Informatique Décisionnelle (29847)

Télécharger au format pptx, pdf ou txt
Télécharger au format pptx, pdf ou txt
Vous êtes sur la page 1sur 98

Business

Intelligence
Informatique Décisionnelle
MHL2
2021-2022
Ahmed
ZELLOU
Ahmed.zellou
@um6p.ma
Business Intelligence, @A. ZELLOU
Business Intelligence, @A. ZELLOU
Plan
 Système d’information

 Intégration

 Informatique décisionnelle
 OLTP vs OLAP

 Data Warehouse
 ETL

 Data mart
 Modèles multidimensionnels

 Opérations OLAP

Business Intelligence, @A. ZELLOU


Contexte
 Le nombre de sources utilisées dans différents systèmes
d’informations d’information est devenu
important.
 L’information n’est plus disponible à partir d’un seul endroit.

 Selon une étude menée par IBM : « pour 1 dollar américain dépensé pour une
application packagée, 5 à 9 dollars sont dépensés pour assurer son intégration ».
[IBM 2017]

 79% des entreprises ont plus de deux sources d’information et 25 % plus de


quinze [IBM]

Business Intelligence, @A. ZELLOU


Le SI d’aujourd’hui : Règle ou Exception ???

Business Intelligence, @A. ZELLOU


Exemple
Prenant par exemple, le domaine de la chaine logistique

 Besoin d’avoir une vision globale de la chaine logistique


(Usine, entrepôts, distribution, transports) et des acteurs
(Fournisseurs, producteurs, transporteurs…)

 S1 : dépôts régionaux

 S2 : produits

 S3 : clients et consommateurs
S1 S2 S3 S4
 S4 : transporteurs

Business Intelligence, @A. ZELLOU


L’intégration
 Offrir aux utilisateurs un accès uniforme aux
informations dispersées dans plusieurs sources
d’information hétérogènes. Système d’intégration

 Donner à l’utilisateur l’illusion qu’il accède à


Information
une seule source de données [Levy 1995]. partielle

 Environ 75% des entreprises américaines sont S1 S2 S3 S4

équipées d’un système d’intégration. [IDC


International Data Corporation].

Business Intelligence, @A. ZELLOU


Types d’intégration
 Manuelle : Pénible, nécessite une connaissance de la
conception, nécessite une maitrise de plusieurs systèmes et
langages de requêtes, risque d’erreurs.

 Par fusion : temps de mise en œuvre important, moyen


humain et financier considérable, pas de garantie du
résultat.

 Par Interface Commune : maitriser plusieurs interfaces,


résultats à intégrer manuellement.

 Par application : Plusieurs technologies.

 Intégration physique [Inmon 1994].


Business Intelligence, @A. ZELLOU
Intégration physique
 Approche utilisable en business Intelligence ou en Informatique décisionnelle (Aide à la
décision)

Domaines d’application
 Analyse des ventes,

 Segmentation des clientes,

 Optimisation de la gestion du stock,

 Optimisation des attribution des tâches,

 …

Business Intelligence, @A. ZELLOU


Informatique décisionnelle
Informatique décisionnelle (BI)
L’ensemble des outils, moyens et méthodes pour collecter, adapter, stocker, intégrer et restituer
les informations pour aider à la prise de décision.

Deux composants majeurs : Data Warehouse et ETL.

Business Intelligence, @A. ZELLOU


Définition d’un système décisionnel
 Un système décisionnel est un ensemble de données organisées de
façon thématique, accessibles et appropriées à la prise de décision.
 La finalité d'un système décisionnel est le pilotage d'entreprise.

 Les systèmes de gestion sont dédiés aux métiers de l'entreprise.

 Les systèmes décisionnels sont dédiés au pilotage de l'entreprise.

Business Intelligence, @A. ZELLOU


Les systèmes décisionnels
 Le terme décisionnel « Business Intelligence » couvre l'ensemble des technologies
permettant en bout de chaîne d'apporter une aide à la décision.
 Un système capable d'agréger les données internes ou externes et de
les transformer en information servant à une prise de décision rapide.
 Un système capable de répondre à certains types de questions:
 Quel type d’analyse sont les plus demandées ?

