Entrepôt de données et l Analyse en ligne. Maguelonne Teisseire Hugo Alatrista Salas hugo.alatrista- salas@teledetec9on.fr Flavien Bouillot
|
|
- Bertrand Dupuis
- il y a 8 ans
- Total affichages :
Transcription
1 Entrepôt de données et l Analyse en ligne Maguelonne Teisseire Hugo Alatrista Salas hugo.alatrista- salas@teledetec9on.fr Flavien Bouillot
2 Déroulement du cours 17 janvier : cours et TD 20 janvier : cours? et TP 20 janvier : CC noté ý Une par9e de l examen final portera sur ce cours 2
3 Plan de cours 1. Systèmes d informa9on décisionnelles 2. Entrepôt de données (Data Warehouse) 3. Analyse Mul9dimensionnelle 3
4 Systèmes d information décisionnelles 4
5 Contexte Pilotage Indicateurs Operations (Administratif + Métier) 5
6 Contexte Pilotage Décisionnel Indicateurs Operations (Administratif + Métier) Fonc9onnel 6
7 Problématique 1 Les entreprises possèdent de nombreuses sources de données poten9ellement exploitables 7
8 Problématique 2 Les sources de données sont disséminées sur diverses bases de données Ventes Stock RH 8
9 Problématique 3 Le besoin d analyse exprimé est transversal afin de perme`re la prise de décision stratégique Ventes Stock 9 RH
10 Problématique 4 Type de données : données opéra9onnelles (de produc9on) Bases de données, fichiers, 9ckets case, bulle9ns de paie,... Caractéris9ques des données : Distribuées : systèmes éparpillés Hétérogènes : systèmes et structures de données différents Détaillées : organisa9on de données selon les processus fonc9onnels et données trop abondantes pour l analyse Peu/pas adaptées à l analyse : des requêtes lourdes peuvent bloquer le système transac9onnel Vola9les : pas d historisa9on systéma9que 10
11 L idée centralisation 1 Ventes Stock RH 11
12 L idée centralisation 2 Ventes Stock RH Data Warehouse + OLAP 12
13 Du transactionnel au décisionnel Schème opérationnelle Schème du Data Warehouse Schème utilisateur Données opérationnelles Données consolidées Données derivées Système OLTP Data Warehouse Applications OLAP 13
14 Pour quoi pas utiliser OLTP? Données U9lisateurs OLTP Atomiques Orientée applica9on A jour Dynamiques Employés de bureau Nombreux Concurrents Mises à jour Requêtes prédéfinies Réponses immédiates Data Warehouse Résumées Orientée sujet Historiques Sta9ques Analystes Peu Non concurrents Interroga9ons Requetés spécifiques Réponses moins rapides Access à peu de données Access à beaucoup d informa9on 14
15 Métaphore du restaurant Prepara1on : the kitchen Quality, consistency, and integrity Raw materials Presenta1on : the dinning room Food, decor, service, cost The kitchen The dinning room h`p:// warehouse- dining- experience/ 15
16 L entrepôt de données (Data Warehouse) 16
17 Les fondateurs Edgar Frank Codd Fondateur du modèle rela9onnelle (1970) Ecrit les douze lois du traitement analy9que en ligne (1993) Bill Inmon Formalisé du concept d entrepôt de données (1994) Proposé le modèle Top- down Ralph Kimball Des premiers travaux sur la informa9que décisionnelle 70 Proposé le modèle Bo`on- up 17
18 DéNinition (B. Inmon) «Un entrepôt de données est une collec9on de données orientées sujet, intégrées, non vola9les et historiées, organisées pour le support d un processus d aide à la décision» «Un entrepôt de données ne s achète pas, il se construit» 18
19 Les approches académiques R. Kimball B. Inmon Processus Bo`om- up Top- down Organisa9on Data marts Data Warehouse Schéma9sa9on Etoile Flocon 19
20 Approche Top- down (Inmon) Qui veut par9ciper? Nous!!! RH Stock Ventes 20
21 Schéma général Datamarts RH RH Stock ETL Stock Ventes Data Warehouse Ventes 21
22 Approche Down- top (Kimball) Veux- tu par9ciper? Veux- tu par9ciper? Oui RH Oui Stock 22
23 Schéma général RH Data marts RH ETL Bus Stock Stock Ventes Ventes Data Warehouse 23
