chp3 140227090832 Phpapp01

1
Institut National des Sciences Appliquées et de Technologie
Business Intelligence
Chp3 – Modélisation des Données Décisionnelles
Dr. Lilia SFAXI

GL5 - 2013-2014
2
Modélisation des Données
Décisionnelles
 Utilisation de concepts pour :

o Optimiser la restitution de données selon les axes métiers de l’entreprise
o Gérer et visualiser les données de manière rapide et intuitive
o Retrouver et analyser rapidement les données à partir de diverses sources
o Intégrer plusieurs bases de données
o Extraire, grouper, organiser et corréler et transformer les données
 Deux types de modélisations: Entité-Relation et Multidimensionnelle
Business Intelligence 27/02/2014

Modèles de Données 3

4
Plan du Chapitre
 Modélisation Entité-Relation
 Modélisation Multidimensionnelle
 Conception des Data Warehouses : Etapes et Exemple
 Modèles d’un Data Warehouse
 Aspects Fondamentaux de la Modélisation Multidimensionnelle

5
Modélisation CHP3: MODÉLISATION DES
Entité-Relation DONNÉES DÉCISIONNELLES

6
Modélisation Entité-Relation
 Discipline permettant d’éclairer les relations microscopiques entre les données

o Supprimer la redondance des données
o Simplifier le traitement des transactions
o Aider le concepteur dans la répartition des propriétés entre les entités
 Principes
o Notion d’identifiant
o Dépendance fonctionnelle
o Décomposition
o Formes normales

7
Normalisation dans les BDR
 Forme normale :
o Type de relation particulier entre les entités
o Permet d’éviter les anomalies transactionnelles dues à une mauvaise modélisation des
données
o Permet de vérifier la robustesse de la conception des modèles de données pour éviter les
problèmes de redondance et de mise à jour du contexte
 Dans le modèle OLTP, il existe 8 formes normales
o Elles s’emboitent les unes dans les autres
o Le respect d’une FN de niveau supérieur implique le respect des FN des niveaux inférieurs
o On va présenter les 3 premières (les plus utilisées)

8
Première Forme Normale (1FN)
 Relation dont tous les attributs :

o Contiennent une valeur scalaire (les valeurs ne peuvent pas être divisées en plusieurs sous-
valeurs dépendant également individuellement de la clé primaire)
o Contiennent des valeurs non répétitives (le cas contraire consiste à mettre une liste dans un
seul attribut).
o Sont constants dans le temps (utiliser par exemple la date de naissance plutôt que l'âge).
Problème Solution
Produit Fournisseur Produit Fournisseur
Téléviseur Vidéo SA, Hitek LTD Téléviseur Vidéo SA
Téléviseur Hitek LTD

9
Deuxième Forme Normale (2FN)
 Les attributs d'une relation sont divisés en deux groupes :

o Le premier groupe est composé de la clé (une ou plusieurs).
o Le deuxième groupe est composé des autres attributs (éventuellement vides).
 Tout attribut du deuxième groupe ne peut pas dépendre que d'un sous-ensemble
(strict) d'attribut(s) du premier groupe.
o « Un attribut non clé ne dépend pas que d'une partie de la clé »
Problème Solution
Pdt Fournisseur Adresse Produit Fournisseur Fournisseur Adresse
Fournisseur
Télé Vidéo SA 13 rue Midi Télé Vidéo SA Vidéo SA 13 rue Midi
Ecran Vidéo SA 13 rue Midi Ecran Vidéo SA Hitek LTD 25 rue Bond
Télé Hitek LTD 25 rue Bond Télé Hitek LTD

