Wattiau 09-10 3

Le Data Warehouse
et les Systmes
Multidimensionnels
1. Dfinition dun Data warehouse (DW)
Le Data warehouse (entrept de donnes) est une

collection de donnes orientes sujet, intgres, non
volatiles et historises, organises pour le support
d un processus d aide la dcision (Inmon, 94).
Copyright J. Akoka - I. Comyn-Wattiau - N.Prat
1. Dfinition dun Data warehouse

1. 1 Donnes orientes sujet
Donnes structures par thmes (sujets majeurs de
lentreprise) et non suivant les processus fonctionnels.
Le sujet est transversal aux structures fonctionnelles et
organisationnelles de lentreprise. On peut accder aux
donnes utiles sur un sujet.
Lintgration des diffrents sujets se fait dans une
structure unique.

1. 1 Donnes orientes sujet
Il n y a pas de duplication des informations communes
plusieurs sujets.
La base de donnes est construite selon les thmes qui
touchent aux mtiers de lentreprise (clients, produits,
risques, rentabilit, ).
Les donnes de base sont toutefois issues des Systmes
dInformation Oprationnels (SIO).

1. 2. Donnes intgres
Les donnes, issues de diffrentes applications de
production, peuvent exister sous toutes formes diffrentes.
Il faut les intgrer afin de les homogniser et de leur
donner un sens unique, comprhensible par tous les
utilisateurs.
Elle doivent possder un codage et une description unique.

1. 2 Donnes intgres
La phase dintgration est longue et pose souvent des
problmes de qualification smantique des donnes
intgrer (synonymie, homonymie, etc).
Ce problme est amplifi lorsque des donnes externes
sont intgrer avec les donnes du SIO.

1. 3 Donnes non-volatiles
Une information est considre volatile quand les
donnes sont rgulirement mises jour comme dans les
Systmes dInformation Oprationnels.
Dans un SIO, les requtes portent sur les donnes
actuelles. Il est difficile de retrouver un ancien rsultat.
Dans un DW, il est ncessaire de conserver lhistorique
de la donne. Ainsi, une mme requte effectue deux
mois dintervalle en spcifiant la date de rfrence de la
donne, donnera le mme rsultat.

1. 4 Donnes historises
Dans un SIO, les transactions se font en temps rel, et les
donnes sont mises jour constamment. L historique des
valeurs de ces donnes n est gnralement pas conserv
car il est inutile.
Dans un DW, la donne nest jamais mise jour.
Les donnes du DW s ajoutent aux donnes dj
engranges.=> ajout de couches de donnes successives,
la manire des strates gologiques

1. 4 Donnes historises
Le DW stocke donc lhistorique des valeurs que la
donne aura prises au cours du temps.
Un rfrentiel de temps est alors associ la donne afin
dtre capable didentifier une valeur particulire dans le
temps.
Les utilisateurs possdent un accs aux donnes
courantes ainsi qu des donnes historises.

1. 5 Support d un processus d aide la dcision
Un DW est un systme d information ddi aux applications
dcisionnelles dont les principales contraintes sont :
des requtes complexes plusieurs niveaux d agrgation
la ncessit de disposer d informations synthtiques
( reporting de gestion, analyse des ventes, gestion de la
masse salariale, etc)
le stockage des donnes sous une forme multidimensionnelle
des mises jour priodiques
10
2. Objectifs dun Data warehouse

permet le dveloppement d applications dcisionnelles et de
pilotage de l entreprise et de ses processus
joue un rle de rfrentiel pour l entreprise puisqu il permet de
fdrer des donnes souvent parpilles dans diffrentes bases de
donnes
offre une vision globale et oriente mtier de toutes les donnes que
manipule l entreprise
permet de faire face aux changements du march et de l entreprise
offre une information comprhensible, utile , rapide et jour
11
3. Architecture dun Data warehouse
Bases de
production
Dictionnaire
Bases externes
Extraction
Transformation
Chargement
Rafrachissement
Data Warehouse
Outils
dadministration
Bases
multidimensionnelles
Datamarts
Outil ROLAP
Outils
multidimensionnels
MOLAP
Requeteur
ou tableau
Outil frontal
OLAP
12

3. 1 Les Bases de Donnes
Bases de donnes internes:
Bases de production de lentreprise
Bases cres par les utilisateurs
Bases de donnes externes lentreprise qui ncessitent
leur identification, leur rapatriement et leur intgration.
Donnes achetes des fournisseurs de donnes
(Nielsen, INSEE, )
Donnes rcupres sur Internet
13

3. 2 Oprations sur les donnes
EXTRACTION
Extraire les donnes de leur environnement dorigine
(bases de donnes relationnelles, fichiers plats, ).
Utiliser une technique approprie pour n extraire que
les donnes ncessaires : donnes cres ou modifies
depuis la dernire opration dextraction.
14

