Introduc;on à l intelligence d affaires et aux entrepôts de données
|
|
- Mathilde Cartier
- il y a 8 ans
- Total affichages :
Transcription
1 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, C. Desrosiers 1
2 QuesFons Quelles sont vos expériences avec l intelligence d affaires? Quelle est selon vous la définifon de ce concept? Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 2
3 Avant de commencer 1. Quel est le lien entre les couches et la bière? 2. Pourquoi les services de Google (Gmail, Calendar, Groups) sont- ils gratuits? Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 3
4 Le lien entre les couches et la bière ObservaFons: Les ventes de bières sont parfculièrement importantes les vendredis en début de soirée; Les clients qui achètent de la bière durant ce[e période ont tendance à acheter également des couches! MarkeFng: En plaçant ces deux produits près l un de l autre, les épiceries augmentent leurs ventes et leurs profits (stratégie de vente croisée). Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 4
5 Le principe Google: Toute informafon a un prix; Google uflise ses services pour acquérir gratuitement de l informafon sur ses usagers: Analyse syntaxique des courriels (Gmail); Profil et liste des contacts (Google Groups); Emploi du temps (Google Calendar); etc. Ce[e informafon est uflisée pour envoyer de la publicité ciblée aux usagers. Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 5
6 ExploitaFon de l informafon «Les entreprises qui gèrent leurs données comme une ressource stratégique et inves<ssent dans la qualité de celles- ci sont en avance sur leurs compé<teurs, au niveau de la réputa<on et de profitabilité» Sondage PricewaterhouseCoopers Global Data Management (2001) Métro / Loblaws / Super C: Entreprises qui vendent de la nourriture OU; Entreprises qui exploitent des connaissances sur: Les préférences des clients; Les biais géographiques; La chaîne logisfque; Le cycle de vie des produits; Les informafons sur les ventes des compéfteurs. Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 6
7 QuesFon En quoi l informafon diffère- t- elle des ressources matérielles et humaines? Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 7
8 CaractérisFques de l informafon [1/2] Temporelle: La valeur diminue avec le temps; Ex: acfons en bourse, achats des clients, etc. Partageable: Peut être copiée et distribuée facilement; Ex: réseaux sociaux, le Web, les médias, etc. Valeur augmente avec l usage: Ne se dégrade pas comme d autres ressources (ex: une voiture); Ex: algorithme PageRank de Google. Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 8
9 CaractérisFques de l informafon [2/2] Valeur augmente avec la qualité: Une informafon erronée ou imprécise peut nuire; Ex: opérafons militaires. Valeur augmente avec la fusion: Une informafon peut avoir de la valeur que si elle est combinée avec d autres informafons; Ex: ventes + inventaire = planificafon. Valeur mesurable: Historique: combien a couté l acquisifon de ce[e informafon? Marché: combien une personne serait- elle prête à payer pour obtenir ce[e informafon; U5lité: quelle valeur peut- on espérer obtenir de ce[e informafon? Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 9
10 QuesFon Est- ce que stocker beaucoup de données est suffisant pour aider la prise de décision d une entreprise? Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 10
11 Données vs informafons vs connaissances Données: CollecFon d éléments de valeur brute ou de faits servant à calculer, raisonner et mesurer; Peuvent être collectées, stockées ou traitées; Ne possèdent pas de contexte ni de sens. InformaFons: Proviennent de l organisafon des données, me[ant en valeur les relafons entre les différents éléments de ces données; Fournissent un contexte et un sens aux données. Connaissances: Viennent de la compréhension de l informafon dans son contexte; Sont ufles au processus de décision. Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 11
12 De données à stratégies Pyramide d abstracfon: Niveau d abstracfon Connaissances et intelligence InformaFons Données Intelligence d affaires: Ensemble de processus, de technologies et d oufls servant à transformer: Les données en informafons; Les informafons en connaissances; Les connaissances en stratégies menant à des acfons profitables à l entreprise. Taille des données Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 12
13 QuesFons Comment le marché d aujourd hui diffère- t- il d il y a 10, 20 ou 30 ans? Pourquoi avons- nous besoin de l intelligence d affaires? Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 13
14 Taux d échec de projets: Échecs dans les projets Catégorie Film (Hollywood) AcquisiFon / fusion TI Produit alimentaire Produit pharmaceufque Taux approx. 60 % 60 % 70 % 80 % 90 % Source: Slywotzky et Weber (2007). The Upside: The 7 Strategies for Turning Big Threats into Growth Breakthroughs Causes fréquentes d échecs: Considérer trop peu de scénarios / scénarios peu réalistes; Être incapable d anfciper les acfons d un compéfteur; Ignorer les changements économiques ou sociaux; Prévoir incorrectement la demande. Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 14
15 L environnement d affaires L environnement d affaires est en constante évolufon et devient de plus en plus complexe; Les entreprises sont sous pression: elles doivent répondre rapidement aux changements et innover dans leurs manières d opérer; La prise de décisions stratégiques et opérafonnelles complexes requiert une quanfté considérable de données et de connaissances; Les données nécessaires à la prise de décision proviennent de sources diverses et hétérogènes; L informafon de ces données doit être traitée très rapidement. Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 15
