine(s) Taille BD 100MB-GB 100GB-TB métrique Exécution des transactions Temps de réponse aux requêtes 57! 58! Tables de choix Tables de choix Outil Question exemple utilisateur Requête et Qu'est il arrivé? ventes du mois, besoin de données reporting histoire des historique, peu de OLAP Qu'est il arrivé et pourquoi? inventaires ventes du mois comparées aux changement de prix technicité "slicing et dicing",très haute technicité EIS Que dois je savoir? tableau de bord besoin de données très synthétiques, peu de technicité Datamining Qu'il y a t'il d'intéressant?,que va t'il arriver? modèles prédictifs besoin d'extraire des connaissances cachées, très haute technicité Besoins! Utilisateurs! Système! Architecture! Serveur! DBMS! Site: département! But: analyse données! Site: département! But: recherche information! Site: entreprise! But: recherche information! Site: département! But: exploration! 1 endroit,! peu nombreux! dispersé,! très nombreux! dispersé,! très nombreux! quelques sites,! peu nombreux! PC + mini! consolidée! Classique ou SMP! multidimensionnelle! PC + mini! à 3 niveaux! SMP! multidimensionnelle! mainframe! centralisée! SMP! Objet! mainframe! centralisée! MPP! relationnelle! 59! 60!

16 Exemples! Exemples Wal*Mart (3000 hypermarchés aux USA)!! suivi des commandes!! établissement des prix,!! établissement des promotions... Teradata sur NCR 3600 (360 processeurs) et 2,7 TO Kraft Jacobs Suchard (KJS): confiserie, café, chocolat...!! suivie des ventes quotidienne,!! performance des vendeurs!! évolution des linéaires,!! analyse de l'activité Essbase avec 4 GO Agapes (165 restaurants: Flunch, Pic Pain...)!! attirer et fidéliser les clients!! améliorer les marges!! détecter produits à faible rotation... Essbase avec 10 GO Casino!!480 Giga-octets!!1000 magasins!!historique sur 25 mois!!mémorisation "!réceptacle de données "!data repository "!référentiel produit #! codes produits #!jusqu'à 450 données associées "!puissance de calcul!!futur data mining "!analyse des tickets de caisse "!carte de fidélité 61! 62! Principaux produits Business Objects version 4.0 (et >) : solution d'interrogation, d'analyse et de reporting des informations multidimensionnelles, dans un environnement indépendant de la base OLAP choisie Marchés Cognos Suite : suite décisionnelle, analyse avec Powerplay (outil OLAP), découverte avec Scenario et reporting avec Impromptu Essbase d'arbor Software (aujourd'hui Hyperion), fondateur du concept OLAP. Le produit Essbase est le plus répandu actuellement Express, offre multidimensionnelle d'oracle, comprend un moteur de base de données disponible à la fois sur site central ou sur PC, plus des outils client en environnement graphique permettant la consultation des données ou le développement d'applications spécifiques. SQL Server 200X, offre intégrée de Microsoft, contient un composant OLAP 63! Source :http://www.olapreport.com/ 64!

17 Références Site de Bernard LUPIN (Oracle Express) : "Le data warehouse Guide de conduite de projet", Ralph Kimball, Laura Reeves, Margy Ross, Warren Thornthwaite (Eyrolles) Open Source Bizgres : Data Warehouse sous PostgreSQL Palo : un serveur OLAP (MOLAP) en Open source avec Add-in Excel Mondrian : mondrian.sourceforge.net, un serveur OLAP écrit en JAVA freeolap : un serveur OLAP écrit en JAVA sous MySQL freeanalysis : 65! 66!

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

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

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

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

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

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

Bases de données multidimensionnelles OLAP

Bases de données multidimensionnelles OLAP Bases de données multidimensionnelles OLAP OLAP OLAP (On Line Analytical Processing): Ensemble des outils nécessaires pour l analyse multidimensionnelle. Les données sont historisées, résumées, consolidées.