 Quelles sont les médicaments les plus vendus pendant le trimestre A de l'année B pour la
tranche d'âge C ?

 Est-ce qu’un shift de 6h offrira un meilleur rendement qu’un shift de 7h ?

Business Intelligence, @A. ZELLOU


Exemple Pratique
 Données :

 Points d’installation, géographiques, démographiques, …

 Informations :

 I vit dans R, I est âgé de A, …

 Connaissances :

 Dans la zone X, la maladie Y est plus répandue en même temps que la Z

 Décisions

 Donner le traitement Y & Z dans R pour les patients plus âgés que A, ...

Business Intelligence, @A. ZELLOU


Systèmes décisionnels : domaines d’application
 Gestion de la relation client (CRM).

 Contrôle de gestion : analyse des coûts, analyse de la rentabilité, élaboration


budgétaire, …
 Direction marketing : ciblage, pilotage de gamme, prévisions des
ventes, l’optimisation des territoires, …
 Ressources humaines : gestion des carrières, affectation de tâches, ...

 Production : gestion de la chaine de production, prévision des stocks, gestion


des flux, fiabilité industrielle, gestion de qualité, …

 …

Business Intelligence, @A. ZELLOU


Problématique
 Grande masse de données
 Distribuée
 Hétérogène
 Très Détaillée

 Traitements
 Synthétiser / Résumer
 Visualiser
 Analyser

 Utilisateurs
 Experts et Analystes d'un
métier
 Non informaticiens
 Non statisticiens
Business Intelligence, @A. ZELLOU
Exploitation des données pour le décisionnel
Les données agrégées dans un système décisionnel servent à trois grandes catégories
d'usage :

 L'exploration manuelle

 Le reporting (production des rapports)

 L'analyse de données (descriptive ou prédictive)

Business Intelligence, @A. ZELLOU


Exploration manuelle
 Explorer les données de façon peu dirigée (heuristique) afin de trouver
des réponses à des questions que l'on ne s'est pas posées (sérendipité).
 Utilise des outils de manipulation (IHM) pour visualiser les données.

 Répondre graphiquement à des requêtes dynamiques produites par des utilisateurs


experts.

Business Intelligence, @A. ZELLOU


Exploration par Reporting
 Agrège et synthétise des données nombreuses et complexes sous forme
d'indicateurs, de tableaux, de graphiques offrant une appréhension globale et
simplifiée.
 S'appuie sur des agrégats (GROUP BY) pour faire apparaître des comptages,
sommes, moyennes, ...

Business Intelligence, @A. ZELLOU


Exploration par Analyse de données
Mettre en évidence des tendances des données ou corrélations entre les données non
évidentes a priori.
 En analyse descriptive, chercher une information statistique "cachée" que l'on ne
connaît pas a priori.
 En analyse prédictive, réaliser un modèle statistique des corrélations entre les
données à partir d'échantillons d'apprentissage
Appliquer le modèle à des données nouvelles pour

prédire leur comportement.

Business Intelligence, @A. ZELLOU


Limites des systèmes décisionnels 1/2
Perception Humaine : La décision intègre des évaluations humaines qui la replacent
dans sa réalité, qui est restée complexe.

 Le modèle ou l'indicateur n'est pas la réalité, s'en est une représentation.

 La décision ne s'applique pas à une représentation, mais à la réalité.

Représentativité des données : Les données produitesn’intègrent pas toutes


les dimensions d'une organisation et de son environnement.
 L’organisation est multi facettes

Business Intelligence, @A. ZELLOU


Limites des systèmes décisionnels 2/2
Résultats non déterministes : Les résultats produits par les systèmes décisionnels sont
issus des conceptions informatiques et mathématiques complexes, qui peuvent receler
des erreurs.
 La possibilité d'une erreur ou d'une approximation inadaptée
devra toujours être prise en compte dans les décisions.

