Eduardo Almeida. Master Alma Université de Nantes
|
|
- Élisabeth Bruneau
- il y a 8 ans
- Total affichages :
Transcription
1 Data Warehouse - OLAP Master Alma Université de Nantes {eduardo.almeida@univ-nantes.fr}
2 Objectif Présenter les concepts de base d'un Data Warehouse (DW) et On Line Analytical Processing (OLAP). Présenter des fonctions et outils pour construire un environment DW/OLAP.
3 Bibliographie Berson, Alex e Smith, Stephen J. Data Warehousing, Data Mining & OLAP Kimball, Ralph The Data Warehouse Toolkit Inmon, Willian H. Building the Data Warehouse Thomsen, Erik OLAP Solutions Wu and Alejandro P. Buchmann (1998) Encoded Bitmap Indexing for Data Warehouses Donsez, Didier (présentations) Université Joseph Fourier
4 Problèmes typiques Nous avons une grande quantité de données, mais nous ne pouvons pas les utiliser La pire chose pour un directeur est d'avoir deux personnes présentant le même rapport avec des résultats différents Montre-moi juste l'information la plus importante Nous voulons croiser les informations de toutes les façons possibles The Data Warehouse Toolkit - Ralph Kimball
5 Défi des entreprises Les décideurs Gestionnaires d'informatique Valeur Information correctes Format correct A l'heure Integration Passage à l'échelle et performance Flexibilité Coût Comment une entreprise peut atteindre les deux objectifs?
6 Définition de Bill Inmon (1996) «Le Data Warehouse est une collection de données orientées sujet, intégrées, non volatiles et historisées, organisées pour le support d un processus d aide à la décision.»
7 Data Warehousing OLE DB/ODBC Mainframe DB2 MVS, VSAM, CICS/IMS, NCR Teradata SQL Server Oracle Transformation Data Warehouse
8 Data Warehouse est... Orient é sujet UN ITES FINANCES Dat a Warehouse CLIEN T M ARCHE Nous pouvons développer des bases de données ciblées sur quelques sujets lim ités
9 Int é gr é Data Warehouse est... Ext ernal files Ext ernal files form at s DATA WAREH OUSE SGBDs OLTP ODBC and API s Intégration Sé mantique: les incompatibilités entre données de différent es sources Sources Hétérogè nes: il doit être possible d accéder à des données de plusieurs t ypes Chargem ent, Mise-a-jour, Net t oyage...
10 Data Warehouse est... Bas é sur le s t em ps P é riode 1 P é riode 2 P é riode 3 P é riode 4 Chargem ent inicial M ise à jour M ise à jour Dans un DW les données sont stockées en form e d'historique pour perm ettre une analyse tem porelle.
11 Data Warehouse est... Non Volat il INSERT UPD ATE AN Á LISE DE DADOS OLTP LOAD DW UPD ATE INSERT AN Á LISE DE DADOS Non volatil signifie que, une fois entrées dans l'entrepôt, les données ne doivent pas changer.
12 Principe Base de Données utilisée à des fins d analyse. Caractéristiques : orientation sujets («métiers») données intégrées données non volatiles données datées
13 DW versus OLTP Systèmes Opérationnels - OLTP (On Line Transaction Processing) : Les bases de données sont mises à jour en transactionnel SGBD Relationnels Centré sur la mise à jour ponctuelle de données Les transactions échangent de faibles quantités d informations avec l utilisateur et travaillent toujours sur les versions les plus récentes des données.