24 Data Mart Un magasin de données (Data mart) est un sous- ensemble de l'entrepôt Il correspond à une classe de décideurs intéressés par le même thème Son volume réduit permet un accès plus rapide aux données Généralement le magasin est modélisé sous forme mul9dimensionnelle Les ou9ls ETL peuvent être u9lisés à ce niveau 24
25 Les phases 1. La concep9on (et la phase ETL) 2. La phase de structura9on 3. La phase OLAP 25
26 Conception Piloter quelle ac9vité de l entreprise Déterminer et recenser les données à u9liser Définir les aspects techniques de la réalisa9on Construire les modelés de données Me`re au point les démarches d alimenta9on (ETL) Définir les stratégies d administra9on Définir des espaces d analyse Définir le mode de res9tu9on 26
27 ETL Alimenta9on du Data Warehouse et extrac9on des Data marts Extract Accès aux différentes sources Selon des règles (déclencheurs) ou requêtes Périodique Transform Unifica9on des modèles (sources hétérogènes) Ges9on des inconsistances des données sources, élimina9on des doubles, etc. Load Chargement dans l'entrepôt ou dans les magasins Périodicité parfois longue 27
28 Ex. d intégration des données m, f h, f homme, femme Transforma9on homme, femme FRF USD EUR Transforma9on EUR char(10) dec(13,3) numeric(7) Transforma9on numeric(7) 28
29 La structuration 1 1. Extrac9on des données Besoin d ou9ls spécifiques pour : Accéder aux bases de produc9on (requêtes sur des BD hétérogènes) Améliorer la qualité des données : ne`oyer, filtrer, Transformer les données : intégrer, homogénéiser Dater systéma9quement les données 29
30 La structuration 2 2. Référen9el La métabase con9ent des métadonnées : des données sur les données de l entrepôt de données Quelles sont les données «entreposées», leur format, leur Significa9on, leur degré d exac9tude Les processus de récupéra9on/extrac9on dans les bases sources La date du dernier chargement de l entrepôt L historique des données sources et de celles de l entrepôt 30
31 La structuration 3 2. Les modèles (ils sont détaillées ensuite) Modèle en étoile Modèle en flocon Modèle en constella9on 31
32 Modèle en étoile Une table de faits : iden9fiants des tables de dimension ; une ou plusieurs mesures Plusieurs tables de dimension : descripteurs des dimensions Une granularité définie par les iden9fiants dans la table des faits Avantages : Facilité de naviga9on Performances : nombre de jointures limité ; ges9on des données creuses. Ges9on des agrégats Fiabilité des résultats Inconvénients : Toutes les dimensions ne concernent pas les mesures Redondances dans les dimensions Alimenta9on complexe 32
33 Schéma en étoile Dimension 1 Dimension 3 Table de faits Dimension 2 Dimension n 33
34 Exemple de schéma en étoile Commande numcomm detaille Faits numcomm codprod cledate quan9te prix Produit codprod detaille categorie Date cledate jour mois annee 34
35 Modèle en Nlocon Le modèle doit être simple à comprendre : on peut augmenter sa lisibilité en regroupant certaines dimensions On définit ainsi des hiérarchies : celles- ci peuvent être géographiques ou organisa9onnelles Mod. flocons de neige = Mod. étoile + normalisa5on des dimension Avantages : Réduc9on du volume Perme`re des analyse par pallier (drill down) sur la dimension hiérarchisée Inconvénients : Naviga9on difficile Nombreuses jointures 35
36 Schéma en Nlocon Table de faits 36
37 Exemple de schéma en Nlocon Commande numcomm detaille Faits numcomm codprod cledate quan9té prix Produit codprod detaille codcate Date cledate Jour clemois Mois Categorie codcate descrip9on clemois mois cleannee Annee cleannee annee 37
38 Modèle en constellation La modélisa9on en constella9on consiste à fusionner plusieurs modèles en étoile qui u9lisent des dimensions communes. Un modèle en constella9on comprend donc plusieurs tables de faits et des tables de dimensions communes ou non à ces tables de faits. 38
