K. Smaïli Professeur à l université Nancy2. 1/105 K. Smaïli 2008
|
|
- Fabienne Laberge
- il y a 8 ans
- Total affichages :
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 / # ) # /9# #& 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
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 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 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 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 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 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 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 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 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 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 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 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 détailChapitre 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 détailChapitre 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 détailETL 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 détailBI Open Source Octobre 2012. Alioune Dia, Consultant BI alioune.dia@openbridge.fr
BI Open Source Octobre 2012 Alioune Dia, Consultant BI alioune.dia@openbridge.fr 1 Le groupe, en bref 2004 Date de création +7M * Chiffre d affaires 2012 +80 Collaborateurs au 06/2011 35% Croissance chiffre
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 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 détailWorkflow/DataWarehouse/DataMining. 14-09-98 LORIA - Université d automne 1998 - Informatique décisionnelle - L. Mirtain 1
Workflow/DataWarehouse/DataMining 14-09-98 LORIA - Université d automne 1998 - Informatique décisionnelle - L. Mirtain 1 plan Workflow DataWarehouse Aide à la décision DataMinig Conclusion 14-09-98 LORIA
Plus en détailBI = 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 détailMéthodologie de conceptualisation BI
Méthodologie de conceptualisation BI Business Intelligence (BI) La Business intelligence est un outil décisionnel incontournable à la gestion stratégique et quotidienne des entités. Il fournit de l information
Plus en 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 détailPetit Déjeuner Pépinière du Logiciel Libre. 25 juin 2008
Petit Déjeuner Pépinière du Logiciel Libre 25 juin 2008 1 / 37 Agenda Définition & Principes Les différents outils & composants Les Solutions intégrés Open-Source Vos Questions 2 / 37 Agenda Définition
Plus en détailEvry - 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 détailPlan. 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 détailIntégration 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 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 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 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 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 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 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 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 détailCollabora'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 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 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 détailNos Solutions PME VIPDev sont les Atouts Business de votre entreprise.
Solutions PME VIPDev Nos Solutions PME VIPDev sont les Atouts Business de votre entreprise. Cette offre est basée sur la mise à disposition de l ensemble de nos compétences techniques et créatives au service
Plus en détailPROGICIELS DE GESTION INTÉGRÉS SOLUTIONS DE REPORTING
PROGICIELS DE GESTION INTÉGRÉS SOLUTIONS DE REPORTING 8 rue de Prague 75012 Paris contact@predixia.com DES SOLUTIONS SIMPLES ET INNOVANTES POUR LA GESTION ET LE PILOTAGE DE VOTRE ACTIVITÉ CONCEVOIR TRÉSORERIE
Plus en détailTravail de diplôme 2011 Business Intelligence Open Source SpagoBI/Talend Résumé
ESNE Travail de diplôme 2011 Business Intelligence Open Source SpagoBI/Talend Résumé I.Cirillo 2010-2011 Introduction Le laboratoire de base de données de l ESNE a mis en place, il y a quelques années,
Plus en 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 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 détailLe terme «ERP» provient du nom de la méthode MRP (Manufacturing Ressource Planning) utilisée dans les années 70 pour la gestion et la planification
Séminaire national Alger 12 Mars 2008 «L Entreprise algérienne face au défi du numérique : État et perspectives» CRM et ERP Impact(s) sur l entreprise en tant qu outils de gestion Historique des ERP Le
Plus en 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 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 détailIci, le titre de la. Tableaux de bords de conférence
Ici, le titre de la Tableaux de bords de conférence pilotage d entreprise, indicateurs de performance reporting et BI quels outils seront incontournables à l horizon 2010? Les intervenants Editeur/Intégrateur
Plus en 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 détailAnalyse comparative entre différents outils de BI (Business Intelligence) :
Analyse comparative entre différents outils de BI (Business Intelligence) : Réalisé par: NAMIR YASSINE RAGUI ACHRAF Encadré par: PR. L. LAMRINI Dans le domaine d économies des Big Data et Open Data, comment
Plus en détailL informatique décisionnelle
L informatique décisionnelle Thèse Professionnelle. Ce document est une thèse professionnelle dont la problématique est : Quelles sont les bonnes pratiques dans la mise en place d une solution décisionnelle
Plus en détailBUSINESS INTELLIGENCE
BUSINESS SYSTÈME D INFORMATION DÉCISIONNEL CENTRE DE RESSOURCES INFORMATIQUES PÔLE INFORMATIQUE DE GESTION & SI DÉFINITION L INFORMATIQUE DÉCISIONNELLE DÉSIGNE L ENSEMBLE DES TECHNOLOGIES UTILISÉES DANS
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 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 détailProgramme scientifique Majeure ARCHITECTURE DES SYSTEMES D INFORMATION. Mentions Ingénierie des Systèmes d Information Business Intelligence
É C O L E D I N G É N I E U R D E S T E C H N O L O G I E S D E L I N F O R M A T I O N E T D E L A C O M M U N I C A T I O N Programme scientifique Majeure ARCHITECTURE DES SYSTEMES D INFORMATION Mentions
Plus en détailConstruction d un environnement destiné à l'aide au pilotage
Retour d expérience Construction d un environnement destiné à l'aide au pilotage 1 «Journée sur le décisionnel et pilotage autour du SI de son référentiel» Marseille 26 juin Construction d un environnement
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 détailCatalogue Formation «Vanilla»
Catalogue Formation «Vanilla» Date : octobre 2009 Table des matières Liste des Formations...2 Contenu des formations...3 Vanilla FastTrack...3 Vanilla Architecture...5 Enterprise Services...6 BIPortail...7
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 détailLe 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 détailVers une vraie alternative du libre dans les logiciels d aide à la décision (BI)
Vers une vraie alternative du libre dans les logiciels d aide à la décision (BI) Aristote, le 10 juin 2010 http://www.smile.fr +33 1 41 40 11 00 / sdc@smile.fr Sommaire Smile Solutions décisionnelles open
Plus en détailBUSINESS 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 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 détailBI2B est un cabinet de conseil expert en Corporate Performance Management QUI SOMMES-NOUS?
