Architecture des entrepôts de données

Dimension: px
Commencer à balayer dès la page:

Download "Architecture des entrepôts de données"

Transcription

1 MTI820 Entrepôts de données et intelligence d affaires Architecture des entrepôts de données Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaEi, C. Desrosiers 1

2 Le cycle de vie d un projet en BI Diagramme de flux de travail: Concep<on de l architecture technique Sélec<on et installa<on des produits Croissance Planifica<on de projet / programme Défini<on des besoins d affaires Modélisa<on des données Concep<on physique Concep<on et développement du système ETL Déploiement Concep<on des applica<on de BI Développement des applica<ons de BI Maintenance Ges<on de projet / programme Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaEi, C. Desrosiers 2

3 QuesPons À quoi sert le plan architecturel d une solupon de BI? Quels sont les facteurs pouvant avoir un impact sur l architecture de la solupon? Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaEi, C. Desrosiers 3

4 Architecture technique Besoins d affaires: «Que doit- on faire?» Architecture: «Comment allons- nous le faire?» Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaEi, C. Desrosiers 4

5 La valeur de l architecture Encourage la sapsfacpon des besoins: Les besoins techniques dérivent des besoins d affaires; Documents d architecture. Facilite la communicapon: Illustre les différents rôles au sein du système; Communique la complexité du projet aux cadres supérieurs. Aide à la planificapon: Regroupe tous les détails techniques; IdenPfie des dépendances et de nouveaux de besoins. Flexibilité, producpvité et maintenance: Métadonnées, sélecpon d oupls, etc. Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaEi, C. Desrosiers 5

6 Facteurs à considérer [1/2] L interdépendance informaponnelle entre les unités de l entreprise Ex: bonne intégrapon (ex: MDM) VS silos de données Les sources de données Ex: 1 source VS 10 sources, ERP VS legacy, etc. La quanpté des données Ex: gigaoctets VS teraoctets La latence des données Ex: mise- à- jour hebdomadaire VS temps- réel L urgence d obtenir une solupon foncponnelle Ex: entrepôt d'entreprise (EDW) VS magasin de données Département de génie logiciel et des TI MTI820 Hiver 2011 C. Desrosiers 6

7 Facteurs à considérer [2/2] Le nombre d'uplisateurs Ex: uplisateurs vs uplisateurs La nature des tâches des uplisateurs finaux Ex: rapports simples VS fouille de données Les contraintes sur les ressources Ex: financières, main d'œuvre, biais technologique, etc. Les objecpfs du projet Ex: stratégique VS opéraponnel Autres facteurs Ex: polipques, habilités du personnel TI, etc. Département de génie logiciel et des TI MTI820 Hiver 2011 C. Desrosiers 7

8 QuesPons Quelle est la différence entre un magasin de données et un entrepôt de données? Département de génie logiciel et des TI MTI820 Hiver 2011 C. Desrosiers 8

9 Les magasins de données (data mart) [1/2] CaractérisPques: ConPent une porpon du contenu de l entrepôt de données; Se concentre sur 1 sujet d analyse Ex: les ventes OU les livraisons, mais pas les deux; Sert à faire des analyses simples et spécialisées Ex: les fluctuapons des ventes par catégorie de produits; Nombre de sources limitées, provenant la plupart du temps d un même département; Processus ETL relapvement simple, souvent fait à l aide de code maison; Même processus de conceppon que les entrepôts de données, mais demande moins de ressources. Département de génie logiciel et des TI MTI820 Hiver 2011 C. Desrosiers 9

10 Les magasins de données (data mart) [2/2] Caractéris<que Magasin de données Entrepôt de données (EDW) Portée Un domaine d analyse Plusieurs domaines d analyse Temps de développement Mois Années Coûts de développement $ 10,000 à $ 100,000 + $ 1,000,000+ Complexité de développement Faible à moyenne Grande Taille des données Mb à plusieurs Gb Gb jusqu à plusieurs Pb Horizon des données Courantes et historiques La plupart du temps historiques Transforma<on des données Faible à moyenne Importante Fréquence des mises- à- jour Horaire, journalier ou hebdomadaire Peu aller jusqu à mensuel Nombre d u<lisateurs simultanés Dizaines Centaines à milliers Types d u<lisateur Objec<fs d affaires Analystes dans le domaine spécifique et gesponnaires OpPmisaPon des acpvités dans le domaine spécifique Analyste d entreprise et cadres seniors OpPmisaPon inter- foncponnelle et support à la décision Source: E. Turban, R. Sharda, D. Delen et D. King (2010). «Business intelligence: A manegerial approach», Pearson. Département de génie logiciel et des TI MTI820 Hiver 2011 C. Desrosiers 10

11 QuesPons Quelles sont les différentes architectures d entrepôts de données? Quelles sont les critères perme{ant de comparer différentes architectures? Département de génie logiciel et des TI MTI820 Hiver 2011 C. Desrosiers 11

12 Les architectures d entrepôts de données 1. Magasins de données indépendants 2. Architecture en bus de magasins de données 3. Architecture Hub- and- spoke 4. Entrepôt de données centralisé 5. Architecture fédérée Département de génie logiciel et des TI MTI820 Hiver 2011 C. Desrosiers 12

13 Magasins de données indépendants [1/2] Systèmes source ETL Datamarts indépendants Repor<ng U<lisateurs Source 1 Staging Area Datamart 1 App 1 silos de données Source 2 Staging Area Datamart 2 App 2 Source 3 Staging Area Datamart 3 App 3 Département de génie logiciel et des TI MTI820 Hiver 2011 C. Desrosiers 13

14 Magasins de données indépendants [2/2] CaractérisPques: Les datamarts sont développés et opèrent de manière indépendante; Les données sont disposées en «silos foncponnels»; Pas de dimensions conformes. Avantages/inconvénients: (+) Architecture la plus simple et la moins coûteuse à développer; ( ) Incohérences et redondances entre les datamarts (ex: dimensions, définipons, mesures, types, etc.); ( ) Il n y a pas une seule version de la vérité; ( ) Analyse inter- foncponnelle difficile ou impossible; ( ) Vision limitée, pas extensible. Département de génie logiciel et des TI MTI820 Hiver 2011 C. Desrosiers 14

15 Bus de magasins de données [1/2] Systèmes source ETL Datamarts liés par dimensions conformes Repor<ng U<lisateurs Source 1 Datamart 1 Source 2 Staging Area Datamart 2 Infrastructure de repor<ng Source 3 Datamart 3 Entrepôt de données conceptuel Département de génie logiciel et des TI MTI820 Hiver 2011 C. Desrosiers 15

