Entrept de donnes Data Warehouse DW

1
Entrepôt de données (Data Warehouse DW)

• Quest-ce quun entrepôt de données?
• Modélisation multi-dimensionnelle
• Architecture dun entrepôt de données

2
Entrepôt de données (Data Warehouse DW)

• Définition de Bill Immon (1996)
• collection de données orientées pour un sujet,
  intégrées, non volatiles et historisées,
  organisées pour le support du processus daide à
  la décisionbase de données dans laquelle sont
  déposées après nettoyage et homogénéisation les
  informations en provenance des différents
  systèmes de production de lentreprise

3
Données Orientées Sujet

• Organisées autour de sujets majeurs comme
  consommateur, produit, ventes
• Données pour lanalyse et la modélisation en vue
  de laide à la décision, et non pas pour les
  opérations et transactions journalières
• Vue synthétique des données selon les sujets
  intéressant les décideurs

4
Données Intégrées

• Construit en intégrant des sources de données
  multiples et hétérogènes
• BD relationnelles, fichiers, enregistrements de
  transactions
• Nettoyage et intégration des données
• Consistence dans les noms des champs, le codage
  des données issues de plusieurs sources
• La conversion se fait quand les donnés sont
  transférées dans le DW

5
Données historisées

• Léchelle de temps dans le DW est beaucoup plus
  longue que dans les BD
• BD opérationnelle valeur courante des données
• DW information dans une perspective historique
  (ex les 5 dernières années)
• Chaque structure dans le DW contient un élément
  décrivant le temps

6
Données Non Volatiles

• Stockage indépendant des BD opérationnelles
• Pas de mises à jour des données dans le DW
• 2 actions sur le DW
• Alimentation du DW à partir des données des BD
  opérationnelles
• Accès (lecture) de ces données

7
DW vs. BD Operationnelles

• OLTP (on-line transaction processing)
• Tache principale des SGBD
• Operations journalières purchasing, inventory,
  banking, manufacturing, payroll, registration,
  accounting, etc.
• OLAP (on-line analytical processing)
• Tache principale des DW
• Analyse des données et prise de décision

8
OLTP vs. OLAP
9
Entrepôt de données (Data Warehouse DW)

• Quest-ce quun entrepôt de données?
• Modélisation multi-dimensionnelle
• Architecture dun entrepôt de données

10
Des tables aux cubes

• Un DW est basé sur une modélisation
  multidimensionnelle qui réprésente les données
  dans un cube
• Un cube, ventes par ex, permet de voir les
  données suivant plusieurs dimensions
• tables de dimensions, ex article (id_art, marque,
  type), ou temps(jour, semaine, mois, trimestre,
  année)
• La table des faits contient les mesures (montant
  par ex) et les clés des dimensions

11
Modélisation dun DW

• Modélisation dimensions mesures
• Schéma en étoile la table des faits au centre et
  les tables de dimensions autour
• Schéma en flocon même principe que dans le
  schéma en étoile mais certaines dimensions sont
  normalisées

12
Schéma en étoile

Table des faits Ventes
id_date
id_art
id_site
nb_ventes
montant_ventes
13
Schéma en flocon

Table des faits Ventes
id_date
id_art
id_site
nb_ventes
montant_ventes
14
Schéma en constellation

• Plusieurs tables de faits pour décrire plusieurs
  séries de données sur le métier étudié et
  partageant les tables dimensionnellles
• Ex table des faits expéditions ayant pour tables
  de dimensions temps, article, site

15
Data Mining Query Language DMQL (daprès Han
Kamber)

• Cube Definition (Fact Table)
• define cube ltcube_namegt ltdimension_listgt
  ltmeasure_listgt
• Dimension Definition ( Dimension Table )
• define dimension ltdimension_namegt as
  (ltattribute_or_subdimension_listgt)

16
Exemple schéma en étoile

• define cube ventes temps, produit, site
• Montant_ventes sum(ventes_in_euros), nb_ventes
  count()
• define dimension temps as (id_date,jour,
  jour_semaine, mois, trimestre, année)
• define dimension article as (id_article,
  nom_article, marque, type, fournisseur)
• define dimension site as (id_site, rue, ville,
  région, pays)

17
Exemple schéma en flocon

• define cube ventes temps, produit, site
• Montant_ventes sum(ventes_in_euros), nb_ventes
  count()
• define dimension temps as (id_date,jour,
  jour_semaine, mois, trimestre, année)
• define dimension article as (id_article,
  nom_article, marque, type, fournisseur(id-fourniss
  eur, nom_fournisseur) )
• define dimension site as (id_site, rue,
  ville(id_ville, région, pays) )

18
Cube de données

• Représentation de la table des faits sous forme
  dun cube, chaque axe correspondant à une
  dimension

19
Données Multidimensionnelles

• Données vente suivant les axes temps, produit et
  site

Site
Produit
Temps
20
Browsing a Data Cube

• Visualization
• OLAP capabilities
• Interactive manipulation

21
Données Multidimensionnelles
Dimensions Article, Temps, Site Sur chaque
dimension peut exister une hiérarchie linéaire ou
en forme de treillis
Type Pays Année Marque
Région Trim. Product Ville Mois
Sem Bureau Jour
22
Cuboïdes correspondant au Cube
tous
0-D(apex) cuboïde
site
produit
temps
1-D cuboides
produit,temps
produit,site
temps, site
2-D cuboides
3-D(base) cuboide
produit, temps, site
23
Opérations OLAP

• Roll up (drill-up) résumer, agréger des données
• En montant dans une hiérachie ou en oubliant une
  dimension
• Drill down (roll down) inverse de roll-up
• En descendant dans une hiérachie ou en ajoutant
  une dimension
• Slice and dice
• Projection et sélection
• Pivot (rotate)
• Réorienter le cube

24
Modélisation multi-dimensionnelle

• Outre le cube de base, certains cuboïdes pourront
  être stockés afin daccélérer les réponses aux
  requêtes fréquentes
• Compromis entre matérialiser tous les cuboïdes /
  seulement le cube de base

25
Entrepôt de données (Data Warehouse DW)

• Quest-ce quun entrepôt de données?
• Modélisation multi-dimensionnelle
• Architecture dun entrepôt de données

26
Architecture du DW
Monitor Integrator
OLAP Server
Meta- données
Analyse Requêtes Rapports Data mining
Data Warehouse
Data Marts
Sources
OLAP
Outils Front-End
Stockage
27
Bibliographie

• Le Data Warehouse. JM Franco Eyrolles
• Concevoir et déployer un Data Warehouse. Kimball
  et Reeves Eyrolles
• Data Mining Concepts and Techniques J. Han M.
  Kamber Morgan Kaufmann