TRANSFORMATION
Une mme donne peut avoir une structure ou une valeur
diffrente en fonction de la base (production, externe,
utilisateurs) dont elle provient.
On peut tre confront des redondances (un mme
client peut apparatre avec diffrents attributs et
proprits selon la source consulte).
15

TRANSFORMATION
Il faut supprimer certaines donnes aberrantes qui
risqueraient de fausser les analyses.
Il faut donc purer et transformer les donnes.
16

CHARGEMENT/RAFRAICHISSEMENT
Effectuer sur les donnes des oprations de calcul et
dagrgation.
Remplacer certaines bases si aucune
dextraction satisfaisante nest possible.
solution
17

CHARGEMENT/RAFRAICHISSEMENT
Mettre en place des procdures de chargement et de
restauration (en cas de problme).
Typiquement, la frquence du chargement est quotidienne
et il est effectu en tout dbut de matine.
Si la disponibilit du systme ne peut tre interrompue,
envisager la mise en place de systmes redondants.
18

LES OUTILS
On peut automatiser tout ou partie des oprations dcrites.
Des outils sont disponibles : Extract dETI, Genio de
Leonard s Logic, SAS/Warehouse Administrator de
SAS
Le dveloppement doutils spcifiques est envisageable
mais risque d alourdir les tches.
19

3. 3 Dictionnaire de Donnes
Le dictionnaire de donnes regroupe les mta-donnes.
Une mta-donne reprsente une donne sur les donnes.
Il sagit de lensemble des informations qui permettent de
qualifier une donne, notamment par sa smantique, sa
rgle de calcul, sa provenance, sa qualit, etc
les mta-donnes permettent de prciser de quelle table
provient la donne, quelles dates et heures elle en a t
extraite, ltat de la base cet instant, etc...
20
10

3. 3 Dictionnaire de Donnes
Une mta-donne permet de remonter la chane et de
reconstituer lensemble dvnements et donnes qui ont servi
obtenir linformation associe.
Le dictionnaire de donnes contient toutes les informations
permettant dexploiter les donnes.
Cest un rfrentiel destin aux utilisateurs et ladministrateur
du DW.
A ce jour, il nexiste pas de normes en ce qui concerne la
structure et la gestion des dictionnaires de donnes. Chaque outil
propose sa solution et son approche.
21

3. 4 Les Data Marts
Un data mart (magasin de donnes) est un DW focalis sur un
sujet particulier, souvent au niveau dpartemental ou mtier.
C est donc un mini DW li un mtier particulier de l entreprise
(finance, commercial, ).
Un DW est souvent volumineux (plusieurs centaines de Go voire
quelques To ) avec des performances inappropries (temps de
rponse trop longs). Un Data mart, quant lui, comporte moins
de 50 Go, ce qui permet des performances acceptables.
La cration dun data mart peut tre un moyen de dbuter un
projet de DW (projet pilote).
22
11

3. 5 Les bases multidimensionnelles et les outils OLAP
3.5.1 Les modles de
donnes
Modles de prsentation
Modles de diffusion
Modles dintgration
Bases de donnes oprationnelles

23

3.5.1 Les modles de donnes
Le modle d intgration unifie les donnes oprationnelles.
Le modle de diffusion reprsente le modle conceptuel des
donnes. Il correspond aux bases multidimensionnelles (serveur
OLAP).
Le modle de prsentation est un complment au modle
conceptuel. Cest travers ce modle que lutilisateur voit les
donnes. Il correspond diffrents outils physiques : les
tableurs, les requteurs, les outils clients OLAP, etc...
24
12

3.5.2 Les outils OLAP (On-Line Analytical Processing)
OLAP caractrise larchitecture ncessaire la mise en place
d un systme dinformation dcisionnel (SID).
OLAP soppose OLTP (On-Line Transactional Processing)
qui caractrise les SIO.
25

3.5.2 Les outils OLAP (On-Line Analytical Processing)
OLAP constitue lensemble des outils multidimensionnels

ncessaires laccs, stockage et la manipulation des donnes
utiles pour un SIAD ou pour un EIS.
OLAP dsigne les outils d analyse sappuyant sur les bases de
donnes multidimensionnelles.
26
13

3.5.3 Les 12 rgles de E.F. CODD (1993)
Vue multidimensionnelle : Les donnes sont structures en dimensions
mtiers.
Transparence : L utilisateur doit pouvoir utiliser les logiciels habituels
(tableurs, ) sans percevoir la prsence d un outil OLAP.
Accessibilit : L outil doit se charger d accder aux donnes stockes
dans n importe quel type de bases de donnes (interne + externe) et le
faire simultanment.
Performance continue dans les restitutions : A mesure que le nombre
de dimensions ou la taille de la base augmente, lutilisateur ne doit pas
subir de baisse sensible de performance.
27