16 Bus de magasins de données [2/2] CaractérisPques: Approche bo8om- up, proposée par R. Kimball; Datamarts développés par sujet/processus d affaires, en se basant sur des dimensions conformes; ModélisaPon dimensionnelle (schéma en étoile), au lieu du modèle enpté- relapon (ex: 3FN); Entrepôt de données conceptuel, formé de magasins de données inter- reliés à l aide d une couche d intergiciels (middleware). Avantages/inconvénients: (+) IntégraPon des données assurée par les dimensions conformes; (+) Approche incrémentale (processus les plus importants d abord); (+) Donne des résultats rapidement; ( ) ItéraPons futures difficiles à planifier; ( ) Performance sous- oppmale des analyses impliquant plusieurs datamarts. Département de génie logiciel et des TI MTI820 Hiver 2011 C. Desrosiers 16

17 Architecture Hub- and- spoke [1/2] (Corporate Informa>on Factory) Systèmes source ETL Datamarts dépendants Repor<ng U<lisateurs Source 1 Entrepôt de données d entreprise Datamart 1 Source 2 Staging Area EDW Datamart 2 Infrastructure de repor<ng Source 3 Datamart 3 Concentrateur (hub) Rayons (spokes) Département de génie logiciel et des TI MTI820 Hiver 2011 C. Desrosiers 17

18 Architecture Hub- and- spoke [2/2] (Corporate Informa>on Factory) CaractérisPques: Approche top- down, proposée par B. Inmon et al. Entrepôt (hub) conpent les données atomiques (c.- à- d. le niveau de détail le plus fin) et normalisées (3FN); Les datamarts (spokes) reçoivent les données de l entrepôt; Les données des datamarts suivent le modèle dimensionnel et sont principalement résumées (pas atomique); La plupart des requêtes analypques sont faites sur les datamarts. Avantages/inconvénients: (+) IntégraPon et consolidapon complète et des données de l entreprise; (+) Approche itérapve et facilement extensible; ( ) Peut avoir de la redondance de données entre les datamarts; ( ) Performance sous- oppmale des analyses impliquant plusieurs datamarts. Département de génie logiciel et des TI MTI820 Hiver 2011 C. Desrosiers 18

19 Entrepôt de données centralisé [1/2] Systèmes source ETL Repor<ng U<lisateurs Source 1 Entrepôt de données d entreprise Source 2 Staging Area EDW Infrastructure de repor<ng Source 3 Département de génie logiciel et des TI MTI820 Hiver 2011 C. Desrosiers 19

20 Entrepôt de données centralisé [2/2] CaractérisPques: Similaire à Hub- and- spoke, mais sans les datamarts dépendants; Gigantesque entrepôt de données servant l entreprise enpère; Les données peuvent être atomiques ou résumées. Avantages/inconvénients: (+) Les uplisateurs ont accès à toutes les données de l entreprise; (+) IntégraPon (ETL) et maintenance facile car les données sont à un seul endroit; (+) Performance oppmale (ex: Appliance warehouse, Teradata). ( ) Long et coûteux à développer; ( ) Pas incrémental; ( ) Extensibilité limitée ou très coûteuse. Département de génie logiciel et des TI MTI820 Hiver 2011 C. Desrosiers 20

21 Architecture fédérée [1/2] Systèmes source ETL Entrepôts de données autonomes Repor<ng U<lisateurs Source 1 Source 2 Staging Area EDW 1 EDW 2 Entrepôt de données virtuel (EDW) Infrastructure de repor<ng Source 3 EDW 3 Metadonnées IntégraPon virtuelle Département de génie logiciel et des TI MTI820 Hiver 2011 C. Desrosiers 21

22 Architecture fédérée [2/2] CaractérisPques: Entrepôt de données distribué sur plusieurs systèmes hétérogènes; Opère de manière transparente (l uplisateur ne voit pas que les données sont réparpes); Données intégrées logiquement ou physiquement à l aide de méta- données (ex: XML); Complémente plutôt que remplace (selon les experts). Avantages/inconvénients: (+) UPle lorsqu il y a déjà un entrepôt en place (ex: acquisipons ou fusions de compagnies); (+) Demande peu de ressources matérielles addiponnelles. ( ) Très complexe: synchronisapon, parallélisme, concurrence, etc. ( ) Peu de contrôle sur les sources et la qualité des données; ( ) Faible performance (mais la technologie s améliore). Département de génie logiciel et des TI MTI820 Hiver 2011 C. Desrosiers 22

23 Comparaison entre les architectures [1/2] Popularité: Architecture Hub- and- spoke Bus de datamarts Entrepôt centralisé Datamarts indépendants Entrepôts fédérés Fréquence 39 % 26 % 17 % 12 % 4 % Source: T. Ariyachandra et H. Watson (2005). «Key factors in selecpng a datawarehouse architecture», Business Intelligence Journal, vol. 10, no. 2. Département de génie logiciel et des TI MTI820 Hiver 2011 C. Desrosiers 23

24 Comparaison entre les architectures [2/2] Critères: Qualité de l informapon (précise, complète, cohérente); Qualité du système (flexible, extensible, intégrapon); Impact sur les individus (producpvité, décisions, etc.); Impact sur l entreprise (sapsfacpon des requis, ROI, etc.). Résultats: Architecture Qualité de l informa<on Qualité du système Impact sur les individus Impact sur l entreprise Hub- and- spoke Bus de datamarts Entrepôt centralisé Datamarts indépendants Entrepôts fédérés Source: T. Ariyachandra et H. Watson (2005). «Key factors in selecpng a datawarehouse architecture», Business Intelligence Journal, vol. 10, no. 2. Département de génie logiciel et des TI MTI820 Hiver 2011 C. Desrosiers 24

25 Le modèle Data Vault [1/6] Proposé par Dan Linstedt à la fin des années 90 ObjecPfs: Perme{re de retracer facilement l informapon aux sources de données (ex: audit de données); Être robuste aux changements du modèle d affaires (ex: relapon 1- N devenant N- N); Réduire les contraintes reliées aux règles d affaires en différant celles- ci (ex: datamarts en aval); Perme{re un chargement efficace des données Principe de base: Séparer l informapon structurelle (Hub + Link) des a{ributs descrippfs (Satellites). Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaEi, C. Desrosiers 25