39 Concernant l hiérarchie Hiérarchie Simple Categorie Hiérarchie Mul1ple Annee Semaine Mois Produit Jour 39
40 L analyse multidimensionnelle 40
41 L analyse multidimensionnelle Objec9f : obtenir des informa9ons déjà agrégées selon les besoins de l u9lisateur : simplicité et rapidité d accès HyperCube OLAP : représenta9on de l informa9on dans un hypercube à N dimensions OLAP (On- Line Analy9cal Processing) : fonc9onnalités qui servent à faciliter l analyse mul9dimensionnelle : opéra9ons réalisables sur l hypercube 41
42 (Hyper)Cube de données 1 Commande numcomm detaille Faits numcomm codprod cledate quan9te prix Produit codprod detaille categorie Date cledate jour mois annee Produit Fait Commande 42
43 Composantes d un cube Chaque cellule du cube correspond à une occurrence du fait Chaque cellule con9ent des indicateurs (variables, métriques ou mesures) Les axes d'analyse, également appelés dimensions, con9ennent un ensemble de valeurs Des hiérarchies sont spécifiées sur les dimensions afin de perme`re une consolida9on des indicateurs Chaque indicateur a une fonc1on d agrégat afin d être exploité sur la hiérarchie 43
44 (Hyper)Cube de données 2 quan9te prix Axes d analyse Produit Commande Indicateurs Fait 44
45 Exemple 1 VENTES Quantité Montants MAGASIN Paris France Europe Lille DATES Asie Anglaterre Japan Londres Tokyo Janvier Décembre Janvier Décembre Foulard Laine Gants Bottes Cuir Sac-à-main PRODUITS 45
46 Exemple 2 VENTES Unités vendues Prix unitaire MAGASIN Sud Montpellier DATES Nord Lille Ardennes Janvier Décembre Janvier Décembre Fifa 2013 Sport PES 2014 Darkness 2 Action Resident Evil JEUX VIDEO 46
47 L'implémentation du OLAP MOLAP (Mul9dimensional OLAP) Le cube est stocké sous forme propriétaire par un SGBD mul9dimensionnel dans une matrice On trouve en colonne tous les axes, puis tous les indicateurs Chaque cellule du cube est stockée par une ligne dans la matrice ROLAP (Rela9onal OLAP) Le stockage peut s'effectuer sur un SGBD rela9onnel classique Le cube est stocké selon le modèle en étoile (flocon ou constella9on) HOLAP (Hybride OLAP) ROLAP + MOLAP 47
48 Operateurs algébriques OLAP Modèle rela9onnel : projec9on, jointure, restric9on, union, division, intersec9on, etc. Modèle OLAP : drill- up, drill- down, slice, dice, pivot, switch, etc. 48
49 Catégories d'opérations OLAP 1 Restructura9on : opéra9ons liées à la structure, manipula9on et visualisa9on du cube : Rotate/pivot : effectuer à un cube une rota9on autour d un de ses trois axes passant par le centre de 2 faces opposées, de façon à présenter un ensemble de faces différents Switch : consiste à inter- changer la posi9on des membres d une dimension Split : consiste à présenter chaque tranche du cube et de passer d une présenta9on tridimensionnelle d un cube à sa présenta9on sous la forme d un ensemble de tables Nest : imbrica9on des membres à par9r du cube Push : combiner les membres d une dimension aux mesures du cube 49
50 Catégories d'opérations OLAP 2 Granularité : concerne un changement de niveau de détail : opéra9ons liées au niveau de granularité des données : Roll- up : consiste à représenter les données du cube à un niveau de granularité supérieur conformément à la hiérarchie définie sur la dimension. Une fonc9on d agréga9on (somme, moyenne, etc.) en paramètre de l opéra9on indique comment sont calculés les valeurs du niveau supérieur à par9r de celles du niveau inférieur Drill- down : consiste à représenter les données du cube à un niveau de granularité de niveau inférieur, donc sous une forme plus détaillée (selon la hiérarchie définie de la dimension) 50
51 Catégories d'opérations OLAP 3 Ensembliste : concerne l extrac9on et lʼoltp classique : Slice : correspond à une projec9on selon une dimension du cube Dice : correspond à une sélec9on du cube 51
52 Rotate/pivot MAGASIN Nimes Lille Paris Foulard Gants Botes PRODUITS ANNEES 2013 Foulard Botes Gants Foulard Nimes Lille Nimes Lille Paris Paris