Architecture client-serveur : Tout produit OLAP doit fonctionner en
mode C/S avec une rpartition des traitements.
Dimension gnrique : Chaque dimension (avec lanalyse) doit
tre quivalent aux autres la fois dans sa structure et dans ses capacits
oprationnelles. Une seule structure logique dans lensemble des
dimensions.
Gestion dynamique des matrices creuses : OLAP doit grer les cellules
non renseignes de manire optimale.
Support multi-utilisateurs : OLAP doit assurer un accs simultan aux
donnes, grer lintgrit et la scurit de ces donnes.
28
14

Oprations entre les dimensions : OLAP doit grer des calculs associs
entre les dimensions sans faire appel l utilisateur pour dfinir le
contenu de ces calculs
Manipulation intuitive : Minimiser le recours des menus ou les allers
et retours avec l interface utilisateur
Flexibilit des restitutions : convivialit des tats de gestion ou des tats
de sortie - ergonomie
Nombre de dimensions et niveaux de hirarchie illimit : l outil doit
grer au moins quinze dimensions et ne pas limiter le nombre de niveaux
hirarchiques.
29

3.5.4 Fast Analysis of Shared Multidimensional Information (FASMI)
Analyse : fournir des possibilits d analyse (statistiques et autres)
Rapide : l essentiel des rponses doit tre rendu dans un dlai de moins
de cinq secondes
Information : accder l ensemble des donnes indpendamment de
leur localisation
Multidimensionnelle :fournir une vue conceptuelle multidimensionnelle
Partage : tre accessible un grand nombre d utilisateurs et ne pas
limiter le nombre de niveaux hirarchiques.
30
15

3.5.5 Les outils relationnels OLAP
Outils relationnels : requteurs, infocentres, jointures complexes
exemple : Business Objects (anciennes versions)
Hypercubes relationnels : les donnes sont stockes dans une BD
relationnelle, mais avec une structure adapte aux donnes multidimensionnelles
exemple : SGBD relationnels
OLAP relationnel (ROLAP) : ces outils utilisent directement le modle
relationnel. Au travers des mta-donnes, ils permettent de transformer
l analyse multidimensionnelle en requtes SQL : distinguent les axes
d analyse et les faits observer (modles en toile ou en flocon)
31

3.5.5 Les outils relationnels OLAP
Interface de
prsentation
Hypercube virtuel
Base de donnes
relationnelle
32
16

3.5.6 Intgration Infocentre Hypercube
y Principe proche de l OLAP relationnel
y Intgration d un outil d infocentre et d un outil d analyse
multidimensionnelle dans une mme interface situe sur le poste
client
y L outil d infocentre assure la gestion d un rfrentiel commun, la
slection des donnes et leur valorisation
y L outil multidimensionnel assure la cration d un hypercube,
l implmentation des fonctionalits OLAP (consolidation, zoom
avant, glisser-dplacer, gestion des seuils, etc.)
33

3.5.6 Intgration Infocentre Hypercube
Hypercubes clients
Table de dimension
Table de dimension
Table de dimension
Serveur relationnel
Table de
Faits
Table de dimension
Table de dimension
34
17

3.5.7 Les outils multidimensionnels MOLAP
y Les BD multidimensionnelles sont propritaires (pas de

standard)
y Les donnes sont dynamiquement structures et compresses
(optimisation de l espace disque)
y Les donnes sont organises en dimensions et hirarchies
y Les formules de calcul sont gnralement complexes
y Les temps de rponse sont constants
35

Interface de
prsentation
Serveur matriciel
36
18

y La constitution de la base se fait selon le processus suivant
y extraction des donnes provenant des SGBD ou fichiers
y dcomposition des donnes en dimensions, attributs et variables
y calcul des consolidations
y chargement de l hypercube selon la structure dimensionnelle
choisie
y L interrogation de la base possde les caractristiques suivantes :
y interface graphique (drill down, slice and dice, etc)
y gestion des seuils et des alertes (codage couleurs)
y temps de rponse court et constant
y SQL non implment
y Exemple : Oracle Express
37

3. 6 Les limites du multidimensionnel
y Format et langage propritaire
y Structure fige (lhypercube doit tre construit chaque
modification)
y Accs au dtail difficile
y Peu d outils disponibles
y Outils d administration insuffisants
y Difficult de raliser des slections sur un hypercube
y Pas de standard ni pour la structure physique ni pour
l interrogation
y Manque de souplesse et absence de gestion de mta-donnes
38
19

