K. Smaïli Professeur à l université Nancy2. 1/105 K. Smaïli 2008

Transcription

1 K. Smaïli Professeur à l université Nancy2 1/105 K. Smaïli 2008

2 Introduction au BI (Business Intelligence) Notion de Datawarehouse Cognos Powerplay Powerplay Transformer Impromptu Datamining Le panier de la ménagère Les arbres de décision Les algorithmes génétiques 2/105 K. Smaïli 2008

3 Le Data Warehouse : objectifs, définitions, architectures» J.M. Franco Eyrolles 1997 Concevoir et déployer un DW, guide de conduite de projet R.Kimball et al. Eyrolles 2000 Stratégies des PME et Intelligence Économique «Une méthode d analyse du besoin» Maryse Salles, Economica Novembre /105 K. Smaïli 2008

4 ! " #$ %& ' () * +, '-.& 4/105 K. Smaïli 2008

5 Circulation de l information 5/105 K. Smaïli 2008

6 / ' / &! " # $# % &' ' (! )*&%)) +,- ).//) ) 6/105 K. Smaïli 2008

7 '' Paradoxe : envoyez moi un sms pour me prévenir que vous m avez envoyé un mail 7/105 K. Smaïli 2008

8 0 ' '1 * , - ''4 ' '64 8/105 K. Smaïli 2008

9 0 ' ' 7.4-' '4 6 - '4.6 &8''5' '& 8- '& '. 9/105 K. Smaïli 2008

10 0 ' On consacrerait : 70 % de son temps à chercher l'emplacement de l'information 25 % à isoler l'information utile de la multitude des informations accolées 4 % à consulter des documents relatifs au thème de la recherche et seulement 1 % à comprendre. 10/105 K. Smaïli 2008

11 Le décideur est celui qui engage la pérennité ou la raison d être de l organisation. Les préoccupations du décideur Suis-je dans le vrai? Mes choix sont-ils bons? Comment prendre du recul par rapport à un quotidien qui m absorbe totalement? Où j en suis? Que deviendra mon entreprise dans les 2 ans qui viennent? Ou dois-je aller? Comment procéder? Quels sont les risques? 11/105 K. Smaïli 2008

12 Le Business Intelligence (BI), également "intelligence d'affaires" ou "informatique décisionnelle", englobe les solutions informatiques apportant une aide à la décision avec, en bout de chaîne, rapports et tableaux de bord de suivi à la fois analytiques et prospectifs. Le but est de consolider les informations disponibles au sein des bases de données de l'entreprise. 12/105 K. Smaïli 2008

13 Ensemble des disciplines de gestion des renseignements nécessaires à la prise de décision. Recouvre : L alimentation des entrepôts, Réalisation des cubes multidimensionnels Publication des informations La grande majorité des projets de BI sont fondés sur le fait que : "Pour décider, il faut un maximum d'informations". 13/105 K. Smaïli 2008

14 "0 1'2$!& 3) )#*)* 4 5 ) 14/105 K. Smaïli 2008

15 Décisionnel Caractérise le secteur de l informatique qui aide à la prise de décision, essentiellement dans les entreprises. Cela peut prendre la forme, par exemple, de tableaux de bord présentant de façon synthétique des informations diverses et variées. 15/105 K. Smaïli 2008

16 # Définition des tableaux de bord Un tableau de bord est un instrument de mesure de la performance. Le tableau de bord contribue à réduire l'incertitude et facilite la prise de risque inhérente à toute décision. Un des objectifs du tableau de bord est de détecter une activité anormale. Pour ce faire, il utilise généralement des figures et des couleurs permettant d'identifier rapidement le problème. 16/105 K. Smaïli 2008

17 9 17/105 K. Smaïli 2008

18 Raisons Accumulation des données grâce au faible coût de stockage Disponibilité de technologies adaptées pour : Exploration «intelligente» : Datamining L interrogation : Requêteurs L alimentation et l extraction : middleware 18/105 K. Smaïli 2008