26 Hub: Le modèle Data Vault [2/6] Représente les concepts centraux de l entreprise (ex: Client, Vendeur, Produit, etc.); Modélise uniquement la clé d affaires du concept (aucun a{ribut descrippf). Structure Clé primaire arpficielle Clé d affaires Dernier chargement (Pmestamp) Source de l enregistrement Hub Produit HubProduitID CodeProduit ChargementTS EnregistrementSrc Note: stabilité assurée par la clé d affaires qui change relapvement peu souvent Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaEi, C. Desrosiers 26

27 Link: Le modèle Data Vault [3/6] Représente les relapons naturelles entre les clés d affaires (ex: lien entre Client et Produit = Vente); Ne conpent aucun a{ribut descrippf. Structure Clé primaire arpficielle Clé arpficielle Hub 1... Clé arpficielle Hub N Dernier chargement (Pmestamp) Source de l enregistrement Link Transac<on LinkTransacPonID HubClientID HubProduitID HubVendeurID ChargementTS EnregistrementSrc Note: uplisé même pour les relapons 1- N et 1-1 Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaEi, C. Desrosiers 27

28 Satellite: Le modèle Data Vault [4/6] ConPent l informapon descrippve reliée à une clé d affaires (Hub ou Link); L informapon d un même Hub ou Link peut être séparée en plusieurs Satellites (selon la source, fréquence de mise à jour, etc.) Structure Clé primaire arpficielle Hub Dernier chargement (Pmestamp) A{ribut 1... A{ribut N Source de l enregistrement Satellite Client 1 HubClientID ChargementTS Nom Prénom Adresse EnregistrementSrc Satellite Client 2 HubClientID ChargementTS DateNaissance DatePremierAchat... EnregistrementSrc Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaEi, C. Desrosiers 28

29 Sample Data Vault Model Fig. 15 Full Data Vault Model Source: Hans Hultgren. Introductory Guide to Data Vault Modeling, 2012.

30 Le modèle Data Vault [6/6] Chargement des données: Puisque les Hubs sont découplés (aucune clé étrangère d un Hub à un autre), on peut les charger en parallèle; Même chose pour les Links et Satellites. Lien avec la modélisapon dimensionnelle: Les Hubs et leur Satellites correspondent aux table de dimension; Les Links et leur Satellites correspondent aux tables de faits; Il faut appliquer les règles d affaires lorsqu on charge les datamart (schéma en étoile) à parpr du Data Vault. Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaEi, C. Desrosiers 30

31 QuesPons Les magasins/entrepôts de données s emploient- ils dans un contexte opéraponnel (pas analypque)? Département de génie logiciel et des TI MTI820 Hiver 2011 C. Desrosiers 31

32 Comptoirs de données opéraponnelles [1/2] (OperaPonal data store ODS) CaractérisPques: Intègrent et consolident des données de sources hétérogènes dans le but de faciliter certaines opérapons de l entreprise; Peuvent servir de source à des systèmes opéraponnels ou un entrepôt de données; ConPennent rarement des données historiques; Me{ent à jour les données au lieu de les ajouter; Effectuent les changements presque instantanément au lieu de les faire en lot; Ne remplacent pas les entrepôts de données. Département de génie logiciel et des TI MTI820 Hiver 2011 C. Desrosiers 32

33 Comptoirs de données opéraponnelles [2/2] (OperaPonal data store ODS) UPlisaPons: Valider des règles d affaires complexes impliquant des données de plusieurs sources; Analyser des données consolidées en (quasi) temps- réel; Simplifier le processus ETL d un entrepôt de données Exemples d applicapons: Bancaire: valider en temps- réel la solvabilité d un client appliquant pour un prêt, lorsque les comptes, placements, et dossiers de risque des clients sont gérés par des applicapons différentes; Télécom: suggérer un nouveau forfait à un client en se basant sur ses stapspques récentes d uplisapon. Département de génie logiciel et des TI MTI820 Hiver 2011 C. Desrosiers 33

34 QuesPons Que faire lorsque l entreprise n a pas les moyens d acquérir et/ou maintenir l infrastructure nécessaire à l entrepôt de données? Que faire lorsque l entreprise n a pas l experpse pour installer et configurer les ressources matérielles/logicielles nécessaires à l entrepôt de données? Département de génie logiciel et des TI MTI820 Hiver 2011 C. Desrosiers 34

35 Entrepôts de données hébergés (cloud) CaractérisPques: L infrastructure matérielle et informapque réside sur le site d un fournisseur; L entreprise loue l infrastructure. Avantages/inconvénients: (+) Minimisent l invespssement dans l infrastructure; (+) Libèrent les ressources matérielles et humaines de l entreprise; (+) Évitent les tâches de mise- à- jour et de maintenance; ( ) Moins rentable à long terme; ( ) Sécurité et domaine privé des données. Département de génie logiciel et des TI MTI820 Hiver 2011 C. Desrosiers 35

36 Entrepôts de données hébergés (cloud) Source: Wayne Eckerson, «Cloud BI AdopPon: Gauging Market Demand», BeyeNetwork, 2011 Département de génie logiciel et des TI MTI820 Hiver 2011 C. Desrosiers 36

37 Entrepôts de données hébergés (cloud) Source: TATA Consultancy Services, Business Intelligence on the Cloud: Overview and Use Cases, 2012 Département de génie logiciel et des TI MTI820 Hiver 2011 C. Desrosiers 37

38 SoluPons clé en main Data Warehouse Appliance (DWA): Ensemble intégré de serveurs, disposipfs de stockage, DBMS, systèmes d exploitapon et de logiciels pré- installés et pré- oppmisés pour l entreposage de données; UPlisent une architecture de traitement massivement parallèle; SoluPon allant du terabyte au petabyte. Avantages/inconvénients: (+) Faibles coûts de mise- en- place et de maintenance; (+) Bonnes performance et extensibilité due à l architecture parallèle; (+) Permet d obtenir rapidement des bénéfices; ( ) Achat très dispendieux ($100K - $1M). Département de génie logiciel et des TI MTI820 Hiver 2011 C. Desrosiers 38

39 SoluPons clé en main Département de génie logiciel et des TI MTI820 Hiver 2011 C. Desrosiers 39

40 SoluPons clé en main Source: Département de génie logiciel et des TI MTI820 Hiver 2011 C. Desrosiers 40

41 Architectures orientées service Service oriented architectures (SOA): Méthode d intégrapon et de développement de systèmes dans laquelle les foncponnalités sont regroupées autour de processus d affaires et offertes sous la forme de services interopérables; Permet la communicapon entre des systèmes qui n ont pas été conçus dans ce{e oppque, et leur parpcipapon conjointe dans des processus d affaires. Dans le contexte des entrepôts de données: Facilite la communicapon entre les sources et les applicapons UPlisé dans l architecture Entreprise Applica>on Integra>on (EAI) pour l intégrapon des données Réduit les dépendances technique perme{ant une approche «best- of- breed». Département de génie logiciel et des TI MTI820 Hiver 2011 C. Desrosiers 41