27/02/2014
10
Troisième Forme Normale (3FN)
 Les attributs d'une relation sont divisés en deux groupes :

o Le premier groupe est composé de la clé (une ou plusieurs).
o Le deuxième groupe est composé des autres attributs (éventuellement vides).
 Tout attribut du deuxième groupe ne peut pas dépendre que d'un sous-ensemble
(strict) d'attribut(s) du deuxième groupe.
o « Un attribut non clé ne dépend pas d'un ou plusieurs attributs ne participant pas à la clé ».
Problème Solution
Fournisse Adresse Ville Pays Fournisse Adresse Ville Ville Pays
ur ur
Vidéo SA 13 rue Midi Paris France Paris France
Vidéo SA 13 rue Midi Paris
Hitek LTD 25 rue London England London England
Hitek LTD 25 rue London
Bond Bond
11
Modélisation Entité-Relation
 Le succès du traitement des transactions dans les BDR est essentiellement dû à

l’apport de la modélisation entité/relation
 Exemple
o une
simple recherche dans une table principale d'adresses clients.
o Cette recherche est contrôlée par une clé d'adresse client, qui définit l'unicité de
l'enregistrement et permet une recherche indexée extrêmement rapide.
o Le respect des formes normales fait que cette mise à jour soit faite en une itération, sans
risque d’oublier des enregistrements

12
Limites de la Modélisation E/R
 Modèle complexe
o Plusieurs tables et jointures mises en œuvre
 Risque de dégradation des performances
 Pas de compréhension pour l’utilisateur
 Données historiques difficilement représentées
 Contraire aux objectifs du DW

13
Modélisation
Multidimensionn CHP3: MODÉLISATION DES
DONNÉES DÉCISIONNELLES
elle

14
Modélisation Multidimensionnelle :
Notions de Base
 Méthode de conception logique qui vise à présenter les données sous une forme
standardisée, intuitive et qui permet des accès hautement performants
 Permet de considérer un sujet analysé comme point dans un espace à plusieurs
dimensions
 Les données sont organisées de manière à mettre en évidence:
o Le Sujet  Le Fait
o Les perspectives de l’analyse  La table des dimensions

15
Faits – Table des Faits
 Fait
o Sujet d’analyse
o Grain de mesure de l’activité
o Résultat d’une opération d’agrégation des données
o Exemple: Chiffre d’affaires, nombre de vente, gain, nombre de transaction… en général : une
valeur numérique
o Les mesures sont stockées dans la table des faits
 Table des faits
o Clé composite référencent des clés primaires des tables de dimensions
o Contient les valeurs des mesures et des clefs vers les tables de dimensions  traduit une relation
(n,m) entre les dimensions
o Plusieurs tables de fait dans un DW
o Les faits les plus utiles d’une table des faits sont numériques et additifs
16
 Exemple:
o Fait: Montant des ventes, chaque jour pour chaque produit dans chaque magasin
 A en général plusieurs lignes et peu de colonnes
Table des Faits

Ventes Journalières
Date
Clé Date Magasin
Clé Produit
Dimensions Clé Magasin
Produit Quantité vendue
Montant des ventes Faits

17
Table des Dimensions
Produit
 Contient une clé primaire unique qui correspond à l’un des
composants de la clé multiple de la table des faits Clé Produit
Description produit
 Les tables dimensionnelles sont les points d’entrée de Description marque
l’entrepôt de données Description catégorie
Description type emballage
 Les dimensions Taille emballage
o Thème (ou axe) selon lequel les données sont analysées Poids
Unité de mesure du poids
o En général sous forme textuelle Type de stockage
Type de durée rayon
o Parfois discrète (ensemble limité de valeurs): couleurs, parfums Largeur sur étagère
Hauteur sur étagère
 A en général plusieurs colonnes et peu de lignes Profondeur sur étagère

18
Vue
 Représentation d’une ou plusieurs requêtes de l’utilisateur du SID

o À une requête correspond une et une seule vue
o À une vue peuvent correspondre plusieurs requêtes
 Une vue correspond également à un hyper-cube dont :
o Chaque dimension est décrite par une entité dont le contenu est décrit par l’association de ces entités
o Les propriétés de l’association sont des faits ou mesures
o Les propriétés des entités intervenant dans la vue sont des conditions
 Les combinaisons des conditions sont les coordonnées qui déterminent des valeurs de faits, comme
une combinaison de valeurs numériques peut déterminer la position d’un point dans l’espace
 Un fait n’est pas seulement un élément du résultat de la requête, mais il doit être déterminé par
l’association des conditions