19 Marché du décisionnel Le Business Intelligence connaît une croissance importante en France, il a atteint 1,57 milliards d'euros en D'après Gartner, le marché mondial de la Business Intelligence (BI) aurait généré 4,6 milliards de dollars de revenus en 2006 Les leaders du marché : IBM-Cognos Oracle-Hyperion SAP-BO 19/105 K. Smaïli 2008

20 Intérêts du décisionnel Le système décisionnel exploite les données structurées et accumulées dans l'entreprise en les mettant à la disposition de tous. Intérêts : La vision transversale permet d obtenir des performances des activités grâce à la centralisation et à la valorisation des données, L'animation des cadres par l'analyse de leurs performances, l'amélioration et l'automatisation des flux d informations circulant dans l entreprise, l'augmentation de la productivité et une meilleure réactivité, la faculté de pouvoir anticiper les évolutions des comportements des clients en s'affranchissant des compétences et contraintes techniques. 20/105 K. Smaïli 2008

21 Système décisionnel Sauvegarde et gère les données dans le Data Warehouse, les raffine avec les outils de datamining, les informations sont diffusées par le biais du reporting. Dans le Data Warehouse, on stocke le profil de chaque client au cours du temps. Cela permet à l entreprise de pratiquer une approche individualisée en marketing dite : one to one (plus exactement one to few). Un client fidèle à une enseigne de grande distribution vaut au cours du temps. Un client dont on n a pas le profil est assimilé à un client connu. 21/105 K. Smaïli 2008

22 Vers la transformation des SI en SID 6/#è# /#*," é 6/# é /# é* é é/ # 7* É #7é 8# 4#é : / #é /#; 22/105 K. Smaïli 2008

23 Système décisionnel Objectifs : Améliorer les performances d une entreprise Exemple : Qui sont mes clients? Pourquoi sont-ils chez nous? Comment les pousser à le rester ou les faire revenir En marketing : dans quel rayon placer un certain produit? Devant quel autre produit je peux le mettre pour attirer un maximum de clients. Quelle stratégie de marketing pour ce produit? 23/105 K. Smaïli 2008

24 Définition d un système d information stratégique Les SIS sont des systèmes d information qui visent à la fois à supporter la stratégie de l entreprise dans son activité opérationnelle et à former cette stratégie en aidant l entreprise à mieux se piloter (Tardieu 1991) 24/105 K. Smaïli 2008

25 Constat dès 1994 Les BD dans les entreprises contiennent de très nombreuses informations La recherche a proposé de nombreuses méthodes pour l aide à la décision Mais très peu d utilisation de l informatique par les décideurs 25/105 K. Smaïli 2008

26 Évolution de la situation Formalisation du concept de Data Warehouse en Concept créé par Bill Inmon Création des Data Warehouses (1992) Développement de nouveaux logiciels, EIS (Executive Information system) reposant sur une vision multidimensionnelle des données 26/105 K. Smaïli 2008

27 Data Warehouse Objectif Pour être exploitables, toutes les données (provenant du système de production de l'entreprise ou achetées) vont être organisées, coordonnées, intégrées et enfin stockées pour donner à l'utilisateur une vue globale des informations (informations "complètes" et "transversales"). Le Data Warehouse, "l Entrepôt de données" remplit la fonction de la BD. 27/105 K. Smaïli 2008

28 Base de données et Datawarehouse " / //)/ # //)& 1 ) //) / 4 *< //),%=.. 4 //) ) 28/105 K. Smaïli 2008

29 Base de données et Datawarehouse,%=. "# 4)# / /##//#)),) #A # ) A #5 29/105 K. Smaïli 2008

30 Base de données et Datawarehouse B C7 >#D EA ) &?3@?- 3@! #) F /# ) 1 A E )#) F E/#/# # 30/105 K. Smaïli 2008

31 Base de données et Datawarehouse Caractéristiques OLTP OLAP Utilisation Production aide à la décision Utilisateur Département Transversal (entreprise) Normalisées, non agrégées Dénormalisées et agrégées Données Simples, nombreuses, prévisibles et répétitives Requêtes Nb de tuples utilisés par requêtes Dizaines Millions Taille des données 100 MB à 1 GB Type de données Récentes, mises à jour Complexes, peu nombreuses, non prévisibles plusieurs Téra Historisées 31/105 K. Smaïli 2008