42 QuesPons Quelles sont les principales composantes d un entrepôt de données? Comment fait- on pour rendre ces composantes le plus modulaire possible? Département de génie logiciel et des TI MTI820 Hiver 2011 C. Desrosiers 42

43 DéfiniPon: Métadonnées InformaPon définissant et décrivant les structures, opérapons et le contenu du système de BI; Trois types: technique, d affaires et de processus. Métadonnées techniques: ETL: sources et cibles pour les transferts de données, transformapons, règles d affaires, etc. Stockage: tables, champs, types, indexes, parppons, dimensions, etc. Présenta<on: modèle de données, rapports, cédules, privilèges d accès, etc. Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaEi, C. Desrosiers 43

44 Métadonnées d affaires: Métadonnées Décrit le contenu de l entrepôt dans des termes compréhensibles par les uplisateurs d affaires; Ex: descripteurs de tables et champs. Métadonnées de processus: Décrit le résultat de diverses opérapons du système de BI; Ex: logs ETL (début, fin, écritures disque, ), stapspques sur les requêtes, etc. Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaEi, C. Desrosiers 44

45 Bénéfices: Métadonnées Découple la dépendance entre la technologie et son uplisapon (ex: reconfigurer dynamiquement le système ETL pour modifier ou ajouter une source) Permet de monitorer l'état et la performance de la solupon BI Sert de documentapon au système Permet de déterminer l'impact d'un changement Idéal: Avoir un seul répertoire de métadonnées partagé par toutes les composantes de la solupon BI Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaEi, C. Desrosiers 45

46 Couche de préparapon de données (back- room) Système ETL Systèmes sources OpéraPonnels, ODS ERP, CRM MDM Externes RDMBS Fichiers plats, XML Queues de messages Fichiers log & redo Formats propriétaires Extrac<on Profilage de données Capture des changements ExtracPon Consolida<on CorrecPon d erreurs DéduplicaPon des données ConformaPon des dimensions Services de ges<on ETL ProgrammaPon et monitoring des tâches Sauvegarde et restaurapon Contrôle de version/migrapon Qualité des données Historique de processus Données préparées Copies de référence des dimensions Répertoire de métadonnées Livraison Clés arpficielles SCD Hiérarchies Tables de dimension Tables de faits Lignage et dépendances ParallélisaPon Sécurité et conformité GesPon des dimensions Comptoir de données ETL Tables de consultapon/décodage Copies de référence des hiérarchies Données d audit Métadonnées processus: StaPsPques ETL Résultats d audits Résultats de filtrages Métadonnées ETL Métadonnées techniques: Inventaire système et version DescripPons des sources Schémas relaponnels, scripts LDD Logique des tâches ETL Paramètres sauvegarde, sécurité Métadonnées d affaires: DicPonnaire de données Carte logique des données Logique des règles d affaires Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaEi, C. Desrosiers 46

47 Couche de préparapon de données (back- room) Besoins généraux: Support à la producpvité (ex: environnement de développement) Convivialité (ex: interface graphique simple) Flexibilité (ex: métadonnées) FoncPonnalités ETL: Extrac<on: Ex: profilage des données, capture des changements, copie des données Consolida<on: Ex: règles de transformapon, résolupon d'incohérences, intégrapon Livraison: Ex: inserpon dans les tables de faits/dimensions, gespon des changements (SCD) Département de génie logiciel et des TI MTI820 Hiver 2011 C. Desrosiers 47

48 Couche de préparapon de données (back- room) Services de gespon ETL: PlanificaPon de tâches (job scheduler) Sauvegarde/restauraPon Sécurité etc. Comptoir de données ETL (data store): Données temporaires d'extracpon (staging area) Historique du processus ETL (métadonnées processus, QA) Sauvegarde des références ETL (métadonnées techniques) etc. Département de génie logiciel et des TI MTI820 Hiver 2011 C. Desrosiers 48

49 Couche de stockage de données (presenta>on) Back- room Front- room Système ETL ExtracPon ConsolidaPon Livraison Services de gespon ETL Magasins de données ETL Serveur de présenta<on Architecture de bus d entreprise (Kimball): RDBMS pour le niveau de détail atomique Dimensions dénormalisées avec clés arpficielles Dimensions changeantes (SCD) type 1, 2 ou 3 Dimensions hiérarchiques Dimensions et faits conformes AgrégaPons/OLAP, indexes d étoile et bitmap Métadonnées processus: Monitoring de la BD StaPsPques d uplisapon d agrégats/olap Métadonnées présenta<on Métadonnées techniques: Tables système de la BD Paramètres des parppons Procédures stockées/scripts Métadonnées d affaires: Descripteurs de tables/champs DéfiniPons d agrégats/olap Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaEi, C. Desrosiers 49

50 Couche de stockage de données (presenta>on) ObjecPf: Fournir un accès simplifié et rapide aux données, pour les uplisateurs (ex: requêtes ad hoc) et applicapons de BI. CaractérisPques souhaitées: Données provenant des principaux processus d'affaires Données atomiques ET agrégées Source unique de données à tous les uplisateurs (peu importe l'emplacement physique des données) Analyses variées avec les mêmes données Département de génie logiciel et des TI MTI820 Hiver 2011 C. Desrosiers 50

51 Couche de stockage de données (presenta>on) ConsidéraPons: Tables de dimensions dénormalisées (schéma en étoile) Clés arpficielles Dimensions à évolupon lente (SCD 1, 2, 3) Dimensions conformes basées sur la matrice en bus de données Données atomiques au niveau des transacpons Stratégies d'agrégapon (ex: OLAP, ROLAP, etc.) Stratégies de performance (ex: index, parpponnement, etc.) etc. Département de génie logiciel et des TI MTI820 Hiver 2011 C. Desrosiers 51

