Big Data On Line Analytics

Dimension: px
Commencer à balayer dès la page:

Download "Big Data On Line Analytics"

Transcription

1 Fdil Fadila Bentayeb Lb Laboratoire ERIC Lyon 2 Big Data On Line Analytics ASD 2014 Hammamet Tunisie 1

2 Sommaire Sommaire Informatique décisionnelle (BI Business Intelligence) Big Data Big Data analytics Infonuagique (Cloud computing) Big data on line analytics : Enjeux Big data on line analytics : quelques verrous scientifiques / solutions Conclusion 2

3 Informatique décisionnelle Business intelligence BI : Informatique décisionnelle Ensemble des moyens, outils et méthodes qui permettent de collecter, consolider, modéliser et restituer les données d'une entreprise en vue : d offrir aux décideurs une aide à la décision de permettre à un décideur d avoir une vue d ensemble de l activité traitée Repose sur une architecture commune appelée : entreposage de données L'informatique décisionnelle s'attache à mesurer : un certain nombre d indicateurs ou de mesures (faits ou métriques) restitués selon les axes d'analyse (dimensions) 3

4 Informatique décisionnelle Systèmes d information décisionnels Sources de données Modélisation multidimensionnelle ETL Intégration de données complexes Entrepôt de données Analyse en ligne (OLAP) OLAP D é c i s i o n Personnalisation / Sécurité 4

5 Informatique décisionnelle ETL : Extract Transform Load Entreposage de données collecte : sélection et extraction des données transformation et intégration : homogénéisation chargement des données dans l entrepôt Modélisation multidimensionnelle i ll conforme aux besoins d analyse Exploitation de l entrepôt diffusion : mettre les données à disposition des utilisateurs présentation : utilisation d outils bureautiques, interfaces Web Administration : rafraichissement de l entrepôt, optimisation, sécurité 5

6 Informatique décisionnelle Définitioni i Entrepôt de données base de données multidimensionnelles regroupant une partie de l'ensemble des données fonctionnelles d'une entreprise base de données orientée analyse base centralisée contenant des données historisées, homogènes et non volatiles provenant de bases de données opérationnelles Modèles d entrepôts de données en étoile en flocons de neige en constellation 6

7 Informatique décisionnelle Exemple d entrepôt Activity activity key activity_name Fact Table #product_key #time_key #activity_key Profit margin Product product_key product_name category Time time_key Day Month Year 7

8 Informatique décisionnelle OLAP (On Line Analytical Processing) OLAP ensemble d opérateurs d exploration et de navigation dans les cubes de données Rollup : forage vers le haut Drilldown : forage vers le bas Slice & Dice : Sélection et projection permet de construire et de manipuler des cubes OLAP Cube de données structure multidimensionnelle les coordonnées sont les axes d analyse les cellules contiennent les indicateurs 8

9 Informatique décisionnelle Exemple de cube OLAP Suivi des différents indicateurs de performance pour améliorer la gestion quotidienne de l entreprise 9

10 Informatique décisionnelle Evolution ou révolution? Avènement des Big Data volumes de données de plusieurs pétaoctets données continues (datastreams) Limites des SGBD classiques Besoin d analyse en ligne à la demande Besoin d infrastructures, d outils logiciels et de modèles adaptés Big Data (On Line) Analytics 10

11 Big Data Avènement des big data Prolifération des données 90% des données dans le monde ont été créées au cours des deux dernières années seulement données produites principalement par le Web grands acteurs d Internet réseaux sociaux Type de données données structurées : bases de données relationnelles peu structurées : fichiers XML non structurées : textes, images, etc. Volumétrie des données grandes quantités de données données continues données de simulation 11

12 Big Data Dimensions des big data volume Twitter génère 7 teraoctets de données chaque jour et Facebook 10 teraoctets variété données au format relationnel, texte, image, pouvant être publiques (Open Data, Web des données) relevant de la propriété des consommateurs (profils) vélocité c est la fréquence à laquelle les données sont générées, capturées et partagées analyser en temps réel 50 millions d'enregistrements détaillés d'appels quotidiens 12

13 Big Data Exemples Capteurs utilisés pour collecter les informations climatiques Messages sur les sites de médias sociaux Images numériques et de vidéos publiées en ligne Enregistrements transactionnels d'achats en ligne Signaux GPS de téléphones mobiles 13

14 Big Data Données, technologies, gestion, analyse VOLUME BIG MANAGEMENT INFORMATION THECHNOLOGY BILLION DATA 14

15 Big Data Emergence de nouvelles applications Explosion de nouvelles sources de données diverses à granularité fine à faible latence Sources de données réseaux sociaux données issues de capteurs Besoin de stocker, gérer et analyser ces données Nouvelles gammes d applications métiers nouvelles opportunités commerciales nouveaux outils d analyse (prédire le comportement des clients) 15

16 Big data analytics Introduction Emergence de nouvelles architectures et technologies infrastructures cloud modèles NoSQL et la paradigme MapReduce Web Sémantique Nouveaux besoins traitement massif des données traitement de données en flux continu analyse des tendances prévisions prévention 16

17 Big data analytics Pistes de recherche Gestion des big data dans le Cloud utilisation de nouveaux modèles de données : NoSQL stockage des données dans le cloud analyse en ligne des big data OLAP à la demande analyse au besoin proche du client OLAP as a service OLAP proposé comme un service 17