32 Spécification d un datawarehouse Par le biais d une interface conviviale et grâce à des outils d'édition un utilisateur non informaticien aura la possibilité de : Interroger et analyser les données de l entreprise en architecture client /serveur ou web, Diffuser et partager l information auprès de ses collaborateurs, Publier et traiter automatiquement des documents sur le Web. 32/105 K. Smaïli 2008

33 Data Warehouse La taille du Data Warehouse est globalement fonction de la taille des organisations. Rapprochement avec les activits logistiques : Entrepôt de données (DW) : pour les grands volumes Magasin (DM) : volumes plus faibles à la taille de magasin ou de services d entreprise. Taille du Data Warehouse : L unité de stockage est le giga octet Mag Info gère la carte Cofinoga (société de crédit) et dispose de 30 Téra octets soit 3. 10^5 GO Une PME de fabrication de lingerie féminine destinée aux grandes surfaces dispose de 4 GO 33/105 K. Smaïli 2008

34 Data Warehouse Dfinition B.7 ) 5 ># ) ) #># 7))>47 / 5 ) ="# )/)GB 7. 7G )/.7 /D & H.7 ) ))) 7) ) 4 4A )I 34/105 K. Smaïli 2008

35 Data Warehouse Orientées sujet Le Data Warehouse est organisé autour des sujets majeurs de l entreprise, contrairement aux données des systèmes de production. Ceux-ci sont généralement organisés par processus fonctionnels. Les données sont structurées par thème. L intérêt de cette organisation est de disposer de l ensemble des informations utiles sur un sujet le plus souvent transversal aux structures fonctionnelles et organisationnelles de l entreprise. 35/105 K. Smaïli 2008

36 Données intégrées Data Warehouse Avant d être intégrées dans le Data Warehouse, les données doivent êtres mises en forme et unifiées afin d avoir un état cohérent. Une donnée doit avoir une description et un codage unique. 36/105 K. Smaïli 2008

37 Données historisées Data Warehouse Dans un système de production ; la donnée est mise à jour à chaque nouvelle transaction. Dans un Data Warehouse, la donnée ne doit jamais être mise à jour. Un référentiel temps doit être associé à la donnée afin d être capable d identifier une valeur particulière dans le temps. 37/105 K. Smaïli 2008

38 Données non volatiles Data Warehouse La non volatilité des données est en quelque sorte une conséquence de l historisation. Une même requête effectuée à quelques mois d intervalle en précisant la date de référence de l information recherchée donnera le même résultat 38/105 K. Smaïli 2008

39 Notion de dimension Dimension Une dimension est un un thème porté par un axe (attributs) de l hypercube selon lequel les données seront analysées. Exemple : Temps, Commercial, Produits Une dimension contient des informations organisés en hiérarchie. Chacune des informations appartient à un niveau hiérarchique (ou niveau de granularité) particulier Exemple : pour la dimension Temps: année, semestre, mois, jour 39/105 K. Smaïli 2008

40 Notion de dimension #$!" 40/105 K. Smaïli 2008

41 : $% $% % &% '% % ( % ) % * +,$ $ (% ( +,$ $ 41/105 K. Smaïli 2008

42 Définition Notion de mesure B# é * / //é # Une mesure sert à déterminer les performances d'une entreprise. Il peut s'agir : d'un simple récapitulatif des informations disponibles (par exemple, le nombre d'unités expédiées, les recettes, les dépenses, les niveaux des stocks ou les quotas), d'une valeur calculée (par exemple, la différence entre les recettes prévues et les recettes réelles qui indique l'écart entre la réalité et les prévisions). 42/105 K. Smaïli 2008

43 Notion de mesure Objectifs Qté vendue Prix 43/105 K. Smaïli 2008

44 Exemple de dimensions et de mesures 9 TEMPS PRODUITS LIEU MESURES Années Familles Usines Qte-Produite Mois Gammes Unités Coût Produit fini 44/105 K. Smaïli 2008

45 Lien entre dimension et mesure : notion d hypercube Définition Un hypercube est une structure permettant de croiser des dimensions pour stocker des variables 45/105 K. Smaïli 2008