52 Couche de resptupon de données (front- room) Serveur de présenta<on Modèles dimensionnels Données atomiques des processus d affaires Dimensions/faits conformes Requêtes à accès direct Rapport standards ApplicaPons analypques Tableaux de bord/scorecards Modèles de forage de données Monitoring d uplisapon ApplicaPon de la sécurité ApplicaPon de la conformité GesPon des requêtes Applica<on BI Types d applica<on Services de ges<on BI BI opéraponnel Interface du portail BI ApplicaPons personnalisées Interfaces pour plateforme mobile ReporPng d entreprise ReformulaPon de requêtes Services du portail Web Comptoirs de données BI Rapports stockés Caches des serveurs d applicapon BD usager, tableurs, documents et présentapons Données d authenpficapon et d autorisapon Métadonnées processus: StaPsPques d exécupon de rapports, requêtes, etc. StaPsPques d uplisapon de la sécurité réseau Métadonnées de res<tu<on Métadonnées techniques: Couche sémanpque BI DéfiniPon des rapports / requêtes standards Logique applicapve Paramètres du portail BI Métadonnées d affaires: Liste des a{ributs conformes PoliPque des SCD PoliPques de gespon des valeurs nulles / erreurs DocumentaPon uplisateur Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaEi, C. Desrosiers 52

53 Couche de resptupon de données (front- room) ObjecPfs: Supporter les besoins analypques des uplisateurs Ex: rapports, analyse OLAP, fouille de données, etc. Offrir des interfaces d'accès simplifiées aux données Ex: portail Web, service SOA Offrir une performance adéquate Services de gespon BI: GesPon des requêtes ReformulaPon/opPmisaPon RedirecPon vers la bonne ressource informaponnelle NavigaPon d'agrégapon GesPon de priorité GesPon de la sécurité/accès Monitoring de l'uplisapon/performance Département de génie logiciel et des TI MTI820 Hiver 2011 C. Desrosiers 53

54 Couche de resptupon de données (front- room) Comptoirs de données BI: Modèles de rapports Cache du serveur d'applicapon (performance) Magasin de données locaux (a{enpon aux silos de données) etc. Département de génie logiciel et des TI MTI820 Hiver 2011 C. Desrosiers 54

55 QuesPons Quelles sont les principales étapes dans le développement de l architecture? Comment s assure- t- on que l architecture répond bien aux besoins d affaires inipaux? Comment fait- t- on pour choisir les produits les mieux adaptés aux besoins techniques? Département de génie logiciel et des TI MTI820 Hiver 2011 C. Desrosiers 55

56 Processus de développement d architecture QuesPons selon le niveau de détail: Niveau de détail Back- room Front- room Besoins d affaires et audit de données Comment obtenir les données nécessaires aux besoins d affaires? Comment mesurer, suivre, analyser et faciliter les opportunités d affaires? ImplicaPons architecturelles et modèles Modèles détaillées et spécificapons SélecPon de produit et implémentapon Quelles sont les foncpons et composantes nécessaires pour obtenir les données dans la forme, l endroit et le moment désirés. Quels sont les principales sources de données et sont- elles situés? Quel est la stratégie de métadonnées? Quel est le contenu spécifique de chaque source de données? Quel sont les capacités spécifiques de chaque service? Quels produits fournissent les capacités requises? Comment ceux- ci seront- ils assemblés? Que requièrent les uplisateurs pour avoir l informapon dans une forme uplisable? Quelle est la stratégie de portail BI? À quoi ressemblent les rapports standards? Comment ceux- ci seront- ils présentés? Quel est le design du portail BI? Quels produits fournissent les capacités requises? Comment ceux- ci seront- ils assemblés? Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaEi, C. Desrosiers 56

57 Document d implicapons architecturelles Exemple: Besoins d affaires Implica<on architecturelle Sous- système Améliorer le taux de réponse à l aide d une stratégie de vente croisée Améliorer le taux de réponse à la campagne par courriel en fournissant aux analystes des oupls pour générer les listes de clients ciblés OuPls d intégrapon perme{ant de coupler les clients avec les produits CréaPon de listes de vente croisée et monitoring de base à l aide d oupls BI Traitement des offres et suivi des réponses par le système CRM ETL App. BI App BI Valeur / priorité Haute / 8 Moyenne / 7 N/A ApplicaPon analypque App. BI Moyenne / 7 Augmenter la précision des prédicpons de vente à l aide d une meilleure historique de données et de meilleurs modèles analypques ApplicaPon analypque avec prédicpon de séries temporelles Extraire de l informapon des systèmes externes pour le suivi des ventes App. BI /forage de données ETL N/A Haute / 8 Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaEi, C. Desrosiers 57

58 Document de plan architecturel Contenu: 1. DescripPon sommaire du projet et ses objecpfs; 2. Méthodologie; 3. Besoins et implicapons architecturelles; 4. Survol de l architecture Ex: modèle haut- niveau, métadonnées, couches de service, etc. 5. Composantes architecturelles principales Ex: ETL, applicapons BI, sources de données, répertoire de métadonnées, infrastructure, etc. 6. Processus de développement de l architecture Ex: phases, preuve de concept, standards et sélecpon de produits, etc. 7. Modèle architecturel. Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaEi, C. Desrosiers 58

59 Modèle architecturel (exemple) Projet centré sur les données d un club de points d une chaîne de supermarchés Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaEi, C. Desrosiers 59

Le cycle de vie d'un projet en intelligence d'affaires

Le cycle de vie d'un projet en intelligence d'affaires MTI820 Entrepôts de données et intelligence d affaires Le cycle de vie d'un projet en intelligence d'affaires Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaHi, C. Desrosiers 1 QuesKons

Plus en détail

MTI820 Entrepôts de données et intelligence d affaires. Intégra*on des données et ETL

MTI820 Entrepôts de données et intelligence d affaires. Intégra*on des données et ETL MTI820 Entrepôts de données et intelligence d affaires Intégra*on des données et ETL Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaEi, C. Desrosiers 1 Le cycle de vie d un projet en BI

Plus en détail

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

Introduc;on à l intelligence d affaires et aux entrepôts de données MTI820 Entrepôts de données et intelligence d affaires Introduc;on à l intelligence d affaires et aux entrepôts de données C. Desrosiers Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi,

Plus en détail

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

Technologie data distribution Cas d usage. www.gamma-soft.com

Technologie data distribution Cas d usage. www.gamma-soft.com Technologie data distribution Cas d usage www.gamma-soft.com Applications stratégiques (ETL, EAI, extranet) Il s agit d une entreprise industrielle, leader français dans son domaine. Cette entreprise est

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

BI = Business Intelligence Master Data-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

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

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

et les Systèmes Multidimensionnels

et les Systèmes Multidimensionnels Le Data Warehouse et les Systèmes Multidimensionnels 1 1. Définition d un Datawarehouse (DW) Le Datawarehouse est une collection de données orientées sujet, intégrées, non volatiles et historisées, organisées

