Entrept de donnes Data Warehouse DW - PowerPoint PPT Presentation

Loading...

PPT – Entrept de donnes Data Warehouse DW PowerPoint presentation | free to view - id: 2a3b8c-ZDc1Z



Loading


The Adobe Flash plugin is needed to view this content

Get the plugin now

View by Category
About This Presentation
Title:

Entrept de donnes Data Warehouse DW

Description:

base de donn es dans laquelle sont d pos es apr s nettoyage et homog n isation les informations en provenance ... En descendant dans une hi rachie ou en ajoutant une dimension ... – PowerPoint PPT presentation

Number of Views:105
Avg rating:3.0/5.0
Slides: 28
Provided by: admi1824
Category:

less

Write a Comment
User Comments (0)
Transcript and Presenter's Notes

Title: 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
About PowerShow.com