46 Représentation multidimensionnelle? Paris <==> Qte Vendue ; 46/105 K. Smaïli 2008

47 9 - $ $./ / $ $ / $ 0 47/105 K. Smaïli 2008

48 Transformation d une table en DW!, J, 3 # K,, ' BDD, L J ' 3 # ', ' %## J L %## 3 # L %##, 'L %## 'L DW " # $ % & $ K ' L '()) * ' ' ' +,))) - L L 'L 'L ')))) +.))) /)))) 0+))) 0.())10.()) 48/105 K. Smaïli 2008

49 9 Crayon Stylo Europe Amérique /105 K. Smaïli 2008

50 9 Crayon Stylo Allemagne France /105 K. Smaïli

51 1$. Hypercube : BD multidimensionnelle Axes: dimensions (date, type de produits, région), Chaque cellule de l'hypercube contient une mesure (vente de produit). Le modèle multidimensionnel contient 2 types d attributs : les dimensions et les mesures Dimension contient des membres organisés en hiérarchie : Chacun des membres appartient à un niveau hiérarchique (ou niveau de granularité) particulier Granularité d une dimension : nombre de niveaux hiérarchiques Exemple Temps : année semestre trimestre - mois 51/105 K. Smaïli 2008

52 1$ Continent Pays Ville 52/105 K. Smaïli 2008

53 2 $$. Opérateurs appliqués sur le cube sont algébriques (le résultat est un autre cube) et peuvent être combinés Les Opérateurs de base : Slicing (tranches) & Dicing (cube) (extraction) Changement de la granularité d'une dimension Roll up (agrégation d'une dimension =>résumé) Drill down (plus détaillées) 53/105 K. Smaïli 2008

54 Comparaison avec l approche relationnelle 8 ' Un point de l hypercube correspond à un quadruplet de la relation : Ventes (DATE,REFPROD,REFFOUR,QTEVENDUE) Date Date Produit Refproduit 0,n Ventes QtteVendus 0,n 0,n Fournisseur RefFour Avec un SGBD relationnel tout calcul de cumul partiel nécessite l écriture d une requête complexe (avec GROUP BY) Dans une BDM tous les agrégats sont pré-calculés (matrices creuses) 54/105 K. Smaïli 2008

55 Avantage des BD multidimensionelles 0 # Séparation des données quantitatives des données qualitatives Précalculs des agrégats à tous les niveaux Relative souplesse dans la définition des dimensions Exemple : ajouter «semestre» imposera de regénérer l hypercube Data Surfing : navigation dans les données 55/105 K. Smaïli 2008

56 Exemple # # 4!"!" ( * )% )% )% 3% " $ - #,$ 4 ( * )% )% % " 3( 3% 3( *% 3% ) (% 3( "!" 4 4 5$ #$ 56/105 K. Smaïli 2008

57 Construction d un Data Warehouse Comme pour n importe quelle structure de données, il est nécessaire de pouvoir extraire les données, les stocker et d y accéder : 1- Acquisition 2- Stockage 3- Accès 57/105 K. Smaïli 2008

58 Construction d un Data Warehouse Acquisition Elle se compose de trois phases : l extraction, la préparation et le chargement. L extraction : collecter les données utiles dans le système de production. La préparation : plusieurs technologies sont utilisables : les passerelles, fournies par les éditeurs de base de données, les outils spécifiques d extraction (prix élevé). 58/105 K. Smaïli 2008

59 Construction d un Data Warehouse La préparation inclus la mise en correspondance des formats de données, le nettoyage, la transformation et l agrégation. Le chargement : il constitue la dernière phase d alimentation. Il est indispensable de maîtriser la structure du SGBD (tables et index) pour optimiser au mieux le processus. 59/105 K. Smaïli 2008

60 Construction d un Data Warehouse Extraction SGBD et supports physiques hétérogènes Qualité inégale des données Représentation hétérogènes Centralisées Fiables interprétables 60/105 K. Smaïli 2008

