Le Data Warehouse et les Systèmes Multidimensionnels
Architecture d'un Data warehouse. 3. 5 Les bases multidimensionnelles et les outils OLAP du data warehouse à partir des systèmes de production. •Un second ...
LE DATAWAREHOUSE ET LES SYSTEMES MULTIDIMENSIONNELS
Le Data Warehouse et les Systèmes. Multidimensionnels. Copyright J. Akoka - I. Comyn-Wattiau. 2. 1. Définition d'un Datawarehouse (DW). • Le Datawarehouse est
Modèles et outils pour la conception et la manipulation de systèmes
29 avr. 2009 Pour le modèle multidimensionnel des concepts et des systèmes existent ... Schiefer "Developing requirements for data warehouse systems with ...
Système danalyse multidimensionnelle utilisant la technologie OLAP
multidimensionnelle en se basant sur le concept du Data Mart et la technologie OLAP (On Line Analytical Processing). Mots clés: Data Warehouse Data Mart ...
Entrepôts de données pour laide à la décision médicale: conception
30 oct. 2007 Les systèmes multidimensionnels OLAP utilisent une base de données multidi- ... Le Data Warehouse (Le Data Mining). Editions Eyrolles. Paris
Modélisation NoSQL des entrepôts de données
5 mars 2019 Systems New Trends in Data Warehousing and Data. F Ravat
Modélisation et manipulation des systèmes OLAP: de lintégration
5 févr. 2017 Axe 1 : Modélisation et manipulation multidimensionnelle des systèmes OLAP. ... algebra for on-line analytical processing in data warehouses » ...
chapitre 1: Les entrepôts de données Multidimensionnels
de données et la modélisation multidimensionnelle avec les systèmes être considérés comme deux Data Marts deux compartiments du Data Warehouse : un Data.
Approche de modélisation multidimensionnelle des données
26 août 2009 ... Systems 17(2/3):255--280
DIFFERENCIATION ET INTEGRATION DES SYSTEMES
26 mai 2014 dimensions (d'où le nom de systèmes événementiels et multidimensionnels)». ... par des bases de données multidimensionnelles (ERP Data Warehouse) ...
Le Data Warehouse et les Systèmes Multidimensionnels
Architecture d'un Data warehouse. Bases multidimensionnelles. Datamarts. Outil frontal. OLAP. Outils multidimensionnels. MOLAP. Requeteur ou tableau.
LE DATAWAREHOUSE ET LES SYSTEMES MULTIDIMENSIONNELS
et les Systèmes. Multidimensionnels Le Datawarehouse est une collection de données ... Les données de base sont toutefois issues des Systèmes.
Modélisation et manipulation des systèmes OLAP: de lintégration
5 févr. 2017 CHAPITRE 3 - MODELISATION ET MANIPULATION MULTIDIMENSIONNELLE DES ... d'entrepôt de données (« data warehouse ») [Widom 1995] [Chaudhury
Systèmes dinformation décisionnels (Data Warehouse)
Définition. ?Différence avec un SGBD. ?Caractéristiques. 3. Architecture d'un système décisionnel. 4.Modélisation multidimensionnelle. ?Niveau conceptuel.
Analyse multidimensionnelle de documents via des dimensions OLAP
KEYWORDS: digital document XML
Système danalyse multidimensionnelle utilisant la technologie OLAP
Résumé: L'entrepôt de données ou Data Warehouse est une collection de données orientées sujet
Systèmes dinformation décisionnels
1 mars 2022 Les Bases Multidimensionnelles. » Analyse multidimensionnelle - OLAP - Data Marts ... Le Data Warehouse un système d'information.
Concevoir et déployer un système analytique des ressources
3 avr. 2021 KEYWORDS: Data warehouse multidimensional
Modèles et outils pour la conception et la manipulation de systèmes
29 avr. 2009 4.2 Modélisation des magasins de données multidimensionnelles . ... par exemple le terme d'entrepôt de données ou "data warehouse" n'a pas ...
Modélisation multidimensionnelle
Modélisation multidimensionnelle. ?. Niveau conceptuel Hétérogènes : systèmes et structures de données différents ... Data Warehouse Design: Modern.