3. 7 Conclusion
y Un march florissant
y nombreux outils (ROLAP,MOLAP,..)
y concentration du nombre d diteurs de logiciels
y Ncessit de mthodologie de conception
y dmarche
y modlisation conceptuelle et logique
y implication des utilisateurs
y Un avenir rel
y linformatique oprationnelle est mature
y la demande des utilisateurs est importante
y la technologie est disponible.
39
4. Le March du Data warehouse

y Le march du dcisionnel regroupe une trentaine dacteurs
y Les diteurs peuvent tre regroups en quatre catgories
y solutions applicatives
y bases de donnes multidimensionnelles
y client ROLAP
y client OLAP
40
20

4. 1 Les solutions applicatives
y Loffre la plus ancienne
y loffre verticale (spcialise dans un secteur tel que la banque ou
la grande distribution)
y loffre horizontale (consacre une fonction prcise)
y loffre fonde sur un progiciel
y lditeur intgre gnralement dans sa solution une base de
donnes multidimensionnelle
41

4. 1 Les solutions applicatives
y exemples de produits :
Editeur
Produit
Fonction
Comshare
Boost sales and marging planning

Boost sales analysis
Prvision, planification
Analyse des ventes
Hyperion Software
Oracle
SAS Institute
Commander budget
Elaboration budgtaire
Commander FDC
Reporting, consolidation
Hyperion entreprise
Reporting, consolidation
Hyperion Pilar
Oracle financial analyser
Oracle sales analyser
Analyse des ventes
CFO Vision
Reporting
42
21

4. 2 Bases de donnes multidimensionnelles
y Quatre acteurs principaux rpartis en deux catgories :
y les spcialistes qui fournissent une technologie
multidimensionnelle performante
y les fournisseurs de solutions compltes capables de fournir
en plus de la base de donnes, un environnement de
dveloppement, dinterrogation et dadministration.
Catgorie
Editeur
Produit
Spcialistes
Arbor Software
Aplix
Essbase
TMI
Autres
(environnement intgr)
Oracle
Gentia Software
Express
Gentia
43

4. 3 Client ROLAP
y Offre la plus rcente sur le march

y l information est stocke dans une base de donnes
relationnelle et un dictionnaire permet de faire apparatre
l information sous forme multidimensionnelle
y l administrateur offre l utilisateur un point de vue
multidimensionnel sur une base relationnelle
y les principaux acteurs sont :
Editeur
Produit
Business Objects
Business Objects
Microstrategy
DSS Agent
Information Advantage
Decision Suite
Informix
MetaCube
Platinum Technology
Info Beacon
44
22

4. 4 Client OLAP
y Utilisation d un outil dinfocentre pour interroger les donnes
relationnelles, puis reprsenter linformation rcupre sous
forme multidimensionnelle
y solution propose par les diteurs dinfocentre
y deux outils sont utiliss : lanalyse multidimensionnelle et
linfocentre relationnel
y inconvnients :
y pour alimenter loutil multidimensionnel, il faut rapatrier un
volume de donnes important de la base relationnelle vers
loutil
y le stockage physique des donnes multidimensionnelles
seffectue sur le poste de travail, ce qui entrane une
redondance des donnes
45

4. 4 Client OLAP
y ces systmes sont appels DOLAP, pour Desktop OLAP
y principaux acteurs :
Editeur
Editeur
Fonction
Andyne
GQL
Pablo
Requteur
Analyse OLAP
Cognos
Impromptu
Powerplay
Requteur
Analyse OLAP
46
23
5. Dveloppement dun Data warehouse

5. 1 Introduction
5.1.1 Caractristiques d un data warehouse prendre en compte
4 caractristiques du data warehouse jouent un rle fondamental
dans les projets de ce type:
Les volutions technologiques: client-serveur et systmes
ouverts permettent de construire le data warehouse par
intgration des composants les + adapts.
Le lien implicite la stratgie de l entreprise: data
warehouses + proches de la stratgie de l entreprise que les
systmes transactionnels.
Une logique d amlioration continue (volution des
demandes des utilisateurs, nouveaux objectifs de l entreprise)
Un niveau de maturit (acquis dcisionnel) diffrent selon
les entreprises.
47

5. 1 Introduction
5.1.2 Phases du processus de dveloppement
Dmarche propose=dmarche incrmentale: le data warehouse
est construit application par application (dcomposition en sousprojets ou initiatives ).
3 grandes phases dans un projet de data warehouse:
Dcouvrir et dfinir les initiatives : niveau entreprise;
distinction de 2 sous-phases: tude stratgique et laboration
du plan d action.
Dfinition de l infrastructure technique et organisationnelle
du data warehouse, conduite du changement: niveau entreprise.
Mise en uvre incrmentale des applications: niveau
projet.
48
24

5. 2 Phase 1: dcouvrir et dfinir les initiatives
5.2.1 Etude stratgique
Rle fondamental.
Etape 1: sensibilisation, sponsorship , prparation au
changement.
Chaque acteur doit tre convaincu de la ncessit et de
l importance du projet de data warehouse, et de la ncessit de
son implication.
Rle du sponsor du projet.
Etape 2: identification des objectifs mtier/entreprise assigns au
data warehouse.
Effectue par collaboration entre management, quipes
oprationnelles et quipes informatiques.
49