SOMMAIRE Qui sommes nous? page 3 Notre offre : Le CPM, Corporate Performance Management page 4 Business Planning & Forecasting page 5 Business Intelligence page 6 Business Process Management page 7 Nos
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 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 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 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 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 détailBusiness 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 détailSystèmes d information décisionnels (SIAD) Extraction de connaissances (KDD) Business Intelligence (BI)
Systèmes d information décisionnels (SIAD) Extraction de connaissances (KDD) Business Intelligence (BI) Imade BENELALLAM Imade.benelallam@ieee.org AU: 2012/2013 Imade Benelallam : imade.benelallam@ieee.org
Plus en détailBUSINESS INTELLIGENCE
BUSINESS SYSTÈME D INFORMATION DÉCISIONNEL GROUPE COCKTAIL INFOCENTRE-PILOTAGE Le décisionnel et le pilotage autour du SGI et de son référentiel CENTRE DE RESSOURCES INFORMATIQUES PÔLE INFORMATIQUE DE
Plus en détailMyReport, une gamme complète. La Business Intelligence en toute simplicité : Concevez, partagez, actualisez! pour piloter votre activité au quotidien.
MyReportle reporting sous excel La Business Intelligence en toute simplicité : Concevez, partagez, actualisez! MyReport, une gamme complète pour piloter votre activité au quotidien. En rendant les données
Plus en détailBase de données clients outil de base du CRM
Base de données clients outil de base du CRM Introduction Objectifs SOMMAIRE Constitution de la base de données clients Alimentation Datamart et DataWarehouse Contenu Dimensions Exploitation de la base
Plus en détailLa Business Intelligence en toute simplicité :
MyReportle reporting sous excel La Business Intelligence en toute simplicité : Concevez, partagez, actualisez! En rendant les données accessibles aux personnes habilitées dans l entreprise (comptabilité,
Plus en détailProjet M1 Sujet 21 : Développement d'un logiciel simplifié de type Business Object
Florent Dubien Antoine Pelloux IUP GMI Avignon Projet M1 Sujet 21 : Développement d'un logiciel simplifié de type Business Object Professeur Tuteur : Thierry Spriet 1. Cadre du projet... 3 2. Logiciel
Plus en détailBusiness Intelligence
Pour aller plus loin Tous les détails de l offre Microsoft Business Intelligence : www.microsoft.com/france/decisionnel Contact Microsoft France : msfrance@microsoft.com Business Intelligence Votre Infrastructure
Plus en détailBusiness 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 détailIntroduction: 1. définition d un ETL 2. importance et diversité des données spatiales utilitédes ETL géographiques
1 2 Introduction: 1. définition d un ETL 2. importance et diversité des données spatiales utilitédes ETL géographiques 3 ETL = extracto-chargeur = datadumping La Business Intelligence, BI, (ou informatique
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 détailBusiness Intelligence, Etat de l art et perspectives. ICAM JP Gouigoux 10/2012
Business Intelligence, Etat de l art et perspectives ICAM JP Gouigoux 10/2012 CONTEXTE DE LA BI Un peu d histoire Premières bases de données utilisées comme simple système de persistance du contenu des
Plus en détailAgenda de la présentation
Le Data Mining Techniques pour exploiter l information Dan Noël 1 Agenda de la présentation Concept de Data Mining ou qu est-ce que le Data Mining Déroulement d un projet de Data Mining Place du Data Mining
Plus en détailLicence Professionnelle en Statistique et Informatique Décisionnelle (S.I.D.)
Université de Lille 2 - Droit et Santé Ecole Supérieure des Affaires & Institut Universitaire de Technologie (IUT-C) Département Statistique et Traitement Informatique des Données Licence Professionnelle
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 détailUE 8 Systèmes d information de gestion Le programme
UE 8 Systèmes d information de gestion Le programme Légende : Modifications de l arrêté du 8 mars 2010 Suppressions de l arrêté du 8 mars 2010 Partie inchangée par rapport au programme antérieur Indications
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 détailEvry - M2 MIAGE Entrepôts de Données
Evry - M2 MIAGE Entrepôts de Données Modélisation décisionnelle D. Ploix - M2 MIAGE - Conception EDD 1 Plan Construction de l entrepôt : les faits et les dimensions Préparation de l analyse : Les agrégats
Plus en détailVotre Infrastructure est-elle? Business Intelligence. Améliorer la capacité d analyse et de décision de vos équipes
Votre Infrastructure est-elle? Business Intelligence Améliorer la capacité d analyse et de décision de vos équipes Sommaire Introduction : Les domaines d application de la Business Intelligence p. 4 Vue
Plus en détail