Informatique Décisionnelle (29847)

Business
Intelligence
Informatique Décisionnelle
MHL2
2021-2022
Ahmed
ZELLOU
Ahmed.zellou
@um6p.ma
Business Intelligence, @A. ZELLOU
Plan
 Système d’information
 Intégration
 Informatique décisionnelle
 OLTP vs OLAP
 Data Warehouse
 ETL
 Data mart
 Modèles multidimensionnels
 Opérations OLAP

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]

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

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

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].

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].

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,
 …

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.

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.

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 ?

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, ...

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, …
 …

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
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)

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.

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, ...

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.

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

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.

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.



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

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,…

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

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,…

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,…

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

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

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

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.

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.

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

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

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.

Processus :
 Regrouper les données sources
 Concevoir le schéma de l'entrepôt
 Remplir l'entrepôt
 Maintenir l'entrepôt

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.

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)

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

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

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

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

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

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

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)

Modèle relationnel - Exemple

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

Modélisation multidimensionnelle
Modélisation
• Relationnelle • Multidimensionnelle
• Tables • Dimensions
Différentes
• Relations formes • Mesures
de stockage des • Cubes
• Jointures données
• Hiérarchies

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.

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, …

Schéma en étoile - Exemple

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.

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
Modèle en flocon - Exemple

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.

Modèle en constellation - Exemple
Dimension
Fournisseur
ID Fournisseur
Nom Fournisseur
Catégorie
Fait Achat
ID Temps
ID Fournisseur
ID Produit
Qte Achetée
Montant Total

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

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

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

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

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

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.

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

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

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.

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.

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

Modélisation cubique (hiérarchique)

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

Navigation dans le cube
 Les hiérarchies permettent de:

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

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).

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

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

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.

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.

Opérations ensemblistes : Slice et Dice

Opérations ensemblistes : Slice et Dice

Opérations ensemblistes : Slide (projection)

Opérations ensemblistes : Dice (sélection)

Opérations ensemblistes : Drill-across (Jointure)

Opérations ensemblistes : Union

Opérations OLAP : Slicing

Opérations OLAP : Scoping

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,..

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)

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

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.
Fin

Informatique Décisionnelle (29847)

Transféré par

Droits d'auteur :

Formats disponibles

Informatique Décisionnelle (29847)

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

Informatique Décisionnelle (29847)

Transféré par

Droits d'auteur :

Formats disponibles

Business

Business Intelligence, @A. ZELLOU

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

Business Intelligence, @A. ZELLOU

Business Intelligence, @A. ZELLOU

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

Business Intelligence, @A. ZELLOU

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

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

équipées d’un système d’intégration. [IDC

Business Intelligence, @A. ZELLOU

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

 Par Interface Commune : maitriser plusieurs interfaces,

 Par application : Plusieurs technologies.

 Intégration physique [Inmon 1994].

 Segmentation des clientes,

 Optimisation de la gestion du stock,

 Optimisation des attribution des tâches,

Business Intelligence, @A. ZELLOU

Deux composants majeurs : Data Warehouse et ETL.

Business Intelligence, @A. ZELLOU

 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

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

Business Intelligence, @A. ZELLOU

 Points d’installation, géographiques, démographiques, …

 I vit dans R, I est âgé de A, …

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

Business Intelligence, @A. ZELLOU

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

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

Business Intelligence, @A. ZELLOU

 Le reporting (production des rapports)

 L'analyse de données (descriptive ou prédictive)

Business Intelligence, @A. ZELLOU

 Répondre graphiquement à des requêtes dynamiques produites par des utilisateurs

Business Intelligence, @A. ZELLOU

Business Intelligence, @A. ZELLOU

prédire leur comportement.

Business Intelligence, @A. ZELLOU

 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

Business Intelligence, @A. ZELLOU

Business Intelligence, @A. ZELLOU

 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

Business Intelligence, @A. ZELLOU

Business Intelligence, @A. ZELLOU

 OLAP (On Line Analytical Processing)

Business Intelligence, @A. ZELLOU

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

Exemples de système OLTP

Business Intelligence, @A. ZELLOU

 Informations dans les bases de données relationnelles

 Mises à jour en ligne