16 Intelligence d affaires Business intelligence (BI): Un ensemble de concepts, de méthodologies et d applicafons pour rassembler, stocker, analyser, et perme[re d accéder des données, dans le but d aider les uflisateurs d entreprises dans leur processus de décision. Inclut: L entreposage de données; Les requêtes et le reporfng; L analyse mulfdimensionnelle (OLAP); L analyse stafsfque; La prédicfon (forecas<ng); Le forage de données (data mining). Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 16
17 Pourquoi l intelligence d affaires? Profitabilité accrue de l entreprise; DiminuFon des coûts; Meilleure gesfon des relafons avec le client (CRM); DiminuFon des risques; etc. Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 17
18 QuesFon Qu est- ce qu un entreprôt de données et en quoi ce[e technologie diffère- t- elle des bases de données transacfonnelles? Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 18
19 OLTP vs OLAP [1/3] OnLine TransacFon Processing (OLTP): Caractérisé par un grand nombre de courtes transacfons faites en- ligne (ex: INSERT, UPDATE, DELETE); Met l emphase sur le traitement rapide de requêtes simples, et sur l intégrité des données dans un environnement concurrenfel (c.- à- d. plusieurs requêtes simultanées). OnLine AnalyFcal Processing (OLAP): Met l emphase sur le traitement rapide de requêtes complexes (mulfples tables, agrégafon de données, etc.) ayant pour objecff d assister dans la prise de décision. Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 19
20 OLTP vs OLAP [2/3] Critère OLTP OLAP But Types de données Contrôler et exécuter les tâches quofdiennes et fondamentales de l entreprise Données opérafonnelles (transacfons) Assister dans la planificafon, la résolufon de problème et la prise de décision Données historiques consolidées Sources de données BD transacfonnelles Entrepôts de données ou magasins de données Ce que montre les données InserFons et mises- à- jour Requêtes Portrait instantané des processus d affaires de l entreprise Courtes requêtes d inserfon et de mise- à- jour lancées par les usagers finaux Simples requêtes retournant quelques enregistrements (lignes) de la BD Vue mulfdimensionnelle de plusieurs acfvités d affaires de l entreprise Longs traitements en lot servant à rafraichir les données Requêtes complexes impliquant souvent plusieurs tables et faisant l agrégafon de valeurs Temps de réponses Instantané Quelques secondes à 1 minute max. Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 20
21 OLTP vs OLAP [3/3] Critère OLTP OLAP Espace requis ModélisaFon de la BD Sauvegarde et récupérafon RelaFvement peft si les données historiques sont archivées Un grand nombre de tables hautement normalisées Fait de façon régulière, crifque pour l entreprise Grand due aux données historiques et aux données d agrégafon Moins de tables, tables typiquement dénormalisées, schémas en étoile ou flocon Fait de façon irrégulière, peut récupérer des données OLTP ReporFng RouFnier et très ciblé Ad hoc, mulfdimensionnel, à plus large portée Ressources requises Simple DBMS relafonnel DBMS spécialisé mulf- processeurs et à grande capacité Nombre d uflisateurs simultanés Grand PeFt Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 21
22 Quelques définifons Entreposage de données (data warehousing): «La copie périodique et coordonnée de données provenant de diverses sources, internes et externes à l entreprise, dans un environnement opfmisé pour l analyse» Les entrepôts de données (data warehouse): Centralisent les données de l entreprise; Sont contenus dans un environnement bien géré; Possèdent un processus cohérent et répétable pour charger les données provenant des applicafons de l entreprise; Reposent sur une architecture ouverte et extensible pouvant accommoder la croissance des données; Fournissent des oufls perme[ant aux usagers de transformer les données en informafon ufle à la prise de décision. Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 22
23 Historique des entrepôts de données GIS, réseaux sociaux, Web sémanfque, etc. Oracle, IBM, Microso, SAP, etc. Naissance de l entreposage de données; Dispersion des données causée par les PC; Première solufon Teradata (RDBMS). ProducFon de rapports automafsés sur micro- ordinateurs (pas d intégrafon). Ralph Kimball Bill Inmon Mesures de la performance d une entreprise et de l impact d une stratégie de markefng. Arthur Nielsen Naissance de la recherche en markefng. Charles Coolidge Parlin Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 23
24 CaractérisFques des entrepôts de données Orientés sujet: Les données sont organisées par sujet (ex: clients, produits, ventes, etc.). Intégrés: Les données, qui proviennent de diverses sources hétérogènes, sont consolidées et intégrées dans l entrepôt. Historiques: Les données ont très souvent une composante temporelle (ex: date et heure d une transacfon). Non- volafles: Une fois insérées dans l entrepôt, les données ne sont jamais modifiées ou effacées; elle sont conservées pour des analyses futures. Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 24
25 QuesFon Quels sont les avantages d ufliser les entrepôts de données? Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 25
26 Bénéfices des entrepôts de données Directs: Perme[ent de mener des analyses poussées sur différents sujets d affaires; Fournissent une vue consolidée des données de l entreprise (une seule vérité); Procurent de l informafon de qualité, plus rapidement; Libèrent les ressources (ex: serveurs) dédiées au traitement des transacfons des tâches d analyse; Simplifient l accès aux données. Indirects: Améliorent le savoir de l entreprise; Procurent un avantage concurrenfel à l entreprise; Améliorent la safsfacfon des clients; etc. Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 26