Plus en détail

LES 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

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

ORACLE DATA INTEGRATOR ENTERPRISE EDITION - ODI EE

ORACLE DATA INTEGRATOR ENTERPRISE EDITION - ODI EE ORACLE DATA INTEGRATOR ENTERPRISE EDITION - ODI EE ORACLE DATA INTEGRATOR ENTERPRISE EDITION offre de nombreux avantages : performances de pointe, productivité et souplesse accrues pour un coût total de

Plus en détail

Objectif : Passer de l analyse métier et fonctionnelle à la définition des applications qui

Objectif : Passer de l analyse métier et fonctionnelle à la définition des applications qui Formation PARTIE 1 : ARCHITECTURE APPLICATIVE DUREE : 5 h Objectif : Passer de l analyse métier et fonctionnelle à la définition des applications qui automatisent les fonctions Définir une architecture

Plus en détail

Présenta;on du cours

Présenta;on du cours MTI820 Entrepôts de données et intelligence d affaires Présenta;on du cours Hiver 2015 C. Desrosiers Département de génie logiciel et des TI MTI820 Hiver 2013 C. Desrosiers 1 InformaBons de base Titre:

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

BI = Business Intelligence Master Data-ScienceCours 2 - ETL

BI = Business Intelligence Master Data-ScienceCours 2 - ETL BI = Business Intelligence Master Data-Science Cours 2 - ETL UPMC 1 er février 2015 Rappel L Informatique Décisionnelle (ID), en anglais Business Intelligence (BI), est l informatique à l usage des décideurs

Plus en détail

Méthodologie de conceptualisation BI

Méthodologie 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 détail

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

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

Plus en détail

DOSSIER SOLUTION CA ERwin Modeling. Comment gérer la complexité des données et améliorer l agilité métier?

DOSSIER SOLUTION CA ERwin Modeling. Comment gérer la complexité des données et améliorer l agilité métier? DOSSIER SOLUTION CA ERwin Modeling Comment gérer la complexité des données et améliorer l agilité métier? CA ERwin Modeling fournit une vue centralisée des définitions de données clés afin de mieux comprendre

Plus en détail

Nos Solutions PME VIPDev sont les Atouts Business de votre entreprise.

Nos 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 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 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 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 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

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

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

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

Cabinet Conseil en Intelligence d Affaires. L'Intégration de données et la Qualité des données dans l'écosystème BI actuel et future

Cabinet Conseil en Intelligence d Affaires. L'Intégration de données et la Qualité des données dans l'écosystème BI actuel et future Cabinet Conseil en Intelligence d Affaires L'Intégration de données et la Qualité des données dans l'écosystème BI actuel et future Nous croyons que Les données sont des actifs corporatifs Les projets

Plus en détail

Les entrepôts de données et l analyse de données

Les entrepôts de données et l analyse de données LOG660 - Bases de données de haute performance Les entrepôts de données et l analyse de données Quelques définitions Entreposage de données (data warehousing): «La copie périodique et coordonnée de données

Plus en détail

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

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

SWISS ORACLE US ER GRO UP. www.soug.ch. Newsletter 5/2014 Sonderausgabe. OBIF DB licensing with VMware Delphix 12c: SQL Plan / Security Features

SWISS ORACLE US ER GRO UP. www.soug.ch. Newsletter 5/2014 Sonderausgabe. OBIF DB licensing with VMware Delphix 12c: SQL Plan / Security Features SWISS ORACLE US ER GRO UP www.soug.ch Newsletter 5/2014 Sonderausgabe OBIF DB licensing with VMware Delphix 12c: SQL Plan / Security Features 42 TIPS&TECHNIQUES Alexandre Tacchini, Benjamin Gaillard, Fabien

Plus en détail

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

DÉPLOIEMENT DE QLIKVIEW POUR DES ANALYSES BIG DATA CHEZ KING.COM

DÉPLOIEMENT DE QLIKVIEW POUR DES ANALYSES BIG DATA CHEZ KING.COM DÉPLOIEMENT DE QLIKVIEW POUR DES ANALYSES BIG DATA CHEZ KING.COM Étude de cas technique QlikView : Big Data Juin 2012 qlikview.com Introduction La présente étude de cas technique QlikView se consacre au

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

La gestion des données de référence ou comment exploiter toutes vos informations

La gestion des données de référence ou comment exploiter toutes vos informations La gestion des données de référence ou comment exploiter toutes vos informations La tour de Babel numérique La gestion des données de référence (appelée MDM pour Master Data Management) se veut la réponse

Plus en détail

Guide de référence pour l achat de Business Analytics

Guide de référence pour l achat de Business Analytics Guide de référence pour l achat de Business Analytics Comment évaluer une solution de décisionnel pour votre petite ou moyenne entreprise : Quelles sont les questions à se poser et que faut-il rechercher?

Plus en détail

OFFRE MDB Service & Architecture Technique. MyDataBall Saas (Software as a Service) MyDataBall On Premise

OFFRE MDB Service & Architecture Technique. MyDataBall Saas (Software as a Service) MyDataBall On Premise OFFRE MDB Service & Architecture Technique MyDataBall Saas (Software as a Service) MyDataBall On Premise L offre Produit / Service 1 Implantation Rédaction collaborative du cahier des charges 2 3 de la

Plus en détail

De l IaaS au SaaS, La BI au cœur du cloud

De l IaaS au SaaS, La BI au cœur du cloud De l IaaS au SaaS, La BI au cœur du cloud Cloud Computing World Expo 9 et 10 Avril 2014 Eric Bodilsen Directeur Général Adjoint Diademys Dominique Gire Directeur Associé Novulys Le groupe Diademys Evolution

Plus en détail

Conception Exécution Interopérabilité. Déploiement. Conception du service. Définition du SLA. Suivi du service. Réception des mesures

Conception Exécution Interopérabilité. Déploiement. Conception du service. Définition du SLA. Suivi du service. Réception des mesures Software propose une offre d intégration unique, qui apporte l équilibre parfait entre investissements et performances pour les entreprises qui doivent sans cesse améliorer leurs processus. Des caractéristiques

Plus en détail

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

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

Plus en détail

Présentation de l offre produit de Business Objects XI

Présentation de l offre produit de Business Objects XI Conseil National des Assurances Séminaire - Atelier L information au service de tous Le 09 Novembre 2005 Présentation de l offre produit de XI Amar AMROUCHE Consultant Avant Vente aamrouche@aacom-algerie.com

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

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

Plan d action SMB d une Approche Agile de la BITM Pour les PME

Plan d action SMB d une Approche Agile de la BITM Pour les PME Plan d action SMB d une Approche Agile de la BITM Pour les PME Personnel, processus et technologie nécessaires pour élaborer une solution rapide, souple et économique Copyright 2013 Pentaho Corporation.