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

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

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

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

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

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

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. 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

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

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

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

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

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

Sommaire. Introduction. Opérations typiques. Langages. Architectures

Sommaire. Introduction. Opérations typiques. Langages. Architectures OLAP IED 2006-2007 Sommaire Introduction Opérations typiques Langages Architectures Introduction Contexte un entrepôt de données offre des données - nombreuses - homogènes - exploitables - multidimensionnelles

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

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

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

Bases de données multimédias Bases de données multidimensionnelles

Bases de données multimédias Bases de données multidimensionnelles Bases de données multimédias Bases de données multidimensionnelles Contenu BD Multimédia : Caractéristiques Modélisation Interrogation Architectures des SGBD multimédias BD Multidimensionnelles Motivations

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

L'infocentre sert à prendre des décisions opérationnelles basées sur des valeurs courantes

L'infocentre sert à prendre des décisions opérationnelles basées sur des valeurs courantes II - II 1ère génération 13 2ème génération : Entrepôt de données / Magasin de données 15 3ème génération OLAP 16 Références Bibliographiques 18 A. 1ère génération Infocentre Tableur Base de données Infocentre

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

Fiche de lecture OLAP

Fiche de lecture OLAP Fiche de lecture OLAP NFE107 Urbanisation des Systèmes d Information Karim Sekri Informatique décisionnelle BI, Business Intelligence Système interprétant des données complexes permettant aux dirigeants

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

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

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

Business Intelligence avec Excel, Power BI et Office 365

Business 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 détail

Système OLAP Fresqueau

Système OLAP Fresqueau Système OLAP Fresqueau Kamal BOULIL Journées 20 mars Strasbourg Réunion plénière -Fresqueau 07-08 octobre 2013 1 Plan 1. Introduction 1. Projet ANR Fresqueau 2. Systèmes OLAP 2. Système OLAP Fresqueau

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

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

Bases de Données. Stella MARC-ZWECKER. stella@unistra.u-strasbg.fr. Maître de conférences Dpt. Informatique - UdS

Bases 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 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

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

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

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

Créer le modèle multidimensionnel

Créer le modèle multidimensionnel 231 Chapitre 6 Créer le modèle multidimensionnel 1. Présentation de SSAS multidimensionnel Créer le modèle multidimensionnel SSAS (SQL Server Analysis Services) multidimensionnel est un serveur de bases

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

PROJET ECUREUIL DU CNIP INFORMATIQUE DÉCISIONNELLE SERVEURS D'ANALYSE OLAP ESNE-IG RAPPORT DE TRAVAIL DE DIPLÔME 2007 FABIEN AIRIAU

PROJET ECUREUIL DU CNIP INFORMATIQUE DÉCISIONNELLE SERVEURS D'ANALYSE OLAP ESNE-IG RAPPORT DE TRAVAIL DE DIPLÔME 2007 FABIEN AIRIAU PROJET ECUREUIL DU CNIP INFORMATIQUE DÉCISIONNELLE SERVEURS D'ANALYSE OLAP ESNE-IG RAPPORT DE TRAVAIL DE DIPLÔME 2007 FABIEN AIRIAU Fabien Airiau ESNE-IG Rapport de travail de diplôme 2007 Page 1 sur 77

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

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

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

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

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

Bases de Données. Stella MARC-ZWECKER. stella@unistra.u-strasbg.fr. Maître de conférences Dpt. Informatique - UdS

Bases 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 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. (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

BUSINESS OBJECTS V5 / V6

BUSINESS OBJECTS V5 / V6 BUSINESS OBJECTS V5 / V6 Durée Objectif 2 jours L objectif de ce cours est de savoir utiliser le logiciel BUSINESS OBJECTS pour faire des interrogations multi - dimensionnelles sur les univers BO et de

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

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

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

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

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

Choix de l outil PENTAHO

Choix de l outil PENTAHO Choix de l outil PENTAHO GROUPES : Encadrant : IDRISSI BADSSI abd al moughit Mme LEMRINI loubna HALIM hamza LARHROUCH mustapha Table des matières Business intelligence... 2 Les Outils Open source de Business

Plus en détail

Intégration de données hétérogènes et réparties. Anne Doucet Anne.Doucet@lip6.fr

Intégration de données hétérogènes et réparties. Anne Doucet Anne.Doucet@lip6.fr Intégration de données hétérogènes et réparties Anne Doucet Anne.Doucet@lip6.fr 1 Plan Intégration de données Architectures d intégration Approche matérialisée Approche virtuelle Médiateurs Conception

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

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

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

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

5. Architecture et sécurité des systèmes informatiques Dimension Fonctionnelle du SI

5. Architecture et sécurité des systèmes informatiques Dimension Fonctionnelle du SI 5. Architecture et sécurité des systèmes informatiques Dimension Fonctionnelle du SI Un SI : et pour faire quoi? Permet de stocker de manière définitive des informations volatiles provenant d autre BD.