18 Big data analytics Modèles de données Modèles relationnels limitation des bases de données classiques pour gérer les Big Data problème du passage à l échelle (petabyte : 10 puissance 15, zettabyte : 10 puissance 21) variété des données big data Emergence de nouveaux systèmes à forte scalabilité modèles NoSQL : Not Only SQL MongoDB Cassandra traitement parallèle de données paradigme MapReduce développé par Google et utilisé dans le framework Hadoop 18

19 Big data analytics Modèles de données NoSQL Bases de données Clé Valeur Bases de données Colonnes Bases de données Documents Bases de données Graphes 19

20 Big data analytics Stockage Cloud Computing l accès laccès se fait via le réseau les services sont accessibles à la demande et en libre service utilisation de ressources informatiques partagées et configurables exemple : microsoft Windows Azure Super calculateurs hybrides HPC : High Performance Computing Exemple : CEA (commissariat à l énergie atomique et aux énergies alternatives) 20

21 Big data analytics Programmes scientifiques Applications des Big Data Grandes entreprises IBM29,Amazon Web Services, BigQuery, SAP HANA, Entreprises spécialisées é Teradata, Jaspersoft30, Pentaho31, Open source Apache Hadoop, Infobright32, Talend33, Start up 21

22 Big data analytics Application des Big data Recherche scientifique décodage d du génome humain Politique analyse d opinions politiques de la population Secteur privé ié grande distribution : 1 million de transactions client par jour Facebook traite 50 milliards de photos 22

23 Big data analytics Enjeux stratégiques Modélisation de données modèles de données modèles de métadonnées modèles de sources de données modèles représentant des informations contextuelles sur les données modèles supportant l incertitude et la qualité des données Gestion de données analyser l ensemble des donnes et pas seulement un échantillon accélération des temps d analyse danalyse réponses pouvant être approximatives mais pouvant guider l analyste besoin de nouveaux outils de gestion et d analyse des big data 23

24 Infonuagique Un peu d histoire 1950 : systèmes centraux applications fonctionnant t sur ces systèmes accès via des terminaux à ces applications 2000 : hébergeurs Web premières applications Web 2.0 déployées en cloud computing courrier électronique outils collaboratifs Promotion du cloud computing public généralisation de l utilisation de l Internet par les particuliers et les entreprises augmentation de la puissance des équipements informatiques baisse du coût du stockage 24

25 Infonuagique Principes du cloud computing Définition cloud computing : un nuage informatique est un ensemble de matériel, de raccordements réseau et de logiciels qui fournit des services sophistiqués que les individus et les collectivités peuvent exploiter via des accès Internet Caractéristiques ressources en self service & élasticité : adaptation automatique à la demande ouverture : services mis à disposition sur l Internet, compatibles ordibnateurs, tablettes, téléphones mutualisation paiement à l usage 25

26 Infonuagique Principes du cloud computing Mécanisme du cloud computing les entreprises accèdent à des services en ligne d une infrastructure t proposée par un fournisseur les applications et les données se trouvent sur un nuage composé de serveurs distants interconnectés complexité des liaisons réseaux multiplicité des intervenants fournisseur d accès Internet, hébergeur, éditeur, revendeur, risque de diminution de la qualité de service problème de sécurité des données 26

27 Infonuagique Principes du cloud computing Technologies utilisées virtualisationdu it ti matériel informatique grilles de calcul architecture orientée services services Web Types de cloud public : jeu à la demande (gaming on demand cloud gaming) privé communautaire 27

28 Infonuagique Principes du cloud computing Services IaaS Infrastructure as a Sevice service de bas niveau accès à un parc informatique virtualisé le consommateur peut installer un système d'exploitation et des applications PaaS Platform as a Sevice le système d'exploitation et les outils d'infrastructure sont sous la responsabilité du fournisseur le consommateur a le contrôle des applications et peut ajouter ses propres outils SaaS Software as a Sevice des applications sont mises à la disposition des consommateurs le consommateur n'a pas à se soucier d'effectuer des mises à jour 28

29 Infonuagique Principes du cloud computing Avantages mutualisation des services pour un grand nombre de clients élasticité du nuage permet de fournir des services évolutifs montée en charge facile permet aux entreprises de faire des économies Inconvénients sécurité des données devenir des données dépendant de la qualité du réseau perte de la maîtrise de l implantation des données Conséquence développement des datacenters 29

30 Big data on line analytics : Enjeux Introduction Motivation identifier en continu des données exploitables enfouies dans les big data intégrer ces données dans l environnement de travail de l utilisateur lorsque c est nécessaire procéder à des analyses d exploration, de prédiction et de prospection prise de décisions plus pertinentes Nouvelles applications métiers basées sur l analyse analyse du panier de la ménagère optimisation des prix et du rendement gestion de la démarque des produits programme de fidélisation fdél de la clientèle analyse en fonction de la demande : prévision, comparaisons, 30

31 Big data on line analytics : Enjeux Usages possibles Mieux comprendre les modes d utilisation des usagers améliorer l offre de services Permettre la communication en temps réel d une organisation avec ses usagers Mieux comprendre les sentiments ou les besoins des citoyens à l aide des données des réseaux sociaux Anticiper jusqu à un certain degré de certitude les comportements les besoins des consommateurs Prévenir certaines maladies et améliorer le traitement des patients 31

32 Big data on line analytics : Enjeux Potentiel des analyses des big data Simplifier et adapter les services éducation en ligne : améliorer les enseignements en fonction des activités des élèves Extraire les informations enfouies données pertinentes données suspectes Prédire et prévenir anticiper sur des évènements futurs prévention des crimes : identifier les zones et les périodes sensibles Améliorer les performances de gestion faciliter l évaluation des services aide à la prise de décision permettre d économiser des ressources 32