14 DW versus OLTP Systèmes Tactiques - OLAP (On Line Analysis Processing) Les bases de données décisionnelles sont consultées en interactif (spreadsheets) pour l'analyse des données (ex: histogrammes) Navigation dans la base selon diverses dimensions constituées par des attributs de tables Consultation des versions historiques de la base Les données proviennent des differentes sources (sites)
15 DW versus OLTP Caractéristiques OLTP DW Opérations typiques Mise à jour Analyse Type d accès Lecture et écriture Lecture Niveau d analyse Élémentaire Global Écrans Fixe Variable Quantité d info échang. Faible Importante Orientation Ligne Multidimensions Taille BD au niveau de GB au niveau de TB Ancienneté des données Récente Historique
16 DW versus OLTP OLTP structures de données complexes (3FN) DW structures de données multidimensionnelles peu indexes beaucoup beaucoup jointure quelques unes normalisées duplication dénormalisées rares agrégation fréquentes
17 La suite décisionnelle de base Extract, Transform and Load (ETL) OLAP
18 La suite décisionnelle (staging area) ETL OLAP
19 La suite décisionnelle (staging area and data marts) ETL OLAP
20 Extract, Transform and Load (ETL) Données de production SGBD et supports physiques hétérogènes Qualité inégale des données Représentations hétérogènes
21 Extract, Transform and Load (ETL) L'objectif est l'obtention de données : centralisées fiables interprétables
22 Extract, Transform and Load (ETL) Transformation : Filtrer Trier Homogénéiser Nettoyer...
23 Extract, Transform and Load (ETL) Chargement : Grande quantité Différents types de tableaux Gestion des structures spécialisées (materialized views and summary tables)...
24 Exemples d Applications Concernées Banque Il est important de pouvoir regrouper les informations concernant un client afin de répondre à ses demandes de crédit Grande Distribution Il est intéressant de regrouper les informations des ventes pour déterminer les produits à succès, mieux suivre les phénomènes de mode, détecter les habitudes d achats et les préférences par secteur géographique. Mailing Ciblés Doivent être rapidement élaborés à partir de toutes les informations disponibles sur un client lors de la commercialisation d un nouveau produit Télécommunications Analyser le trafic Etc
25 Exemple pratique (Télécommunications) Le système de télécommunication au Brésil a été privatisé. Le Brésil a été divisé en 4 parties: Région 1 (bleue) Région 2 (rouge) Région 3 (jaune) Région 4 (long distance) Mis en service d'une enterprise de télécommunication au Brésil Constructiuon d'un réseau Recherche de clients
26 Exemple pratique (Télécommunications) Où devons-nous construire le réseau? On a acheté des banques de données (master card, visa, banques, list, etc) On a utilisé un DW pour profiter de ses données
27 Exemple pratique (Télécommunications) On a généré des données pour les charger dans un système de geoprocessing
28 Exemple pratique (Télécommunications) La structure du DW SGBD : Oracle 8i -> 9i OLAP : Business Objects 5.5, Microstrategy 7 ETL : PowerMart OS : HP-UX 11 (sur une machine 32 proc.) Equipe : 12 personnes Chargement Tous les jours 17 systèmes (CRM, billing, traffic, etc) Quelques millions de tuples (8 mi dans la table de trafic) 14 heures pour terminer
29 Exemple pratique (Banque) Etude des fermetures de compte clients par mois Comment prévoir la fermeture d'un compte? Vérifier les attributs le plus importants Créer un cycle de vie client
30 Exemple pratique (Banque) Actions de marketing Nouveaux produits Fidélisation des clients Vente croisée Actions de crédit Réévaluation de crédit Telemarketing
31 Exemple pratique (Banque) La structure du DW SGBD : Sybase IQ 11 OLAP : Business Objects 4 ETL : Programmes (COBOL, C/C++, Java, etc) OS : IBM AIX Equipe : 30 personnes Chargement Tous les mois 67 systèmes (compte, assurances, investissements, etc.) 3 jours pour terminer
32 Conception du DW