19
Vue
 Exemple 1:
o Requête: Quels sont les frais de déplacement et le kilométrage des commerciaux de la
région nord ayant des véhicules de 10 à 14 CV en avril 2004?
o Vue:
Faits Région
 Frais de déplacement
 Kilométrage
Employé Clé Employé
Nom Clé Véhicule
 Par Employé (fonction) Fonction
Clé Région
 Par Véhicule (puissance) Clé Mois Mois
 Par Région Véhicule Frais de déplacement
Marque Kilométrage
 Par Mois
Puissance

20
Vue
 Exemple 2:
o Requête: Quelles ont été les marges sur les ventes du produit ‘P023’ pour le client Ben Salah
Ahmed à Hammamet durant le mois de Janvier?
Client Région
o Vue:
Nom
 Marge Fonction
 Produit Vue 1
 Client
 Région Produit Marge Mois
 Mois
Nom

21
Vue
 Exemple 3:
o Requête: Quels ont été les revenus sur les ventes de la marque ‘Teams’ en Tunisie durant
l’année 2011?
Marque
o Vue:
 Revenu
Vue 2 Année
 Marque
 Pays Pays Revenu
 Année

22
Vue
 Exemple 4:
o Requête: Quels ont été les quantités vendues de la gamme ‘G006’ durant le Trimestre 2
pour la région du nord ?
Gamme
o Vue:
 Quantité Vue 3 Trimestre
 Gamme
 Trimestre Région Quantité
 Région

23
Domaine et Contexte
 Domaine
o Concerne un utilisateur ou un ensemble cohérent d’utilisateurs
o Implique un vocabulaire commun et une manière commune d’appréhender l’information
 Contexte
o Ensemble de faits et dimensions assemblées selon des critères sémantiques formels de
cohérence
o Caractérisé par une association unique, groupant tous les faits relevés dans les vues

24
Contexte : Activité des Ventes
 En opérant une relation superficielle entre les trois vues des exemples 2, 3 et 4, on
détecte deux sortes d’éléments de rapprochement
o Certaines informations (entités ou faits) se retrouvent dans plusieurs vues
o Certaines entités, appartenant à des vues différentes, sont fonctionnellement liées les unes
aux autres.
o On peut intégrer ces vues en un seul contexte comportant une association porteuse des
faits: Marge, Revenu, Quantité, qui comporte neuf entités distinctes

25
Contexte : Activité des Ventes
 Contexte : Activité des Ventes

Client Région
Année
Vue 1
Trimestre
Produit Marge Mois
Mois Client
Marque
Marge
Vue 2 Année Revenu
Produit Quantité Région
Revenu
Pays
Gamme Pays
Gamme
Marque
Vue 3 Trimestre
Quantité
Région
27/02/2014
26
Hiérarchie
 Élément fondamental dans la structure d’un contexte

 Représente pour l’utilisateur des chemins de consolidation d’indicateurs (faits)
 Chaque niveau est représenté par une entité
 Certaines entités sont rattachées à d’autres par des liens d’appartenance ou de
regroupement hiérarchique
 Certains de ces chemins sont connus (Jour, Mois, Année), d’autres doivent être
repérés par une analyse précise du vocabulaire des utilisateurs
(Produit, Gamme, Marque)

27
Hiérarchie : Activité des Ventes
Mois Trimestre Année

… Temps
Produit Gamme Marque

… Produit
Région Pays
… Territoire
Client Catégorie
… Client
28
Granularité
 Le « grain » d’une dimension est le niveau de sélection le plus fin possible de cette
dimension
o Le grain de la dimension Temps est Mois
o Le grain de la dimension Territoire est Région
 L’intégration de chaque nouvelle vue est donc susceptible de modifier le grain sur
une ou plusieurs dimensions
 Le grain d’un contexte découle de la combinaison des grains de toutes les
dimensions. Il définit le niveau de détail pouvant être obtenu par la requête la plus
sélective et la plus fine possible mettant en jeu toutes les dimensions.