Business Intelligence, @A. ZELLOU


Architecture d'un système décisionnel
Tout système décisionnel est architecturé généralement de la même façon :
 En amont un accès au système transactionnel en lecture seule.

 Un DW fusionnant les données requises.

 Un ETL pour alimenter le DW à partir des données existantes

 Des applications d'exploitation de reporting, exploration et/ou prédiction.

Business Intelligence, @A. ZELLOU


Architecture d'un système décisionnel

Business Intelligence, @A. ZELLOU


Architecture d'un système décisionnel

Business Intelligence, @A. ZELLOU


OLTP vs
OLAP
Applications transactionnelles v.s Applications décisionnelles
 OLTP (On Line Transaction Processing)
 Applications transactionnelles constituées de traitements processuel

 OLAP (On Line Analytical Processing)


 Applications d'aide à la décision constituées
d’indicateurs

Business Intelligence, @A. ZELLOU


Applications transactionnelles OLTP
1/2
 Traite en temps réel les transactions d'une entreprise (beaucoup de mouvements,
informations détaillées)
 Contient des structures de données optimisées pour les
entrées et les modifications

 Fournit des fonctionnalités limitées d'aide à la décision.

Exemples de système OLTP


 Point de ventes, suivi des réclamations, fonctions bancaires, service clientèle,…

Business Intelligence, @A. ZELLOU


Applications transactionnelles OLTP 2/2
Concepts: forme normale, clé primaire, clé étrangère, contrainte d’intégrité
référentielle, contraintes d’intégrité fonctionnelle

 Informations dans les bases de données relationnelles

 Mises à jour en ligne

 Conception orientée processus

 Ensemble des transactions

 Effort: analyse, conception, développement

Business Intelligence, @A. ZELLOU


Applications décisionnelles OLAP
1/2  Traite des informations synthétiques
 Traite des requêtes à plusieurs niveaux d’agrégation

Exemples de système OLAP

 Lancer des promotion, de la masse salariale, retardement du


réduction lacement d’un
médicament,…

Business Intelligence, @A. ZELLOU


Applications décisionnelles OLAP
2/2
Concepts : agrégats, données consolidées
 Conception orientée métier
 Suivi des indicateurs, notion d’alerte

 Effort: extraction des données, nettoyage,

mise en place des rapports,

implémentation des graphiques,…

Business Intelligence, @A. ZELLOU


Comparaison
OLTP OLAP
Données Repose sur SGBD traditionnels Repose sur entrepôt de données
Qualité des données Données détaillées et organisées Données non organisées
Tables Normalisées (3NF) Non normalisées
Utilisation Implémentation des processus Analyse des données pour prise de décision
Conception de la base Normalisée pour l’efficacité Dé-normalisée pour l’analyse
Intégrité Ne peut pas être ignorée Peut être ignorée
Opération Lecture / écriture, CRUD Lecture, écriture rarement
Requêtes Simples Complexes
Vue des données Monodimensionnelle Multidimensionnelle
Updates Mises à jour courtes et rapides Mises à jour par lots, long planifiés
Transactions Courtes et rapides Plus longues
Fréquence des Transactions Faible Forte

Business Intelligence, @A. ZELLOU


Comparaison

OLTP OLAP
Backup Fréquent, complet et obligatoire De temps en temps, moins nécessaire
Espace de stockage Petit Large
Temps de réponse En millisecondes De secondes à minutes
Audience Orienté March Orienté Client
type d’utilisateur DBA Manager
Nombre d’utilisateurs Milliers Centaines

Business Intelligence, @A. ZELLOU


Incompatibilités des deux activités
 Les deux activités (OLTP & OLAP) ne peuvent co-exister dans le même
système : leurs objectifs de performance sont exactement opposés:
 Les requêtes complexes et lourdes dégradent les performances
des systèmes transactionnels,

 Les données temporelles sont réparties entre données actuelles et données archivées,
rendant la vue historique des données très difficile ou impossible,