Le Data Warehouse et les Systèmes Multidimensionnels
Le Data Warehouse et les Systèmes Multidimensionnels Copyright J Akoka - I Comyn-Wattiau - N Prat 2 1 Définition d’un Data warehouse (DW) •Le Data warehouse(entrepôt de données) est une collection de données orientées sujet intégrées non volatiles et historisées organisées pour le support
(Data Warehouse / Data Mining)
Le Data Warehouse un système d’information dédié aux applications décisionnelles En Aval des bases de production (ie bases opérationnelles) En Amont des prises de décision » basé sur des indicateurs (Key Business Indicators (KBI))
Chapitre 4 : SGBD Multidimensionnelle « Entrepôt de données
Trois modèles de data warehouse Entreprise warehouse Collecte de toutes les informations concernant les sujets traités au niveau de l?organisation Data Mart Un sous ensemble d?un entreprise warehouse Il est spécifique à un groupe d?utilisateurs (ex: data mart du marketing) Data warehouse virtuel
Modélisation et répartition d’un Big Data Warehouse
sions d’un Big Data qui sont le Volume et la Vitesse Les données dans notre exemple sont structurées On touchera la Variété dans nos prochains travaux 3 1 Modélisation d’un Big Data
Searches related to le data warehouse et les systèmes multidimensionnels filetype:pdf
Définition rapide d’un Data Warehouse Le Data Warehouse est une collection de données orientées sujet intégrées non volatiles historisées organisées pour le support d’un processus d’aide à la décision Un système de DWH peut être formellement défini comme un triplet
Quels sont les éléments d’un data warehouse ?
- Un data warehouse classique comprend souvent les éléments suivants : Une base de données relationnelle pour stocker et gérer les données Une solution d’extraction, de chargement et de transformation pour la préparation des données en vue de l’analyse Des capacités d’analyse statistique, de reporting et d’exploration de données
Quels sont les avantages du data warehouse ?
- Le Warehousing permet de s’assurer que toutes les informations soient passées en revue. De plus, le Data Warehouse rend possible le « Data Mining » (exploration de données). Cette procédure consiste à rechercher des tendances et des motifs dans les données, et de s’appuyer dessus pour augmenter les ventes et les revenus de l’entreprise.
Quels sont les différents types de data warehouses ?
- On distingue trois catégories principales de Data Warehouses. Tout d’abord, les « Data Warehouses d’entreprise » (EDW) sont des entrepôts de données centralisés permettant d’assister les décisions de l’entreprise. Les données sont organisées et présentées de manière unifiée.
Qu'est-ce que le data warehouse?
- ?Une BD d?aide à la décision qui est maintenue séparément de la base opérationnelle de l?organisation ?“Un data warehouse est une collection de données concernant un sujet particulier, varie dans le temps, non volatile et où les données sont intégrées.”—W. H. Inmon ?Data warehousing: Le processus qui permet de construire un data warehouse 3 Sujet
![Le Data Warehouse et les Systèmes Multidimensionnels Le Data Warehouse et les Systèmes Multidimensionnels](https://pdfprof.com/Listes/38/10023-38wattiau_09-10_3.pdf.pdf.jpg)
Le Data Le Data WarehouseWarehouse
et les Systèmes et les SystèmesMultidimensionnels
Multidimensionnels
Copyright J. Akoka - I. Comyn-Wattiau - N.Prat2
1. Définition d'un Data warehouse (DW)
•Le Data warehouse(entrepôt de données) est une collection de données orientées sujet, intégrées, non volatiles et historisées, organisées pour le support d 'un processus d 'aide à la décision (Inmon, 94). 2Copyright J. Akoka - I. Comyn-Wattiau - N.Prat3
1. Définition d'un Data warehouse
1. 1 Données orientées sujet
• Données structurées par thèmes (sujets majeurs de l'entreprise) et non suivant les processus fonctionnels. • Le sujet est transversal aux structures fonctionnelles et organisationnelles de l'entreprise. On peut accéder aux données utiles sur un sujet. • L'intégration des différents sujets se fait dans une structure unique.Copyright J. Akoka - I. Comyn-Wattiau - N.Prat4
1. Définition d'un Data warehouse
1. 1 Données orientées sujet
• Il n 'y a pas de duplication des informations communes à plusieurs sujets. • La base de données est construite selon les thèmes qui touchent aux métiers de l'entreprise (clients, produits, risques, rentabilité, ...). • Les données de base sont toutefois issues des Systèmes d'Information Opérationnels (SIO). 3Copyright J. Akoka - I. Comyn-Wattiau - N.Prat5