5.2.1 Etude stratgique
Etape 3: identification des sous-projets (initiatives) permettant
d atteindre les objectifs prcdemment identifis.
Les initiatives sont ordonnances par priorit.
Les initiatives sont indpendantes, bien dlimites, et leur
mise en uvre est relativement courte (moins de 6 mois en
gnral).
50
25

5.2.2 Elaboration du plan d action
Etape 1: tude de faisabilit (existence et qualit des donnes,
contraintes techniques et organisationnelles).
Etape 2: analyse cots/bnfices.
Exemples: cot de dveloppement, cot du matriel et du
logiciel
Estimations ne sont pas dtailles.
Estimations sont de moins en moins dtailles selon le niveau
de priorit de l initiative.
Etape 3: squencement et planification des projets.
51

5. 3 Phase 2: dfinition de l infrastructure
5.3.1 Infrastructure technique
Choix du ou des fournisseur(s) de technologies: choix entre un
unique fournisseur et plusieurs fournisseurs
Choix des outils: construire, acheter ou faire avec l existant?
Choix
de
l
architecture
du
data
warehouse:
centralise/distribue/rplique, Intranet
Choix de la structure de stockage: relationnelle,
multidimensionnelle
Choix du matriel
Choix des infrastructures destines l administration des
systmes, la gestion de la scurit

52
26

5.3.2 Infrastructure organisationnelle
Organisation typique des quipes de dveloppement et
d exploitation:
Un 1er centre de comptences responsable de l alimentation
du data warehouse partir des systmes de production.
Un second centre de comptences responsable de la gestion et
du support du data warehouse proprement dit. Rle des
administrateurs de bases de donnes.
Un 3 centre de comptences responsable des flux
d informations entre les utilisateurs et leur poste de travail
d une part, et le data warehouse d autre part.
53

5.3.3 Conduite du changement
Rle de la formation.
Rle des sponsors. Il est souvent souhaitable d identifier un
sponsor par initiative, chaque sponsor tant gnralement
associ une entit oprationnelle (marketing, finance,
ressources humaines).
54
27

5. 4 Phase 3: mise en uvre des applications
5.4.1 Les 5 tapes
Etape 1: tude pralable
Dfinition et planification des tapes suivantes de manire
plus prcise et dtaille que dans les phases prcdentes.
Analyse de l existant
Etude des besoins.
Etape 2: tude dtaille (cf. parties 6 et 7 + loin)
Modlisation conceptuelle des donnes
Modlisation logique multidimensionnelle
Modlisation mathmatique: dfinition des agrgations et des
formules.
55

5.4.1 Les 5 tapes
Etape 3: ralisation
Dfinition de l interface homme-machine
Implmentation physique
Intgration.
Etape 4: dploiement
Etape 5: mesures
Bilan de la mise en uvre de l application de data warehouse
(capitalisation d exprience)
Mesures doivent tre effectues rgulirement.
56
28

5.4.2 Dmarche itrative
Mise en uvre des applications peut s effectuer selon une
approche itrative, de type RAD (Rapid Application
Development).
Phase de mise en uvre des applications dcoupe en deux
sous-phases, avec droulement des 5 tapes chaque fois:
Dveloppement d un prototype (pilote)
Dploiement, gnralisation du pilote.
57
Projet 2
(dploiement)
Itrative inter-projets
Projet 3
(pilote)
Vision
projet
Projet 1
(dploiement)
Projet 2
(pilote)
P3
Projet 1
(pilote)
P2
PI
Vision
dentreprise
5. 5 Conclusion: schma gnral du processus
Projet 3
(dploiement)
Vision
dentreprise
Copyright J. Akoka - I. Comyn-Wattiau - N.Prat Incrmentale : multi projet
58
29
6. Modlisation des donnes dun Data warehouse

6. 1 Introduction
6.1.1 Ncessit de techniques de modlisation spcifiques

Systme transactionnel
Data warehouse
Redondances
A minimiser pour prserver la fiabilit

et la cohrence du systme
(normalisation).
Autorises.
Mises jour
Oui
Non. Pas de mises jour en ligne.