33 Conception du DW Logique Phase conceptuelle et abstraite (la définition des types d'informations dont vous avez besoin) Organise une série de relations (dimensions et tables de fait) Schéma multidimensionnel (étoile et flocon)
34 Conception du DW Physique Conception physique Prise en considération des matériels et des E / S Parallélisme et de partitionnement Materialized Views
35 Conception logique
36 Conception logique Logique Dimensions et tables de faits Identifier les sujets ou domaines de données Il n'y a pas de règle (par exemple, 3FN) Identifier l'information qui appartient à une table de faits et ses dimensions associées
37 Table de Dimension Les attributs sont normalement descriptifs (valeurs textuelles) Ils permettent d'interpréter les faits Les dimensions couramment utilisées sont les clients, les produits et le temps. CLIENTS TEMPS PRODUITS FOURNISSEUR #id_client #id_temps #id_produit #id_fournisseur nom jour id_fournisseur fournisseur age moins produit adresse ville années prix_unitaire ville pays stock pays code_postal code_postal
38 Table de Faits Une table de faits a généralement deux types de colonnes: les faits numériques et les clés étrangères des dimensions. Une table de faits contient des faits au niveau de détail ou des faits qui ont été agrégés COMMANDE id_client id_produit id_temps date_comm date_envoi APPEL id_client id_temps num_appele debut_appel fin_appel OPERATION id_client id_temps id_operation valeur
39 Dimension x Faits Les tables de faits ont une grande quantité de données Les dimensions ont une petite quantité de données Les dimensions acceptent la redondance Normalement, les dimensions sont chargées dans la mémoire cache
40 Conception logique
41 Schéma étoile MAGASIN #id_magasin addresse num_tel ville Dimension CLIENTS #id_client nom age ville pays code_postal COMMANDE id_client id_produit id_magasin id_temps date_comm date_envoi quantite remise Table de Faits PRODUITS #id_produit fournisseur produit prix_unitaire stock Dimension TEMPS #id_temps jour mois année
42 Schéma étoile x ER Etoile ER
43 Schéma flocon MAGASIN #id_magasin addresse num_tel ville COMMANDE id_client id_produit PRODUITS #id_produit id_fournisseur id_gamme produit prix_unitaire FOURNISSEUR #id_fournisseur addresse ville num_tel id_magasin stock CLIENTS #id_client nom age ville pays code_postal id_temps date_comm date_envoi quantite remise TEMPS #id_temps jour mois GAMME #id_gamme description années
44 Schéma flocon Structure hiérarchique (plusieurs niveaux de dimensions). Plusieurs jointures pour la reconstruire. Dimensions plus petites.
45 Processus de conception Choisir le processus à modéliser Choisir les grains des faits Niveau de détails (transaction, récapitulatifs mensuels, etc) Choisir les dimensions (temps, clients, produits, etc) Choisir les mesures de faits De préférence des quantité numériques additives
46 Processus de conception D. Donsez, 2006
47 Conception physique
48 Passer de la conception logique à la physique Convertir les données recueillies au cours de la phase de conception logique dans une description physique Se concentrer sur la performance Les aspects de maintenance de la base de données
49 Passer de la conception logique à la physique
50 Structures physiques Tablespaces Tables and Partitioned Tables Views Integrity Constraints Dimensions Structures crées pour l'amélioration de la performance Indexes and Partitioned Indexes Materialized Views
51 Dimensions Dénormalisé create dimension fournisseur_dim LEVEL no_fournisseur IS (fournisseurs.no_fournisseur) LEVEL societe IS (fournisseurs.societe) LEVEL ville IS (fournisseurs.ville) LEVEL pays IS (fournisseurs.pays) HIERARCHY geog_rollup ( ville CHILD OF pays );
52 Dimensions Normalisé create dimension stock_dim LEVEL id_produit LEVEL produit LEVEL fournisseur LEVEL fournisseur_name HIERARCHY geog_rollup ( produit fournisseur CHILD OF IS (produits.ref_produit) IS (produits.nom_produit) IS (fournisseurs.no_fournisseur) IS (fournisseurs.societe) JOIN KEY (produits.no_fournisseur) REFERENCES FOURNISSEUR );