53 Switch MAGASIN Nimes Lille MAGASIN Nimes Lille Paris Foulard Gants Botes PRODUITS Paris Foulard Gants Botes PRODUITS ANNEES ANNEES 2013 Foulard Botes Gants Nimes Lille Paris Foulard Botes Gants Nimes Lille Paris 20 53
54 Split Foulard Nimes Lille 70 Paris MAGASIN Nimes Lille Paris Foulard Gants Botes PRODUITS Botes Nimes Lille Paris Gants ANNEES Nimes Lille Paris 30 20
55 Nest nest(produit, annee) Nimes Lille Paris Foulard MAGASIN Nimes Lille Botes Paris ANNEES 10 Foulard Gants Botes PRODUITS Gants
56 Push push(annee) Foulard Botes Gants MAGASIN Nimes Lille Nimes Lille Paris Foulard Gants Botes PRODUITS Paris ANNEES 56
57 Roll- up et Drill- down Roll- up : représente les données du cube à un niveau de granularité supérieur conformément à la hiérarchie définie sur la dimension Drill- down : représente les données du cube à un niveau de granularité de niveau inférieur, donc sous une forme plus détaillée tout- lieu nord centre sud Lille Paris Nimes 57
58 Exemples de Roll- up MAGASIN Gants Botes Foulard Nimes Lille 70 PRODUITS 50 ANNEES tout- ANNEES Foulard Botes Gants Nimes Lille Paris Paris tout-magasin
59 Exemple de Drill- down MAGASIN Nimes Lille MAGASIN Nimes Lille Paris ANNEES Cuir Laine PRODUITS Paris ANNEES 10 Foulard Gants Botes PRODUITS 59
60 Slide (projection) tout-magasin MAGASIN Nimes Lille Paris Foulard Gants Botes PRODUITS ANNEES Gants Botes Foulard PRODUITS ANNEES πannees,produits Foulard Botes Gants
61 Dice (selection) (MAGASIN = Nimes OR MAGASIN = Lille) AND (ANNEE = 2010 OR ANNEE = 2011) AND (PRODUITS = Foulard OR PRODUITS = Botes) ventes MAGASIN Nimes Lille Paris Foulard Gants Botes PRODUITS MAGASIN Nimes Lille ANNEES Botes Foulard PRODUITS 61 ANNEES
62 Langages pour OLAP SQL étendu (Extensions de SQL- 3 / SQL- 99 pour OLAP) : Nouvelles fonc9ons SQL d agréga9on: Rank, N_9le Nouvelles fonc9ons de la clause GROUP BY : ROLLUP CUBE GROUPING SETS (mul9ple GROUP Bys) Fenêtre glissante : WINDOWS/OVER/PARTITION MDX (Mul9 Dimensional expression) : Langage de requêtes OLAP Proposé par Microso (1997) 62
63 Références Cours Systèmes d informa9on décisionnels, E. GRISLIN- LE STRUGEON et D. DONSEZ Cours de Entrepôts de données et analyse en ligne, Bernard ESPINASSE h`p:// SQL Server Microso et OLAP Cours de Introduc9on aux systèmes d informa9on décisionnelle, O. Boussaid 63
OLAP : Mondrian + Pentaho. Maguelonne Teisseire Hugo Alatrista Salas hugo.alatrista- salas@teledetec9on.fr Flavien Bouillot
OLAP : Mondrian + Pentaho Maguelonne Teisseire Hugo Alatrista Salas hugo.alatrista- salas@teledetec9on.fr Flavien Bouillot Outils Open Source Mondrian : serveur OLAP JFreeReport : ou9l de «Repor9ng» KeHle
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 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 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 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
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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 détailMémoire de fin d études. Thème Conception et réalisation d un Data Warehouse pour la mise en place d un système décisionnel
Mémoire de fin d études Pour l obtention du diplôme d Ingénieur d Etat en Informatique Option : Systèmes d information Thème Conception et réalisation d un Data Warehouse pour la mise en place d un système
Plus en 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 détailPrésenta6on Isatech. ERP, Décisionnel, Architecture Systèmes & Réseaux. Isatech Tous droits réservés Page 1
Présenta6on Isatech ERP, Décisionnel, Architecture Systèmes & Réseaux Isatech Tous droits réservés Page 1 L offre globale Couvrir l intégralité de la chaîne du SI Isatech Tous droits réservés Page 2 Isatech