61 Construction d un Data Warehouse (ETL) Alimentation Filtrer Nettoyer Homogénéiser trier 61/105 K. Smaïli 2008

62 Construction d un Data Warehouse (ETL) FS Intégration des données $ Uniformisation à cause de la multiplicité des sources Char(10) Real Real(15) Real(15) 62/105 K. Smaïli 2008

63 Construction d un Data Warehouse (ETL) Yard Intégration des données Inch Cm April, 29, 2008 Cm Uniformisation à cause de la multiplicité des sources 28 avril 2008l 28/04/ /28/08 63/105 K. Smaïli 2008

64 Construction d un Data Warehouse Uniformisation des données et informations à cause de la multiplicité des sources : Codage de couleurs différents : Brun, marron Découpage des activités selon des normes géographiques particulières : Découpage des activités dans un pays Nord Sud ou Est-Ouest 64/105 K. Smaïli 2008

65 ETL (Extract-Transform-Load) Une technologie permettant d effectuer des synchronisation massives d information d une technologie permettant d effectuer des synchronisation massives d information d une banque de données vers une autre Ce système ne se contente pas de charger les données, il doit les dé-normaliser, les nettoyer,, puis de les charger de la façon adéquate. 65/105 K. Smaïli 2008

66 ETL Talend 66/105 K. Smaïli 2008

67 ETL Talend 67/105 K. Smaïli 2008

68 ETL Talend 68/105 K. Smaïli 2008

69 ETL (Extract-Transform-Load) Dénormalisation : La 3FN n est pas souhaitée. Il faut que les données apparaissent là où elles doivent être Nettoyage : Les utilisateurs peuvent introduire des erreurs dans les données. Ils peuvent saisir Toul au Lieu de Tour Chargées en DW : c'est l'étape la plus complexe, il s'agit ici d'ajouter de nouveaux enregistrements, de faire attention à la cohérence globale des données 69/105 K. Smaïli 2008

70 Construction d un Data Warehouse Stockage Agnès Dupont Nancy Isabelle Paty Metz Jean Mémé Paris Danièle Koraci Mars 2006 Agnès Dupont Nancy Jean Mémé Paris Février 2006 Danièle Koraci Isabelle Paty Metz /105 K. Smaïli 2008

71 Construction d un Data Warehouse Stockage Jou1 Jou2 Jou3 Jou30 Sem1 Sem2 Sem3 Sem7 Organisation des données provenant des bases de données selon un certain découpage temporel Mois1 Mois2 Mois3 Moi12 Trim1 Trim2 Trim3 Trim4 Ann1 An 2 An 3 An n 71/105 K. Smaïli 2008

72 Construction d un Data Warehouse Produit(NumProd, Libelle,Prix) Vente(NumProd, NumEntrStock,Date,Qte) Entrepot(NumEntr,Ville,Dept) 72/105 K. Smaïli 2008

73 Construction d un Data Warehouse Produit(NumProd, Libelle,Prix) Vente(NumProd, NumEntrStock,Date,Qte) Entrepot(NumEntr,Ville,Dept) Pour obtenir le montant total des produits provenant d une ville SELECT [ville], p.numprod, sum([qte]*[prix]) AS Total FROM produit AS p, vente AS v, entrepot AS e WHERE p.numprod=v.numprod and v.numentrstock=e.numentr GROUP BY [ville], p.numprod; 73/105 K. Smaïli 2008

74 Construction d un Data Warehouse Produit(NumProd, Libelle,Prix) Vente(NumProd, NumEntrStock,Date,Qte) Entrepot(NumEntr,Ville,Dept) Pour obtenir le montant total des produits provenant d un département SELECT [Dep], p.numprod, sum([qte]*[prix]) AS Total FROM produit AS p, vente AS v, entrepot AS e WHERE p.numprod=v.numprod and v.numentrstock=e.numentr GROUP BY [Dep], p.numprod; 74/105 K. Smaïli 2008

75 Construction d un Data Warehouse Avec un data warehouse, tous les totaux et récapitulatifs peuvent être obtenus beaucoup plus facilement. Nous construisons la source de données par la requête suivante : SELECT [libelle], [prix], [numentr], [ville], [dep], [date], [qte], [qte]*[prix] AS [transaction] Faire une démo FROM vente AS v, entrepot AS e, produit AS p WHERE p.numprod=v.numprod and v.numentrstock=e.numentr; 75/105 K. Smaïli 2008