 Le support efficace d’une activité OLAP nécessite la constitution d’un système


d’information propre au décisionnel : Le Datawarehouse

Business Intelligence, @A. ZELLOU


Data
Warehouse
DateWarehouse
« une collection de données, intégrées, non volatiles, historiées et organisées pour
supporter un processus d’aide à la décision pour la prise de décisions » [Inmon 1994].
 Bill Immon le écrit dans son livre "Building the Data Warehouse" (Subject oriented,
integrated, nonvolatile, time variant collection of data in support of management
decisions).

 une base de données spécifique aux besoins décisionnels.

 organisée de façon à assurer la stabilité contextuelle des données selon les sujets de
l'entreprise.

 gère l'historisation des données structurées.

 alimenté en données depuis les bases de production grâce aux outils d'ETL.

Business Intelligence, @A. ZELLOU


DateWarehouse
« une collection de données, intégrées, non volatiles, historiées et organisées pour
supporter un processus d’aide à la décision pour la prise de décisions » [Inmon 1994].
 Une approche qui vise à donner aux utilisateurs un support d’aide à la décision : des
indicateurs PKI, des graphiques de tendances, les rapports d’analyse, etc.

 Il propose des modèles d'étude et de prospective pour limiter la part d'incertitude lors du
processus de prise de décision.

 Les utilisateurs : analystes et décideurs

 Ils accèdent aux données collectées et mises en forme pour étudier des cas de réflexion.

Business Intelligence, @A. ZELLOU


Les fonctions d’un DW
 Récupérer les données existantes des différentes sources.

 Référencer les données de manière uniforme.

 Stocker les données (notamment historisées).

 Mettre à disposition les données pour .


 Interrogation

 Visualisation

 Analyse

Business Intelligence, @A. ZELLOU


Data Warehouse : Les 5 caractéristiques du Data Warehouse :
 Orienté sujet

 Données organisées par thème : vente, achat, distribution, …

 Données utiles seulement à la prise de décision.

 Intégré

 Données proviennent de sources hétérogènes, structurées et codées différemment.

 L'intégration permet d'avoir une représentation uniforme, cohérente et transparente.

 Non volatile (Read-Only)

 Les données ne disparaissent pas et ne changent pas dans le temps

Business Intelligence, @A. ZELLOU


Data Warehouse : Les 5 caractéristiques du Data Warehouse :
 Données Horodatées

 données "anciennes", datant de plusieurs années, utilisées pour des comparaisons.

 On peut visualiser l'évolution des données dans le temps

 Degré de détail relatif à la nature des données.

 Toutes les données ne méritent pas d'être archivées.

Business Intelligence, @A. ZELLOU


Processus :
 Regrouper les données sources

 Concevoir le schéma de l'entrepôt

 Remplir l'entrepôt

 Maintenir l'entrepôt

Business Intelligence, @A. ZELLOU


ETL
ETL
 Extract-Transform-Load, extracto-chargeur ou datapumping.

 Une technologie informatique permettant d'effectuer une


synchronisation massive d'information d'une base de données vers une autre.
 Utilisable principalement en data warehouse pour synchroniser ces données avec
les données du systèmes d’information.
 Plusieurs fonctionnalités :

 Extraction, transformation, constitution, conversion et alimentation.

Business Intelligence, @A. ZELLOU


Alimentation d’un ED - processus :
4 étapes :

 Sélection des données sources

 Extraction des données

 Nettoyage et Transformation

 Chargement

Etapes 1 et 2 : Jusqu'a 80 % du temps de développement d'un entrepôt


 Outil : Oracle Warehouse Builder (OWB)

Business Intelligence, @A. ZELLOU


Extraction des données
Un extracteur (Wrapper) est associe à chaque source de données

 Sélection et extraction des données

 Formatage des données dans un format cible commun, en général le modèle


Relationnel.