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 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 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 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 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 détailSQL SERVER 2008, BUSINESS INTELLIGENCE
SGBD / Aide à la décision SQL SERVER 2008, BUSINESS INTELLIGENCE Réf: QLI Durée : 5 jours (7 heures) OBJECTIFS DE LA FORMATION Cette formation vous apprendra à concevoir et à déployer une solution de Business
Plus en 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 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 détailRejoignez la Communauté
Rejoignez la Communauté MODÉLISATION DIMENSIONNELLE Le fondement du datawarehouse 2 MODÉLISATION DIMENSIONNELLE Le fondement du datawarehouse 3 QUI SOMMES NOUS? Jean-Pierre Riehl Pratice Manager SQL Azeo
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 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 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 détailCONSERVATOIRE NATIONAL DES ARTS ET METIERS CENTRE REGIONAL ASSOCIE DE BOURGOGNE MEMOIRE. présenté en vue d'obtenir le DIPLOME D'INGENIEUR C.N.A.M.
CONSERVATOIRE NATIONAL DES ARTS ET METIERS CENTRE REGIONAL ASSOCIE DE BOURGOGNE MEMOIRE présenté en vue d'obtenir le DIPLOME D'INGENIEUR C.N.A.M. SPECIALITE : INFORMATIQUE OPTION : SYSTEMES D INFORMATION
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 détailDOCUMENTATION KAPTravel Module de gestion des appels de disponibilité
DOCUMENTATION KAPTravel Module de gestion des appels de disponibilité 01/06/15 KAPT Tous Droits Réservés 2 PRÉSENTATION Ce+e présenta3on va vous perme+re de prendre en main la plateforme de ges3on KAPTravel
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 détailLe concept de Data Warehouse a été formalisé pour la première fois en 1990.
1 - LE DATA WAREHOUSE 1.1 - PRESENTATION Le concept de Data Warehouse a été formalisé pour la première fois en 1990. L idée de constituer une base de données orientée sujet, intégrée, contenant des informations
Plus en 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 détailÉvolu>on et maintenance
IFT3912 Développement et maintenance de logiciels Évolu>on et maintenance Bruno Dufour Université de Montréal dufour@iro.umontreal.ca Modifica>on des logiciels Les modifica>ons sont inévitables Des nouveaux
Plus en détailBig Data On Line Analytics
Fdil Fadila Bentayeb Lb Laboratoire ERIC Lyon 2 Big Data On Line Analytics ASD 2014 Hammamet Tunisie 1 Sommaire Sommaire Informatique décisionnelle (BI Business Intelligence) Big Data Big Data analytics
Plus en détailRÉPUBLIQUE ALGÉRIENNE DÉMOCRATIQUE ET POPULAIRE. Ministère de l Enseignement Supérieur et de la Recherche Scientifique I.N.I THEME : Les outils OLAP
RÉPUBLIQUE ALGÉRIENNE DÉMOCRATIQUE ET POPULAIRE Ministère de l Enseignement Supérieur et de la Recherche Scientifique I.N.I THEME : Les outils OLAP REALISE PAR : BENAKEZOUH Leïla & TIFOUS Amira Quatrième
Plus en détailLes méthodes Agiles. Introduc)on aux méthodes Agiles Exemple : Scrum
Les méthodes Agiles Introduc)on aux méthodes Agiles Exemple : Scrum Défini)on de base Les méthodes Agiles sont des procédures de concep)on de logiciel qui se veulent plus pragma)ques que les méthodes tradi)onnelles
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 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 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 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 détail25/05/2012. Business Intelligence. Plan de Présentation
Business Intelligence Prof. Mourad Oubrich Plan de Présentation Définition de la BI Chaine de la valeur de la BI Marché de la BI Métiers de la BI Architecture de la BI Technologie SAP BI Les priorités
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 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 détailEntrepôts de Données