1. Définition d'un Data warehouse
1. 2. Données intégrées
• Les données, issues de différentes applications de production, peuvent exister sous toutes formes différentes. • Il faut les intégrer afin de les homogénéiser et de leur donner un sens unique, compréhensible par tous les utilisateurs. • Elle doivent posséder un codage et une description unique.Copyright J. Akoka - I. Comyn-Wattiau - N.Prat6
1. Définition d'un Data warehouse
1. 2 Données intégrées
• La phase d'intégration est longue et pose souvent des problèmes de qualification sémantique des données à intégrer (synonymie, homonymie, etc...). • Ce problème est amplifié lorsque des données externes sont à intégrer avec les données du SIO. 4Copyright J. Akoka - I. Comyn-Wattiau - N.Prat7
1. Définition d'un Data warehouse
1. 3 Données non-volatiles
• Une information est considérée volatile quand les données sont régulièrement mises à jour comme dans lesSystèmes d'Information Opérationnels.
• Dans un SIO, les requêtes portent sur les données actuelles. Il est difficile de retrouver un ancien résultat. • Dans un DW, il est nécessaire de conserver l'historique de la donnée. Ainsi, une même requête effectuée à deux mois d'intervalle en spécifiant la date de référence de la donnée, donnera le même résultat.Copyright J. Akoka - I. Comyn-Wattiau - N.Prat8
1. Définition d'un Data warehouse
1. 4 Données historisées
• Dans un SIO, les transactions se font en temps réel, et les données sont mises à jour constamment. L 'historique des valeurs de ces données n 'est généralement pas conservé car il est inutile. • Dans un DW, la donnée n'est jamais mise à jour. • Les données du DW s 'ajoutent aux données déjà engrangées.=> ajout de couches de données successives, à la manière des strates géologiques 5Copyright J. Akoka - I. Comyn-Wattiau - N.Prat9
1. Définition d'un Data warehouse
• Le DW stocke donc l'historique des valeurs que la donnée aura prises au cours du temps. • Un référentiel de temps est alors associé à la donnée afin d'être capable d'identifier une valeur particulière dans le temps. • Les utilisateurs possèdent un accès aux données courantes ainsi qu'à des données historisées.1. 4 Données historisées
Copyright J. Akoka - I. Comyn-Wattiau - N.Prat10
1. Définition d'un Data warehouse
1. 5 Support d 'un processus d 'aide à la décision
• Un DW est un système d 'information dédié aux applications décisionnelles dont les principales contraintes sont : • des requêtes complexes à plusieurs niveaux d 'agrégation • la nécessité de disposer d 'informations synthétiques (" reporting » de gestion, analyse des ventes, gestion de la masse salariale, etc) • le stockage des données sous une forme multi- dimensionnelle • des mises à jour périodiques 6Copyright J. Akoka - I. Comyn-Wattiau - N.Prat11
2. Objectifs d'un Data warehouse
• permet le développement d 'applications décisionnelles et de pilotage de l 'entreprise et de ses processus • joue un rôle de référentiel pour l 'entreprise puisqu 'il permet de fédérer des données souvent éparpillées dans différentes bases de données • offre une vision globale et orientée métier de toutes les données que manipule l 'entreprise • permet de faire face aux changements du marché et de l 'entreprise • offre une information compréhensible, utile , rapide et à jourCopyright J. Akoka - I. Comyn-Wattiau - N.Prat12
3. Architecture d'un Data warehouse
Bases multidimensionnellesDatamarts
Outil frontal
OLAPOutils
multidimensionnels MOLAPRequeteur
ou tableauOutil ROLAP
Bases de
productionExtraction
Transformation
Chargement
RafraîchissementBases externes
Data WarehouseDictionnaire
Outils
d'administration 7Copyright J. Akoka - I. Comyn-Wattiau - N.Prat13
3. Architecture d'un Data warehouse
3. 1 Les Bases de Données
• Bases de données internes: •Bases de production de l'entreprise •Bases créées par les utilisateurs • Bases de données externes à l'entreprise qui nécessitent leur identification, leur rapatriement et leur intégration. •Données achetées à des fournisseurs de données (Nielsen, INSEE, ...) •Données récupérées sur InternetCopyright J. Akoka - I. Comyn-Wattiau - N.Prat14
3. Architecture d'un Data warehouse
3. 2 Opérations sur les données