Mise jour dans la phase de chargement/
rafrachissement.
Modle de donnes
Utilisateur n accde pas directement au modle Utilisateur a un accs direct au modle

de donnes.
de donnes.
Volumes de donnes
Rsultats des transactions : volumes limits.
Requtes manipulent souvent de gros

volumes de donnes.
Nombre de tables
manipules dans les
requtes
Faible en gnral
Elev en gnral.
Requtes prvisibles
Oui
Non dans de nombreux cas.
59

6. 1 Introduction
6.1.2 Modle multidimensionnel
3 concepts fondamentaux:
Les faits mesurent l activit. Les faits sont toujours
numriques. Les faits les plus importants et les plus utiles
sont valoriss de faon continue et additifs.
Les dimensions sont les axes d analyse. Elles peuvent tre
organises en hirarchies telles que la gographie, le
temps
Les attributs des dimensions qualifient celles-ci.
Typiquement, les attributs sont textuels et discrets (par
opposition aux faits).
60
30

6. 1 Introduction
Oprations fondamentales sur des bases multidimensionnelles:
Drill-down (une donne agrge est visualise un niveau
de dtail plus fin) et consolidation (les donnes sont
visualises un niveau plus agrg). Le drill-down et la
consolidation se fondent sur l utilisation des hirarchies entre
dimensions, et des fonctions agrges (somme, nombre, min,
max, moyenne).
Slicing and dicing: visualisation des donnes selon
diffrentes perspectives.
61

6. 1 Introduction
TRIMESTRE
ANNEE
DIMENSION
Attribut de dimension
Fait
CA
JOUR
MOIS
ts n
an oye
t
i
ab m
h at
E re d ach
L
L
VI omb oir d
PRODUIT
- n ouv
e
- libell
-p
ag
m
- prix unitaire
N
h
O c
GI de
R E au x
DE PRODUIT
-t
Copyright J. Akoka - I. Comyn-WattiauTYPE
- N.Prat
Un cube danalyse des ventes
62
31

6. 2 Modlisation Conceptuelle des donnes
y La plupart des dmarches proposes aujourdhui font limpasse
sur cette phase
y Seuls Thomsen (Building Multidimensional Information
Systems, Wiley, 1997) et Akoka-Prat (Modlisation logique des
systmes multidimensionnels, Revue des Systmes de Dcision,
1997) proposent une phase conceptuelle.
y Principe :
y tablir un modle conceptuel entit-association
y traduire ce modle sous forme logique multidimensionnelle
par des rgles de mapping
y transformations dcrites plus loin
63

6. 2 Modlisation Conceptuelle des donnes
y Exemple : SIAD de
mdia-planning
CONSOMMATEUR
N
ACHETE
code_conso
CSP
age
revenu
sexe
ville
etat_civil
unites_par_sem
PRODUIT
code_produit
nom_produit
unite_produit
MEDIA
UTILISE
utilisat_media
code_media
nom_media
prix_insertion
production_media
pourcent_limite
N
EST DU
1
TYPE_MEDIA
type_media
insertion
unite_media
64
32

6. 3 Modlisation logique des donnes
6. 3.1 Lapproche MAP (Akoka-Prat)
y LES CONCEPTS
y Une dimension est une donne lmentaire permettant didentifier
un objet (ex : code d un produit). Cest l axe d analyse
y Une variable permet de grer les donnes multidimensionnelles.
Elle reprsente une quantit mesurable, un fait observ. Elle peut
tre monodimensionnelle ou multidimensionnelle (ex : des units
consommes peuvent tre dimensionnes par un consommateur,
un produit...)
y Une relation caractrise un lien existant entre les dimensions,
deux ou plus (ex : lien entre le code d un mdia et le type du
mdia correspondant)
65

y LA DEMARCHE
y effectuer la modlisation conceptuelle l aide du modle entitassociation
y simplifier le schma entit-association ainsi obtenu en :
y liminant les associations dordre suprieur 3
y liminant les associations rflexives
y traduire le schma ainsi simplifi en schma multidimensionnel
laide des rgles de transformation suivantes :
y lidentifiant de chaque entit E-A devient une dimension dans
le schma logique multidimensionnel
y les proprits portes par une entit (autres que son identifiant)
deviennent des variables monodimensionnelles lies la
dimension de cette entit
66
33

y LA DEMARCHE
y les proprits portes par les associations du schma conceptuel
deviennent des variables multidimensionnelles dont les
dimensions sont les identifiants des entits lies lassociation
y (un lien dhritage entre deux entits est traduit par une relation
dans le schma logique multidimensionnel)
67

y LA DEMARCHE
y une association dont une des cardinalits maximales au moins est
gale 1 est traduite par une relation dans le modle logique
multidimensionnel
y toute autre association est traduite au moyen dune variable
multidimensionnelle lie lidentifiant de chacune des entits
impliqus dans l association, sauf si l association est porteuse
d au moins une proprit dont la valeur est toujours dfinie.
68
34

6. 3 Modlisation Logique des donnes
6.3.2 Le modle en toile
y Le modle en toile se compose de deux type de table :
y les tables de dimensions qui reprsentent les axes d analyse.
Chaque table de dimension possde un ensemble dattributs
permettant de dcrire les aspects importants de cette
dimension. Chaque table est identifie par une cl
y la table de faits concerne lensemble des mesures de
lactivit. Les enregistrements de cette table sont identifis
par une cl compose de la concatnation des cls des tables
de dimension
69