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

Module IUP3 Bases de Données Avancées. Esther Pacitti

Module IUP3 Bases de Données Avancées. Esther Pacitti Module IUP3 Bases de Données Avancées Esther Pacitti Objectifs générales du Module Réviser les principales concepts de BD relationnelle et la langage algébrique et SQL (interrogation et màj) Comprendre

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

Objectifs. Maîtriser. Pratiquer

Objectifs. Maîtriser. Pratiquer 1 Bases de Données Objectifs Maîtriser les concepts d un SGBD relationnel Les modèles de représentations de données Les modèles de représentations de données La conception d une base de données Pratiquer

Plus en détail

Les entrepôts de données pour les nuls... ou pas!

Les entrepôts de données pour les nuls... ou pas! Atelier aideà la Décision à tous les Etages AIDE@EGC2013 Toulouse Mardi 29 janvier 2013 Cécile Favre Fadila Bentayeb Omar Boussaid Jérôme Darmont Gérald Gavin Nouria Harbi Nadia Kabachi Sabine Loudcher

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

Prototype SOLAP appliqué sur des champs continus en mode raster

Prototype SOLAP appliqué sur des champs continus en mode raster Session démos 24 novembre 2014 Prototype SOLAP appliqué sur des champs continus en mode raster Analyse de hot spots de criminalité Jean-Paul Kasprzyk, doctorant Introduction 2 L informatique décisionnelle

Plus en détail

Option OLAP d'oracle Database 10g

Option OLAP d'oracle Database 10g Option OLAP d'oracle Database 10g Quand utiliser l'option OLAP pour améliorer le contenu et les performances d'une application de Business Intelligence Livre blanc Oracle Juin 2005 Option OLAP d'oracle

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

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

BUSINESS INTELLIGENCE

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

Plus en détail

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

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

Plus en détail

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

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

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

L informatique des entrepôts de données

L informatique des entrepôts de données L informatique des entrepôts de données Daniel Lemire SEMAINE 8 Introduction à OLAP 8.1. Présentation de la semaine Le modèle OLAP (Online Analytical Processing) est un modèle quasiomniprésent en intelligence

Plus en détail

BASE DE DONNEES. OlivierCuré [ocure@univ-mlv.fr]

BASE DE DONNEES. OlivierCuré [ocure@univ-mlv.fr] BASE DE DONNEES 1 Contact Olivier Curé ocure@univ-mlv.fr http://www.univ-mlv.fr/~ocure Copernic 4B060 2 Objectifs du cours Présentation des concepts liés aux bases de données, aux modèles des bases de

Plus en détail

Business Intelligence

Business 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 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

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

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

Plus en détail

IFT3030 Base de données. Chapitre 2 Architecture d une base de données

IFT3030 Base de données. Chapitre 2 Architecture d une base de données IFT3030 Base de données Chapitre 2 Architecture d une base de données Plan du cours Introduction Architecture Modèles de données Modèle relationnel Algèbre relationnelle SQL Conception Fonctions avancées

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

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

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

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

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

CAPACITE CARTOGRAPHIQUE AUTOUR DES TECHNOLOGIES SOLAP

CAPACITE CARTOGRAPHIQUE AUTOUR DES TECHNOLOGIES SOLAP CONSERVATOIRE NATIONAL DES ARTS ET METIERS CENTRE REGIONAL RHONE-ALPES CENTRE D'ENSEIGNEMENT DE GRENOBLE UE ENG111 - Epreuve TEST Travail d'etude et de Synthèse Technique en INFORMATIQUE CAPACITE CARTOGRAPHIQUE

Plus en détail

h3870 Entrepôts de données

h3870 Entrepôts de données h3870 Entrepôts de données Date de publication : 10/02/5 Par : Claude CHRISMENT Professeur à l'université Toulouse-3 Geneviève PUJOLLE Maître de conférences à l'université Toulouse-1 Franck RAVAT Maître

Plus en détail

Système de base de données

Système de base de données Système de base de données 1. INTRODUCTION Un système de base de données est un système informatique dont le but est de maintenir les informations et de les rendre disponibles à la demande. Les informations

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

Partie I : Introduction

Partie I : Introduction Partie I : Introduction Chapitre I : Introduction et Problématique 1. Introduction A l ère contemporaine, beaucoup d entreprises se sont adaptées au virage de la technologie en informatisant plusieurs

Plus en détail