53 Indexes and Partitioned Indexes BITMAP index Reduced response time for large classes of ad hoc queries Reduced storage requirements compared to other indexing techniques Dramatic performance gains even on hardware with a relatively small number of CPUs or a small amount of memory Efficient maintenance during parallel DML and loads
54 Indexes and Partitioned Indexes BITMAP index simple CLIENTS... Ville... Nantes Paris Rennes Nantes Nantes Paris... BITMAP B_nantes B_paris B_rennes
55 Indexes and Partitioned Indexes BITMAP index encodé (Wu et Buchmann, 1998) CLIENTS... Ville... Nantes Paris Rennes Nantes Nantes Paris... BITMAP ENCODE B0 B Calculé par log2(n) n = domaine (par exemple, log2(3)=2) MAPPING Nantes 00 Paris 01 Rennes
56 Indexes and Partitioned Indexes BITMAP CREATE BITMAP INDEX ville_bm_ix ON fournisseurs(pays); Ex. select pays,count(*) from fournisseurs group by pays;
57 Indexes and Partitioned Indexes Sans BITMAP Elapsed: 00:00:00.04 Execution Plan SELECT STATEMENT Optimizer=ALL_ROWS (Cost=4 Card=16 Bytes=144) 1 0 SORT (GROUP BY) (Cost=4 Card=16 Bytes=144) 2 1 TABLE ACCESS (FULL) OF 'FOURNISSEURS' (TABLE) (Cost=3 Ca rd=29 Bytes=261) Avec BITMAP Elapsed: 00:00:00.02 Execution Plan SELECT STATEMENT Optimizer=ALL_ROWS (Cost=1 Card=16 Bytes=144) 1 0 SORT (GROUP BY NOSORT) (Cost=1 Card=16 Bytes=144) 2 1 BITMAP CONVERSION (COUNT) (Cost=1 Card=29 Bytes=261) 3 2 BITMAP INDEX (FULL SCAN) OF 'VILLE_BM_IX' (INDEX (BITMAP))
58 Materialized Views Vue agrégée qui améliore le temps d'exécution des requêtes Pré-calcul des jointures et des opérations d'agrégation antérieures au stockage Souvent appelée résumé.
59 Materialized Views L'optimiseur de requêtes reconnaît automatiquement quand une vue matérialisée peut et doit être utilisée pour satisfaire une demande.
60 Materialized Views Tout d'abord, les logs des vues matérialisées doivent être créés CREATE MATERIALIZED VIEW LOG ON fournisseurs WITH SEQUENCE, ROWID (NO_FOURNISSEUR,SOCIETE,VILLE,PAYS) INCLUDING NEW VALUES;
61 Materialized Views CREATE MATERIALIZED VIEW fournisseurs_pays BUILD IMMEDIATE REFRESH FAST ENABLE QUERY REWRITE AS select pays,count(*) from fournisseurs group by pays;
62 Materialized Views select pays,count(*) from fournisseurs group by pays; Elapsed: 00:00:00.00 Execution Plan SELECT STATEMENT Optimizer=ALL_ROWS (Cost=3 Card=16 Bytes=352) 1 0 MAT_VIEW REWRITE ACCESS (FULL) OF 'FOURNISSEURS_PAYS' (MAT _VIEW REWRITE) (Cost=3 Card=16 Bytes=352)
SQL. Oracle. pour. 4 e édition. Christian Soutou Avec la participation d Olivier Teste
Christian Soutou Avec la participation d Olivier Teste SQL pour Oracle 4 e édition Groupe eyrolles, 2004, 2005, 2008, 2010, is BN : 978-2-212-12794-2 Partie III SQL avancé La table suivante organisée en
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 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 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 détailBases de données multidimensionnelles et mise en œuvre dans Oracle
Bases de données multidimensionnelles et mise en œuvre dans Oracle 1 Introduction et Description générale Les bases de données relationnelles sont très performantes pour les systèmes opérationnels (ou
Plus en 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 détailBases de Données Avancées
1/26 Bases de Données Avancées DataWareHouse Thierry Hamon Bureau H202 - Institut Galilée Tél. : 33 1.48.38.35.53 Bureau 150 LIM&BIO EA 3969 Université Paris 13 - UFR Léonard de Vinci 74, rue Marcel Cachin,
Plus en 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 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 détailMaster Exploration Informatique des données DataWareHouse
Master Exploration Informatique des données DataWareHouse Binôme Ahmed BENSI Enseignant tahar ARIB SOMMAIRE I. Conception...1 1. Contexte des contrats...1 2. Contexte des factures...1 II. Modèle physique...2
