Introduction aux data warehouses : la modélisation en étoile PDF

Chapitre 19: Entrepôts de données

Faites attention au point suivant. Une certaine marque peut vendre des produits de différentes (sous) catégories. Donc si on considère ces attributs de

Exercice 1 Exercice 2 Agence de voyages Compagnies aériennes

Enfin chaque patient et chaque clinique est d'une ville donnée. Présenter la structure du Datawarehouse. Exercice 3. Page 2. Datawarehouse.

Introduction aux data warehouses et à la modélisation en étoile

Exercice. Stéphane Crozat. 19. Page 20. Contenus annexes. 1. Data warehouse et data mart. Un data warehouse et un data mart se distinguent par le spectre qu'il

F_TD 1--Modèles__corrigé

F-TD 1 -- Elaboration de modèles d'entrepôts de données. Exercice 1. Une entreprise de fabrication de vaisselle jetable souhaite mettre en place un système d

Business Intelligence - M1DAC DataWarehouse

30 janv. 2017 Datawarehouse. Le terme entrepôt de données (ou base de ... En plus des demandes précédentes (exercice 2) le service du marketing souhaite aussi.

Série 2 : Modélisation dun Data Warehouse

Série 2 : Modélisation d'un Data Warehouse. Exercice 1. Une entreprise de fabrication de vaisselle jetable souhaite mettre en place un mini entrepôt de

Des Tables aux Data cubes

Le treillis des cuboïdes d'un data warehouse forme un data cube. 2. Haïfa Exercice 1 (corrigé). 40. Haïfa Nakouri. ESEN 2019/ 2020 a) select sum(quantité).

Exercice de modélisation dimensionnelle

Exercice de modélisation dimensionnelle. Source : http://community.mis.temple.edu/mis2502sec002s13/2013/03/06/in-class-exercise-star- schema-dimensional

Modélisation dimensionnelle

*: Tiré du livre The Data Warehouse Toolkit 2ème édition. Page 53. Exemple de modélisation. • Choix du processus d'affaires: – La gestion du trafic d'appels

Bases de Données (BD3) – Corrigé de lexamen (durée : 3 heures)

13 janv. 2017 Le barême est donné à titre indicatif. Exercice 1 [Requêtes : 12 points]. Soit la base de données BANQUE contenant les tables suivantes : • ...

F_TD 1--Modèles__corrigé

Exercice 1. Une entreprise de fabrication de vaisselle jetable souhaite mettre en place un système d'information décisionnel sous la forme d'un data mart

Introduction aux data warehouses et à la modélisation en étoile

Exercice : Cas Fantastic : Étude des données Le data warehouse dédié au décisionnel est séparé du système transactionnel dédié à la gestion quotidienne.

Exercice 1 Exercice 2 Agence de voyages Compagnies aériennes

Datawarehouse. Travaux dirigés page 1. Exercice 1. On considère un entrepôt de données permettant d'observer les ventes de produits d'une entreprise.

Des Tables aux Data cubes

Un data warehouse est basé sur un modèle multidimensionnel Dans la littérature du data warehousing un cube de dimension n ... Exercice 1 (corrigé).

Chapitre 19: Entrepôts de données

Faites attention au point suivant. Une certaine marque peut vendre des produits de différentes (sous) catégories. Donc si on considère ces attributs de

Exercice de modélisation dimensionnelle

Exercice de modélisation dimensionnelle. Source : http://community.mis.temple.edu/mis2502sec002s13/2013/03/06/in-class-exercise-star-.

Série 2 : Modélisation dun Data Warehouse

Série 2 : Modélisation d'un Data Warehouse. Exercice 1. Une entreprise de fabrication de vaisselle jetable souhaite mettre en place un mini entrepôt.

Exploitation multi-hiérarchique et multi-dimensionnelle dun data

01?/09?/2016 Exercice : Projet Fantastic : Exploitation multi-dimensionnelle de ... savoir interroger en SQL un data warehouse en vue d'applications.