• Extraire les données de leur environnement d'origine (bases de données relationnelles, fichiers plats, ...). • Utiliser une technique appropriée pour n 'extraire que les données nécessaires : données créées ou modifiées depuis la dernière opération d'extraction.EXTRACTION 8Copyright J. Akoka - I. Comyn-Wattiau - N.Prat15
3. Architecture d'un Data warehouse
3. 2 Opérations sur les données
• Une même donnée peut avoir une structure ou une valeur différente en fonction de la base (production, externe, utilisateurs) dont elle provient. • On peut être confronté à des redondances (un même client peut apparaître avec différents attributs et propriétés selon la source consultée).TRANSFORMATIONCopyright J. Akoka - I. Comyn-Wattiau - N.Prat16
3. Architecture d'un Data warehouse
3. 2 Opérations sur les données
• Il faut supprimer certaines données aberrantes qui risqueraient de fausser les analyses. • Il faut donc épurer et transformer les données.TRANSFORMATION 9Copyright J. Akoka - I. Comyn-Wattiau - N.Prat17
3. Architecture d'un Data warehouse
3. 2 Opérations sur les données
• Effectuer sur les données des opérations de calcul et d'agrégation. • Remplacer certaines bases si aucune solution d'extraction satisfaisante n'est possible. CHARGEMENT/RAFRAICHISSEMENTCopyright J. Akoka - I. Comyn-Wattiau - N.Prat18
3. Architecture d'un Data warehouse
3. 2 Opérations sur les données
• Mettre en place des procédures de chargement et de restauration (en cas de problème). • Typiquement, la fréquence du chargement est quotidienne et il est effectué en tout début de matinée. • Si la disponibilité du système ne peut être interrompue, envisager la mise en place de systèmes redondants.CHARGEMENT/RAFRAICHISSEMENT 10Copyright J. Akoka - I. Comyn-Wattiau - N.Prat19
3. Architecture d'un Data warehouse
3. 2 Opérations sur les données
• On peut automatiser tout ou partie des opérations décrites. • Des outils sont disponibles : Extract d'ETI, Genio deLeonard 's Logic, SAS/Warehouse Administrator de
SAS...
• Le développement d'outils spécifiques est envisageable mais risque d 'alourdir les tâches.LES OUTILSCopyright J. Akoka - I. Comyn-Wattiau - N.Prat20
3. Architecture d'un Data warehouse
3. 3 Dictionnaire de Données
• Le dictionnaire de données regroupe les méta-données. • Une méta-donnée représente une donnée sur les données. Il s'agit de l'ensemble des informations qui permettent de qualifier une donnée, notamment par sa sémantique, sa règle de calcul, sa provenance, sa qualité, etc... • les méta-données permettent de préciser de quelle table provient la donnée, à quelles dates et heures elle en a été extraite, l'état de la base à cet instant, etc... 11Copyright J. Akoka - I. Comyn-Wattiau - N.Prat21
3. Architecture d'un Data warehouse
3. 3 Dictionnaire de Données
• Une méta-donnée permet de " remonter la chaîne » et de reconstituer l'ensemble d'événements et données qui ont servi à obtenir l'information associée. • Le dictionnaire de données contient toutes les informations permettant d'exploiter les données. • C'est un référentiel destiné aux utilisateurs et à l'administrateur du DW. • A ce jour, il n'existe pas de normes en ce qui concerne la structure et la gestion des dictionnaires de données. Chaque outil propose sa solution et son approche.Copyright J. Akoka - I. Comyn-Wattiau - N.Prat22
3. Architecture d'un Data warehouse
3. 4 Les Data Marts
• Un data mart (magasin de données) est un DW focalisé sur un sujet particulier, souvent au niveau départemental ou métier. • C 'est donc un mini DW lié à un métier particulier de l 'entreprise (finance, commercial, ...). • Un DW est souvent volumineux (plusieurs centaines de Go voire quelques To ) avec des performances inappropriées (temps de réponse trop longs). Un Data mart, quant à lui, comporte moins de 50 Go, ce qui permet des performances acceptables. • La création d'un data mart peut être un moyen de débuter un projet de DW (projet pilote). 12Copyright J. Akoka - I. Comyn-Wattiau - N.Prat23
3. Architecture d'un Data warehouse
3. 5 Les bases multidimensionnelles et les outils OLAP
3.5.1 Les modèles de
donnéesModèles de présentation
Modèles de diffusion
Modèles d'intégration
Bases de données opérationnelles
Copyright J. Akoka - I. Comyn-Wattiau - N.Prat24
3. Architecture d'un Data warehouse
3. 5 Les bases multidimensionnelles et les outils OLAP
3.5.1 Les modèles de données
• Le modèle d 'intégration unifie les données opérationnelles. • Le modèle de diffusion représente le modèle conceptuel des données. Il correspond aux bases multidimensionnelles (serveurOLAP).