29
Granularité (Exemple)
 Grain du contexte: combinaison Produit-Mois-Client-Région

o S’applique à tous les faits
 Règle: Tous les faits d’un contexte doivent être définis pour le grain de ce contexte
o Si les 3 indicateurs marge, revenu et quantité sont dans le contexte, alors ils ont un sens à
tous les niveaux.
o Exemple: si la marge n’est définie que par Pays et par Mois, alors que les autres le sont par
Région et par Trimestre, il y aurait décalage de grain entre les faits
o Décalage  les faits n’appartiennent pas tous au même contexte  facteur
d’incohérence

30
Grain du contexte Vente
Temps
Année
Client
Trimestre Catégorie
Mois Produit Client

Région
Mois
Client
Marge
Produit Revenu Région
Quantité
Gamme Pays
Marque
Territoire
Produit
31
Modélisation Multidimensionnelle:
Caractéristiques
 Lisibilité
 Performances (chargement + exécution des requêtes)
 Évolutivité
 Redondances envisageables
o Pas de mise à jour en ligne (chargement uniquement)
o Pas de problème d’intégrité des données (contrôles à l’acquisition)
o Privilégier l’accessibilité plutôt que la normalisation
 Requêtes ensemblistes, portant sur de gros volumes de données
o Projections, restrictions, regroupements, agrégations
o Adaptation du modèle pour des requêtes ad-hoc
o Techniques d’optimisation basées sur les chemins d’accès
 Pré-calcul de certains agrégats + dé-normalisation

32
Avantages
 Structure prévisible et standardisée

 Diminution du nombre de tables et de jointures
 Modèle évolutif qui peut être modifié sans peine
o Ajout de nouveaux faits non prévus initialement, à partir du moment où ils sont cohérents
avec la granularité de la table des faits existante
o Ajout de nouvelles dimensions, à partir du moment où une seule valeur de la dimension est
définie pour chaque enregistrement factuel existant
o Ajout d’attributs dimensionnels nouveaux
o Changement de granularité: Décomposition des enregistrements d’une dimension
existante en un niveau de détail plus fin à partir d’une date déterminée

33
Inconvénients
 Tables plus volumineuses
 Fréquence d’accès très variable aux contenus des tables

34
Règles d’Élaboration et d’Intégration
des Vues
 La structure des vues externes se déduit directement des requêtes des

utilisateurs, non des connexions possibles entre les entités
 Dans un domaine, il existe un ou plusieurs sous-ensembles de vues liées entre elles
par des critères de cohérence sémantique et structurelles.  Contextes
 La liste exhaustive des vues n’est jamais figée
 La normalisation du MDD permet d’anticiper et d’intégrer automatiquement dans
chaque contexte le plus grand nombre possible de vues probables d’après la
structure vue connues.
 Entre deux entités intervenant dans une vue, il doit exister un et un seul chemin de
navigation sémantique et ce chemin doit être le plus court possible

35
Démarche de Synthèse des Vues-
Contextes
 Identifier les faits de l’association

 Identifier les liens de dépendance entre les entités
 Regrouper les entités dépendantes dans une même dimension
 Nommer les dimensions
o Les dimensions pour lesquelles on trouve facilement un nom sont dites « Dimensions fortes »
o Celles pour lesquelles on doute du nom associé sont dites « Dimensions douteuses »
 La structure d’une dimension douteuse peut varier à terme

36
Normalisation des Contextes
 Un contexte regroupant un nombre élevé de dimensions a peu de chances de

correspondre à une réalité et serait d’un maniement trop complexe
o En général, le nombre de dimensions d’un contexte varie entre 4 et 12 dimensions
o Au delà de ce nombre, la probabilité de redondance dimensionnelle devient de plus en
plus importante
 Un contexte est dit cohérent lorsque toutes les vues qu’il autorise ont une signification
dans le domaine de l’utilisateur

