Entrepôts de données
Dr. SAGAR Samya
Objectifs du cours
} Introduction et définition d’un entrepôt de données
} Modélisation et Architecture d’un entrepôt de données
} OLAP et implémentation des entrepôt s de données
2 SAGAR Samya
Partie5
Modélisation d’un Data
WareHouse
3 SAGAR Samya
Modélisation multidimensionnelle (1)
} Les analyses décisionnelles (OLAP) sont directement
reliées à une modélisation de l'information
conceptuelle :
} proche de la perception qu'en a l'analyste
} basée sur une vision multidimensionnelle des données
Cʼest la modélisation multidimensionnelle :
} Considère un sujet analysé comme un point dans un
espace à plusieurs dimensions
} Les données y sont organisées de façon à mettre en
évidence le sujet analysé et les différentes
perspectives de l'analyse.
4 SAGAR Samya
Modélisation multidimensionnelle
Modélisation multidimensionnelle (2) (2)
} Soit lesSoit
donné
lesesdonnées
relativesrelatives
aux ventes deventes
aux 1999 dʼune entreprise
de 1999 de
dʼune entreprise de distr
distribution : Catégories des produits Régions Montant des ventes
Electroménager Tunis 50
Electroménager Sousse 40
Electroménager Sfax 30
Papeterie Tunis 60
Papeterie Sfax 50
Bricolage Tunis 30
On peut distinguer
Bricolage différentesSousse
perspectives
30 pour observer ces données
• une dimension relative à la catégorie des produits
} On peut distinguer différentes
• une dimension perspectives
relative pour observer ces données :
à la région
} une dimension relative
à la catégorie des produits Ventes
} une dimension relative
à la région
t
Catégories
Tunis
Sousse
Sfax
5 SAGAR Samya Régions
Modélisation
Modélisation multidimensionnelle (3)(3)
multidimensionnelle
Considérons plusieurs tables des ventes de chaque année entre 1
} Considérons plusieurs tables des ventes de chaque année entre
On peut alors observer les données dans un espace à 3 dimensio
1997 et 1999 On peut alors observer les données dans un
• la dimension catégories produit
espace •à la
3 dimensions :
dimension régions
} la dimension catégories
• la dimension produit
temps
} la dimension régions de ces dimensions représente une cellule com
Chaque intersection
} la dimension temps
des ventes :
Ventes
} Chaque intersection de Temps
ces dimensions
représente une cellule Catégories
comportant le montant
Sousse
Sfax
Tunis
des ventes :
Régions
6 La modélisation multidimensionnelle a donné naissance aux con
SAGAR Samya
Cube de données
} Modèle multidimensionnel : Les données sont vues comme des
data cubes
} Un cube de dimension n est dit cuboïde
} Le treillis des cuboïde d’un entrepôt de données forme un data cube
} La modélisation multidimensionnelle a donné naissance
aux concepts de fait et de dimension
Modélisation Modélisation
Cube de données Exemple de treillis de cube
Exemple de cube Exemple de treillis de cube
7 SAGAR Samya
93/137
92/137
Concept de fait
Modélisation multidimensionnelle : concept de fait
t 1999 } Un fait : Un fait :
modélise le sujet
} de l'analyse
• modélise le sujet de l'analyse
• est formé de mesures correspondant aux informations de l'activité ana
} est formé de mesures correspondant aux informations de
• ces mesures sont numériques et généralement valorisées de façon
l'activité analysé
onepeut
. les additionner, les dénombrer ou bien calculer le minimum,
nt le montant maximum ou la moyenne.
} ces mesures sont numériques et généralement valorisées de
façon continue, on peut les additionner, les dénombrer ou
Exemple : le fait de « Vente » peut être constitué des mesures d'activité
bien calculersuivantes
le minimum,
: le maximum ou la moyenne.
• quantité de produits vendus et
} Exemple : le fait• demontant
« Vente » peut être constitué des mesures
total des ventes
d'activités suivantes :
VENTE F
} quantité de produits vendus et fait
} montant total des ventes quantité
montant
mesure d'activité
de fait et de
29 Introduction au entrepôts de données - Bernard ESPINASSE -
8 SAGAR Samya
Concept de dimension
La modélisation multidimensionnelle a donné naissance aux concepts de fait et de
dimension [Kimball 1996]
} Le sujet analysé, le fait, est analysé suivant différentes
Introduction au entrepôts de données - Bernard ESPINASSE - 29 Introduc
perspectives ou axes caractérisant ses mesures de
lʼactivité : on parle de dimensions.
Modélisation multidimensionnelle : concept de dimension Mod
} Une dimension
Le sujet analysé, : suivant différentes perspectives ou axes
le fait, est analysé
par
caractérisant ses mesures de lʼactivité : on parle de dimensions. • en
} • modélise un axe d'analyse dim
Une dimension :
} ••modélise
se compose de paramètres correspondant aux
un axe d'analyse
• néc
déf
•informations faisant correspondant
se compose de paramètres varier les mesures de faisant
aux informations l'activité
[Link]
mesures de l'activité.
La h
} Exemple : Dans l'exemple précédent, le fait « Vente » peut être analysé
Ex: Dans l'exemple précédent, le fait « Vente » peut être analysé suivant • d
suivant diffé
différentes rentes perspectives
perspectives à trois dimensions : àlatrois
correspondant correspondant dimensions
dimension Temps, la : la E
dimension Temps, laetdimension
dimension Geographie la dimensionGeographie
Categorie : et la dimension Categorie
TEMPS GEOGRAPHIE CATEGORIE
année région
trimestre typeProduit
département
saison gamme
ville
mois nomProduit
jour couleur
9 SAGAR Samya
Introduction au entrepôts de données - Bernard ESPINASSE - 31 Introduc
Hiérarchie des paramètres d’une dimension
} en OLAP les mesures dʼun fait sont généralement analysées selon les
dimensions qui le caractérisent
} nécessaire de définir pour chaque dimension ses différents niveaux
de détail définissant ainsi une (ou plusieurs) hiérarchie(s) de
paramètres
} La hiérarchie de paramètre dʼune dimension :
} définis des niveaux de détail de l'analyse sur cette dimension
} Exemple :
} Dimension « temps» : H1 : jour à mois à trimestre à année ;
H2 : jour à trimestre à année ;
H3 : jour à mois à saison à année ;
} Dimension « géo graphie » : ville à département à région (chaque ville appartient
à un département qui est situé dans une région)
} Dimension « catégorie» : couleur à nomProduit à gamme à typeProduit
(chaque produit appartient à une gamme de produit qui appartient à un type de produit)
10 SAGAR Samya
Objets intervenant dans les schémas
} Tables de faits (fact tables)
} Les faits numériques (les mesures)
} Les clés étrangères vers les tables de dimension
} Tables de dimension (dimension tables)
} composées d’une ou plusieurs hiérarchies catégorisant les données
} Identifiant unique
} Pour distinguer les enregistrements dans les tables
} Relations entre les objets
} elles assurent l’intégrité des opérations
Exemple :
- Tables de dimension :
item(nom_item, marque, type)
temps(jour , semaine , mois , trimestre , annee)
- La table des faits contient des mesures unites_vendues
- Les clés externes font référence à chaque table de dimension
11 SAGAR Samya