33 Big data on line analytics : Enjeux Défis Mettre de l intelligence dans les big data Recueillir des millions de lignes de données données du commerce en ligne travailler sur des millions de données, en continu, en temps réel comment tirer profit de ces millions de données? Stocker les big dt data Analyser ayse les big bgdata Visualiser les résultats 33

34 Big data on line analytics : Enjeux Contexte Méthodes de conception ardues Outils de reportingrudimentaires i Données à croissance exponentielle Technologies de bases de données limitées et rigides Emergence de nouvelles applications initiatives métier stratégiques 34

35 Big data on line analytics : Problèmes Limitations des entrepôts classiques Au niveau stockage les entrepôts de données sont implémentés dans les SGBD traditionnels les SGBD traditionnels stockent des données numériques capacité de gestion des SGBD est limitée pour des données massives Au niveau modèle les modèles d entrepôts classiques sont limités les données massives sont peu ou pas structurées les données massives sont en flux continu Au niveau du processus ETL l ETL sert à extraire, transformer et charger les données des sources vers l entrepôt l ETL classique est limité pour des données massives et continues 35

36 Big data on line analytics : Problèmes Limitations des entrepôts classiques Au niveau analyse calcul préalable des agrégats dans les entrepôts traditionnels compenser la puissance de calcul limitée des SGBD traditionnels plusieurs jointures pour calculer les cubes OLAP Impact du pré calcul des agrégats sur les big data problème du chargement des données en flux continu problème de génération des rapports mis à jour en temps réel 36

37 Big data on line analytics : Démarche Vers de nouveaux entrepôts de données Utilisation de nouveaux modèles de données modèles de données NoSQL SGBD NoSQL (Cassandra) meilleure prise en compte des données peu ou pas structurées Utilisation des nouvelles plateformes et outils cloud computing capacité de stockage illimitée puissance de calcul Hadoop traitement parallèle des données gain de temps 37

38 Big data on line analytics : Démarche Vers de nouveaux entrepôts de données Entrepôt de données agile flexible réactif Vers une nouvelle façon de faire de l OLAP OLAP à la demande meilleure gestion des données arrivant en flux continu L analyse au sein des nouveaux SGBD créer les opérateurs OLAP au sein des SGBD NoSQL intégrer des opérateurs de prédiction, d analyse de tendances, dans les SGBD NoSQL 38

39 Big data on line analytics : Quelques résultats Analyse en ligne de textes Intégration de données textes texte: donnée peu ou pas structurée définir une démarche de prétraitement de données textes Entrepôts de textes comment stocker les données textes t quel modèle d entrepôt choisir? quel est le niveau de granularité (terme, paragraphe, document ) Text OLAP définir des mesures textuelles définir les opérateur Text OLAP construction de cubes de textes 39

40 Big data on line analytics : Quelques résultats Analyse en ligne de textes Intégration de données textes utilisation de techniques avérées de la recherche d information Indexation de documents segmentation thématique de textes Entrepôts de textes dimensions thématiques mesures textuelles : vecteur de poids des termes / dimensions Opérateurs d agrégation adaptées aux données texte classement de documents et navigation selon les dimensions thématiques catégorisation par mots clés 40

41 Big data on line analytics : Quelques résultats Cube de textes 41

42 Big data on line analytics : Quelques résultats Opérateur de classement de documents et navigation 42

43 Big data on line analytics : Quelques résultats Parallélisation du processus ETL Vers l intégration de données massives décomposition des tâches ETL en fonctionnalités de base répartition des fonctionnalités sur les différents nœuds du cluster Paradigme Map/Reduce fonctions s exécutent en plusieurs instances parallèles sur les différents nœuds du cluster Parallélisation des fonctions de base changing data capture data quality validation surrogate key slowly changing dimension 43

44 Big data on line analytics : Quelques résultats Vers l intégration de données massives MapReduce Partitionnement Map Reduce Données sources Parti. 0 Parti. 1 Résultat Parti. 2 ETL Données sources DW/Cubes Extraction Partitionnement Transformation Fusion Chargement 44

45 Big data on line analytics : Quelques résultats Entrepôts de données en colonnes Données entreposées stockées en colonnes mode de stockage plus adapté aux données multidimensionnelles utilisation d un dun SGBD NoSQL en colonnes Construction de cubes OLAP en colonnes accès aux seules colonnes sollicitées par la requête décisionnelle accès aux seuls blocs contenant ces colonnes Développement d applications décisionnelles dans le cloud 45

46 Big data on line analytics : Quelques résultats OLAP pour les entrepôts NoSQL Opérateur d agrégation CN Cube : Columnar NoSQL Cube operator appliqué sur des entrepôts en colonnes Etude de performance comparaison du temps de construction de cubes OLAP selon : environnement relationnel : Oracle environnement non relationnel : MonetDB Résultats CN Cube C plus performant que l opérateur Cube d Oracle facilité du passage à l échelle avec les entrepôts NoSQL 46

47 Big data on line analytics : Quelques résultats OLAP à la demande OLAP pour tous rendre accessible l OLAP aux PME/TPE projet décisionnel à coût réduit en mode «software as a service» (SAS) Projet décisionnel comme un service prise en main simplifiée du processus décisionnel phases d intégration et de modélisation multidimensionnelles masquées Navigation visuelle dans les cubes OLAP 47

48 Big data on line analytics : Quelques résultats OLAP à la demande Agrégation à la demande créer des agrégats en temps réel pas de mise à jour de cubes OLAP à faire gain de temps Création directe de nouveaux indicateurs clés de performance indicateurs non figés meilleure exploitation des données continues Définir les hiérarchies à la demande ne pas figer les hiérarchies de dimensions à lors de la conception de l entrepôt possibilité de changer de hiérarchie d une analyse à l autre 48