37
Règles de Normalisation
Dimensionnelle
 Règle 1:
o Il ne doit pas y avoir de dépendance fonctionnelle entre deux entités appartenant à des
dimensions différentes d’un même contexte
o Conséquence: Regroupement des entités dépendantes dans une même dimension
 Exemple: Si les produits sont organisés par région, on doit intégrer l’entité Région
dans la dimension Produit
Id_produit Produit
Produit Id_produit
Id_produit
Id_région Id_produit
Id_mois région
Id_mois Id_client
Id_client Marge
Marge Revenu
Région
Revenu Quantité
Quantité
38
Dimensionnelle
 Règle 2:
o Tous les faits d’un contexte doivent être définis d’une manière cohérente pour toutes les
combinaisons dimensionnelles de ce contexte
o Conséquence: Les faits qui ne sont valables que pour certaines dimensions nécessitent
l’éclatement du contexte
 Exemple:
Mois Id_produit Produit
Id_région Id_produit
Id_mois
La marge des achats ne correspond
Id_client
pas à un client et région. Il faut donc
Marge_ventes
l’intégrer dans un autre contexte
Marge_achats Région
Client
Revenu
Quantité
39
Dimensionnelle
 Règle 3:
o Tous les faits d’un contexte doivent être définis pour le grain de ce contexte
 Le grain d’un contexte découle de la combinaison des grains de toutes les dimensions
 Le grain d’une dimension est le niveau de sélection le plus fin possible de cette dimension
 Règle 4:
o Le graphe de chaque dimension doit être acyclique
o Conséquence: Il faut rompre les cycles
Gamme Marque Gamme Marque Pays
Produit Produit
Id_produit Id_produit
Région Pays Région Pays

40
Forme Dimensionnelle Normale
 Le MDD correspond à un domaine qui se présente sous forme d’une constellation ou

galaxie dans laquelle chaque étoile correspond à un contexte
 Une même entité ou un même fait peut appartenir à plus d’un contexte, à condition
de conserver une définition unique
 Pour ces raisons pratiques, il est préférable de représenter les contextes sous une
forme déconnectée

41
Modèles d’un
Data CHP3: MODÉLISATION DES
Warehouse

42
Modèles d’un DataWarehouse
 Modèle en étoile
 Modèle en flocon de neige
 Modèle en constellation

43
Modèle Étoile
 Une (ou plusieurs) table(s) de faits comprenant une ou plusieurs mesures

 Plusieurs tables de dimension dé-normalisées: descripteurs des dimensions.
 Les tables de dimension n'ont pas de lien entre elles.
 Avantages
o Facilité de navigation.
o Performances : nombre de jointures limité ; gestion des données creuses.
o Gestion des agrégats
 Inconvénients
o Redondances dans les dimensions.
o Alimentation complexe..

44
Modèle en Étoile - Exemple
Produit
Code_pdt Ventes
Description
Couleur Code_produit Magasin
Marque Code_période
Créateur Code_ma
Code_Magasin g
Nom_mag
Ville
Période Unités_vendues Téléphone
Code_per Montant_ventes Manager
Année
Trimestre
Montant_coût
Mois
Jour

45
Modèle en Flocon de Neige
 Dérivé du schéma en étoile où les tables de dimensions sont normalisées

o La table des faits reste inchangée
 Chacune des dimensions est décomposée selon sa (ou ses) hiérarchie(s)
 Exemple : Commune, Département, Région, Pays, Continent
 Utilisé lorsque les tables sont très volumineuses
 Avantages
o Réduction du volume
o Permettre des analyses par pallier (drill down) sur la dimension hiérarchisée
 Inconvénients
o Navigation difficile
o Nombreuses jointures

46
Modèle en Flocon de Neige - Exemple
Marque
Code_marque Produit
Nom
Description
Code_pdt Ventes
Description
Créateur
Couleur Code_produit Magasin
Code_marque Code_période Code_ma
Code_Magasin g
Nom_mag
Ville
Période Unités_vendues Téléphone
Année
Trimestre
Montant_coût
Mois
Jour

47
Constellation
 Fusionner plusieurs modèles en étoile qui utilisent des dimensions communes
 Un modèle en constellation comprend donc :

o Plusieurs tables de faits
o Des tables de dimensions communes ou non à ces tables de faits.