27 Bénéfices sociaux des entrepôts de données Meilleure communicafon/coopérafon entre les différents intervenants d une entreprise: Normalement très peu d affinités entre les intervenants du domaine des TI et ceux du domaine des affaires; Un projet d entreposage de données rapproche ces deux groupes en leur donnant un objecff commun. Meilleure communicafon/coopérafon entre les différentes branches d une entreprise: Permet d intégrer et de consolider les données des différentes branches; Fournit une plateforme et des oufls d analyse communs. Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 27
28 Architecture d un entrepôt de données Sources de données Op;on sans datamart ERP / CRM Legacy POS OLT / Web Processus ETL Sélec;on Extrac;on Transforma;on Intégra;on Méta- données Entrepôt de données Copie Accès Datamart (marke;ng) Datamart (finances) Datamart (clients) API / Intergiciels Applica;ons (visualisa;ons) Rapports de rou;ne Forage de données / textes OLAP, tableaux de bord Externes Chargement Datamart (ventes) Autres Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 28
29 Sources de données Enterprise resource planning (ERP): Gèrent les processus opérafonnels d'une entreprise (ex: ressources humaines, finances, distribufon, approvisionnement, etc.). Customer rela<onship management (CRM): Gèrent les interacfons d une entreprise avec ses clients (ex: markefng, ventes, après- vente, assistance technique, etc.). Systèmes legacy: Matériels et logiciels obsolètes mais difficilement remplaçables. Point of sale (POS): Matériels et logiciels uflisés dans les caisses de sorfes d un magasin. Externes: Ex: données concurrenfelles achetées, données démographiques. Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 29
30 QuesFons À quoi correspond le processus ETL? Pourquoi ce processus est- il essenfel à l entreposage de données? Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 30
31 IntégraFon des données Processus Extract, Tranform, Load (ETL): 1. Extraire les données des sources hétérogènes: IdenFfier les sources ufles; Comprendre les schémas. 2. Consolider les données: Données redondantes / manquantes; Différents noms / types; Incohérences. 3. Charger les données intégrées dans l entrepôt: Mode différé (batch); Quasi temps- réel. Représente la parfe la plus complexe de l entreposage. Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 31
32 Les oufls d analyse de données Rapports et requêtes simples «Dis moi ce qui s est passé». Analyse d affaires «Dis moi ce qui s est passé et pourquoi». Tableaux de bord et scorecards «Donne moi l informa<on mais ne me fait pas travailler pour obtenir les réponses». Forage de données «Dis moi quelque chose de nouveau et d intéressant sans que j aille à le demander». Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 32
33 Exemples de tableau de bord [1/2] Données du système des finances Données de systèmes ERP Données d autres systèmes Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 33
34 Exemples de tableau de bord [2/2] Intégration avec MS Office Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 34
35 Cas d étude: Police de Richmond [1/4] Objectif: Réduire le crime en anticipant les activités criminelles. Données: Données actuelles et historiques d appels au 911; Informations relatives aux événements de la ville et des régions limitrophes; Conditions météorologiques; etc. Méthode: Analyser les interactions entre les données actuelles et historiques. Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 35
36 Cas d étude: Police de Richmond [2/4] Composantes technologiques: Technologie Webfocus (Informa;on Builders) SPSS (IBM) ESRI Composante IntégraFon des données Analyse prédicfve Correspondance dynamique des informafons géographiques OuFl de visualisafon: ReprésentaFon des indicateurs sur la carte graphique de la ville. Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 36
37 Cas d étude: Police de Richmond [3/4] Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 37
38 Cas d étude: Police de Richmond [4/4] Résultats: AffectaFon opfmale des ressources policières; Meilleure anfcipafon des acfvités criminelles; Le crime a été réduit de 49 %; Moins d appels au 911. Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi, C. Desrosiers 38
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 détailArchitecture des entrepôts de données
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 Le cycle de vie d un projet
Plus en détailBI = Business Intelligence Master Data-ScienceCours 3 - Data
BI = Business Intelligence Master Data-Science Cours 3 - Datawarehouse UPMC 8 février 2015 Rappel L Informatique Décisionnelle (ID), en anglais Business Intelligence (BI), est l informatique à l usage
Plus en détailLe 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 détailBUSINESS INTELLIGENCE. Une vision cockpit : utilité et apport pour l'entreprise
BUSINESS INTELLIGENCE Une vision cockpit : utilité et apport pour l'entreprise 1 Présentation PIERRE-YVES BONVIN, SOLVAXIS BERNARD BOIL, RESP. SI, GROUPE OROLUX 2 AGENDA Définitions Positionnement de la
Plus en détailBusiness Intelligence : Informatique Décisionnelle
Business Intelligence : Informatique Décisionnelle On appelle «aide à la décision», «décisionnel», ou encore «business intelligence», un ensemble de solutions informatiques permettant l analyse des données
Plus en détailIntroduction à la B.I. Avec SQL Server 2008
