Documente Academic
Documente Profesional
Documente Cultură
Motivations et architecture
Conception de la BD support
Alimentation du DW
Exploitation OLAP
Conclusion
1. OLTP et OLAP
Appli.
Appli.
Appli.
OLTP
OLAP
ETL
DW
DM
Introduction DW
Reports
&
Analysis
Aides
la dcision
Explosion de l OLAP
Facteurs conomiques & technologiques
18
CA en Milliards de $
16
14
12
10
8
6
4
2
0
1994
1995
1996
1997
1998
Annes
Introduction DW
1999
2000
2001
Introduction DW
Datawarehouse : dfinition
Entrept de donnes
Introduction DW
Architecture type
Introduction DW
2. Concevoir le DW
Export de donnes des sources
Htrognes et varies
Fichiers, BD patrimoniales, Web,
Dfinition des vues exportes
Conception DW
Conception DW
Exemple: ventes
Schmas en toile
Une table de faits encadres par N tables de dimensions
Produits
Periodes
IDper
anne
trimestre
mois
jour
Conception DW
IDprod
description
couleur
taille
fournisseur
Magasins
IDmag
nom
ville
dpartement
pays
Schmas en flocons
Raffinement du schma toile avec des tables normalises par
dimensions
Produits
Fournisseurs
Ventes
IDprod
description
couleur
taille
IDfour
IDfour
description
type
Adresse
Avantages
Conception DW
Axes d'analyse
Intgrer l'ensemble
Conception DW
Bilan conception
Le datawarehouse regroupe,
historise, rsume les donnes
de l'entreprise
Le concepteur dfinit schma
exports et intgrs
Conception DW
3. Alimenter le DW
ETL = Extracteur+Intgrateur
Extraction
Priodique et rpte
Difficult
L'alimentation
Transformation
Accs unifis aux donnes
Data Cleaning
Valeurs manquantes (nulles)
Ignorer le tuple
Remplacer par une valeur fixe ou par la moyenne
Chargement
Pas de mise jour
De gros volumes
Problmes
L'alimentation
4. Grer l'entrept
Base relationnelle
Base spcialise
Base multidimensionnelle
Combinaison des deux
Multiprocesseurs
Mmoire partage, cluster, bus partag, etc.
Le multidimensionnel
Le multidimensionnel
Dimensions:
Temps
Gographie
Produits
Clients
Canaux de ventes.....
Le multidimensionnel
Indicateurs:
Nombre dunits
vendues
CA
Cot
Marge.....
300
15
NumFou
12
Date
10
Cube de donnes
NumPro
2000 250
200
F2
F1
P1
Le multidimensionnel
P2
P3
Variables analyses:
Nb units, CA, marge...
Jours
Gographie
Produits
Le multidimensionnel
Villes
Numros
Mois
Trimestres
Rgions
Types
Annes
Pays
Gammes
Marques
Exemple
Montant des ventes fonction de (Mois, rgion, Produit)
R
gi
on
Produit
Type
Rgion
Anne
Catgorie Pays
Trimestre
Produit
Mois
Ville
Magasin
Mois
Le multidimensionnel
Semaine
Jour
La navigation multidimensionnelle
Projection en 2 dimensions
Produits
Coupe d un cube
Produits
pour une rgion donne
CA
CA
Rgion
Temps en semaines
CA
Temps en mois
Le multidimensionnel
Est
Lyon
Sud
Ouest
Marseille
Nice
Semaine Mois
Drill down :
Mois Semaine
Slice et Dice:
Pivot :
(Rgion,Produit)(Rgion, Mois)
Le multidimensionnel
NumFou
Date
Extension de SQL
ROLLUP:
Implmentation
CUBE:
Cre 2n combinaisons
d'agrgats, n tant le
nombre de colonne de
groupage
n, n-1, n-2,0 colonnes
Exemple CUBE
Animal
Chien
Chat
Tortue
Chien
Chat
Chien
Tortue
Lieu
Paris
Paris
Rome
Rome
Naples
Naples
Naples
Quantite
12
18
4
14
9
5
1
Animal
Chat
Chat
Chat
Chien
Chien
Chien
Chien
Tortue
Tortue
Tortue
Lieu
Paris
Naples
Paris
Naples
Rome
Naples
Rome
Paris
Naples
Rome
Quantite
18
9
27
12
5
14
31
1
4
5
63
30
15
18
Exemple ROLLUP
Animal
Chien
Chat
Tortue
Chien
Chat
Chien
Tortue
Lieu
Paris
Paris
Rome
Rome
Naples
Naples
Naples
Quantite
12
18
4
14
9
5
1
Animal
Chat
Chat
Chat
Chien
Chien
Chien
Chien
Tortue
Tortue
Tortue
Lieu
Paris
Naples
Paris
Naples
Rome
Naples
Rome
Quantite
18
9
27
12
5
14
31
1
4
5
63
Business Object
Implmentation
BusinessQuery = Requtage
BusinessObject = Requtage
+ Analyse + Reporting
WebIntelligence = Datacube
Cognos
Impromptu = Reporting
Powerplay = Datacube
Query = Requtage
Hyperion
6. Le march du BI
BI= Business Intelligence
Conclusion
Datamart
Datamining
Datacube
Datawebhouse
Conclusion