OLAP et analyse multidimensionnelle

OLAP et analyse multidimensionnelle

« Il s’agit d’une catégorie de logiciels axés sur l’exploration et l’analyse rapide des
données selon une approche multidimensionnelle à plusieurs niveaux
d’agrégation »

OLAP vise à assister l’usager dans son analyse en lui facilitant l’exploration
de ses données et en lui donnant la possibilité de le faire rapidement

❑ L’usager n’a pas à maîtriser des langages d’interrogation et des

interfaces complexes
Nécessité d'une structure multidimensionnelle

Les BD relationnelles ne sont pas adaptées à l'OLAP car :

– Pas les mêmes objectifs
– Pas les mêmes données:
Les données nécessaires à l'OLAP sont multi-dimensionnelles
(i.e. ventes par vendeur, par date, par ville…).
– Pas les mêmes traitements et requêtes:
Non seulement perte de performances mais aussi nécessité pour les
utilisateurs de savoir comment trouver les liens entre les tables pour recréer
la vue multi-dimensionnelle.

–Il est donc nécessaire de disposer d'une structure de stockage adaptée à

l'OLAP, i.e. permettant de
• Représenter les données dans plusieurs dimensions,
• Manipuler les données facilement et efficacement
OLAP et analyse multidimensionnelle

DW-OLAP : représentation des données sous forme

multidimensionnelle : ‘Cube’
OLAP et analyse multidimensionnelle

Cube: représentation des données

sous forme multidimensionnelle
OLAP et analyse multidimensionnelle
Définitions:

Le modèle multidimensionnel contient 2 types d’attributs : les dimensions

et les mesures

Les mesures sont les valeurs numériques que l’on compare (ex : montant_ventes,
qte_vendue); ces valeurs sont le résultat d’une opération d’agrégation des données

Les dimensions sont les points de vues depuis lesquels les mesures peuvent
être observées :
Ex: date, région, type de produit, etc.
Implémentation d’un OLAP

Approches pour créer un OLAP: 3 possibilités:

Relational OLAP (ROLAP)
▪ Données sont stockées dans un SGBD relationnel
▪ Un moteur OLAP permet de simuler le comportement
d'un SGBD multi-dimensionnel
Multidimensional OLAP (MOLAP)
▪ Structure de stockage en cube
▪ Accès direct aux données dans le cube
Hybrid OLAP (HOLAP)

▪ Données stockées dans SGBD relationnel (données de base)

▪ + structure de stockage en cube (données agrégées)
ROLAP

Idée:

▪ Données stockées en relationnel.

▪ La conception du schéma est particulière: schéma en étoile, schéma en flocon
▪ Des vues (matérialisées) sont utilisées pour la représentation
multidimensionnelle
▪ Les requêtes OLAP (slice, rollup…) sont traduites en SQL.

Avantages/inconvénients

▪ Souplesse, évolution facile, permet de stocker de gros volumes.

▪ Mais peu efficace pour les calculs complexes
ROLAP

Relational OLAP
MOLAP
Idée
Modélisation directe du cube
Ces cubes sont implémentés comme des matrices à plusieurs
dimensions
CUBE [1:m, 1:n, 1:p…]
Le cube est indexé sur ses dimensions

Avantages/inconvénients
▪ Rapide
▪ Formats propriétaires
▪ Ne supporte pas de très gros volumes de données
MOLAP

Multi-Dimensional OLAP
HOLAP

▪ MOLAP + ROLAP
▪ Données stockées dans des tables relationnelles
▪ Données agrégées stockées dans des cubes.
▪ Les requêtes vont chercher les données dans les tables et les
cubes
 HOLAP

Hybrid OLAP
 Manipulation d’un cube

▪ Opérateurs appliqués sur le cube sont algébrique (le résultat

est un autre cube) et peuvent être combinés.

▪ Opérateurs sont:
▪ Slicing & Dicing (extraction)

▪ Pivot (Réorganisation des dimensions)

▪ Roll up (agrégation d'une dimension => résumé)

▪ Drill down (plus détaillées)

 Opérations OLAP
Slicing Nombre de commandes

1995 1996 1997 1996

Frais Casa-Settat 220 265 284 Frais Casa-Settat 265
Rabat-Salé- 225 245 240 Rabat-Salé-Kénitra 245
Kénitra
Liquide Casa-Settat 152
Liquide Casa-Settat 163 152 145
Rabat-Salé-Kénitra 174
Rabat-Salé- 187 174 184
Kénitra

Sélection de tranches
du cube par des
prédicats selon une
dimension Dicing: extraction d'un sous-cube
 Opérations OLAP 95-97 (3 ans groupés)
Roll-up / Drill-down
95 | 96 | 97 (année par année)

Roll Up
95 96 97 1S95 | 2S95 | 1S96 (semestre par semestre)
Alim. 496 520 255
Roll Up Dimension Temps

95-97 95 96 97 1S95 2S95 1S96 2S96 1S97

Frais 623 Frais 221 263 139 Frais 100 121 111 152 139
Liquide 648 Liquide 275 257 116 Liquide 134 141 120 137 116