 Utilisation d'interfaces comme ODB, OCI, JDBC

Business Intelligence, @A. ZELLOU


Nettoyage et Transformation des données
Objectifs du nettoyage :

 Résolution des problèmes de consistance des données au sein de chaque source

 Remarques :
 une centaine de type d'inconsistances ont été répertoriées

 5 a 30 % des données des BD commerciales sont erronées

Business Intelligence, @A. ZELLOU


Types d'inconsistances
 Présence de données fausses des leur saisie
 fautes de frappe

 différents formats dans une même colonne

 texte masquant de l'information (e.g., "N/A")

 valeur nulle

 Incompatibilité entre la valeur et la description de la colonne

 duplication d'information, ...

 Persistance de données obsolètes

Business Intelligence, @A. ZELLOU


Nettoyage des données
 Fonctions de normalisation

 Fonctions de conversion

 Usage de dictionnaires de synonymes ou d'abréviations

 Utilisation d'expressions régulières, suppression de doublons, de valeur nulle, ...

 Définition de table de règles.

 Fonctions d'analyse

Business Intelligence, @A. ZELLOU


Transformation
Objectif : suppression des incohérences sémantiques entre les sources, problématique
lors de l'intégration :

 des schémas

 des données

Business Intelligence, @A. ZELLOU


Modélisation DW
Conception du Datawarehouse
 Modélisation d’un Datawarehouse
 Modélisation relationnelle

 Adaptation du modèle relationnel

 Modélisation multidimensionnelle

 Modèle en étoile
 Modèle en flocon de neige
 Modèle en constellation

 Description des modèles OLAP

 Notions fondamentales sur les cubes OLAP

Business Intelligence, @A. ZELLOU


Modélisation relationnelle
Diagrammes Entités-Relations (E/R)
 Permettent aux concepteurs de représenter visuellement la structure
et le contexte de la base de données

 Représentent des:
 Entités (nom, attributs, clé primaire)

 Relations entre les entités (base des jointures utilisées entre les tables)

 Cardinalités des relations (un à un, un à plusieurs, plusieurs à plusieurs, zéro à un)

Business Intelligence, @A. ZELLOU


Modèle relationnel - Exemple

Business Intelligence, @A. ZELLOU


Modélisation d’un DW : Adaptation du modèle relationnel
 Extension du formalisme classique de représentation E/R
 Modélisation des données agrégées

 Gestion des données historiées

 Dénormalisation du modèle
 Approche pragmatique: analyse précise des besoins des utilisateurs
 Pré-calcul de certains agrégats

 Résultat adaptation
 Chaque table est associée à un sujet d’intérêt
 Le modèle présente un certain nombre d’informations agrégées
 Modèle moins complexe plus simple que le normalisé
 Nombre de tables diminue mais volume des tables augmente

Business Intelligence, @A. ZELLOU


Modélisation multidimensionnelle

Modélisation

• Relationnelle • Multidimensionnelle

• Tables • Dimensions
Différentes
• Relations formes • Mesures
de stockage des • Cubes
• Jointures données
• Hiérarchies

Business Intelligence, @A. ZELLOU


1. Modèle en étoile
 Se caractérise par une table de faits centrale entourée de plusieurs
tables de dimension :
 Une table de faits contient des mesures qui décrivent des événements propres à l'entreprise. Elle
peut également contenir des données agrégées.

Business Intelligence, @A. ZELLOU


Les faits
 Exemple de fait : quantité vendue, chiffre d’affaire, coût, nombre de clients, nombre
d’appels

 Fait additif: quantité vendue, chiffre d’affaire, coût

 Fait semi additif:


 niveau de stock, niveau de solde (valeurs instantanées)

 nombre de transactions, de clients (excepté sur la dimension produit)

 Fait non additif: marge, prix, …

Business Intelligence, @A. ZELLOU


Schéma en étoile - Exemple

Business Intelligence, @A. ZELLOU


Composants de la table des faits
 Mesures : Une mesure est une colonne numérique, quantitative, de la table
de faits.
 Les mesures représentent les valeurs analysées (KPI), ex : quantités vendues.