49 Big data on line analytics : Quelques résultats OLAP à la demande Analyse opérationnelle exploitation en continu des flux de données reporting opérationnel à faible latence Prise de décision rapide peu de temps entre l apparition d un évènement et la prise de décision prise de décision quasi en temps réel Exemple gestion d une campagne publicitaire réallouer les budgets de campagne en ligne aux sites les plus efficaces alors qu une campagne est en cours 49

50 Big data on line analytics : Quelques résultats OLAP à la demande Traitement des requêtes massives environnement cloudcomputing gestion rapide des accès concurrents étude de performance Analyse en ligne collaborative partage de cubes OLAP partage de résultats enrichissement des cubes 50

51 Big data on line analytics Conclusion Au delà de l effet de mode des big data grand intérêt lié aux analyses prévenir des catastrophes traiter des pathologies organiser des services Nécessité de l interopérabilité des données et des applications OLAP à la volée ne pas stocker les données (trop volumineuses) système de médiation données continues Il convient de réfléchir dès maintenant aux : risques liés à la confidentialité des données risques liés au respect de la vie privée 51

52 Big data on line analytics Conclusion Services Web Ontologies Modèles NoSQL Fouille RI Entrepôts Big Data Intégration ETL Modélisation orientée analyse Analyse en ligne Dans le nuage Actifs Personnalisés Sécurisés Cloud OLAP Décideur Utilisateur non expert Personnalisation Sécurité A la demande Service Personnalisé Sécurisé Profils Contextes 52

53 Fdil Fadila Bentayeb Merci! Lb Laboratoire ERIC Lyon 2 53

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

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

Plus en détail

Big Data. Concept et perspectives : la réalité derrière le "buzz"

Big Data. Concept et perspectives : la réalité derrière le buzz Big Data Concept et perspectives : la réalité derrière le "buzz" 2012 Agenda Concept & Perspectives Technologies & Acteurs 2 Pierre Audoin Consultants (PAC) Pierre Audoin Consultants (PAC) est une société

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

Pentaho Business Analytics Intégrer > Explorer > Prévoir

Pentaho Business Analytics Intégrer > Explorer > Prévoir Pentaho Business Analytics Intégrer > Explorer > Prévoir Pentaho lie étroitement intégration de données et analytique. En effet, les services informatiques et les utilisateurs métiers peuvent accéder aux

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

Présentation des. MicroStrategy 10.

Présentation des. MicroStrategy 10. Présentation des nouveautés de MicroStrategy 10. microstrategy.com/analytics 1 M MicroStrategy 10. Une véritable révolution. MicroStrategy 10 représente une étape majeure dans l évolution de la suite MicroStrategy

Plus en détail

Panorama des solutions analytiques existantes

Panorama des solutions analytiques existantes Arnaud LAROCHE Julien DAMON Panorama des solutions analytiques existantes SFdS Méthodes et Logiciels - 16 janvier 2014 - Données Massives Ne sont ici considérés que les solutions autour de l environnement

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

Big Data et l avenir du décisionnel

Big Data et l avenir du décisionnel Big Data et l avenir du décisionnel Arjan Heijmenberg, Jaspersoft 1 Le nouveau monde des TI L entreprise en réseau de McKinsey McKinsey sur le Web 2.0 McKinsey Global Institute, décembre 2010 Emergence

Plus en détail

Introduction Big Data

Introduction Big Data Introduction Big Data SOMMAIRE Rédacteurs : Réf.: SH. Lazare / F. Barthélemy AXIO_BD_V1 QU'EST-CE QUE LE BIG DATA? ENJEUX TECHNOLOGIQUES ENJEUX STRATÉGIQUES BIG DATA ET RH ANNEXE Ce document constitue

Plus en détail

Les participants repartiront de cette formation en ayant une vision claire de la stratégie et de l éventuelle mise en œuvre d un Big Data.

Les participants repartiront de cette formation en ayant une vision claire de la stratégie et de l éventuelle mise en œuvre d un Big Data. Big Data De la stratégie à la mise en oeuvre Description : La formation a pour objet de brosser sans concession le tableau du Big Data. Les participants repartiront de cette formation en ayant une vision

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

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

Ecole des Hautes Etudes Commerciales HEC Alger. par Amina GACEM. Module Informatique 1ière Année Master Sciences Commerciales

Ecole des Hautes Etudes Commerciales HEC Alger. par Amina GACEM. Module Informatique 1ière Année Master Sciences Commerciales Ecole des Hautes Etudes Commerciales HEC Alger Évolution des SGBDs par Amina GACEM Module Informatique 1ière Année Master Sciences Commerciales Evolution des SGBDs Pour toute remarque, question, commentaire

Plus en détail

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

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

Analytics Platform. MicroStrategy. Business Intelligence d entreprise. Self-service analytics. Big Data analytics.