48
Modèle en Constellation - Exemple
Fournisseur Produit
Code_four Achats
Code_pdt Ventes
Description
Nom
Adresse Code_produit Couleur Code_produit Magasin
Marque Code_période
Catégorie Code_période Code_ma
Créateur
Code_fournisseur Code_Magasin g
Nom_mag
Ville
Période Unités_vendues
Unités_achetées Téléphone
Montant_achats Année
Montant_remises Trimestre
Montant_coût
Mois
Jour

49
Synthèse
 Modèle en étoile
o Taille de dimension plus grosse
 Modèle en flocon de neige
o Jointures pour reconstruire
 Modèle en étoile >> Modèle en flocon
o car tables de dimension << tables de fait

50
Aspects
Fondamentaux
de la CHP3: MODÉLISATION DES
Modélisation DONNÉES DÉCISIONNELLES
MultiDimensionn
elle

51
Dimension
 Une dimension peut être définie comme :

o un thème, ou un axe (attributs), selon lequel les données seront analysées.
 Ex : Temps, Découpage administratif, Produits.
 Une dimension contient des membres organisés en hiérarchie :
o Chacun des membres appartient à un niveau hiérarchique (ou niveau de granularité)
particulier
o Ex : pour la dimension Temps: année –semestre – mois – jour

52
Dimensions - Caractéristiques
 Dimension
o Temps, Produit, Géographie, ...
 Niveau : hiérarchisation des dimensions
o Temps : Année, Semestre, Trimestre, Mois, Semaine, ...
o Produit : Rayon, Catégorie, Nature,...
o Géographie : Région, Département, Ville, Magasin, …
 Membres d'un Niveau
o Produit::Rayon : Frais, Surgelé, ... , Liquide
o Produit:: gorie : Frais.Laitage, ... , Liquide.Jus
o Produit:: gorie.Nature : Frais.Laitage.Yaourt, ... , Liquide.Jus.Orange
 Cellule
o Intersection des membres des différentes dimensions
 Formule
o calcul, expression, règle, croisement des dimensions
 Somme(Qte), Somme(Qte*PrixVente), Moyenne(Qte*(PrixVente-PrixAchat)), ...
53
Faits
 Une mesure est un élément de donnée sur lequel portent les analyses, en fonction
des différentes dimensions
o Ex : coût des travaux, nombre d’accidents, ventes
 Un fait représente la valeur d’une mesure, mesurée ou calculée, selon un membre
de chacune des dimensions
 Exemple :
o « 250 000 euros » est un fait qui exprime la valeur de la mesure « coût des travaux » pour le
membre « 2002 » du niveau année de la dimension « temps » et le membre « Versailles » du
niveau « ville » de la dimension « découpage administratif »

54
 Fait additif :
o Additionnable suivant toutes les dimensions
o Exemples: quantité vendue, chiffre d’affaire, coût
 Fait semi-additif :
o Additionnable selon certaines dimensions
o Exemples: Niveau de stock (excepté sur la dimension temps), Nombre de transactions, de clients
(excepté sur la dimension produit)
 Fait non-additif :
o Non additionnable
o Exemple: attribut ratio (marge brute = 1- Coût/CA)

55
Dimension Temps
 tout entrepôt
 Reliée toute table de fait
 2 choix d ’implantation
o Type SQL DATE
o Calendrier + Table Temps
 Informations supplémentaires
 Évènement (match de finale de coupe du monde)
 Jours fériés, vacances, période fiscale,
 saison haute ou basse, …

56
Opérations OLAP
 Drill Up / Drill Down

 Rotate
 Slicing
 Scoping

57
Opérations OLAP - Drill Up/Drill Down

58
Opérations OLAP - Rotate

59
Opérations OLAP - Slicing

60
Opérations OLAP - Scoping

61
Stockage
 ROLAP : Relational OLAP
 MOLAP : Multi-Dimentional OLAP
 HOLAP : Hybrid OLAP
 DOLAP : Desktop OLAP

62
ROLAP (Relational OLAP)
 OLAP relationnel
 Données obtenues à partir de tables relationnelles et de jointures entre celles-ci
 En fonction de la granularité, la requête générée est plus ou moins complexe
 A chaque consultation, la requête est recalculée
o Les résultats ne sont pas stockés
 Langage : SQL
 Avantages
o Faible coût (car tire partie des ressources existantes)
 Inconvénients
o Temps de réponse long car sollicitation de la base à chaque relance d’un rapport

63
MOLAP (Multi-Dimentional OLAP)
 OLAP multi-dimentionnel
 Données stockées dans une base de données multi-dimentionnelle appelée CUBE
o Exemple : Essbase…
 Plus de relationnel!
 Tous les croisements possibles sont précalculés
o Restitution des données instantanée
 Langage : MDX
 Avantages
o Temps de réponse très court (toutes les données et résultats sont stockés)
 Inconvénients
o Coût élevé des licences pour les bases multi-dimentionnelles
o Coût élevé de développement des cubes
o Difficile à mettre en place pour les gros volumes de données, à cause de tous les résultats précompilés