Introduction à la B.I. Avec SQL Server 2008 Version 1.0 VALENTIN Pauline 2 Introduction à la B.I. avec SQL Server 2008 Sommaire 1 Présentation de la B.I. et SQL Server 2008... 3 1.1 Présentation rapide
Plus en détailBI = 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 détailLes entrepôts de données et l analyse de données
LOG660 - Bases de données de haute performance Les entrepôts de données et l analyse de données Quelques définitions Entreposage de données (data warehousing): «La copie périodique et coordonnée de données
Plus en détailUn datawarehouse est un entrepôt de données (une base de données) qui se caractérise par des données :
Page 1 of 6 Entrepôt de données Un article de Wikipédia, l'encyclopédie libre. L'entrepôt de données, ou datawarehouse, est un concept spécifique de l'informatique décisionnelle, issu du constat suivant
Plus en détailLES ENTREPOTS DE DONNEES
Module B4 : Projet des Systèmes d information Lille, le 25 mars 2002 LES ENTREPOTS DE DONNEES Problématique : Pour capitaliser ses informations, une entreprise doit-elle commencer par mettre en œuvre des
Plus en détailSGBDR. Systèmes de Gestion de Bases de Données (Relationnelles)
SGBDR Systèmes de Gestion de Bases de Données (Relationnelles) Plan Approches Les tâches du SGBD Les transactions Approche 1 Systèmes traditionnels basés sur des fichiers Application 1 Gestion clients
Plus en détail4. Utilisation d un SGBD : le langage SQL. 5. Normalisation
Base de données S. Lèbre slebre@unistra.fr Université de Strasbourg, département d informatique. Présentation du module Contenu général Notion de bases de données Fondements / Conception Utilisation :
Plus en détailMéthodologie de conceptualisation BI
Méthodologie de conceptualisation BI Business Intelligence (BI) La Business intelligence est un outil décisionnel incontournable à la gestion stratégique et quotidienne des entités. Il fournit de l information
Plus en détailORACLE 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 détailBases de Données OLAP
Bases de Données OLAP Hiver 2013/2014 Melanie Herschel melanie.herschel@lri.fr Université Paris Sud, LRI Chapitre 1 Introduction Détails administratifs Entrepôts de Données Perspective sur le semestre
Plus en détailLa problématique. La philosophie ' ) * )
La problématique!" La philosophie #$ % La philosophie &'( ' ) * ) 1 La philosophie +, -) *. Mise en oeuvre Data warehouse ou Datamart /01-2, / 3 13 4,$ / 5 23, 2 * $3 3 63 3 #, 7 Datawarehouse Data warehouse
Plus en détailEntrepôt de données 1. Introduction
Entrepôt de données 1 (data warehouse) Introduction 1 Présentation Le concept d entrepôt de données a été formalisé pour la première fois en 1990 par Bill Inmon. Il s agissait de constituer une base de
Plus en détailet les Systèmes Multidimensionnels
Le Data Warehouse et les Systèmes Multidimensionnels 1 1. Définition d un Datawarehouse (DW) Le Datawarehouse est une collection de données orientées sujet, intégrées, non volatiles et historisées, organisées
Plus en détailPrésentation du module Base de données spatio-temporelles
Présentation du module Base de données spatio-temporelles S. Lèbre slebre@unistra.fr Université de Strasbourg, département d informatique. Partie 1 : Notion de bases de données (12,5h ) Enjeux et principes
Plus en détailDépartement Génie Informatique
Département Génie Informatique BD51 : Business Intelligence & Data Warehouse Projet Rédacteur : Christian FISCHER Automne 2011 Sujet : Développer un système décisionnel pour la gestion des ventes par magasin
Plus en détailConclusion. Rôle du géodécisionnel dans une organisation gouvernementale Contexte organisationnel à Infrastructure Canada Le projet Les résultats
Le marché des logiciels géodécisionnels et exemple d application avec Oracle BIEE 11g Géomatique 2011, Montréal Sonia Rivest, Analyste en géodécisionnel géodécisionnel,, Intelli3 Denis Beaulieu, Gestionnaire,
Plus en détailDatawarehouse and OLAP
Datawarehouse and OLAP Datawarehousing Syllabus, materials, notes, etc. See http://www.info.univ-tours.fr/ marcel/dw.html today architecture ETL refreshing warehousing projects architecture architecture
Plus en détailIci, le titre de la. Tableaux de bords de conférence
Ici, le titre de la Tableaux de bords de conférence pilotage d entreprise, indicateurs de performance reporting et BI quels outils seront incontournables à l horizon 2010? Les intervenants Editeur/Intégrateur
Plus en détailTechnologie 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 détailEntrepôts de données. NEGRE Elsa Université Paris-Dauphine 2015-2016
Entrepôts de données NEGRE Elsa Université Paris-Dauphine 2015-2016 Contexte et problématique Le processus de prise de décision L entrepôt de données Définition Différence avec un SGBD Caractéristiques
Plus en détailBI = Business Intelligence Master Data-Science
BI = Business Intelligence Master Data-Science UPMC 25 janvier 2015 Organisation Horaire Cours : Lundi de 13h30 à 15h30 TP : Vendredi de 13h30 à 17h45 Intervenants : Divers industriels (en cours de construction)
Plus en détailIntroduction à l Informatique Décisionnelle - Business Intelligence (7)
Introduction à l Informatique Décisionnelle - Business Intelligence (7) Bernard ESPINASSE Professeur à Aix-Marseille Université (AMU) Ecole Polytechnique Universitaire de Marseille Septembre 2013 Emergence
Plus en détailEntrepôt de données et l Analyse en ligne. Maguelonne Teisseire Hugo Alatrista Salas hugo.alatrista- salas@teledetec9on.fr Flavien Bouillot
Entrepôt de données et l Analyse en ligne Maguelonne Teisseire Hugo Alatrista Salas hugo.alatrista- salas@teledetec9on.fr Flavien Bouillot Déroulement du cours 17 janvier : cours et TD 20 janvier : cours?