 Clés étrangères : Une clé étrangère est la représentation de la


clé principale d'une dimension dans une table de faits.
 Les clés assurent l'identification unique de chaque enregistrement de la
table de faits.
 Exemple : ID-Temps, ID-Client, ID-Ville, ID-Produit.

Business Intelligence, @A. ZELLOU


2. Modèle en flocon
 Il présente des données hiérarchisées: dans chaque dimension, on organise les
données en une ou plusieurs hiérarchies.
 La création de hiérarchies de données permet aux utilisateurs de visualiser les
données sous forme détaillée et résumée.
Sous-Catégorie
Produit Catégorie
ID-SousCatégorie
Dim-
ID-Produit Produit
ID-Catégorie
Nom-SousCatégorie
Nom-Produit Nom-Catégorie
Responsable
Prix
ID-Catégorie
ID-
SousCatégori
e
Business Intelligence, @A. ZELLOU
Modèle en flocon - Exemple

Business Intelligence, @A. ZELLOU


3. Modèle en constellation
 La modélisation en constellation consiste à fusionner plusieurs modèles en étoile
qui utilisent des dimensions communes.
 Le modèle en constellation comprend plusieurs tables de faits.

 Le modèle en constellation comprend plusieurs tables de dimensions communes ou


non à ces tables de faits.

 Plusieurs modèles en étoile liés entre eux par des dimensions communes.

Business Intelligence, @A. ZELLOU


Modèle en constellation - Exemple

Dimension
Fournisseur

ID Fournisseur

Nom Fournisseur

Catégorie
Fait Achat

ID Temps

ID Fournisseur

ID Produit

Qte Achetée

Montant Total

Business Intelligence, @A. ZELLOU


Approches de modélisation
Il existe 3 types d’approches : Approche haut-bas, bas-haut ou une combinaison des deux
:

 Haut-bas (Descendant ) : débuter par le planning et la conception du modèle (mature)

 Bas-haut (Ascendant ) : débuter par des essais et des prototypes (rapide).

 Hybride : mélanger l’usage des deux approches

Business Intelligence, @A. ZELLOU


Approches de modélisation
Du point de vue de l’ingénierie du logiciel ceci consiste à appliquer les modèles de cycle
de vie suivants :
 Cascade : analyse structurée et systématique lors de chaque étape avant de passer à la
suivante.
 Spirale : génération rapide de systèmes fonctionnels croissants; modifications rapides
et adaptation du modèle facile

Business Intelligence, @A. ZELLOU


Approches de modélisation
Le Processus de conception d’un entrepôt de données inclut les étapes suivantes
 Choix du processus à modéliser, ex : consultation, opération, achat, hébergement, …

 Étude de l’existant : SI, data, input et output, algorithme, …

 Identification et Analyse de KPI

 Choix des dimensions pour chaque table de faits

 Choix des mesures stockées dans les tables de faits

Business Intelligence, @A. ZELLOU


Datamart
Data mart 1/3
 Un entrepôt de données ne met pas l’information à disposition de l’utilisateur
d’une façon basique.
 Il faut adjoindre à l’entrepôt un Data mart, dont le rôle est de traiter l’information
pour la rendre exploitable par un corps métier de l’entreprise
 Adapter la donnée à l’utilisateur.

 Mettre la donnée au service de l’analyse décisionnelle

 Équiper chaque métier de son Data mart

Business Intelligence, @A. ZELLOU


Data mart 2/3
Définition : « un sous-ensemble de données dérivées du DW ciblé sur un sujet
unique».

Caractéristiques :
 Orienté vers un sujet unique : Exemple : comportement des patients (clientèle).

 Données fortement agrégées : Le DW joue le rôle de source pour le Datamart.

 Organisation multidimensionnelle (cubique) : Dont l'une des dimensions indique


souvent le temps.

 Lien dynamique avec le DW : Association entre valeur agrégée et valeur détaillée

Business Intelligence, @A. ZELLOU


Data mart 3/3
Un data warehouse et un data mart se distinguent par le spectre qu'il recouvre :
 Un data mart est un sous-ensemble du data warehouse de l'entreprise, obtenu par
extraction et agrégation des données de celui-ci.
 Le data warehouse recouvre l'ensemble des données et problématiques d'analyse
visées par l'entreprise.
 Le data mart recouvre une partie des données et problématiques liées à un métier
ou un sujet d'analyse en particulier.