Plus en détail

BI Haute performance. Jean-François Vannier Responsable Infrastructures Décisionnelles, Bull

BI Haute performance. Jean-François Vannier Responsable Infrastructures Décisionnelles, Bull BI Haute performance Jean-François Vannier Responsable Infrastructures Décisionnelles, Bull Bull aujourd'hui - La seule expertise 100% européenne des infrastructures et des applications critiques - Une

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

CONNECTEUR QLIKVIEW POUR INFORMATICA POWERCENTER

CONNECTEUR QLIKVIEW POUR INFORMATICA POWERCENTER CONNECTEUR QLIKVIEW POUR INFORMATICA POWERCENTER Tirer pleinement profit de l ETL d Informatica à l aide d une plate-forme de Business Discovery rapide et flexible De plus en plus d entreprises exploitent

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

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

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

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

Dynamisez vos processus

Dynamisez vos processus >> ELO Business Logic Provider for ELO Business Solution pour Microsoft Dynamics NAV Dynamisez vos processus ELO Business Logic Provider pour Microsoft Dynamics NAV Le Business Logic Provider (BLP) d ELO

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

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

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

Solu%on de Business Intelligence leader pour la ges%on de la performance d entreprise. myssii www.myssii.fr - 2012 Jedox AG, www.jedox.

Solu%on de Business Intelligence leader pour la ges%on de la performance d entreprise. myssii www.myssii.fr - 2012 Jedox AG, www.jedox. by Solu%on de Business Intelligence leader pour la ges%on de la performance d entreprise 2014 Jedox by myssii Pour toute entreprise, l informatique d aide à la décision est devenue une arme de compétitivité

Plus en détail

Concevoir et déployer un data warehouse

Concevoir et déployer un data warehouse Concevoir et déployer un data warehouse Ralph Kimball Éditions Eyrolles ISBN : 2-212-09165-6 2000 2 Le cycle de vie dimensionnel Avant d étudier de plus près les spécificités de la conception, du développement

Plus en détail

Brochure Datacenter. www.novell.com. Novell Cloud Manager. Création et gestion d un cloud privé. (Faire du cloud une réalité)

Brochure Datacenter. www.novell.com. Novell Cloud Manager. Création et gestion d un cloud privé. (Faire du cloud une réalité) Brochure Datacenter Novell Cloud Manager Création et gestion d un cloud privé (Faire du cloud une réalité) Novell Cloud Manager : le moyen le plus simple de créer et gérer votre cloud WorkloadIQ est notre

Plus en détail

Semarchy Convergence for Data Integration La Plate-Forme d Intégration pour le MDM Évolutionnaire

Semarchy Convergence for Data Integration La Plate-Forme d Intégration pour le MDM Évolutionnaire FICHE PRODUIT Semarchy Convergence for Data Integration La Plate-Forme d Intégration pour le MDM Évolutionnaire BENEFICES Des projets réussis dans les délais et les budgets La bonne donnée disponible au

Plus en détail

Inscriptions : 0800 901 069 - Renseignements : 33 (0)1 44 45 24 35 - education.france@sap.com

Inscriptions : 0800 901 069 - Renseignements : 33 (0)1 44 45 24 35 - education.france@sap.com FORMATION SAP BUSINESSOBJECTS BUSINESS INTELLIGENCE PLATFORM 4.x Du lundi 3 au vendredi 7 juin 2013 http://www.sap.com/france/services/education/newsevents/index.epx 1 Vous êtes clients SAP BusinessObjects

Plus en détail

Ici, le titre de la. Tableaux de bords de conférence

Ici, 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 détail

Gérez efficacement vos flux d entreprises.

Gérez efficacement vos flux d entreprises. Gérez efficacement vos flux d entreprises. g geai* répond au besoin de gestion des flux de données inter et intra-entreprises. Vous maîtrisez vos flux autour d une application centralisée. *EAI : Enterprise

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

Programme scientifique Majeure ARCHITECTURE DES SYSTEMES D INFORMATION. Mentions Ingénierie des Systèmes d Information Business Intelligence

Programme 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 détail

Tout ce que vous avez toujours voulu savoir sur SAP HANA. Sans avoir jamais osé le demander

Tout ce que vous avez toujours voulu savoir sur SAP HANA. Sans avoir jamais osé le demander Tout ce que vous avez toujours voulu savoir sur SAP HANA Sans avoir jamais osé le demander Agenda Pourquoi SAP HANA? Qu est-ce que SAP HANA? SAP HANA pour l intelligence d affaires SAP HANA pour l analyse

Plus en détail

C ) Détail volets A, B, C, D et E. Hypothèses (facteurs externes au projet) Sources de vérification. Actions Objectifs Méthode, résultats

C ) Détail volets A, B, C, D et E. Hypothèses (facteurs externes au projet) Sources de vérification. Actions Objectifs Méthode, résultats C ) Détail volets A, B, C, D et E Actions Objectifs Méthode, résultats VOLET A : JUMELAGE DE 18 MOIS Rapports d avancement du projet. Réorganisation de l administration fiscale Rapports des voyages d étude.

Plus en détail

Fonctions. Solution professionnelle pour le stockage de données, la synchronisation multi- plateformes et la collaboration

Fonctions. Solution professionnelle pour le stockage de données, la synchronisation multi- plateformes et la collaboration Fonctions Synchronisation dynamique des fichiers : mise à jour automatique des documents sur tous les équipements Partage et collaboration : partage simple des fichiers entre employés, clients et partenaires

Plus en détail

Projet Fresqueau: un entrepôt des données pour analyser la qualité de l eau en France

Projet Fresqueau: un entrepôt des données pour analyser la qualité de l eau en France Projet Fresqueau: un entrepôt des données pour analyser la qualité de l eau en France 12 juin 2013 Atelier SOLAP @EDA2013 Démarrage Projet MIDAS - 29 Janvier 2008 1 Plan Projet Fresqueau Objectifs généraux

Plus en détail

Évolu>on et maintenance

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

Plus en détail

Chapitre 1 «mes chiffres clés à portée de mains»

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

Plus en détail

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

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

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

EMC DATA DOMAIN HYPERMAX

EMC DATA DOMAIN HYPERMAX EMC DATA DOMAIN HYPERMAX Optimisation du stockage de protection EMC AVANTAGES CLÉS Déduplication évolutive et ultrarapide Jusqu à 58,7 To/h de débit Réduit de 10 à 30 fois le stockage de sauvegarde, et