Plus en détailTravail de diplôme 2011 Business Intelligence Open Source SpagoBI/Talend Résumé
ESNE Travail de diplôme 2011 Business Intelligence Open Source SpagoBI/Talend Résumé I.Cirillo 2010-2011 Introduction Le laboratoire de base de données de l ESNE a mis en place, il y a quelques années,
Plus en détailProjet CASI: Master Data Management
Projet CASI: Master Data Management Mardi 17 janvier 2011 Laetitia Ader ya - Ali Lazaar-Youssef Hafi-Chun Jin Projet CASI: Master Data Management 1 / 22 1 2 3 4 5 6 Laetitia Ader ya - Ali Lazaar-Youssef
Plus en détailChapitre 9 : Informatique décisionnelle
Chapitre 9 : Informatique décisionnelle Sommaire Introduction... 3 Définition... 3 Les domaines d application de l informatique décisionnelle... 4 Architecture d un système décisionnel... 5 L outil Oracle
Plus en détailEvry - M2 MIAGE Entrepôt de données
Evry - M2 MIAGE Entrepôt de données Introduction D. Ploix - M2 Miage - EDD - Introduction 1 Plan Positionnement du BI dans l entreprise Déclinaison fonctionnelle du décisionnel dans l entreprise Intégration
Plus en détailBusiness & High Technology
UNIVERSITE DE TUNIS INSTITUT SUPERIEUR DE GESTION DE TUNIS Département : Informatique Business & High Technology Chapitre 8 : ID : Informatique Décisionnelle BI : Business Intelligence Sommaire Introduction...
Plus en détailIntroduction. Informatique décisionnelle et data mining. Data mining (fouille de données) Cours/TP partagés. Information du cours
Information du cours Informatique décisionnelle et data mining www.lia.univ-avignon.fr/chercheurs/torres/cours/dm Juan-Manuel Torres juan-manuel.torres@univ-avignon.fr LIA/Université d Avignon Cours/TP
Plus en détailDatawarehouse: Cubes OLAP. Marlyse Dieungang Khaoula Ghilani
Datawarehouse: Cubes OLAP Marlyse Dieungang Khaoula Ghilani Table des matières 1 Data Warehouse 3 1.1 Introduction............................ 3 1.1.1 Définition......................... 3 1.1.2 Architecture........................
Plus en détailThéories de la Business Intelligence
25 Chapitre 2 Théories de la Business Intelligence 1. Architectures des systèmes décisionnels Théories de la Business Intelligence Depuis les premières requêtes sur les sources de données OLTP consolidées
Plus en détailQU EST-CE QUE LE DECISIONNEL?
La plupart des entreprises disposent d une masse considérable d informations sur leurs clients, leurs produits, leurs ventes Toutefois ces données sont cloisonnées par les applications utilisées ou parce
Plus en détailBusiness Intelligence, Etat de l art et perspectives. ICAM JP Gouigoux 10/2012
Business Intelligence, Etat de l art et perspectives ICAM JP Gouigoux 10/2012 CONTEXTE DE LA BI Un peu d histoire Premières bases de données utilisées comme simple système de persistance du contenu des
Plus en détailSolu%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 détailPrésenta;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 détailIntroduction à ORACLE WAREHOUSE BUILDER Cédric du Mouza
Introduction à ORACLE WAREHOUSE BUILDER Cédric du Mouza Avant de commencer à travailler avec le produit, il est nécessaire de comprendre, à un haut niveau, les problèmes en réponse desquels l outil a été
Plus en détailGuide 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 détailETL Extract - Transform - Load
ETL Extract - Transform - Load Concept général d analyse en ligne (rappels) Rémy Choquet - Université Lyon 2 - Master 2 IIDEE - 2006-2007 Plan Définitions La place d OLAP dans une entreprise OLAP versus
Plus en détailProgramme scientifique Majeure ARCHITECTURE DES SYSTEMES D INFORMATION. Mentions Ingénierie des Systèmes d Information Business Intelligence
É C O L E D I N G É N I E U R D E S T E C H N O L O G I E S D E L I N F O R M A T I O N E T D E L A C O M M U N I C A T I O N Programme scientifique Majeure ARCHITECTURE DES SYSTEMES D INFORMATION Mentions
Plus en détailLes Entrepôts de Données
Les Entrepôts de Données Grégory Bonnet Abdel-Illah Mouaddib GREYC Dépt Dépt informatique :: GREYC Dépt Dépt informatique :: Cours Cours SIR SIR Systèmes d information décisionnels Nouvelles générations
Plus en détailEcole 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 détailBusiness Intelligence Les 15 tendances clefs pour 2015
Business Intelligence Les 15 tendances clefs pour 2015 Philippe Nieuwbourg www.decideo.fr www.b-eye-network.com 17/11/2008 15 : Temps réel» Fantasme de l intelligence artificielle» Il faut réduire les
Plus en détailDidier MOUNIEN Samantha MOINEAUX
Didier MOUNIEN Samantha MOINEAUX 08/01/2008 1 Généralisation des ERP ERP génère une importante masse de données Comment mesurer l impact réel d une décision? Comment choisir entre plusieurs décisions?