64
HOLAP (Hybrid OLAP)
 Association du ROLAP et du MOLAP

 Concept de Drill-Through
o Accès aux données agrégées avec MOLAP (Cube)
o Accès aux détails avec le ROLAP (tables relationnelles)
 Étapes :
o Données agrégées stockées dans une table multi-dimentionnelle
o Restitution de ces données à partir d’un outil de reporting
 Affichage des données agrégées extraites à partir des tables multi-dimentionnelles
 Affichage des détails des opérations issus des bases relationnelles
 Avantages
o Temps de réponse assez court
o Moins coûteux que MOLAP car moins de développement
 Inconvénients
o Ne pourra pas être utilisé si les rapports sont trop complexes et font trop de croisements de données

65
DOLAP (Desktop OLAP)
 Ce n’est pas une technologie de stockage, mais un mode de fonctionnement.
 Base de donnée OLAP limitée en taille
 Permet à l’utilisateur d’enregistrer une partie de la base de données multi-

dimentionnelle en local

66
H-OLAP
 Nouvelles fonctions pour SQL

o BREAK BY (SAS)
o RANK un agrégat
o TOP / BOTTOM : Requête de type « Top Ten » (les dix meilleurs, les dix moins bons)
o Extension du Group By (SQL99)
 Grouping Sets : Partitionnement selon plusieurs dimensions
 Rollup: réduire progressivement
 Cube : Partitionnement selon tous les sous-ensembles possibles de Grouping Sets
 MS MDX
o Langage d’expression OLAP pour MS SQL Server
o Exemples
 SELECT NON EMPTY {[Time].[1997], [Time].[1998]} ON COLUMNS, [Promotion Media].[Media Type].Members
ON ROWS FROM Sales

67
Conception
d’un Data
Warehouse: CHP3: MODÉLISATION DES
Étapes et
Exemples

68
Conception d’un Data Warehouse
 Étape 1
o Choisir le processus à modéliser
 Étape 2
o Choisir le grain des faits
o Décider de ce que représente une ligne de la table de faits
 Niveau de détail : transactions individuelles, récapitulatifs journaliers, mensuels…
 Étape 3
o Identifier les dimensions qui s’appliquent aux lignes de la table des faits
 Typiquement le temps, le client, le foyer, le produit, magasin, agence, compte…
 Étape 4
o Identifier les mesures de fait qui renseignent la table de faits
 De préférence des quantités numériques additives

69
Exemple : La Distribution
 Processus :
o Comprendre les achats des clients saisis aux Terminaux Points de Vente (TPV)
o Modéliser les ventes au niveau des TPV
 Etape 1 : Le premier modèle dimensionnel
o Doit répondre aux questions les plus pressantes de l’utilisateur
o Ses données doivent être les plus faciles à extraire
o  Quels produits se vendent dans quel magasin, à quel prix, quand, dans quelles
conditions de promotion?

70
 Etape 2 :
o Quel niveau de détail doit être disponible dans le modèle?
o Principe: Obtenir un schéma basé sur les données les plus atomiques
o  Donnée atomique : une ligne individuelle de transaction saisie sur un TPV pour mieux
anticiper les requêtes ad-hoc des utilisateurs

71
 Etape 3 :
o Choix des dimensions
o Principe: l’énoncé précis du grain détermine les dimensions principales
o Les dimensions supplémentaires qui peuvent être ajoutées doivent prendre une valeur unique
pour chaque combinaison de valeurs des dimensions principales
Faits de Transaction TPV Magasin

 Dimensions principales Clé magasin
o Temps Date Clé date Attributs
o Produit
Clé Date Clé Produit
Attributs
Clé Magasin
o Magasin
Clé Promotion Promotion
o Promotion Produit … Clé Promo
Clé Produit Attributs
Attributs
72
Produit
Clé Produit
Description produit
 Etape 3 (Suite): Description marque
Description catégorie
o Dimension Produit Description type emballage
 Attributs obtenus à partir du fichier Produits de l’application opérationnelle Taille emballage
Poids
Unité de mesure du poids
Type de stockage
Type de durée rayon
Largeur sur étagère
Hauteur sur étagère
Profondeur sur étagère
…