76 Construction d un Data Warehouse 76/105 K. Smaïli 2008

77 Construction d un Data Warehouse 77/105 K. Smaïli 2008

78 Construction d un Data Warehouse 78/105 K. Smaïli 2008

79 $6 $+ 78 Normalisation: Éliminer les redondances Préserver la cohérence des données Optimisation des transactions Réduction de l espace de stockage Inconvénients pour un utilisateur final: Schéma très/trop complet: Contient des tables/champs inutiles pour l analyse Inadapté pour l analyse 79/105 K. Smaïli 2008

80 9 80/105 K. Smaïli 2008

81 7: Transporteur Mode d expédition Contrat Type de contrat Client Commande client Magasin Produit Groupe de produits Employé Stock Région de ventes Famille de produits Fonction Fournisseurs Division de ventes 81/105 K. Smaïli 2008

82 6 Nouvelle méthode de conception autour des concepts métiers Ne pas normaliser au maximum Introduction de nouveaux types de table: Table de faits Table de dimensions Introduction de nouveaux modèles: Modèle en étoile Modèle en flocon 82/105 K. Smaïli 2008

83 Modélisation d un DataWarehouse 2 #1) / 6 / # ) # /&#57# #& 7# # E) / 83/105 K. Smaïli 2008

84 . Table principale du modèle dimensionnel Contient les données observables (les faits) sur le sujet étudié selon divers axes d analyse (les dimensions) Clés étrangères vers les dimensions Faits Table de faits des ventes Clé date (CE) Clé produit (CE) Clé vendeur (CE) Quantité vendue Montant 84/105 K. Smaïli 2008

85 Modélisation d un Datawarehouse )))) :7560))' #22 79:& 85/105 K. Smaïli 2008

86 Modélisation d un DataWarehouse & 1;#! 6< 4 0;$ ; 35 +;2 35 ; 86/105 K. Smaïli 2008

87 . Axe d analyse selon lequel vont être étudiées les données observables (faits) Contient le détail sur les faits Clé de substitution Attributs de la dimension Clé produit (CP) Libellé Description du produit Famille du produits Marque Emballage Poids Dimension produit 87/105 K. Smaïli 2008

88 Modélisation d un Data Warehouse = B!! /# # )-#) #4 88/105 K. Smaïli 2008

89 Modélisation en étoile Table de faits Vendeur NumVendeur Département Région Date Date Trimestre Mois Jour Vente NumVendeur Date RefProd Qtte Montant Produit RefProduit TypeProduit CatégorieProduit 89/105 K. Smaïli 2008

90 Modélisation en étoile Vendeur NumVendeur Département Région Table de faits Date Date Trimestre Mois Jour Vente NumVendeur Date RefProd Qtte Montant Normalisation : TypeProduit -> CatégorieProduit Département -> Région Mois -> Trimestre. Produit RefProduit TypeProduit CatégorieProduit 90/105 K. Smaïli 2008

91 Modélisation en flocon Le modèle en flocon de neige est dérivé du modèle étoile en normalisant les tables de dimensions. La table de faits reste inchangée Avec ce schéma chaque dimension est décomposée selon sa ou ses hiérarchies 91/105 K. Smaïli 2008

92 Modélisation en flocon 92/105 K. Smaïli 2008

93 Une table de faits et des dimensions décomposées en sous hiérarchies On a un seul niveau hiérarchique dans une table de dimension La table de dimension de niveau hiérarchique le plus bas est reliée à la table de fait. On dit qu elle a la granularité la plus fine Avantages: Normalisation des dimensions Économie d espace disque Inconvénients: Modèle plus complexe (jointure) Requêtes moins performantes 93/105 K. Smaïli 2008

94 Convertir un modèle E/A en modèle multidimensionnel Identifier le processus que l on souhaite modéliser Identifier les relations n-m pour les convertir en tables de faits Dé-normaliser les autres relations pour faire des dimensions plates Repérer le temps dans les différentes entités et l intégrer 94/105 K. Smaïli 2008