Plus en détailLivre Blanc. ETL Master Data Management Data Quality - Reporting. Comment mieux connaître et maîtriser son réseau de distribution indirect?
Livre Blanc ETL Master Data Management Data Quality - Reporting Comment mieux connaître et maîtriser son réseau de distribution indirect? Sommaire I. Les 3 principaux canaux de distribution... 3 II. Les
Plus en détailLe terme «ERP» provient du nom de la méthode MRP (Manufacturing Ressource Planning) utilisée dans les années 70 pour la gestion et la planification
Séminaire national Alger 12 Mars 2008 «L Entreprise algérienne face au défi du numérique : État et perspectives» CRM et ERP Impact(s) sur l entreprise en tant qu outils de gestion Historique des ERP Le
Plus en détailGuide 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 détailLe "tout fichier" Le besoin de centraliser les traitements des fichiers. Maitriser les bases de données. Historique
Introduction à l informatique : Information automatisée Le premier ordinateur Définition disque dure, mémoire, carte mémoire, carte mère etc Architecture d un ordinateur Les constructeurs leader du marché
Plus en détailLes entrepôts de données
Les entrepôts de données Lydie Soler Janvier 2008 U.F.R. d informatique Document diffusé sous licence Creative Commons by-nc-nd (http://creativecommons.org/licenses/by-nc-nd/2.0/fr/) 1 Plan Introduction
Plus en détailLes Entrepôts de Données. (Data Warehouses)
Les Entrepôts de Données (Data Warehouses) Pr. Omar Boussaid Département d'informatique et de Sta5s5que Université Lyon2 - France Les Entrepôts de Données 1. Généralités, sur le décisionnel 2. L'entreposage
Plus en détailL offre décisionnel IBM. Patrick COOLS Spécialiste Business Intelligence
L offre décisionnel IBM Patrick COOLS Spécialiste Business Intelligence Le marché du Business Intelligence L enjeux actuel des entreprises : devenir plus «agiles» Elargir les marchés tout en maintenant
Plus en détailPlan de cours. 1. Mise en contexte. 2. Place du cours dans le programme. 3. Descripteur du cours
Faculté des sciences Centre de formation en technologies de l information Plan de cours Cours : INF 735 Entrepôt et forage de données Trimestre : Hiver 2015 Enseignant : Robert J. Laurin 1. Mise en contexte
Plus en détailCollabora'on IRISA/INRA sur le transfert de nitrates et l améliora'on de la qualité des eaux des bassins versants:
Collabora'on IRISA/INRA sur le transfert de nitrates et l améliora'on de la qualité des eaux des bassins versants: Tassadit BOUADI 22 Juin 2010, Saint Jacut 1 Plan Introduc
Plus en détailLa Business Intelligence pour les Institutions Financières. Jean-Michel JURBERT Resp Marketing Produit
La Business Intelligence pour les Institutions Financières Jean-Michel JURBERT Resp Marketing Produit Agenda Enjeux des Projets Financiers Valeur de Business Objects Références Clients Slide 2 Des Projets
Plus en détailPlan. Introduction Eléments de la théorie des systèmes d'informations Les entrepôts de données (Datawarehouse) Les datamart Architecture Modélisation
Data WareHouse Plan Introduction Eléments de la théorie des systèmes d'informations Les entrepôts de données (Datawarehouse) Les datamart Architecture Modélisation 2 Présentation Besoin: prise de décisions
Plus en détailIBM System i. DB2 Web Query for System i : le successeur de Query/400? Oui, mais bien plus!!!