Drill Down
Dimension Produit

95 96 97
Alim. (catégorie générale)
Fromage 20 19 22
Frais | Liquide (sous-catégories) … … … …
Salade 40 43 48
Fromage | Salade... (produits
détaillés)
Opérations OLAP

Roll-up / Drill-down
Roll Up
95 96 97
Alim. 496 520 255
Roll Up Dimension Temps

95-97 1S95 2S95 1S96 2S96 1S97

95 96 97
Frais 623 Frais 100 121 111 152 139
Frais 221 263 139
Liquide 648 Liquide 134 141 120 137 116
Liquide 275 257 116

Drill Down
Dimension Produit

95 96 97
Fromage 20 19 22
… … … …
Salade 40 43 48
Opérations OLAP
Roll-up / Drill-down

Roll-up Drill-down

vue synthétique (on remonte plus de détails (on descend

dans la hiérarchie) dans la hiérarchie)
Opérations OLAP
Pivot

95 96 97
95 96 97
Casa-Settat 101 120 52
Frais 221 263 139
Rabat-Salé- 395 400 203
Liquide 275 257 116
Kénitra
 Exemple : Analyse des Ventes dans un Cube
MOLAP à 2 Dimensions

Contexte

Une entreprise veut analyser les ventes de ses produits en fonction du temps et
de la localisation. Les analyses doivent inclure :

[Link] ventes totales par année, mois et jour.

[Link] ventes totales par région et par ville.
[Link] possibilité de naviguer dans les niveaux de granularité avec des opérations
comme roll-up et drill-down.
 Exemple : Analyse des Ventes dans un Cube
MOLAP à 2 Dimensions
Réalisation du Cube MOLAP
Le cube MOLAP contient:

1- Mesure
Ventes : Montant total des ventes.

2-Dimensions:
Temps : Hiérarchie de granularité Localisation : Hiérarchie de granularité
Année → Mois → Jour Région → Ville

3- Structure du Cube (en tableau) :

Chaque cellule contient le total des ventes agrégées pour les combinaisons des
granularités des dimensions
 Exemple : Analyse des Ventes dans un Cube
MOLAP à 2 Dimensions
Réalisation du Cube MOLAP

Temps/Loca Région A – Région A- Total Région B– Région B- Total Total

lisation Ville 1 Ville 2 Région A Ville 1 Ville 2 Région B
2023 5,000 5,000 10,000 7,500 7,500 15,000 25,000

Janvier 2,000 2,000 4,000 3,000 3,000 6,000 10,000

Février 3,000 3,000 6,000 4,500 4,500 9,000 15,000

 Exemple : Analyse des Ventes dans un Cube
MOLAP à 2 Dimensions
Réalisation du Cube MOLAP

Calcul des Agrégats

Les agrégats sont pré-calculés et stockés dans le cube pour accélérer les requêtes :
Niveau Année : Somme des ventes pour chaque région.
Exemple : Ventes totales pour 2023 dans la Région A = 5000

Niveau Mois : Somme des ventes pour chaque mois dans chaque région.
Exemple : Ventes pour Janvier 2023 dans la Région B=6000.

Niveau Jour : Somme des ventes pour chaque jour.

Exemple : Ventes le 01 Janvier 2023 dans la Région A = 1000
 Exemple : Analyse des Ventes dans un Cube
MOLAP à 2 Dimensions
Drill—down Jours
Temps/Loca Région A – Région B- Total Région B– Région B- Total Total
lisation Ville 1 Ville 2 Région A Ville 1 Ville 1 Région B
2023 5,000 5,000 10,000 7,500 7,500 15,000 25,000

Janvier 2,000 2,000 4,000 3,000 3,000 6,000 10,000

01--Janvier 1,000 1,000 2,000 1,500 1,500 3,000 5,000

02-Janvier 1,000 1,000 2,000 1,500 1,500 3,000 5,000

03-Janvier 0 0 0 0 0 0 0

Février 3,000 3,000 6,000 4,500 4,500 9,000 15,000

01-Février 1,500 1,500 3,000 2,000 2,000 4,000 7,000

02-Février 1,500 1,500 3,000 2,500 2,500 5,000 8,000

 Exemple : Analyse des Ventes dans un Cube
MOLAP à 2 Dimensions
Roll-up sur mois

Temps/Loca Région A – Région B- Total Région B– Région B- Total Total

lisation Ville 1 Ville 2 Région A Ville 1 Ville 1 Région B
2023 5,000 5,000 10,000 7,500 7,500 15,000 25,000

Janvier 2,000 2,000 4,000 3,000 3,000 6,000 10,000

Février 3,000 3,000 6,000 4,500 4,500 9,000 15,000

 Exemple : Analyse des Ventes dans un Cube
MOLAP à 2 Dimensions

Roll-up sur région

Temps/Loca Total Total Total

lisation Région A Région B
2023 10,000 15,000 25,000

Janvier 4,000 6,000 10,000

Février 6,000 9,000 15,000