Analytics Platform. MicroStrategy. Business Intelligence d entreprise. Self-service analytics. Big Data analytics. Business Intelligence d entreprise MicroStrategy Analytics Platform Self-service analytics Big Data analytics Mobile analytics Disponible en Cloud Donner l autonomie aux utilisateurs. Des tableaux de bord

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

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

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

BIG DATA. Veille technologique. Malek Hamouda Nina Lachia Léo Valette. Commanditaire : Thomas Milon. Encadré: Philippe Vismara

BIG DATA. Veille technologique. Malek Hamouda Nina Lachia Léo Valette. Commanditaire : Thomas Milon. Encadré: Philippe Vismara BIG DATA Veille technologique Malek Hamouda Nina Lachia Léo Valette Commanditaire : Thomas Milon Encadré: Philippe Vismara 1 2 Introduction Historique des bases de données : méthodes de stockage et d analyse

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

Pierre-Adrien Forestier Partner Technical Advisor pafore@microsoft.com

Pierre-Adrien Forestier Partner Technical Advisor pafore@microsoft.com Pierre-Adrien Forestier Partner Technical Advisor pafore@microsoft.com Agenda Vision de la BI par Microsoft SQL Server 2008 R2 Démo PowerPivot Démo Reporting Services Questions / Réponses Une plateforme

Plus en détail

Big data et données géospatiales : Enjeux et défis pour la géomatique. Thierry Badard, PhD, ing. jr Centre de Recherche en Géomatique

Big data et données géospatiales : Enjeux et défis pour la géomatique. Thierry Badard, PhD, ing. jr Centre de Recherche en Géomatique Big data et données géospatiales : Enjeux et défis pour la géomatique Thierry Badard, PhD, ing. jr Centre de Recherche en Géomatique Événement 25e anniversaire du CRG Université Laval, Qc, Canada 08 mai

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

Fournir un accès rapide à nos données : agréger au préalable nos données permet de faire nos requêtes beaucoup plus rapidement

Fournir un accès rapide à nos données : agréger au préalable nos données permet de faire nos requêtes beaucoup plus rapidement Introduction Phases du projet Les principales phases du projet sont les suivantes : La mise à disposition des sources Des fichiers Excel sont utilisés pour récolter nos informations L extraction des données

Plus en détail

IBM Software Big Data. Plateforme IBM Big Data

IBM Software Big Data. Plateforme IBM Big Data IBM Software Big Data 2 Points clés Aide les utilisateurs à explorer de grands volumes de données complexes Permet de rationaliser le processus de développement d'applications impliquant de grands volumes

Plus en détail

Groupe de Discussion Big Data Aperçu des technologies et applications. Stéphane MOUTON stephane.mouton@cetic.be

Groupe de Discussion Big Data Aperçu des technologies et applications. Stéphane MOUTON stephane.mouton@cetic.be Groupe de Discussion Big Data Aperçu des technologies et applications Stéphane MOUTON stephane.mouton@cetic.be Recherche appliquée et transfert technologique q Agréé «Centre Collectif de Recherche» par

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

Transformez vos. données en. avantage concurrentiel. microstrategy.com/analytics 1

Transformez vos. données en. avantage concurrentiel. microstrategy.com/analytics 1 Transformez vos données en avantage concurrentiel. microstrategy.com/analytics 1 icrostr nalytics s enterp eady i s c MicroStrategy Analytics est conçue pour l entreprise 2 microstrategy.com/analytics

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

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

Système OLAP Fresqueau

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

Plus en détail

En route vers le succès avec une solution de BI intuitive destinée aux entreprises de taille moyenne

En route vers le succès avec une solution de BI intuitive destinée aux entreprises de taille moyenne Présentation du produit SAP s SAP pour les PME SAP BusinessObjects Business Intelligence, édition Edge Objectifs En route vers le succès avec une solution de BI intuitive destinée aux entreprises de taille

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

Business Intelligence avec Excel, Power BI et Office 365

Business Intelligence avec Excel, Power BI et Office 365 Avant-propos A. À qui s adresse ce livre? 9 1. Pourquoi à chaque manager? 9 2. Pourquoi à tout informaticien impliqué dans des projets «BI» 9 B. Obtention des données sources 10 C. Objectif du livre 10

Plus en détail

Business Intelligence (BI) Stratégie de création d un outil BI

Business Intelligence (BI) Stratégie de création d un outil 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 indispensable, sous plusieurs

Plus en détail

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

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

Plus en détail

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

Prototype SOLAP appliqué sur des champs continus en mode raster

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

Plus en détail

Surmonter les 5 défis opérationnels du Big Data

Surmonter les 5 défis opérationnels du Big Data Surmonter les 5 défis opérationnels du Big Data Jean-Michel Franco Talend Connect 9 octobre 2014 Talend 2014 1 Agenda Agenda Le Big Data depuis la découverte jusqu au temps réel en passant par les applications

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

Business 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 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 détail

DEMARREZ RAPIDEMENT VOTRE EVALUATION

DEMARREZ RAPIDEMENT VOTRE EVALUATION Pentaho Webinar 30 pour 30 DEMARREZ RAPIDEMENT VOTRE EVALUATION Resources & Conseils Sébastien Cognet Ingénieur avant-vente 1 Vous venez de télécharger une plateforme moderne d intégration et d analyses

Plus en détail

Accélérateur de votre RÉUSSITE

Accélérateur de votre RÉUSSITE Accélérateur de votre RÉUSSITE SAP Business Objects est une suite décisionnelle unifiée et complète qui connecte ses utilisateurs en éliminant les difficultés d accès à l information. Mobile Devices Browsers

Plus en détail

NoSQL. Introduction 1/23. I NoSQL : Not Only SQL, ce n est pas du relationnel, et le contexte. I table d associations - Map - de couples (clef,valeur)

NoSQL. Introduction 1/23. I NoSQL : Not Only SQL, ce n est pas du relationnel, et le contexte. I table d associations - Map - de couples (clef,valeur) 1/23 2/23 Anne-Cécile Caron Master MIAGE - BDA 1er trimestre 2013-2014 I : Not Only SQL, ce n est pas du relationnel, et le contexte d utilisation n est donc pas celui des SGBDR. I Origine : recherche