DB2 Web Query for System i : le successeur de Query/400? Oui, mais bien plus!!! Stéphane MICHAUX Philippe BOURGEOIS Christian GRIERE stephane_michaux@ibi.com pbourgeois@fr.ibm.com cgriere@fr.ibm.com Les
Plus en détailX2BIRT : Mettez de l interactivité dans vos archives
Présentation Produit Présentation Produit X2BIRT : Mettez de l interactivité dans vos archives L accès à l information est capital pour les affaires. X2BIRT, la dernière innovation d Actuate, prend le
Plus en détailEntreposage de données complexes pour la médecine d anticipation personnalisée
Manuscrit auteur, publié dans "9th International Conference on System Science in Health Care (ICSSHC 08), Lyon : France (2008)" Entreposage de données complexes pour la médecine d anticipation personnalisée
Plus en détailFilière Fouille de Données et Décisionnel FDD (Data Mining) Pierre Morizet-Mahoudeaux www.hds.utc.fr/~pmorizet pierre.morizet@utc.
Filière Fouille de Données et Décisionnel FDD (Data Mining) Pierre Morizet-Mahoudeaux www.hds.utc.fr/~pmorizet pierre.morizet@utc.fr Plan Motivations Débouchés Formation UVs spécifiques UVs connexes Enseignants
Plus en détailSQL 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 détail27 janvier 2011. Issam El Hachimi Ludovic Schmieder
27 janvier 2011 Issam El Hachimi Ludovic Schmieder Le Business Intelligence Les ETL PDI Talend Démo : 2 exemples Constat et comparatif Conclusion 2 «Il faut connaitre le client pour connaitre ses besoins»
Plus en détailIntégration de systèmes client - serveur Des approches client-serveur à l urbanisation Quelques transparents introductifs
Intégration de systèmes client - serveur Des approches client-serveur à l urbanisation Quelques transparents introductifs Jean-Pierre Meinadier Professeur du CNAM, meinadier@cnam.fr Révolution CS : l utilisateur
Plus en détailL Information en Temp Réel
L Information en Temp Réel Christophe Toulemonde Program Director Integration & Development Strategies christophe.toulemonde @metagroup.com Europe 2004 : Environnement économique Importance du pilotage
Plus en détailMarketing comportemental. Guide méthodologique de mise en œuvre
Marketing comportemental Guide méthodologique de mise en œuvre Sommaire Présentation...3 Les limites du marketing de masse ou du marketing «produit»...5 L idéal marketing : délivrer le bon message au bon
Plus en détailInscriptions : 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 détailDémos Reporting Services Migration vers SQL2008
Démos Reporting Services Migration vers SQL2008 Par : Maurice Pelchat Société GRICS Société GRICS Plan de la présentation Qu es-ce que SQL Reporting Services? Supériorité p/r Microsoft Access Conception,
Plus en détailBI : GESTION GESTION, PRODUCTION STRATEGIE DE BI. Un livre blanc d Hyperion
Un livre blanc d Hyperion LES TROIS PILIERS DE LA REUSSITE D UNE D STRATEGIE DE BI ET DIFFUSION DE L INFORMATIONL BI : GESTION GESTION, PRODUCTION Si votre société est comme la plupart des moyennes et
Plus en détailCycle de conférences sur Cloud Computinget Virtualisation. Le Cloud et la sécurité Stéphane Duproz Directeur Général, TelecityGroup
Cycle de conférences sur Cloud Computinget Virtualisation Le Cloud et la sécurité Stéphane Duproz Directeur Général, TelecityGroup Le «Cloud»a déjàdécollé Source: http://blog.rightscale.com/ 2 Mais de
Plus en détailBusiness Intelligence
Pour aller plus loin Tous les détails de l offre Microsoft Business Intelligence : www.microsoft.com/france/decisionnel Contact Microsoft France : msfrance@microsoft.com Business Intelligence Votre Infrastructure
Plus en détailSkills Technology Software PARTENAIRE TECHNOLOGIQUE DE VOTRE DÉVELOPPEMENT
Skills Technology Software w w w.s PARTENAIRE TECHNOLOGIQUE DE VOTRE DÉVELOPPEMENT ka ty s. co m E U OG ION L TA AT A C RM FO Accélérateur de votre RÉUSSITE 2 Formation Aujourd hui, la formation constitue
Plus en détailCatherine Chochoy. Alain Maneville. I/T Specialist, IBM Information Management on System z, Software Group
1 Catherine Chochoy I/T Specialist, IBM Information Management on System z, Software Group Alain Maneville Executive I/T specialist, zchampion, IBM Systems and Technology Group 2 Le défi du Big Data (et
Plus en détailMagasins et entrepôts de données (Datamart, data warehouse) Approche relationnelle pour l'analyse des données en ligne (ROLAP)
Magasins et entrepôts de données (Datamart, data warehouse) Approche relationnelle pour l'analyse des données en ligne (ROLAP) Définition (G. Gardarin) Entrepôt : ensemble de données historisées variant
Plus en détailPrésentations personnelles. filière IL
Présentations personnelles filière IL Résumé Liste de sujets de présentations personnelles. Chaque présentation aborde un sujet particulier, l'objectif étant que la lecture du rapport ainsi que l'écoute
Plus en détailGuide d Intégration PPM et ERP:
LIVRE BLANC Guide d Intégration PPM et ERP: Stratégies d intégration de logiciels dans les entreprises organisées par projet De: Neil Stolovitsky E-mail: sales@geniusinside.com Website: www.geniusinside.com
Plus en détailSAP Business Suite Powered by SAP HANA Transactionnel et Analytique réunis
Christophe Toulemonde Janvier 2013 SAP Business Suite Powered by SAP HANA Transactionnel et Analytique réunis Cette note a pour objectif de décrypter l annonce de SAP Business Suite Powered by SAP HANA.