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 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 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 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 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 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 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 détailFouille de Données : OLAP & Data Warehousing
Fouille de Données : OLAP & Data Warehousing Nicolas Pasquier Université de Nice Sophia-Antipolis Laboratoire I3S Chapitre 2. Data warehousing Définition : qu est-ce que le data warehousing? Entrepôt de
Plus en détailOracle Décisionnel : Modèle OLAP et Vue matérialisée D BILEK
Oracle Décisionnel : Modèle OLAP et Vue matérialisée SOMMAIRE Introduction Le modèle en étoiles Requêtes OLAP Vue matérialisée Fonctions Roll up et Cube Application Introduction Data Warehouse Moteur OLAP
Plus en détailBases de Données 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 détailSystèmes d information décisionnels (SIAD) Extraction de connaissances (KDD) Business Intelligence (BI)
Systèmes d information décisionnels (SIAD) Extraction de connaissances (KDD) Business Intelligence (BI) Imade BENELALLAM Imade.benelallam@ieee.org AU: 2012/2013 Imade Benelallam : imade.benelallam@ieee.org
Plus en 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 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 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 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 détailChapitre 9 : Informatique décisionnelle
Chapitre 9 : Informatique décisionnelle Sommaire Introduction... 3 Définition... 3 Les domaines d application de l informatique décisionnelle... 4 Architecture d un système décisionnel... 5 L outil Oracle
Plus en détailIntroduction 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 détailBases de Données. Stella MARC-ZWECKER. stella@unistra.u-strasbg.fr. Maître de conférences Dpt. Informatique - UdS
Bases de Données Stella MARC-ZWECKER Maître de conférences Dpt. Informatique - UdS stella@unistra.u-strasbg.fr 1 Plan du cours 1. Introduction aux BD et aux SGBD Objectifs, fonctionnalités et évolutions
Plus en 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 détailPlan. Ce qu est le datawarehouse? Un modèle multidimensionnel. Architecture d un datawarehouse. Implémentation d un datawarehouse
Datawarehouse 1 Plan Ce qu est le datawarehouse? Un modèle multidimensionnel Architecture d un datawarehouse Implémentation d un datawarehouse Autres développements de la technologie data cube 2 Ce qu
Plus en détailISC21-1 --- Système d Information Architecture et Administration d un SGBD Compléments SQL
ISC21-1 --- Système d Information Architecture et Administration d un SGBD Compléments SQL Jean-Marie Pécatte jean-marie.pecatte@iut-tlse3.fr 16 novembre 2006 ISIS - Jean-Marie PECATTE 1 Valeur de clé
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 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 détailIntroduction au domaine du décisionnel et aux data warehouses
Data warehouse Introduction au domaine du décisionnel et aux data warehouses http://dwh.crzt.fr STÉPHANE CROZAT Paternité - Partage des Conditions Initiales à l'identique : http://creativecommons.org/licenses/by-sa/2.0/fr/
Plus en détailCATALOGUE DE FORMATIONS BUSINESS INTELLIGENCE. Edition 2012
CATALOGUE DE FORMATIONS BUSINESS INTELLIGENCE Edition 2012 AGENDA Qui sommes nous? Présentation de Keyrus Keyrus : Expert en formations BI Nos propositions de formation 3 modes de formations Liste des
Plus en 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 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 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 détailPerformances. Gestion des serveurs (2/2) Clustering. Grid Computing
Présentation d Oracle 10g Chapitre VII Présentation d ORACLE 10g 7.1 Nouvelles fonctionnalités 7.2 Architecture d Oracle 10g 7.3 Outils annexes 7.4 Conclusions 7.1 Nouvelles fonctionnalités Gestion des
Plus en détailSQL Server 2012 Implémentation d'une solution de Business Intelligence (Sql Server, Analysis Services...)