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

SQL Server 2012 et SQL Server 2014

SQL Server 2012 et SQL Server 2014 SQL Server 2012 et SQL Server 2014 Principales fonctions SQL Server 2012 est le système de gestion de base de données de Microsoft. Il intègre un moteur relationnel, un outil d extraction et de transformation

Plus en détail

IBM Cognos TM1. Fiche Produit. Aperçu

IBM Cognos TM1. Fiche Produit. Aperçu Fiche Produit IBM Cognos TM1 Aperçu Cycles de planification raccourcis de 75 % et reporting ramené à quelques minutes au lieu de plusieurs jours Solution entièrement prise en charge et gérée par le département

Plus en détail

Cloud Computing. 19 Octobre 2010 JC TAGGER

Cloud Computing. 19 Octobre 2010 JC TAGGER Cloud Computing 19 Octobre 2010 JC TAGGER AGENDA 8h30-9h00 Le Cloud Computing De quoi s agit-il? Opportunités pour les entreprises Impact sur la chaine de valeur de l industrie des NTIC s 9h00-9h15 Témoignage

Plus en détail

HADOOP ET SON ÉCOSYSTÈME

HADOOP ET SON ÉCOSYSTÈME HADOOP ET SON ÉCOSYSTÈME Mars 2013 2012 Affini-Tech - Diffusion restreinte 1 AFFINI-TECH Méthodes projets Outils de reporting & Data-visualisation Business & Analyses BigData Modélisation Hadoop Technos

Plus en détail

Une brève introduction aux Données Massives - Challenges et perspectives. Romain Picot-Clémente Cécile Bothorel Philippe Lenca

Une brève introduction aux Données Massives - Challenges et perspectives. Romain Picot-Clémente Cécile Bothorel Philippe Lenca Une brève introduction aux Données Massives - Challenges et perspectives Romain Picot-Clémente Cécile Bothorel Philippe Lenca Plan 1 Big Data 2 4Vs 3 Hadoop et son écosystème 4 Nouveaux challenges, nouvelles

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

Cloud Computing : Généralités & Concepts de base

Cloud Computing : Généralités & Concepts de base Cloud Computing : Généralités & Concepts de base Les 24èmes journées de l UR-SETIT 22 Février 2015 Cette oeuvre, création, site ou texte est sous licence Creative Commons Attribution - Pas d Utilisation

Plus en détail

Business Intelligence

Business Intelligence avec Excel, Power BI et Office 365 Téléchargement www.editions-eni.fr.fr Jean-Pierre GIRARDOT Table des matières 1 Avant-propos A. À qui s adresse ce livre?..................................................

Plus en détail

transformer en avantage compétitif en temps réel vos données Your business technologists. Powering progress

transformer en avantage compétitif en temps réel vos données Your business technologists. Powering progress transformer en temps réel vos données en avantage compétitif Your business technologists. Powering progress Transformer les données en savoir Les données sont au cœur de toute activité, mais seules elles

Plus en détail

Découverte et investigation des menaces avancées INFRASTRUCTURE

Découverte et investigation des menaces avancées INFRASTRUCTURE Découverte et investigation des menaces avancées INFRASTRUCTURE AVANTAGES CLÉS Infrastructure RSA Security Analytics Collecte distribuée grâce à une architecture modulaire Solution basée sur les métadonnées

Plus en détail

Les outils logiciels IBM à l'appui d'un projet de remontée des informations en temps réel.

Les outils logiciels IBM à l'appui d'un projet de remontée des informations en temps réel. IBM Software Group Les outils logiciels IBM à l'appui d'un projet de remontée des informations en temps réel. Lydie Peter, IBM Software Group. 2004 IBM Corporation Le principe : Identifier et réagir Filtres

Plus en détail

Big Data : une complexité réduite pour un retour sur investissement plus rapide

Big Data : une complexité réduite pour un retour sur investissement plus rapide Big Data : une complexité réduite pour un retour sur investissement plus rapide Copyright 2013 Pentaho Corporation. Redistribution autorisée. Toutes les marques commerciales sont déposées par leur propriétaire

Plus en détail

Cartographie des solutions BigData

Cartographie des solutions BigData Cartographie des solutions BigData Panorama du marché et prospective 1 1 Solutions BigData Défi(s) pour les fournisseurs Quel marché Architectures Acteurs commerciaux Solutions alternatives 2 2 Quels Défis?

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

L analytique en temps réel en un clic. Jean-Michel Franco Directeur Marketing Produit @jmichel_franco

L analytique en temps réel en un clic. Jean-Michel Franco Directeur Marketing Produit @jmichel_franco L analytique en temps réel en un clic Jean-Michel Franco Directeur Marketing Produit @jmichel_franco 2015 Talend Inc. 1 1 Dynamiser l entreprise par ses données Les entreprises orientées données 23X plus

Plus en détail

Le parcours pédagogique Sage Business Intelligence. Utilisateur Niv I BO XI 3.0 WebI pour Sage 1000 2 jours

Le parcours pédagogique Sage Business Intelligence. Utilisateur Niv I BO XI 3.0 WebI pour Sage 1000 2 jours Vous êtes Consultant, Chef de Projets, Directeur des Systèmes d Information, Directeur Administratif et Financier, Optez pour les «formations Produits» Nous vous proposons des formations vous permettant

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

FICHE CONCEPT 01 ETL (EXTRACT TRANSFORM & LOAD)

FICHE CONCEPT 01 ETL (EXTRACT TRANSFORM & LOAD) FICHE CONCEPT 01 ETL (EXTRACT TRANSFORM & LOAD) BIEN GERER SES REFERENTIELS DE DONNEES : UN ENJEU POUR MIEUX PILOTER LA PERFORMANCE DE SON ETABLISSEMENT octobre 2008 GMSIH 44, Rue de Cambronne 75015 Paris.