• Le modèle de présentation est un complément au modèle conceptuel. C'est à travers ce modèle que l'utilisateur voit les données. Il correspond à différents outils physiques : les tableurs, les requêteurs, les outils clients OLAP, etc... 13Copyright J. Akoka - I. Comyn-Wattiau - N.Prat25
3. Architecture d'un Data warehouse
3. 5 Les bases multidimensionnelles et les outils OLAP
3.5.2 Les outils OLAP (On-Line Analytical Processing)
• OLAP caractérise l'architecture nécessaire à la mise en place d 'un système d'information décisionnel (SID). • OLAP s'oppose à OLTP (On-Line Transactional Processing) qui caractérise les SIO.Copyright J. Akoka - I. Comyn-Wattiau - N.Prat26
3. Architecture d'un Data warehouse
3. 5 Les bases multidimensionnelles et les outils OLAP
3.5.2 Les outils OLAP (On-Line Analytical Processing)
• OLAP constitue l'ensemble des outils multidimensionnels nécessaires à l'accès, stockage et à la manipulation des données utiles pour un SIAD ou pour un EIS. • OLAP désigne les outils d 'analyse s'appuyant sur les bases de données multidimensionnelles. 14Copyright J. Akoka - I. Comyn-Wattiau - N.Prat27
3. Architecture d'un Data warehouse
3. 5 Les bases multidimensionnelles et les outils OLAP
3.5.3 Les 12 règles de E.F. CODD (1993)
Vue multidimensionnelle: Les données sont structurées en dimensions métiers. Transparence : L 'utilisateur doit pouvoir utiliser les logiciels habituels (tableurs, ...) sans percevoir la présence d 'un outil OLAP. Accessibilité: L 'outil doit se charger d 'accéder aux données stockées dans n 'importe quel type de bases de données (interne + externe) et le faire simultanément. Performance continue dans les restitutions: A mesure que le nombre de dimensions ou la taille de la base augmente, l'utilisateur ne doit pas subir de baisse sensible de performance.Copyright J. Akoka - I. Comyn-Wattiau - N.Prat28
3. Architecture d'un Data warehouse
3. 5 Les bases multidimensionnelles et les outils OLAP
3.5.3 Les 12 règles de E.F. CODD (1993)
Architecture client-serveur : Tout produit OLAP doit fonctionner en mode C/S avec une répartition des traitements. Dimension générique : Chaque dimension (avec l'analyse) doit être équivalent aux autres à la fois dans sa structure et dans ses capacités opérationnelles. Une seule structure logique dans l'ensemble des dimensions. Gestion dynamique des matrices creuses: OLAP doit gérer les cellules non renseignées de manière optimale. Support multi-utilisateurs: OLAP doit assurer un accès simultané aux données, gérer l'intégrité et la sécurité de ces données. 15Copyright J. Akoka - I. Comyn-Wattiau - N.Prat29
3. Architecture d'un Data warehouse
3. 5 Les bases multidimensionnelles et les outils OLAP
3.5.3 Les 12 règles de E.F. CODD (1993)
Opérations entre les dimensions : OLAP doit gérer des calculs associés entre les dimensions sans faire appel à l 'utilisateur pour définir le contenu de ces calculs Manipulation intuitive : Minimiser le recours à des menus ou les allers et retours avec l 'interface utilisateur Flexibilité des restitutions: convivialité des états de gestion ou des états de sortie - ergonomie Nombre de dimensions et niveaux de hiérarchie illimité: l 'outil doit gérer au moins quinze dimensions et ne pas limiter le nombre de niveaux hiérarchiques.Copyright J. Akoka - I. Comyn-Wattiau - N.Prat30
3. Architecture d'un Data warehouse
3. 5 Les bases multidimensionnelles et les outils OLAP