6.3 Modlisation Logique des donnes
6.3.2 Le modle en toile
y Il s agit d un modle dnormalis. Les tables de dimension sont
plates. Il existe une grande redondance des donnes
Dimension 1
Faits
Dimension 2
Cl Dimension 1 (D1)
Attribut
Cl D1
Cl D2
Cl D3
Mesure
Cl Dimension 2 (D2)
Attribut
Dimension 3
Cl Dimension 3 (D3)
Attribut
70
35
CONSOMMATEUR
y Exemple:
SIAD de
planning
y
y
mdia-
On distingue 2 toiles (structure

multitoile)
les relations entre toiles sont
possibles par le biais de
dimensions communes deux
ou plusieurs toiles (ex : la
dimension consommateur est
commune aux 2 toiles)
code_conso
CSP
age
revenu
sexe
ville
etat_civil
PRODUIT
code_produit
nom_produit
unite_produit
ACHETE
code_conso
code_produit
unites_par_sem
CONSOMMATEUR
MEDIA
code_conso
CSP
age
revenu
sexe
ville
etat_civil
code_media
nom_media
prix_insertion
production_media
pourcent_limite
type_media
insertion
unite_media
UTILISE
code_conso
code_media
utilisat_media
Rgles de passage ER
71
modle en toile
Rgle 1 : Toute association binaire M-N ou ternaire ou plus

porteuse de proprits devient une table de faits identifie par
les cls des entits participantes.
Rgle 2 : Toute entit participant une association de la rgle 1
devient une table de dimensions relie la table de faits.
Rgle 3 : Toute entit E1 relie une entit E2 de la rgle 2 par
une relation 1:N est transcrite dans la table de dimension de E2.
un chemin de relations 1:N est transcrite dans la table de
dimensions de E2.
72
36

6.3.3 Le modle en flocon
y Ce modle est driv de celui en toile. Toutefois, les tables de
dimensions sont normalises et les redondances limines
TYPE_MEDIA
y exemple : Cas mdia-planning (partiel)
type_media
insertion
unite_media
CONSOMMATEUR
code_conso
CSP
age
revenu
sexe
ville
etat_civil
MEDIA
code_media
nom_media
prix_insertion
production_media
pourcent_limite
type_media
UTILISE
code_conso
code_media
utilisat_media
Rgles de passage ER
73
modle en flocon
Rgle 1 : Toute association binaire M-N ou ternaire ou plus

porteuse de proprits devient une table de faits identifie par
les cls des entits participantes.
Rgle 2 : Toute entit participant une association de la rgle 1
devient une table de dimensions relie la table de faits.
une relation 1:N devient une sous-table de dimensions relie la
table issue de la rgle 2.
Rgle 4 : Toute entit E1 relie une entit E2 traduite en une
sous-table de dimension en devient une sous-table de
dimensions.
74
37

6.3.4 Comparaison des modles en toile et en flocon
y Le modle en flocon offre une vue plus claire de la structure de
linformation permettant notamment de dceler une hirarchie
y la normalisation de ce modle permet de plus de diminuer la
redondance, en rduisant la taille des tables de dimension. A
noter que Kimball a valu le gain de place disque 1 % de
lespace disque total
y Kimball prfre le modle en toile sur la base de deux
arguments :
y la dnormalisation permet d amliorer les performances du
systme lors de l excution des requtes
y le modle est plus facile apprendre par l utilisateur non
informaticien
75
7. Modlisation mathmatique. Agrgations et

formules
y Formules : Quatre types de formules
y Descriptive : pour le choix dalternative (ex : rparer un pont ou
en construire un nouveau)
y Prdictive : pour prdire des valeurs non mesures (ex : si le taux
dintrt est corrl avec une augmentation des ventes
domestiques, la formule prdictive dduira d une diminution des
taux d intrt l augmentation future des ventes)
y Exploratoire : reprsentant les relations entre donnes (ex :
lanalyse de rgression statistique)
y Prescriptive : ce sont de simples descriptions, ne comportant pas
de comparaisons (ex : les agrgations)
76
38

formules
y Agrgations :
y Formules dagrgations : composante cl du modle
multidimensionnel (ex : sommes, moyennes, quations pondres
conditionnelles)
y Formules non agrgatives : formules les plus couramment
utilises (ex : ratios, produits, diffrences)
y Fonctions attaches aux dimensions ou aux rgles : dans le cas de
ratios ou de formules oprations multiples, il est prfrable de
passer par des rgles. Dans le cas dune fonction appliquer par
dfaut avec des exceptions, il est prfrable dattacher la fonction
la dimension
77