Plus en détail

Bases de données multidimensionnelles OLAP. OnLine Analytical Processing

Bases de données multidimensionnelles OLAP. OnLine Analytical Processing Bases de données multidimensionnelles OLAP OnLine Analytical Processing OLAP OLAP (On Line Analytical Processing): Ensemble des outils nécessaires pour la mise en place d'un Système d'information décisionnel

Plus en détail

Informatique Décisionnelle pour l environnement

Informatique Décisionnelle pour l environnement Territoires, Environnement, Télédétection et Information Spatiale Unité mixte de recherche AgroParisTech - Cirad - Irstea Informatique Décisionnelle pour l environnement Principe, architecture informatique

Plus en détail

La Business Intelligence 01/05/2012. Les Nouvelles Technologies

La Business Intelligence 01/05/2012. Les Nouvelles Technologies 2 La Business Intelligence Les Nouvelles Technologies 3 Une expertise méthodologique pour une intervention optimale sur tous les niveaux du cycle de vie d un projet 4 5 Ils nous font confiance : L ambition

Plus en détail

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

Labs Hadoop Février 2013

Labs Hadoop Février 2013 SOA - BRMS - ESB - BPM CEP BAM - High Performance Compute & Data Grid - Cloud Computing - Big Data NoSQL - Analytics Labs Hadoop Février 2013 Mathias Kluba Managing Consultant Responsable offres NoSQL

Plus en détail

TP2_1 DE BUSINESS INTELLIGENCE ISIMA ZZ3 F3

TP2_1 DE BUSINESS INTELLIGENCE ISIMA ZZ3 F3 TP2_1 DE BUSINESS INTELLIGENCE ISIMA ZZ3 F3 03/11/2014 Plan du TP 2 Présentation de la suite Microsoft BI Ateliers sur SSIS (2H) Ateliers sur RS (2H) 3 Présentation de la suite Microsoft BI Présentation

Plus en détail

Les technologies du Big Data

Les technologies du Big Data Les technologies du Big Data PRÉSENTÉ AU 40 E CONGRÈS DE L ASSOCIATION DES ÉCONOMISTES QUÉBÉCOIS PAR TOM LANDRY, CONSEILLER SENIOR LE 20 MAI 2015 WWW.CRIM.CA TECHNOLOGIES: DES DONNÉES JUSQU'À L UTILISATEUR

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

LE BIG DATA. TRANSFORME LE BUSINESS Solution EMC Big Data

LE BIG DATA. TRANSFORME LE BUSINESS Solution EMC Big Data LE BIG DATA Solution EMC Big Data TRANSITION VERS LE BIG DATA En tirant profit du Big Data pour améliorer leur stratégie et son exécution, les entreprises se démarquent de la concurrence. La solution EMC

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

Didier MOUNIEN Samantha MOINEAUX

Didier MOUNIEN Samantha MOINEAUX Didier MOUNIEN Samantha MOINEAUX 08/01/2008 1 Généralisation des ERP ERP génère une importante masse de données Comment mesurer l impact réel d une décision? Comment choisir entre plusieurs décisions?

Plus en détail

Easy to. report. Connexion. Transformation. Stockage. Construction. Exploitation. Diffusion

Easy to. report. Connexion. Transformation. Stockage. Construction. Exploitation. Diffusion M y R e p o r t, L A S O L U T I O N R E P O R T I N G D E S U T I L I S AT E U R S E X C E L Connexion Transformation Stockage Construction Exploitation Diffusion OBJECTIF REPORTING : De la manipulation

Plus en détail

LES NOUVEAUTES DE COST AND PROFITABILITY MANAGEMENT 8.1

LES NOUVEAUTES DE COST AND PROFITABILITY MANAGEMENT 8.1 LES NOUVEAUTES DE COST AND PROFITABILITY MANAGEMENT 8.1 SAS Cost and Profitability Management, également appelé CPM (ou C&P), est le nouveau nom de la solution SAS Activity-Based Management. Cette version

Plus en détail

Restitution. Antoine Lapostolle Ingénieur Avant-Vente Microsoft France

Restitution. Antoine Lapostolle Ingénieur Avant-Vente Microsoft France Restitution Antoine Lapostolle Ingénieur Avant-Vente Microsoft France Fgi was here Restitution: les problématiques Stocker ne suffit, il faut permettre de comprendre et d analyser ces données. Avec des

Plus en détail

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

1 Actuate Corporation 2012. + de données. + d analyses. + d utilisateurs.

1 Actuate Corporation 2012. + de données. + d analyses. + d utilisateurs. 1 Actuate Corporation 2012 + de données. + d analyses. + d utilisateurs. Actuate et BIRT Actuate est l Editeur spécialiste de la Business Intelligence et le Reporting qui a créé le projet Open Source BIRT

Plus en détail

CARTE HEURISTIQUE...1 LA CHAÎNE DÉCISIONNELLE...2. Collecte des données...2 Stockage des Données...3 Exploitation des Données...4 OLTP ET OLAP...