73
 Etape 4 : Identifier les faits
o Quantité vendue, montant de la vente en euros, coût standard en euro
o Questions: stocker le bénéfice? La marge brute?
o Principe: pourcentage et ratios sont non-additifs  Ne pas les stocker, mais stocker le numérateur et
dénominateur
Faits de Transaction TPV Magasin

Clé magasin
Date Clé date
Attributs
Clé Date Clé Produit
Attributs Clé Magasin
Clé Promotion
Promotion
Produit Numéro de trans. TPV Clé Promo
Clé Produit Quantité vendue Attributs
Attributs Montant des ventes
Coût
Business Intelligence Bénéfice Brut 27/02/2014
74
Bibliographie
 Supports de Cours
o Karima Tekaya – « Informatique Décisionnelle » - INSAT
o Fatma Baklouti – « Les entrepôts de données (Data Warehouses) » - INSAT
o Didier Donsez – « Conception de Bases Décisionnelles » - Université Joseph Fourier
o E. Grislin-Le Strugeon – « mes d’information cisionnels (Data Warehouse / Data
Mining) » - Université de Valenciennes

chp3 140227090832 Phpapp01

Transféré par

Droits d'auteur :

Formats disponibles

chp3 140227090832 Phpapp01

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

chp3 140227090832 Phpapp01

Transféré par

Droits d'auteur :

Formats disponibles

1

Institut National des Sciences Appliquées et de Technologie

Dr. Lilia SFAXI

 Utilisation de concepts pour :

Business Intelligence 27/02/2014

Business Intelligence 27/02/2014

Business Intelligence 27/02/2014

Modélisation CHP3: MODÉLISATION DES

Entité-Relation DONNÉES DÉCISIONNELLES

Business Intelligence 27/02/2014

 Discipline permettant d’éclairer les relations microscopiques entre les données

Business Intelligence 27/02/2014

Business Intelligence 27/02/2014

 Relation dont tous les attributs :

Business Intelligence 27/02/2014

 Les attributs d'une relation sont divisés en deux groupes :

Télé Hitek LTD 25 rue Bond Télé Hitek LTD

 Les attributs d'une relation sont divisés en deux groupes :

 Le succès du traitement des transactions dans les BDR est essentiellement dû à

Business Intelligence 27/02/2014

Business Intelligence 27/02/2014

Business Intelligence 27/02/2014

Business Intelligence 27/02/2014

Table des Faits

Business Intelligence 27/02/2014

Business Intelligence 27/02/2014

 Représentation d’une ou plusieurs requêtes de l’utilisateur du SID

Business Intelligence 27/02/2014

Business Intelligence 27/02/2014

Business Intelligence 27/02/2014

Business Intelligence 27/02/2014

Business Intelligence 27/02/2014

Business Intelligence 27/02/2014

Business Intelligence 27/02/2014

 Contexte : Activité des Ventes

 Élément fondamental dans la structure d’un contexte

Business Intelligence 27/02/2014

Mois Trimestre Année

Produit Gamme Marque

Business Intelligence 27/02/2014

 Grain du contexte: combinaison Produit-Mois-Client-Région

Business Intelligence 27/02/2014

Mois Produit Client

Business Intelligence 27/02/2014

 Structure prévisible et standardisée

Business Intelligence 27/02/2014

 Tables plus volumineuses

 Fréquence d’accès très variable aux contenus des tables

Business Intelligence 27/02/2014

 La structure des vues externes se déduit directement des requêtes des

Business Intelligence 27/02/2014

 Identifier les faits de l’association

Business Intelligence 27/02/2014

 Un contexte regroupant un nombre élevé de dimensions a peu de chances de

Business Intelligence 27/02/2014

Gamme Marque Gamme Marque Pays

Région Pays Région Pays

Business Intelligence 27/02/2014

 Le MDD correspond à un domaine qui se présente sous forme d’une constellation ou