formules
y Agrgations :
y Qualifications : lors de la rdaction de formules, il faut vrifier si
celles-ci sont justes pour la totalit de la hirarchie
y Prcdence des calculs : prciser lordre des calculs entre
diffrentes dimensions lorsque ceux-ci peuvent produire un
rsultat diffrent
y Formules conditionnelles : utilises dans le cas dexceptions
connues
78
39
8. Conclusion et perspectives
8. 1 Conclusion
y Le data warehouse est probablement, avec Internet, l une des
tendances rcentes que les entreprises exploiteront de + en +
dans les annes venir. Sujet brlant .
y Le data warehouse est le cur, l ossature du systme
d information dcisionnel.
y % des investissements informatiques consacrs la production
et la gestion devrait s inverser d ici 2003 au profit de
l informatique dcisionnelle (source: Meta Group).
y Systmes d information dcisionnels = lment de
diffrentiation entre les entreprises (par opposition aux systmes
transactionnels avec les ERP).
79
8. 2 Quelques perspectives
y Agents intelligents :
yUn agent agit pour un utilisateur sans solliciter son
intervention explicite.
yUn agent intelligent est capable d apprendre en fonction
d vnements extrieurs.
yTechnique de push ( pull ): L utilisateur est averti
des vnements remarquables (CA en-dessous d un seuil
prdfini).
80
40
8. 2 Quelques perspectives
y Internet:
yComplmentarit Internet/data warehouse.
yInternet=moyen d acquisition de donnes externes.
yIntranet/Extranet=moyen d accs au data warehouse.
y CRM:
yCustomer Relationship Management (Gestion de la Relation
Client)
yUn des domaines d application privilgis du data
warehouse.
81
41

Wattiau 09-10 3

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Wattiau 09-10 3

Încărcat de

Drepturi de autor:

Formate disponibile

Le Data Warehouse

1. Dfinition dun Data warehouse (DW)

Le Data warehouse (entrept de donnes) est une

Copyright J. Akoka - I. Comyn-Wattiau - N.Prat

1. Dfinition dun Data warehouse

1. Dfinition dun Data warehouse

1. Dfinition dun Data warehouse

Copyright J. Akoka - I. Comyn-Wattiau - N.Prat

1. Dfinition dun Data warehouse

Copyright J. Akoka - I. Comyn-Wattiau - N.Prat

1. Dfinition dun Data warehouse

1. Dfinition dun Data warehouse

1. Dfinition dun Data warehouse

1. Dfinition dun Data warehouse

2. Objectifs dun Data warehouse

3. Architecture dun Data warehouse

Copyright J. Akoka - I. Comyn-Wattiau - N.Prat

3. Architecture dun Data warehouse

3. Architecture dun Data warehouse

Copyright J. Akoka - I. Comyn-Wattiau - N.Prat

3. Architecture dun Data warehouse

3. Architecture dun Data warehouse

Copyright J. Akoka - I. Comyn-Wattiau - N.Prat

3. Architecture dun Data warehouse

Copyright J. Akoka - I. Comyn-Wattiau - N.Prat

3. Architecture dun Data warehouse

3. Architecture dun Data warehouse

3. Architecture dun Data warehouse

3. Architecture dun Data warehouse

3. Architecture dun Data warehouse

3. Architecture dun Data warehouse

Bases de donnes oprationnelles

3. Architecture dun Data warehouse

3. Architecture dun Data warehouse

Copyright J. Akoka - I. Comyn-Wattiau - N.Prat

3. Architecture dun Data warehouse

OLAP constitue lensemble des outils multidimensionnels

3. Architecture dun Data warehouse

3. Architecture dun Data warehouse

3. Architecture dun Data warehouse

3. Architecture dun Data warehouse

Copyright J. Akoka - I. Comyn-Wattiau - N.Prat

3. Architecture dun Data warehouse

3. Architecture dun Data warehouse

Copyright J. Akoka - I. Comyn-Wattiau - N.Prat

3. Architecture dun Data warehouse

3. Architecture dun Data warehouse

Copyright J. Akoka - I. Comyn-Wattiau - N.Prat

3. Architecture dun Data warehouse

y Les BD multidimensionnelles sont propritaires (pas de

Copyright J. Akoka - I. Comyn-Wattiau - N.Prat

3. Architecture dun Data warehouse

Copyright J. Akoka - I. Comyn-Wattiau - N.Prat

3. Architecture dun Data warehouse

3. Architecture dun Data warehouse

Copyright J. Akoka - I. Comyn-Wattiau - N.Prat

3. Architecture dun Data warehouse

4. Le March du Data warehouse

Copyright J. Akoka - I. Comyn-Wattiau - N.Prat

4. Le March du Data warehouse

Copyright J. Akoka - I. Comyn-Wattiau - N.Prat

4. Le March du Data warehouse

Boost sales and marging planning