CARTE HEURISTIQUE...1 LA CHAÎNE DÉCISIONNELLE...2. Collecte des données...2 Stockage des Données...3 Exploitation des Données...4 OLTP ET OLAP... Table des matières CARTE HEURISTIQUE...1 LA CHAÎNE DÉCISIONNELLE...2 Collecte des données...2 Stockage des Données...3 Exploitation des Données...4 OLTP ET OLAP...6 OPÉRATIONS SUR LES CUBES...7 Exemple

Plus en détail

La Geo-Business Intelligence selon GALIGEO avec 26/10/2005 1

La 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 détail

AVRIL 2014. Au delà de Hadoop. Panorama des solutions NoSQL

AVRIL 2014. Au delà de Hadoop. Panorama des solutions NoSQL AVRIL 2014 Panorama des solutions NoSQL QUI SOMMES NOUS? Avril 2014 2 SMILE, EN QUELQUES CHIFFRES 1er INTÉGRATEUR EUROPÉEN DE SOLUTIONS OPEN SOURCE 3 4 NOS EXPERTISES ET NOS CONVICTIONS DANS NOS LIVRES

Plus en détail

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

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

Plus en détail

Titre : La BI vue par l intégrateur Orange

Titre : La BI vue par l intégrateur Orange Titre : La BI vue par l intégrateur Orange Résumé : L entité Orange IT&L@bs, partenaire privilégié des entreprises et des collectivités dans la conception et l implémentation de SI Décisionnels innovants,

Plus en détail

Le terme «ERP» provient du nom de la méthode MRP (Manufacturing Ressource Planning) utilisée dans les années 70 pour la gestion et la planification

Le 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 détail

OLAP. Data Mining Decision

OLAP. Data Mining Decision Machine Learning Information Systems Data Warehouses Web & Cloud Intelligence OLAP Knowledge Management Data Mining Decision ENTREPÔTS, REPRÉSENTATION & INGÉNIERIE des CONNAISSANCES Une recherche pluridisciplinaire...

Plus en détail

TP2_2 DE BUSINESS INTELLIGENCE ISIMA ZZ3 F3

TP2_2 DE BUSINESS INTELLIGENCE ISIMA ZZ3 F3 TP2_2 DE BUSINESS INTELLIGENCE ISIMA ZZ3 F3 03/11/2014 Plan du TP 2 Présentation de la suite Microsoft BI Ateliers sur SSIS (2H) Ateliers sur RS (2H) 3 Présentation de la suite Microsoft BI Présentation

Plus en détail

20 ans du Master SIAD de Toulouse - BigData par l exemple - Julien DULOUT - 22 mars 2013. 20 ans du SIAD -"Big Data par l'exemple" -Julien DULOUT

20 ans du Master SIAD de Toulouse - BigData par l exemple - Julien DULOUT - 22 mars 2013. 20 ans du SIAD -Big Data par l'exemple -Julien DULOUT 20 ans du Master SIAD de Toulouse - BigData par l exemple - Julien DULOUT - 22 mars 2013 20 ans du SIAD -"BigData par l'exemple" -Julien DULOUT Qui a déjà entendu parler du phénomène BigData? Qui a déjà

Plus en détail

Votre 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 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

Les enjeux stratégiques et économiques du Cloud Computing pour les collectivités territoriales

Les enjeux stratégiques et économiques du Cloud Computing pour les collectivités territoriales Les enjeux stratégiques et économiques du Cloud Computing pour les collectivités territoriales Paris, 20 septembre 2011 1 50 Jean-Charles BOSSARD, Président de localeo : état des lieux Olivier MIDIERE,

Plus en détail

Les quatre piliers d une solution de gestion des Big Data

Les quatre piliers d une solution de gestion des Big Data White Paper Les quatre piliers d une solution de gestion des Big Data Table des Matières Introduction... 4 Big Data : un terme très vaste... 4 Le Big Data... 5 La technologie Big Data... 5 Le grand changement

Plus en détail

IMPLEMENTATION D UN SYSTEME D INFORMATION DECISIONNEL

IMPLEMENTATION D UN SYSTEME D INFORMATION DECISIONNEL IMPLEMENTATION D UN SYSTEME D INFORMATION DECISIONNEL Proposé par BUMA Feinance Master en management e projets informatiques Consultant en système écisionnel I. COMPREHENSION DU CONTEXTE «L informatique

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

TP2 DE BUSINESS INTELLIGENCE ISIMA ZZ3 F3

TP2 DE BUSINESS INTELLIGENCE ISIMA ZZ3 F3 TP2 DE BUSINESS INTELLIGENCE ISIMA ZZ3 F3 30/11/2011 Plan du TP 2 Rappel sur la chaine de BI Présentation de la suite Microsoft BI Ateliers sur SSIS (2H) Ateliers sur RS (2H) 3 Rappel sur la chaine 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

Etude des outils du Cloud Computing

Etude des outils du Cloud Computing Etude des outils du Cloud Computing Sommaire : Présentation générale.. 2 Définitions. 2 Avantage.. 2 Inconvénients. 3 Types d offres de service Cloud.. 3 Comparaison des services Cloud 4 Conclusion 5 Présentation

Plus en détail

JEDOX FACTSHEETS SELF-SERVICE BUSINESS INTELLIGENCE, ANALYTICS & PERFORMANCE MANAGEMENT

JEDOX FACTSHEETS SELF-SERVICE BUSINESS INTELLIGENCE, ANALYTICS & PERFORMANCE MANAGEMENT 1. Excel Add-In 2. 3. 4. OLAP-Server 5. ETL 6. SAP 7. 8. Profil JEDOX FACTSHEETS SELF-SERVICE BUSINESS INTELLIGENCE, ANALYTICS & PERFORMANCE MANAGEMENT Excel OLAP Server ETL SAP JEDOX EXCEL ADD-IN Transformer

Plus en détail