Entrepôt de données Chapitre 3

Cours Entrepôt de données

• Le cours est dispensé par Dr. Salma DAMMAK.
• Le cours est pour la 2ème année GLID.
• Le contact email pour le cours est [email protected].
• L'institut est l'Institut International de Technologie (IIT), une université privée d'Amérique du Nord.

Chapitre 3 : Méthodes de conception d'un entrepôt de données

• But du chapitre : Découvrir les méthodes de conception et renforcer les compétences de modélisation multidimensionnelle.
• Le cours couvre différents aspects de la conception d'un entrepôt de données.
• Les étapes couvertes incluent l'introduction, la méthode ascendante, la méthode descendante et la méthode mixte.

Objectif du cours

• Découvrir les différentes méthodes de conception des entrepôts de données.
• Renforcer les compétences de modélisation multidimensionnelle.

Contenu du cours

• Introduction : Présentation du sujet d'étude et des notions de base.
• Méthode Ascendante : Approche bottom-up pour construire l'entrepôt de données.
• Méthode Descendante : Approche top-down pour la conception de l'entrepôt.
• Méthode Mixte : Approche hybride combinant les avantages des méthodes ascendante et descendante.

Introduction

• Les systèmes décisionnels ont une architecture globale similaire :

  • Accès à une base de données (en lecture seule).
  • Processus ETL pour alimenter l'entrepôt de données à partir des données existantes.
  • Stockage et fusion des données nécessaires dans l'entrepôt de données (DW).
  • Applications de reporting, exploration, et prédiction pour simplifier l'entrepôt de données (DW).

• Pourquoi les systèmes décisionnels/les analyses:

  • Analyse des schémas d'achat de clients (produits vendus ensemble, conditions).
  • Comprendre le comportement des consommateurs (sexe, âge, données socio-économiques, facteurs géographiques).
  • Analyser les ventes en relation avec les implantations des magasins.
  • Prédire les ventes en fonction des données conjoncturelles, gérer les stocks, et les approvisionnements.
  • Contrôler la qualité et analyser les défaillances des chaînes de production (en relation avec les centres de production, les fournisseurs).
  • Le terme ETL (Extraction, Transformation, et Chargement) est utilisé pour les processus de transformation de données qui alimentent le DW.
  • Le DW (Data Warehouse) stocke les données nécessaires, fusionnant celles acquises des sources différentes.

• Présentation des étapes de développement (diagramme en escalier):

  • 1. Étude de l'existant et des besoins.
  • 2. Modélisation du DW.
  • 3. Implémentation du DW.
  • 4. Implémentation des outils d'exploitation.

Définition du DW (Data WareHouse)

• Base de données construite par copie et réorganisation de multiples sources de données.
• Base de données servant de source de données à des applications décisionnelles.
• Aggrégation de nombreuses données de l'entreprise (données intégrées).
• Stockage des données à travers le temps, permettant une analyse historique.
• Optimisation pour la prise de décision.

Introduction : Questions clés pour définir la finalité du DW

• Quelles activités de l'entreprise nécessitent un pilotage ?
• Quels processus de l'entreprise doivent être modélisés ?
• Qui sont les décideurs à cibler ?
• Quels sont les faits numériques à mesurer ?
• Quelles sont les dimensions à considérer pour l'analyse ?
• Comment les gestionnaires décrivent-ils les données issues des processus concernées ?

Introduction : Modèle de données et méthode de conception

• Définition du modèle de données (étoile/flocon, Cube, Vues matérialisées).
• Choix de la méthode de conception (Ascendante, Descendante, Mixte).

Méthode Ascendante (Bottom-up)

• Structure de base : création de datamarts individuels, fusion par niveaux intermédiaires.

• But : créer un entrepôt de données à partir de sous-ensembles.

• Sources de données : Diagrammes E/R, modèles relationnels, bases de données objet, diagrammes UML, et fichiers XML sont indiqués comme des sources de données possibles.

• Démarche :

  • Analyse du schéma de la source globale.
  • Détermination des classes représentatives pour l'analyse.
  • Identification des faits (événements, mesures, données fréquentes).
  • Sélection des mesures d'activités à analyser.
  • Définition des dimensions (axes d'analyse).
  • Hiérarchisation des dimensions (niveau d'analyse, paramètres détaillés).

• Avantages : facile à mettre en œuvre, résultats rapides.

• Inconvénients : moins efficace à long terme, volume de travail important pour l'intégration.

Méthode Descendante (Top-Down)

• Conception intégrale de l'entrepôt de données.

• Connaissance préalable des dimensions et des faits.

• But : créer un entrepôt global cohérent, basées sur des méthodes et technologies éprouvées.

• Démarche :

  • Collecte des données et des requêtes.
  • Spécification des besoins.
  • Formalisation des besoins (définition des faits, dimensions et hiérarchies).

• Avantages : Intégration et réutilisation des données, vision claire du processus.

• Inconvénients : Méthode lourde et contraignante, nécessitant du temps et d'anticipation.

Méthode Mixte (Middle-Out)

• Combinaison des approches Ascendante et Descendante.
• But : utiliser les forces de chaque approche pour concevoir l'entrepôt.
• Deux étapes :
  • Conception initiale globale
  • Affinage et prise en compte des besoins des utilisateurs.
• Avantages : Combinaison des deux approches, développement itératif.
• Inconvénients : Complexité des sources de données, nécessité de compromis

Exercices (Exemples pratiques)

• Conception de modèles multidimensionnels pour des scenarii spécifiques (entrepôt de location de véhicules, centre de formation).