Plus en détail

e need L un des premiers intégrateurs opérateurs Cloud Computing indépendants en France

e need L un des premiers intégrateurs opérateurs Cloud Computing indépendants en France e need L un des premiers intégrateurs opérateurs Cloud Computing indépendants en France Sommaire Cloud Computing Retours sur quelques notions Quelques chiffres Offre e need e need Services e need Store

Plus en détail

Présentation de la société. Aout 2011

Présentation de la société. Aout 2011 Présentation de la société Aout 2011 En quelques mots SonicWALL Inc, (Nasdaq SNWL), est un leader mondial de solutions intelligentes de sécurité des réseaux et de protection de données. Fournisseur de

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

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

Design & conception de site web optimisé SEO. augmentez la conversion sur vos sites

Design & conception de site web optimisé SEO. augmentez la conversion sur vos sites Design & conception de site web optimisé SEO augmentez la conversion sur vos sites Consultant web indépendant, mon approche en conception de site internet est centrée utilisateurs, prend en compte vos

Plus en détail

WD et le logo WD sont des marques déposées de Western Digital Technologies, Inc, aux États-Unis et dans d'autres pays ; absolutely WD Re, WD Se, WD

WD et le logo WD sont des marques déposées de Western Digital Technologies, Inc, aux États-Unis et dans d'autres pays ; absolutely WD Re, WD Se, WD WD et le logo WD sont des marques déposées de Western Digital Technologies, Inc, aux États-Unis et dans d'autres pays ; absolutely WD Re, WD Se, WD Xe, RAFF et StableTrac sont des marques de Western Digital

Plus en détail

EMC DATA DOMAIN OPERATING SYSTEM

EMC DATA DOMAIN OPERATING SYSTEM EMC DATA DOMAIN OPERATING SYSTEM Au service du stockage de protection EMC AVANTAGES CLÉS Déduplication évolutive ultrarapide Jusqu à 31 To/h de débit Réduction des besoins en stockage de sauvegarde de

Plus en détail

BI 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 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 détail

Présentation Level5. Editeur de Logiciels. «If it s not monitored, it s not in production» Theo Schlossnagle #velocityconf

Présentation Level5. Editeur de Logiciels. «If it s not monitored, it s not in production» Theo Schlossnagle #velocityconf Editeur de Logiciels Présentation Level5 «If it s not monitored, it s not in production» Theo Schlossnagle #velocityconf «If you can not measure it, you can not improve it» Lord Kelvin vous accompagne

Plus en détail

SAP HANA: note de synthèse

SAP HANA: note de synthèse Préface: Au cœur des nombreux défis que doivent relever les entreprises, l informatique se doit de soutenir les évolutions, d aider au développement de nouveaux avantages concurrentiels tout en traitant

Plus en détail

Pensez socle d'archivage électronique unifié pour un ROI rapide

Pensez socle d'archivage électronique unifié pour un ROI rapide Pensez socle d'archivage électronique unifié pour un ROI rapide Paul TERRAY, Consulting Manager, SOLLAN Alexis FRITEL, System Engineer, EMC 16/06/2015 Sommaire Partie 1 : Présentation de la problématique

Plus en détail

Catalogue Formation «Vanilla»

Catalogue 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 détail

La tête dans les nuages

La tête dans les nuages 19 novembre 2010 La tête dans les nuages Démystifier le "Cloud Computing" Jean Bernard, Directeur, Gestion des services Radialpoint SafeCare Inc. Au sujet de Radialpoint Radialpoint offre des solutions

Plus en détail

Guide de référence pour l achat de Business Analytics

Guide de référence pour l achat de Business Analytics Guide de référence pour l achat de Business Analytics Comment évaluer une solution de décisionnel pour votre petite ou moyenne entreprise : Quelles sont les questions à se poser et que faut-il rechercher?

Plus en détail

AXIAD Conseil pour décider en toute intelligence

AXIAD Conseil pour décider en toute intelligence AXIAD Conseil pour décider en toute intelligence Gestion de la Performance, Business Intelligence, Big Data Domaine d expertise «Business Intelligence» Un accompagnement adapté à votre métier dans toutes

Plus en détail

WHITEPAPER. Quatre indices pour identifier une intégration ERP inefficace

WHITEPAPER. Quatre indices pour identifier une intégration ERP inefficace Quatre indices pour identifier une intégration ERP inefficace 1 Table of Contents 3 Manque de centralisation 4 Manque de données en temps réel 6 Implémentations fastidieuses et manquant de souplesse 7

Plus en détail

Conception, architecture et urbanisation des systèmes d information

Conception, architecture et urbanisation des systèmes d information Conception, architecture et urbanisation des systèmes d information S. Servigne Maître de Conférences, LIRIS, INSA-Lyon, F-69621 Villeurbanne Cedex e-mail: sylvie.servigne@insa-lyon.fr 1. Introduction

Plus en détail

ETL. Extract, Transform, Load

ETL. Extract, Transform, Load ETL Extract, Transform, Load Plan Introduction Extract, Transform, Load Démonstration Conclusion Plan Introduction Extract, Transform, Load Démonstration Conclusion Identification Problématique: Quoi?

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

Suite Jedox La Business-Driven Intelligence avec Jedox

Suite Jedox La Business-Driven Intelligence avec Jedox Suite La Business-Driven Intelligence avec Une solution intégrée pour la simulation, l analyse et le reporting vous offre la possibilité d analyser vos données et de gérer votre planification selon vos

Plus en détail

FAMILLE EMC RECOVERPOINT

FAMILLE EMC RECOVERPOINT FAMILLE EMC RECOVERPOINT Solution économique de protection des données et de reprise après sinistre en local et à distance Avantages clés Optimiser la protection des données et la reprise après sinistre

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

Découverte et investigation des menaces avancées PRÉSENTATION

Découverte et investigation des menaces avancées PRÉSENTATION Découverte et investigation des menaces avancées PRÉSENTATION AVANTAGES CLÉS RSA Security Analytics offre les avantages suivants : Surveillance de la sécurité Investigation des incidents Reporting sur

Plus en détail

FAMILLE EMC VPLEX. Disponibilité continue et mobilité des données dans et entre les datacenters

FAMILLE EMC VPLEX. Disponibilité continue et mobilité des données dans et entre les datacenters FAMILLE EMC VPLEX Disponibilité continue et mobilité des données dans et entre les datacenters DISPONIBILITE CONTINUE ET MOBILITE DES DONNEES DES APPLICATIONS CRITIQUES L infrastructure de stockage évolue

Plus en détail