Série TD N°02

Exercice 01. On veut construire un entrepôt de données afin de stocker les informations sur les consultations d'un pays. On.

Introduction aux data warehouses : la modélisation en étoile

07?/06?/2017 Un data warehouse (DW ) est une base de données construite par copie et ... Cet exercice constitue une simulation de modélisation ...

Série 2 : Modélisation dun Data Warehouse - ESEN

>Série 2 : Modélisation d'un Data Warehouse - ESENhttps://www esen tn/ /medias/documents/enseignement/1571857 · Fichier PDF

Comment apprendre à utiliser un data warehouse ?

Pour apprendre à utiliser un Data Warehouse, vous pouvez vous tourner vers les formations Data Scientest. Vous pouvez découvrir comment maîtriser ces outils à travers nos différents programmes : Data Scientist, Data Analyst, Data Engineer…

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.

Qui a inventé le data warehouse ?

Il faudra toutefois attendre la fin des années 1980 pour assister à l’émergence du premier Data Warehouse d’entreprise, développé par Paul Murphy et Barry Devlin d’IBM. What Is a Data Warehouse?

Conception de bases de donnéesdwh1.pdfIntroduction aux data warehouses : la modélisation en

étoile

Paternité - Partage des Conditions Initiales à l'Identique : http://creativecommons.org/licenses/by-sa/2.0/fr/STÉPHANE CROZAT

7 juin 2017

Table des matières

I - Cours3 A. Data warehouses et bases de données décisionnelles............................................3

1. Décisionnel...........................................................................................................................3

2. Data warehousing..................................................................................................................3

3. Différence entre un DW et un système transactionnel.................................................................4

4. Implémentation du DW avec un SGBDR....................................................................................5

5. Modélisation logique de données en étoile.................................................................................5

6. Extraction Transformation Loading...........................................................................................6

B. Pour aller plus loin.............................................................................................7

II - Exercice8 A. Étude de cas : Fantastic.....................................................................................8

1. Approche générale de modélisation..........................................................................................8

2. Présentation du cas................................................................................................................9

3. Étude des données...............................................................................................................14

4. Cas Fantastic : Étude des données.........................................................................................15

5. Étude des besoins utilisateurs................................................................................................15

6. Cas Fantastic : Étude des besoins..........................................................................................17

7. Modélisation en étoile...........................................................................................................17

8. Cas Fantastic : Modélisation..................................................................................................19

Solution des exercices21

Signification des abréviations25

Bibliographie26

Index27

Contenus annexes28

Stéphane Crozat2

I - CoursI

A. Data warehouses et bases de données décisionnelles

Objectifs

Comprendre ce qu'est et à quoi sert un data warehouse. Comprendre les différences entre un data warehouse et une base de données transactionnelle.

1. Décisionnel

Définition

"Le système d'information décisionnel est un ensemble de données organisées de

façon spécifiques, facilement 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 management de l'entreprise [...]. (Goglin, 2001, pp21-22)x » Synonymes : informatique décisionnelle, business intelligence, BI

2. Data warehousing

Définition : Définition historique de Inmon

"A data warehouse is a subject-oriented, integrated, nonvolatile, and time-variant collection of data in support of management's decisions. The data warehouse contains granular corporate data. (Inmon, 2002, p31)x »

Stéphane Crozat3

Définition

Un data warehouse (DW) est une base de données construite par copie et réorganisation de multiples sources (dont principalement le système transactionnel de l'entreprise), afin de servir de source de données à des applications décisionnelles : il agrège de nombreuses données de l'entreprise (intégration) ; il mémorise les données dans le temps (historisation) ; il les organise pour faciliter les requêtes de prise de décision (optimisation). (Goglin, 2001, p27) [(Goglin, 2001)] Synonymes : entrepôt de données, base de données décisionnelle

Fondamental

L'objectif du data warehouse est de permettre des requêtes sur de grands ensembles des données, la plupart du temps sous forme d'agrégats (GROUP BY) afin d'en obtenir une vision synthétique (propre à la prise de décision).