Avant-propos 1. À qui s'adresse ce livre? 15 2. Pré-requis 15 3. Objectifs du livre 16 4. Notations 17 Introduction à la Business Intelligence 1. Du transactionnel au décisionnel 19 2. Business Intelligence
Plus en 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 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 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 détailECR_DESCRIPTION CHAR(80), ECR_MONTANT NUMBER(10,2) NOT NULL, ECR_SENS CHAR(1) NOT NULL) ;
RÈGLES A SUIVRE POUR OPTIMISER LES REQUÊTES SQL Le but de ce rapport est d énumérer quelques règles pratiques à appliquer dans l élaboration des requêtes. Il permettra de comprendre pourquoi certaines
Plus en détailNotes de cours : bases de données distribuées et repliquées
Notes de cours : bases de données distribuées et repliquées Loïc Paulevé, Nassim Hadj-Rabia (2009), Pierre Levasseur (2008) Licence professionnelle SIL de Nantes, 2009, version 1 Ces notes ont été élaborées
Plus en détailet les Systèmes Multidimensionnels
Le Data Warehouse et les Systèmes Multidimensionnels 1 1. Définition d un Data warehouse (DW) Le Data warehouse (entrepôt de données) est une collection de données orientées sujet, intégrées, non volatiles
Plus en détail2 Serveurs OLAP et introduction au Data Mining
2-1 2 Serveurs OLAP et introduction au Data Mining 2-2 Création et consultation des cubes en mode client-serveur Serveur OLAP Clients OLAP Clients OLAP 2-3 Intérêt Systèmes serveurs et clients Fonctionnalité
Plus en 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 détailEntrepôt de Données. Jean-François Desnos. Jean-Francois.Desnos@grenet.fr ED JFD 1
Entrepôt de Données Jean-François Desnos Jean-Francois.Desnos@grenet.fr ED JFD 1 Définition (Bill Inmon 1990) Un entrepôt de données (data warehouse) est une collection de données thématiques, intégrées,
Plus en 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 détailLes bases de données
Les bases de données Introduction aux fonctions de tableur et logiciels ou langages spécialisés (MS-Access, Base, SQL ) Yves Roggeman Boulevard du Triomphe CP 212 B-1050 Bruxelles (Belgium) Idée intuitive
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 détailIntelligence Economique - Business Intelligence
Intelligence Economique - Business Intelligence Notion de Business Intelligence Dès qu'il y a une entreprise, il y a implicitement intelligence économique (tout comme il y a du marketing) : quelle produit
Plus en 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 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 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 détailAdministration des bases de données. Jean-Yves Antoine http://www.info.univ-tours.fr/~antoine/
Administration des bases de données Jean-Yves Antoine http://www.info.univ-tours.fr/~antoine/ Administration des bases de données II Objets avancés dans les bases de données OBJECTIFS 2.1. NOTIONS 2.1.1.
Plus en détailArchitectures d'intégration de données
Architectures d'intégration de données Dan VODISLAV Université de Cergy-ontoise Master Informatique M1 Cours IED lan Intégration de données Objectifs, principes, caractéristiques Architectures type d'intégration
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 détailLe Data Warehouse. Fait Vente. temps produit promotion. magasin. revenu ... Produit réf. libellé volume catégorie poids. Temps jour semaine date ...