3.5.4 Fast Analysis of Shared Multidimensional Information (FASMI)
Analyse : fournir des possibilités d 'analyse (statistiques et autres) Rapide : l 'essentiel des réponses doit être rendu dans un délai de moins de cinq secondes Information: accéder à l 'ensemble des données indépendamment de leur localisation Multidimensionnelle :fournir une vue conceptuelle multidimensionnelle Partagée: être accessible à un grand nombre d 'utilisateurs et ne pas limiter le nombre de niveaux hiérarchiques. 16Copyright J. Akoka - I. Comyn-Wattiau - N.Prat31
3. Architecture d'un Data warehouse
3. 5 Les bases multidimensionnelles et les outils OLAP
3.5.5 Les outils relationnels OLAP
Outils relationnels : requêteurs, infocentres, jointures complexes exemple : Business Objects (anciennes versions) Hypercubes relationnels: les données sont stockées dans une BD relationnelle, mais avec une structure adaptée aux données multi- dimensionnelles exemple : SGBD relationnels OLAP relationnel (ROLAP): ces outils utilisent directement le modèle relationnel. Au travers des méta-données, ils permettent de transformer l 'analyse multidimensionnelle en requêtes SQL : distinguent les axes d 'analyse et les faits à observer (modèles en étoile ou en flocon)Copyright J. Akoka - I. Comyn-Wattiau - N.Prat32
3. Architecture d'un Data warehouse
3. 5 Les bases multidimensionnelles et les outils OLAP
3.5.5 Les outils relationnels OLAP
Hypercube virtuelInterface de
présentationBase de données
relationnelle 17Copyright J. Akoka - I. Comyn-Wattiau - N.Prat33
3. Architecture d'un Data warehouse
3. 5 Les bases multidimensionnelles et les outils OLAP
3.5.6 Intégration Infocentre Hypercube
Principe proche de l 'OLAP relationnel
Intégration d 'un outil d 'infocentre et d 'un outil d 'analyse multidimensionnelle dans une même interface située sur le poste client L 'outil d 'infocentre assure la gestion d 'un référentiel commun, la sélection des données et leur valorisation L 'outil multidimensionnel assure la création d 'un hypercube, l 'implémentation des fonctionalités OLAP (consolidation, zoom avant, glisser-déplacer, gestion des seuils, etc.)Copyright J. Akoka - I. Comyn-Wattiau - N.Prat34
3. Architecture d'un Data warehouse
3. 5 Les bases multidimensionnelles et les outils OLAP
Hypercubes clients
Serveur relationnel
Table de dimension
Table de
FaitsTable de dimension
Table de dimension
Table de dimension
Table de dimension
3.5.6 Intégration Infocentre Hypercube
18Copyright J. Akoka - I. Comyn-Wattiau - N.Prat35
3. Architecture d'un Data warehouse
3. 5 Les bases multidimensionnelles et les outils OLAP
3.5.7 Les outils multidimensionnels MOLAP
Les BD multidimensionnelles sont propriétaires (pas de standard) Les données sont dynamiquement structurées et compressées (optimisation de l 'espace disque) Les données sont organisées en dimensions et hiérarchies Les formules de calcul sont généralement complexesLes temps de réponse sont constants
Copyright J. Akoka - I. Comyn-Wattiau - N.Prat36
3. Architecture d'un Data warehouse
3. 5 Les bases multidimensionnelles et les outils OLAP
Interface de
présentationServeur matriciel
3.5.7 Les outils multidimensionnels MOLAP
19Copyright J. Akoka - I. Comyn-Wattiau - N.Prat37
3. Architecture d'un Data warehouse
3. 5 Les bases multidimensionnelles et les outils OLAP
3.5.7 Les outils multidimensionnels MOLAP