Plus en détailL information et la technologie de l informationl
L information et la technologie de l informationl CRM & informatique décisionnelled CRM CRM & informatique décisionnelle. d 1 2 3 Les Les fondements managériaux managériaux du du CRM. CRM. Les Les fondements
Plus en détailUrbanisation des SI-NFE107
OLAP Urbanisation des SI-NFE107 Fiche de lecture Karim SEKRI 20/01/2009 OLAP 1 Introduction PLAN OLAP Les différentes technologies OLAP Plate formes et Outils 20/01/2009 OLAP 2 Informatique décisionnelle
Plus en détailAXIAD 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 détailIntroduction à lʼinformatique. Décisionnelle (ID) / Business. Intelligence» (1)
Introduction à lʼinformatique Décisionnelle et la «Business Intelligence» (1) Bernard ESPINASSE Professeur à Aix-Marseille Université (AMU) Ecole Polytechnique Universitaire de Marseille Septembre 2013
Plus en détailMTI820 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 détailExploitez vos données SAP avec des tableaux de bord orientés par les utilisateurs
Exploitez vos données SAP avec des tableaux de bord orientés par les utilisateurs En partenariat avec Table des matières Introduction 1 Les problèmes liés aux Majors de la BI 2 Comment sont nés les majors
Plus en détailLa place de la Géomatique Décisionnelle dans le processus de décision
Géomatique décisionnelle La place de la Géomatique Décisionnelle dans le processus de décision - Arnaud Van De Casteele Mines ParisTech - CRC Arnaud {dot} van_de_casteele {at} mines-paristech.fr Les rencontres
Plus en détailJean-Philippe VIOLET Solutions Architect
Jean-Philippe VIOLET Solutions Architect IBM Cognos: L' Expertise de la Gestion de la Performance Acquis par IBM en Janvier 08 Rattaché au Brand Information Management Couverture Globale 23,000 clients
Plus en détailDÉPLOIEMENT 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 détailtransformer 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 détailNos Solutions PME VIPDev sont les Atouts Business de votre entreprise.
Solutions PME VIPDev Nos Solutions PME VIPDev sont les Atouts Business de votre entreprise. Cette offre est basée sur la mise à disposition de l ensemble de nos compétences techniques et créatives au service
Plus en détailFilière Data Mining (Fouille de données) Pierre Morizet-Mahoudeaux
Filière Data Mining (Fouille de données) Pierre Morizet-Mahoudeaux Plan Objectifs Débouchés Formation UVs spécifiques UVs connexes Enseignants et partenaires Structure générale des études à l UTC Règlement
Plus en détailPourquoi IBM System i for Business Intelligence
Améliorer les performances et simplifier la gestion de vos applications d aide à la décision (Business Intelligence ou BI) Pourquoi IBM System i for Business Intelligence Points clés Technologie IBM DB2
Plus en détailDéroulement de la présentation
Veille technologique portant sur le mariage judicieux de l intelligence d affaires et l information géospatiale Colloque Géomatique 2009, Montréal Marie-Josée Proulx, M.Sc., Présidente-directrice générale
Plus en détailWorkflow/DataWarehouse/DataMining. 14-09-98 LORIA - Université d automne 1998 - Informatique décisionnelle - L. Mirtain 1
Workflow/DataWarehouse/DataMining 14-09-98 LORIA - Université d automne 1998 - Informatique décisionnelle - L. Mirtain 1 plan Workflow DataWarehouse Aide à la décision DataMinig Conclusion 14-09-98 LORIA
Plus en détailSécurité des entrepôts de données dans le Cloud Un SaaS pour le cryptage des données issues d un ETL
Sécurité des entrepôts de données dans le Cloud Un SaaS pour le cryptage des données issues d un ETL Présenté par Hana Gara Kort Sous la direction de Dr Jalel Akaichi Maître de conférences 1 1.Introduction
Plus en détailMTI820 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 détail6 MARS : EVOLUTION DES ACTEURS, DES OUTILS ET DES MÉTIERS DE LA BI
Journée Toulousaine du Décisionnel - édition 2009-6 MARS : EVOLUTION DES ACTEURS, DES OUTILS ET DES MÉTIERS DE LA BI 1 Journée Toulousaine du Décisionnel- édition 2009-6 mars : Evolution des acteurs, des
Plus en détailThibault Denizet. Introduction à SSIS
Thibault Denizet Introduction à SSIS 2 SSIS - Introduction Sommaire 1 Introduction à SQL Server 2008 Integration services... 3 2 Rappel sur la Business Intelligence... 4 2.1 ETL (Extract, Transform, Load)...
Plus en détail