95 Convertir un modèle E/A en modèle multidimensionnel Une table de faits est constituée généralement de clés étrangères et de valeurs (ou mesures) Dé-normalisation des tables : Toutes les entités ou tables qui ont un lien 1 à n sont regroupées au sein d une même table appelée dimension. Cela permet d avoir la hiérarchisation que l on connaît dans les DW. On trouvera des informations du spécifique vers le général 95/105 K. Smaïli 2008

96 Région NumRégion Région 0,n AppReg 0,n Client NumClient NomClient Convertir un modèle E/A en modèle multidimensionnel 0,n 0,n Appartient Voiture 1,1 NumVoiture Type 1,n Type NumType Type NbChevaux 1,1 TypeMarq Possède PrixAchat D 0,n Date PrixAchat 1,n Marque NumMarque Marque DimensionVoiture NumVoiture Type Marque DimensionClient NomClient Région Possède NumClient NumVoiture DateTransac PrixAchat DimensionDate 96/105 Mois K. Smaïli 2008 Trimestre Année

97 +$ $6 9; $ OLAP (On-line Analysis Processing) cube à N dimensions où toutes les intersections sont calculées Opérations OLAP : Drill up /Drill down Rotate Slicing Scoping 97/105 K. Smaïli 2008

98 +$ $6 9&&<# Drill up Drill down 98/105 K. Smaïli 2008

99 +$ $6 9&&<# Rotate 99/105 K. Smaïli 2008 Rotate

100 +$ $6 9& Prendre une tranche du cube 100/105 K. Smaïli 2008 Slicing

101 +$ $6 9; $ Slicing et dicing Slicing: Sélection de tranches du cube par des prédicats selon une dimension filtrer une dimension selon une valeur Exemple: Slice (2005) : on ne retient que la partie du cube qui correspond à cette date Dicing: extraction d'un sous-cube (une partie du cube) Rollup (Drill up) : ou forage vers le haut: consiste à représenter les données du cube à un niveau de granularité supérieur conformément à la hiérarchie définie sur la dimension. Drill-down ou forage vers le bas : consiste à représenter les données du cube à un niveau de granularité de niveau inférieur, donc sous une forme plus détaillée. 101/105 K. Smaïli 2008

102 Architecture d un Data Warehouse Architecture ROLAP (Relational OLAP): Le stockage des données est réalisé dans un SGBD séparé du système de production. Le SGBD est alimenté par des extractions périodiques. Données stockées dans une base de données relationnelles Un moteur OLAP permet de simuler le comportement d un SGBD multidimensionnel Moins performant lors des phases de calcul 102/105 K. Smaïli 2008

103 Architecture d un Data Warehouse Architecture MOLAP (Multidimensional OLAP) : ")& ) #)#)## #A # B=M'&#'&'&NO#! 5) # 3P)& F 8 > # ) 5#&0 / 103/105 K. Smaïli 2008

104 Architecture d un Data Warehouse #4 >#3> #5 ")&?3@QF?3@.)/ #!1).)))1) *<77 ) 104/105 K. Smaïli 2008

105 Architecture d un Data Warehouse Architecture virtuelle : Cette architecture n est pratiquement pas utilisée pour le Data Warehouse. Les données résident dans le système de production. Elles sont rendues visibles par des produits middleware ou par des passerelles. Il en résulte deux avantages : pas de coût de stockage supplémentaire L inconvénient est que les données ne sont pas préparées. 105/105 K. Smaïli 2008

106 Schéma Décisionnel Pattern Evaluation Transformed Data Data mining Data Warehouse Selection Data cleaning Data integration 106/105 K. Smaïli 2008

107 107/105 K. Smaïli 2008

108 5$,$$$ ETL Entrepôt de données OLAP Reporting Data Mining Octopus MySql Mondrian Birt Weka Kettle Postgresql Palo Open Report R-Project CloverETL Greenplum Jasper Report Orange Talend JFreeReport Xelopes Intégré Pentaho (Kettle, Mondrian, JFreeReport, Weka) SpagoBI 108/105 K. Smaïli 2008