République Tunisienne Ministère de l Enseignement Supérieur Institut Supérieur des Etudes Technologique de Kef Support de Cours Entrepôts de Données Mention : Technologies de l Informatique (TI) Parcours
Plus en 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 & 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 détailFournir un accès rapide à nos données : agréger au préalable nos données permet de faire nos requêtes beaucoup plus rapidement
Introduction Phases du projet Les principales phases du projet sont les suivantes : La mise à disposition des sources Des fichiers Excel sont utilisés pour récolter nos informations L extraction des données
Plus en détailSWISS ORACLE US ER GRO UP. www.soug.ch. Newsletter 5/2014 Sonderausgabe. OBIF DB licensing with VMware Delphix 12c: SQL Plan / Security Features
SWISS ORACLE US ER GRO UP www.soug.ch Newsletter 5/2014 Sonderausgabe OBIF DB licensing with VMware Delphix 12c: SQL Plan / Security Features 42 TIPS&TECHNIQUES Alexandre Tacchini, Benjamin Gaillard, Fabien
Plus en détailIntroduction aux entrepôts de données (2)
Introduction aux entrepôts de données (2) Bernard ESPINASSE Professeur à Aix-Marseille Université (AMU) Ecole Polytechnique Universitaire de Marseille Septembre 2013 Introduction et définition dʼun entrepôt
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 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 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 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 détailArchitecture matériel et logiciel 2
Architecture matériel et logiciel 2 Architectures Venera Arnaoudova Concep8on architecturale 1. Introduc8on 2. Modéliser l architecture avec UML 3. Éléments architecturaux 4. Styles architecturaux 1. Architecture
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 détailLe contrôle fiscal anno 2013
Le contrôle fiscal anno 2013 Carlos SIX! Administrateur général de la Fiscalité SPF Finances Ges$on des risques Contrôle fiscal CRM & Tolérance zéro ONDEMENT OBJECTIFS STRATEGIQUES Etude externe 2010 constata$ons
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 détailChapitre IX. L intégration de données. Les entrepôts de données (Data Warehouses) Motivation. Le problème
Chapitre IX L intégration de données Le problème De façon très générale, le problème de l intégration de données (data integration) est de permettre un accès cohérent à des données d origine, de structuration
Plus en 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 détailBusiness Intelligence avec SQL Server 2012 Maîtrisez les concepts et réalisez un système décisionnel
Avant-propos 1. À qui s'adresse ce livre? 9 2. Les pré-requis 10 3. Les objectifs du livre 10 Introduction 1. Présentation du décisionnel 15 1.1 La notion de décideur 15 1.2 Les facteurs d'amélioration
Plus en 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 détailEvry - M2 MIAGE Entrepôts de Données
Evry - M2 MIAGE Entrepôts de Données Modélisation décisionnelle D. Ploix - M2 MIAGE - Conception EDD 1 Plan Construction de l entrepôt : les faits et les dimensions Préparation de l analyse : Les agrégats
Plus en détailBusiness Intelligence avec SQL Server 2014 Maîtrisez les concepts et réalisez un système décisionnel
Avant-propos 1. À qui s'adresse ce livre? 9 2. Les pré-requis 10 3. Les objectifs du livre 11 Introduction 1. Présentation du décisionnel 13 1.1 La notion de décideur 14 1.2 Les facteurs d'amélioration
Plus en détailUNIVERSITÉ MOHAMMED V AGDAL. FACULTÉ DES SCIENCES Rabat THÈSE DE DOCTORAT. Présentée par ELhoussaine ZIYATI Discipline : Sciences de l ingénieur
UNIVERSITÉ MOHAMMED V AGDAL FACULTÉ DES SCIENCES Rabat N d ordre 2491 THÈSE DE DOCTORAT Présentée par ELhoussaine ZIYATI Discipline : Sciences de l ingénieur Spécialité : Informatique et Télécommunications
Plus en détailProjet M1 Sujet 21 : Développement d'un logiciel simplifié de type Business Object