Remarque

Le data warehouse dédié au décisionnel est séparé du système transactionnel dédié à la

gestion quotidienne.

Complément : Voir aussi

Data warehouse et data mart - p.28

3. Différence entre un DW et un système transactionnel

BD transactionnelle

Une base données classique est destinée à assumer des transactions en temps réel : Ajout, mise à jour suppression de données Questions sur des données identifiées ou questions statistiques

Datawarehouse

Un DW est uniquement destiné à l'exécution de questions statistiques sur des données

statiques (ou faiblement dynamiques).Cours

Stéphane Crozat4

Un changement d'approche, extrait de (Inmon, 2002, p15)

4. Implémentation du DW avec un SGBDR

Fondamental

Les deux problématiques fondamentales des DW sont l'optimisation et la simplification : comment rester performant et lisible avec de très gros volumes de données et des requêtes portant sur de nombreuses tables (impliquant beaucoup de jointures) ?

On utilise massivement :

Les vues concrètes : Un data warehouse procède par copie depuis le ou les systèmes transactionnels La dénormalisation : Un data warehouse est hautement redondant

Fondamental

Le caractère statique du data warehouse efface les inconvénients de ces techniques lorsqu'elles sont mobilisées dans des systèmes transactionnels.

Rappel

Dénormalisation - p.29

Vues concrètes - p.29

5. Modélisation logique de données en étoile

Définition : Le modèle en étoile

Le modèle en étoile est une représentation fortement dénormalisée qui assure un haut

niveau de performance des requêtes même sur de gros volumes de données.Cours

Stéphane Crozat5

Exemple Quantité

Prix fkLieu fkDate fkProduit fkClient <> Achat #CodePostal

Département

Région

Pays <> Lieu #Timestamp Heure

JourDeSemaine

JourDeAnnée

Semaine

Mois

Trimestre

Semestre

Année

<> Date #CodeClient Age Genre

CodePostal

Département

Région

Pays <>

Client

#Référence Prix Type <>

Produit

CP D R P Ref PxT CC ACPG SM T Squotesdbs_dbs2.pdfusesText_3

[PDF] Introduction aux data warehouses : la modélisation en étoile

Comment apprendre à utiliser un data warehouse ?

Quels sont les différents types de data warehouses ?

Qui a inventé le data warehouse ?

étoile

7 juin 2017

Table des matières

1. Décisionnel...........................................................................................................................3

2. Data warehousing..................................................................................................................3

3. Différence entre un DW et un système transactionnel.................................................................4

4. Implémentation du DW avec un SGBDR....................................................................................5

5. Modélisation logique de données en étoile.................................................................................5

6. Extraction Transformation Loading...........................................................................................6

1. Approche générale de modélisation..........................................................................................8

2. Présentation du cas................................................................................................................9

3. Étude des données...............................................................................................................14

4. Cas Fantastic : Étude des données.........................................................................................15

5. Étude des besoins utilisateurs................................................................................................15

6. Cas Fantastic : Étude des besoins..........................................................................................17

7. Modélisation en étoile...........................................................................................................17

8. Cas Fantastic : Modélisation..................................................................................................19

Solution des exercices21

Signification des abréviations25

Bibliographie26

Index27

Contenus annexes28

Stéphane Crozat2

I - CoursI

Objectifs

1. Décisionnel

Définition

2. Data warehousing

Définition : Définition historique de Inmon

Stéphane Crozat3

Définition

Fondamental

Remarque

Complément : Voir aussi

Data warehouse et data mart - p.28

3. Différence entre un DW et un système transactionnel

BD transactionnelle

Datawarehouse

Stéphane Crozat4

4. Implémentation du DW avec un SGBDR

Fondamental

On utilise massivement :

Fondamental

Rappel

Dénormalisation - p.29

Vues concrètes - p.29

5. Modélisation logique de données en étoile

Définition : Le modèle en étoile

Stéphane Crozat5

Exemple Quantité

Département

Région

JourDeSemaine

JourDeAnnée

Semaine

Trimestre

Semestre

Année

CodePostal

Département

Région

Client

Produit