Le Data Warehouse Temps jour semaine date magasin nom ville m 2 région manager... Fait Vente temps produit promotion magasin revenu... Produit réf. libellé volume catégorie poids... Promo nom budget média
Plus en 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 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 détailIntroduc;on à l intelligence d affaires et aux entrepôts de données
MTI820 Entrepôts de données et intelligence d affaires Introduc;on à l intelligence d affaires et aux entrepôts de données C. Desrosiers Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi,
Plus en 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 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 détailBusiness Intelligence avec Excel, Power BI et Office 365
Avant-propos A. À qui s adresse ce livre? 9 1. Pourquoi à chaque manager? 9 2. Pourquoi à tout informaticien impliqué dans des projets «BI» 9 B. Obtention des données sources 10 C. Objectif du livre 10
Plus en 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 détailIntégration de données hétérogènes et réparties. Anne Doucet Anne.Doucet@lip6.fr
Intégration de données hétérogènes et réparties Anne Doucet Anne.Doucet@lip6.fr 1 Plan Intégration de données Architectures d intégration Approche matérialisée Approche virtuelle Médiateurs Conception
Plus en détailEntrepôts de données : Systèmes OLAP : ROLAP, MOLAP et OLAP (5) 1 Introduction aux systèmes
Entrepôts de données : Systèmes : R, M et H (5) Bernard ESPINASSE Professeur à Aix-Marseille Université (AMU) Ecole Polytechnique Universitaire de Marseille Septembre 2013 Introduction aux systèmes Systèmes
Plus en détailCHAPITRE 1 ARCHITECTURE
07/04/2014 Université des sciences et de la Technologie Houari Boumediene USTHB Alger Département d Informatique ADMINISTRATION ET TUNING DE BASES DE DONNÉES CHAPITRE 1 ARCHITECTURE RESPONSABLE DR K. BOUKHALFA
Plus en détailMinistère de l Enseignement Supérieur et de la Recherche Scientifique. Ecole nationale Supérieure d Informatique (ESI) (Oued Semar, Alger) Mémoire
Ministère de l Enseignement Supérieur et de la Recherche Scientifique Ecole nationale Supérieure d Informatique (ESI) (Oued Semar, Alger) École Doctorale Sciences et Technologies de l'information et de
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 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 détailDevoir Data WareHouse
Université Paris XIII Institut Galilée Master 2-EID BENSI Ahmed CHARIFOU Evelyne Devoir Data WareHouse Optimisation, Transformation et Mise à jour utilisées par un ETL Mr R. NEFOUSSI Année 2007-2008 FICHE
Plus en détailOption OLAP d'oracle Database 10g
Option OLAP d'oracle Database 10g Quand utiliser l'option OLAP pour améliorer le contenu et les performances d'une application de Business Intelligence Livre blanc Oracle Juin 2005 Option OLAP d'oracle
Plus en détailSQL Server 2014. SQL Server 2014. Implémentation d une solution. Implémentation d une solution de Business Intelligence.
Ce livre sur s adresse à toutes les personnes désireuses de mettre en œuvre les techniques de l informatique décisionnelle (ou BI, Business Intelligence) à l aide des composants de la suite Microsoft :
Plus en détailTechniques d optimisation des requêtes dans les data warehouses
Techniques d optimisation des requêtes dans les data warehouses Ladjel Bellatreche LISI/ENSMA Téléport2-1, Avenue Clément Ader 86960 Futuroscope - FRANCE bellatreche@ensma.fr Résumé Un entrepôt de données
Plus en détailLamia Oukid, Ounas Asfari, Fadila Bentayeb, Nadjia Benblidia, Omar Boussaid. 14 Juin 2013
Cube de textes et opérateur d'agrégation basé sur un modèle vectoriel adapté Text Cube Model and aggregation operator based on an adapted vector space model Lamia Oukid, Ounas Asfari, Fadila Bentayeb,
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 détailCOMMANDES SQL... 2 COMMANDES DE DEFINITION DE DONNEES... 2
SQL Sommaire : COMMANDES SQL... 2 COMMANDES DE DEFINITION DE DONNEES... 2 COMMANDES DE MANIPULATION DE DONNEES... 2 COMMANDES DE CONTROLE TRANSACTIONNEL... 2 COMMANDES DE REQUETE DE DONNEES... 2 COMMANDES