La constitution de la base se fait selon le processus suivant extraction des données provenant des SGBD ou fichiers décomposition des données en dimensions, attributs et variables calcul des consolidations chargement de l 'hypercube selon la structure dimensionnelle choisie L 'interrogation de la base possède les caractéristiques suivantes : interface graphique (drill down, slice and dice, etc) gestion des seuils et des alertes (codage couleurs) temps de réponse court et constantSQL non implémenté
Exemple : Oracle Express
Copyright J. Akoka - I. Comyn-Wattiau - N.Prat38
3. Architecture d'un Data warehouse
3. 6 Les limites du multidimensionnel
Format et langage propriétaire
Structure figée (l'hypercube doit être construit à chaque modification)Accès au détail difficile
Peu d 'outils disponibles
Outils d 'administration insuffisants
Difficulté de réaliser des sélections sur un hypercube Pas de standard ni pour la structure physique ni pour l 'interrogation Manque de souplesse et absence de gestion de méta-données 20Copyright J. Akoka - I. Comyn-Wattiau - N.Prat39
3. Architecture d'un Data warehouse
3. 7 Conclusion
Un marché florissant
nombreux outils (ROLAP,MOLAP,..) concentration du nombre d 'éditeurs de logicielsNécessité de méthodologie de conception
démarche modélisation conceptuelle et logique implication des utilisateursUn avenir réel
l'informatique opérationnelle est mature la demande des utilisateurs est importante la technologie est disponible.Copyright J. Akoka - I. Comyn-Wattiau - N.Prat40
4. Le Marché du Data warehouse
Le marché du décisionnel regroupe une trentaine d'acteurs Les éditeurs peuvent être regroupés en quatre catégories solutions applicatives bases de données multidimensionnelles client ROLAP client OLAP 21Copyright J. Akoka - I. Comyn-Wattiau - N.Prat41
4. Le Marché du Data warehouse
L'offre la plus ancienne
l'offre verticale (spécialisée dans un secteur tel que la banque ou la grande distribution) l'offre horizontale (consacrée à une fonction précise) l'offre fondée sur un progiciel l'éditeur intègre généralement dans sa solution une base de données multidimensionnelle4. 1 Les solutions applicatives
Copyright J. Akoka - I. Comyn-Wattiau - N.Prat42
4. Le Marché du Data warehouse
exemples de produits :4. 1 Les solutions applicatives
EditeurProduitFonction
Boost sales analysisAnalyse des ventes
Commander budgetElaboration budgétaire
Commander FDCReporting, consolidation
Hyperion SoftwareHyperion entrepriseReporting, consolidationHyperion PilarElaboration budgétaire
OracleOracle financial analyserElaboration budgétaireOracle sales analyser
SAS InstituteCFO VisionReporting
quotesdbs_dbs31.pdfusesText_37[PDF] Gestion de projet - calcul des dates et calcul des marges - AUNEGE
[PDF] Académie de Bordeaux CALENDRIER - Educationgouv
[PDF] session 2018 du BTS - BTS tertiaires - Calendrier - Educationgouv
[PDF] session 2018 - Educationgouv
[PDF] CAPEPS INTERNE ET CAER MATERIELS - Educationgouv
[PDF] Calendrier des inscriptions aux concours en Région Centre - Onisep
[PDF] Calendrier prévisionnel 2016-2017 Des préparations aux concours
[PDF] calendrier interregional 2018 prévisionnel des concours et - CDG05
[PDF] école supérieure de journalisme de lille - ESJ Lille
[PDF] PLANNING CONCOURS GIEpdf - La Gendarmerie recrute
[PDF] ISG PROGRAMME BUSINESS & MANAGEMENT 3+2
[PDF] Calendrier des concours 2018 - CIG Petite Couronne
[PDF] concours paces - CPCM
[PDF] procedures avances et prets - Université Internationale de Casablanca