Florent Dubien Antoine Pelloux IUP GMI Avignon Projet M1 Sujet 21 : Développement d'un logiciel simplifié de type Business Object Professeur Tuteur : Thierry Spriet 1. Cadre du projet... 3 2. Logiciel
Plus en détailTP2_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 détailEntreprise Chiffres clefs
Présenta)on FRANCK DUPRE: DEUG, Master 2 en Télécom 1997, Université Lille1 ALTRAN : 6 ans, Consultant et Business Manager ALTEN : 4 ans, Directeur d Agence Lille et Paris, puis Managing Director UK SOPRA
Plus en détailVers un Système unique d informa4on na4onale de médicaments au Mexique, dans le cadre du suivi de l OMD 8.13
Vers un Système unique d informa4on na4onale de médicaments au Mexique, dans le cadre du suivi de l OMD 8.13 México Angélica Ivonne Cisneros- Luján Lisbonne, 11 septembre 2012 CONTEXTE et DÉSCRIPTION du
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 ou%l téléphone dans votre stratégie de marke%ng direct
L ou%l téléphone dans votre stratégie de marke%ng direct «Allo, vous n avez pas de stratégie téléphone?» Alain Pierre La Chaîne de l Espoir Pascal Fréneaux ADM VALUE Présenta%on de La Chaîne de l Espoir
Plus en détailLe Géodécisionnel. P7 : Projet Bibliographique Dans le cadre du Mastère ASIG. Les SIG au service du géodécisionnel.
P7 : Projet Bibliographique Dans le cadre du Mastère ASIG Le Géodécisionnel Les SIG au service du géodécisionnel Thierry Lallemant 15 Mai 2008 Mastère ASIG / Projet Bibliographique 2008 1 TABLE DES MATIERES
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 détailConcepon et réalisaon
Concepon et réalisaon Vendée Etudes & Réalisaons de Soluons Informaques 10 rue des Sables 85540 Mouers les Mauxfaits h%p://sarl-versi.fr contact@sarl-versi.fr Mainate 2 une logiciel d aide à la communicaon
Plus en détailRéunion de rentrée Licence PER Programma3on en environnement répar3. Année universitaire 2014-2015
Réunion de rentrée Licence PER Programma3on en environnement répar3 Année universitaire 2014-2015 Intervenants de la présenta3on Responsables de la forma/on Bogdan Cau/s, bogdan.cau/s@u- psud.fr Jean-
Plus en détailTP2 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 détailDevenez un virtuose de Google. Atelier en informa5que présenté par Dominic P. Tremblay h@p://dominictremblay.com
Devenez un virtuose de Google Atelier en informa5que présenté par Dominic P. Tremblay h@p://dominictremblay.com Google Google est une société fondée en 1998 en Californie par Larry Page et Sergey Brin.
Plus en détailLes formations. calipia. novembre 2014 à mai 2015
calipia Les formations novembre 2014 à mai 2015 nov. déc. janv. fév. mars avril mai Briefing Calipia (p. 3) FC1501 : Smartphones et Tablettes (p. 5) 15 17 10 FC1502 : Licences Microsoft (p. 7) 29 19 21
Plus en détailPrésentation Level5. Editeur de Logiciels. «If it s not monitored, it s not in production» Theo Schlossnagle #velocityconf
Editeur de Logiciels Présentation Level5 «If it s not monitored, it s not in production» Theo Schlossnagle #velocityconf «If you can not measure it, you can not improve it» Lord Kelvin vous accompagne
Plus en détailCatalogue de FORMATIONS 2015
Catalogue de FORMATIONS 2015 Qui sommes nous? î SmartView est un cabinet de conseil et de forma1on, basé à Montpellier et Paris, qui accompagne ses clients professionnels, grands comptes ou PME innovantes,
Plus en détailLA DIGITALISATION DE LA RELATION CLIENT
PARTENAIRES ENTREPRISE ET TRANSFORMATION DIGITALE LA DIGITALISATION DE LA RELATION CLIENT PROGRAMME Face à la mulplicaon des canaux digitaux de communicaon, à l évoluon des comportements des clients et
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 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 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 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 détail