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 détailPascale Borla-Salamet Consultante Avant Vente Oracle France. Oracle Exadata Performance et Optimisation de votre Datawarehouse
Pascale Borla-Salamet Consultante Avant Vente Oracle France Oracle Exadata Performance et Optimisation de votre Datawarehouse Agenda Les nouveaux challenges Exadata Storage Server Oracle Database Machine
Plus en détailBUSINESS INTELLIGENCE
GUIDE COMPARATIF BUSINESS INTELLIGENCE www.viseo.com Table des matières Business Intelligence :... 2 Contexte et objectifs... 2 Une architecture spécifique... 2 Les outils de Business intelligence... 3
Plus en détailBases de Données Avancées
1/62 Bases de Données Avancées Introduction & Rappel Conception et Modélisation Thierry Hamon Bureau H202 - Institut Galilée Tél. : 33 1.48.38.35.53 Bureau 150 LIM&BIO EA 3969 Université Paris 13 - UFR
Plus en détailJava et les bases de données
Michel Bonjour http://cuiwww.unige.ch/~bonjour CENTRE UNIVERSITAIRE D INFORMATIQUE UNIVERSITE DE GENEVE Plan Introduction JDBC: API SQL pour Java - JDBC, Java, ODBC, SQL - Architecture, interfaces, exemples
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 détailBases de Données relationnelles et leurs systèmes de Gestion
III.1- Définition de schémas Bases de Données relationnelles et leurs systèmes de Gestion RAPPELS Contraintes d intégrité sous Oracle Notion de vue Typage des attributs Contrainte d intégrité Intra-relation
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 détailCours Base de données relationnelles. M. Boughanem, IUP STRI
Cours Base de données relationnelles 1 Plan 1. Notions de base 2. Modèle relationnel 3. SQL 2 Notions de base (1) Définition intuitive : une base de données est un ensemble d informations, (fichiers),
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 détailLa Suite Décisionnelle (Data Warehousing / Data Mining)
La Suite Décisionnelle (Data Warehousing / Data Mining) Didier DONSEZ et Emmanuelle GRISLIN Université de Valenciennes Institut des Sciences et Techniques de Valenciennes donsez@univ-valenciennes.fr strugeon@univ-valenciennes.fr
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 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 détailSQL Historique 1982 1986 1992
SQL Historique 1950-1960: gestion par simple fichier texte 1960: COBOL (début de notion de base de données) 1968: premier produit de sgbdr structuré (IBM -> IDMS) 1970-74: élaboration de l'outil d'analyse
Plus en détailCatalogue Formation «Vanilla»
Catalogue Formation «Vanilla» Date : octobre 2009 Table des matières Liste des Formations...2 Contenu des formations...3 Vanilla FastTrack...3 Vanilla Architecture...5 Enterprise Services...6 BIPortail...7
Plus en détailBI2 : Un profil UML pour les Indicateurs Décisionnels
BI2 : Un profil UML pour les Indicateurs Décisionnels Sandro Bimonte Irstea, TSCF, 9 Av. Blaise Pascal, 63178, Aubière, France sandro.bimonte@irstea.fr Thème de Recherche MOTIVE www.irstea.fr 2 Plan Motivations
Plus en détailGUIDE COMPARATIF ETL. www.viseo.com
GUIDE COMPARATIF ETL www.viseo.com Table des matières Généralités... 2 L enjeu... 2 A qui s adresse ce guide?... 2 Préambule... 2 Les outils d alimentation : «générateur» ou «moteur», 2 concepts... 3 Les
Plus en détailFreeAnalysis. Schema Designer. Cubes
FreeAnalysis Schema Designer Cubes Charles Martin et Patrick Beaucamp BPM Conseil Contact : charles.martin@bpm-conseil.com, patrick.beaucamp@bpm-conseil.com Janvier 2013 Document : BPM_Vanilla_FreeAnalysisSchemaDesigner_v4.2_FR.odt
Plus en détail<Insert Picture Here> Exadata Storage Server et DB Machine V2
Exadata Storage Server et DB Machine V2 Croissance de la Volumétrie des Données Volumes multipliés par 3 tous les 2 ans Evolution des volumes de données 1000 Terabytes (Données) 800
Plus en détailRépublique Algérienne Démocratique et Populaire
République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieur et de la Recherche Scientifique Institut National de formation en Informatique Direction de la Post-Graduation et de
Plus en détail