Business Intelligence, @A. ZELLOU


Data mart Vs Datawarehouse

Caractéristique Entrepot Data Mart


Utilisateur Top décideur département/service
Echelle du modèle de données entreprise département
champs appplicatifs multi-sujet quelques sujets
Source de données multiples une à deux sources
Stockage plusieurs BD distribuées une seule BD
Taille très grande moyenne à grande
Temps de mise en place important réduit
Cout important moins important
Matériel sophistiqué petit serveur

Business Intelligence, @A. ZELLOU


Cube OLAP
Analyse multidimensionnelle
 Objectif : obtenir des informations déjà̀ agrégées selon les besoins de l’utilisateur :
simplicité́ et rapidité́ d’accès.
 HyperCube OLAP : représentation de l’information dans un hypercube
à N dimensions.
 OLAP (On-Line Analytical Processing) : fonctionnalités qui servent à
faciliter l’analyse multidimensionnelle : opérations réalisables sur l’hypercube

Business Intelligence, @A. ZELLOU


Composants de base de données OLAP
Les bases de données OLAP contiennent les composants suivants:
 Mesures numériques
Les mesures sont des valeurs ou des faits analysés par les utilisateurs. Les mesures d'un cube doivent
provenir de la table de faits définie dans la base de données source.

 Dimensions
Les dimensions représentent des catégories qui fournissent un contexte aux mesures numériques. Elles sont
l'équivalent logique des dimensions du schéma en étoile.

 Cubes
Les cubes associent toutes les dimensions et toutes les mesures dans un modèle conceptuel. Ils fonctionnent
comme un support de stockage logique pour une base de données OLAP.

Business Intelligence, @A. ZELLOU


Cube OLAP
 Chaque cellule du cube contient une valeur, tout comme une feuille de calcul.

 La valeur de chaque cellule correspond à une intersection des dimensions.

Business Intelligence, @A. ZELLOU


Navigation dans le cube

 Les dimensions permettent de:


 Découper: sélectionne un seul membre de la dimension (par exemple, se concentrer sur un seul
produit)

 Quadriller: placer plusieurs membres d'une dimension sur un axe, puis placer plusieurs membres
d'une autre dimension sur un autre axe. Voir la relation entre les membres de différentes dimensions.

Atlanta Sales
Fact
Chicago
Denver Grapes
Cherries
Dallas Melons
Apples
Q1 Q2 Q3 Q4
Dimension Time

Business Intelligence, @A. ZELLOU


Modélisation cubique (hiérarchique)

Business Intelligence, @A. ZELLOU


Modélisation cubique (hiérarchique)
Modélisation Hiérarchique
NB
Cas
COVID

Modélisation Tabulaire Rabat


5-18 19-30

2020
suppo rte pas les s
Tranche Age 2020
donnée creuses
NB Cas de 5 à 18 de 19 à 30 de 31 à 40
2021 2021
COVID
31-40
Ville Année Année Année
2020 2021 2020 2021 2020 2021 2020
Rabat 30 36 33 32 46 43
Casa 36 36 23 49 53 2021
Ne supporte pas les
Fes 20 données
26 23 creuses
22
Casa Fes

5-18 19-30 31-40 5-18 19-30

2020 2020 2020 2020 2020

2021 2021 2021 2021

Business Intelligence, @A. ZELLOU


Navigation dans le cube

 Les hiérarchies permettent de:


 Descendre/Monter : Afficher par raffinement
d’hiérarchie.

Business Intelligence, @A. ZELLOU


Opérations de restructuration : Rotate / Pivot
 Rotate/pivot : effectue une rotation autour dʼun de ses 3 axes passant par le centre de 2
faces opposées, de façon à présenter un ensemble de faces différent (sélection de faces).

Business Intelligence, @A. ZELLOU


Opérations de restructuration : Switch
 Switch ou permutation : consiste à interchanger la position des membres
dʼune dimension :

Business Intelligence, @A. ZELLOU


Opérations de restructuration : Split
 Split ou division : consiste à présenter chaque tranche du cube et de passer de sa
présentation tridimensionnelle à sa présentation sous forme d’un ensemble de tables

Business Intelligence, @A. ZELLOU


Opérations de restructuration : Nest ou Emboîtement
 Permet dʼimbriquer des membres à partir du cube.

 Permet de grouper sur une même représentation bi-dimensionnelle toutes les informations (mesures et
membres) d’un cube quelque soit le nombre de ses dimensions.

Business Intelligence, @A. ZELLOU


Opérations de restructuration : Push ou Enfoncement
 Consiste à combiner les membres d’une dimension aux mesures du cube.
 Faire passer des membres comme contenu de cellules.

Business Intelligence, @A. ZELLOU


Opérations ensemblistes : Slice et Dice

Business Intelligence, @A. ZELLOU


Opérations ensemblistes : Slice et Dice

Business Intelligence, @A. ZELLOU


Opérations ensemblistes : Slide (projection)

Business Intelligence, @A. ZELLOU


Opérations ensemblistes : Dice (sélection)

Business Intelligence, @A. ZELLOU


Opérations ensemblistes : Drill-across (Jointure)

Business Intelligence, @A. ZELLOU


Opérations ensemblistes : Union

Business Intelligence, @A. ZELLOU


Opérations OLAP : Slicing

Business Intelligence, @A. ZELLOU


Opérations OLAP : Scoping

Business Intelligence, @A. ZELLOU


Connexion à un cube OLAP

 Pour bien comprendre la puissance de la technologie OLAP, vous devez


observer une application cliente qui se connecte à un cube OLAP

Exemple:
 Les graphiques et tableaux croisés dynamiques

 Microsoft Excel, PivotTables®, PivotCharts®, IBM® SPSS® Statistics,..

Business Intelligence, @A. ZELLOU


Conseils de conception des cubes OLAP :
 Architecture client-serveur pour un accès concurrent
 Accessibilité des données à partir des sources hétérogènes
 Extraction d’un maximum de critère pour une Modélisation multidimensionnelle
 Nombre illimité de dimensions et de niveaux d’agrégation
 Accès rapide pour aux données agrégées
 Structuration hiérarchique pour gérer les matrices creuses
 Normalisation pour un traitement uniforme de toutes les dimensions
 Approche Multi-utilisateurs par privilèges pour assurer la confidentialité
 Manipulation intuitive des données pour des résultats métiers
 Flexibilité dans l’édition de rapports (tableau, graphes, couleurs)

Business Intelligence, @A. ZELLOU


Conclusion
 Intégration physique
 Approche utilisable en business Intelligence ou en Informatique décisionnelle
(Aide à la décision)
 Informatique décisionnelle (BI)
 L’ensemble des outils, moyens et méthodes pour collecter, adapter, stocker,
intégrer et restituer les informations pour aider à la prise de décision
 OLTP (On Line Transaction Processing)
 Applications transactionnelles constituées de traitements processuel
 OLAP (On Line Analytical Processing)
 Applications d'aide à la décision constituées

Business Intelligence, @A. ZELLOU


Conclusion
 DateWarehouse
 « une collection de données, intégrées, non volatiles, historiées et organisées
pour supporter un processus d’aide à la décision pour la prise de décisions »
[Inmon 1994].
 ETL
 Une technologie informatique permettant d'effectuer une
synchronisation massive d'information du systèmes d’information et le data
warehouse.
 Plusieurs types de modélisation multidimensionnelle
 En étoile, en flocon de neige et en constellation
 Data Mart
 Un sous-ensemble de données dérivées du DW ciblé sur un sujet particulier.
Business Intelligence, @A. ZELLOU
Business Intelligence, @A. ZELLOU
Fin

Vous aimerez peut-être aussi