Module B4 : Projet des Systèmes d’information Introduction Lille, le 25 mars 2002 LES ENTREPOTS DE DONNEES Présentation Application Structure Construction Exploitation Data mining Problématique : Pour capitaliser ses informations, une entreprise doit-elle commencer par mettre en œuvre des Data marts puis évoluer vers un Data warehouse ou commencer tout de suite par un Data warehouse ? Conclusion www.bouchaboun.com Nordine BOUCHABOUN Michel M. Sébastien L. Jean-Pierre F. Plan Général 1. Présentation du data warehouse 2. Le périmètre d’application Introduction Présentation 3. La structure des données Application Structure Construction Exploitation Data mining 4. Construction du data warehouse 5. L’exploitation de l’information Conclusion 6. Data mining 7. Conclusion Générale PRESENTATION DU DATA WAREHOUSE Introduction Les facteurs de changements Présentation Application Historique du décisionnel Structure Construction Exploitation Data mining Conclusion Définition Comparaison OLTP/OLAP Les Facteurs de changements Facteurs stratégiques Introduction Prix, qualité, délais, services, personnalisation Présentation Application Structure Facteurs technologiques Construction Exploitation Facteurs économiques Data mining Conclusion Facteurs financiers Facteurs économiques Introduction Présentation Application Structure Construction Exploitation Data mining Conclusion Le passage à la net économie Facteurs financiers Introduction Présentation Application Structure Construction Exploitation Data mining Conclusion IDC 2001 Evolution du marché du décisionnel pour l’année 2000 PRESENTATION DU DATA WAREHOUSE Introduction Les facteurs de changements Présentation Application Historique du décisionnel Structure Construction Définition du Data warehouse Exploitation Data mining Conclusion Comparaison OLTP/OLAP Historique L’infocentre Introduction Présentation Application Le côté technique Structure Construction Exploitation Data mining Conclusion L’apparition du data warehouse PRESENTATION DU DATA WAREHOUSE Introduction Les facteurs de changements Présentation Application Historique du décisionnel Structure Construction Définition du Data warehouse Exploitation Data mining Conclusion Comparaison OLTP/OLAP Définition Introduction Présentation Application Structure Construction « Le data warehouse est une collection de données orientées sujet, intégrées, non volatiles et historisées, organisées pour le support d’un processus d’aide à la décision » Exploitation Data mining Conclusion (Bill IMMON -Using the data warehouse -1994) Définition (suite) Introduction • Données organisées par thèmes Présentation Application • Données consolidées et cohérentes Structure Construction Exploitation Data mining Conclusion • Données historiques et non volatiles • Data mart & data warehouse PRESENTATION DU DATA WAREHOUSE Introduction Les facteurs de changements Présentation Application Historique du décisionnel Structure Construction Définition du Data warehouse Exploitation Data mining Conclusion Comparaison OLTP/OLAP Comparaison OLTP/OLAP On Line Transaction Processing & On Line Analytical Processing Introduction Présentation Application L’utilisation Structure Construction Exploitation Data mining Conclusion Les accès Les origines des données Le Volume des données LE PERIMETRE D’APPLICATION Introduction Les secteurs d’activités Présentation Application Structure Construction Exploitation Data mining Les principaux domaines d’application CRM SCM SEM Conclusion Data warehouse centralisé ou data marts ? Les secteurs d’activités La répartition des ventes 2000 de licences d’outils décisionnels par secteurs d’activités Introduction Présentation Application Structure Telecom 13% Services publics 11% Distribution / Commerce 14% Autres 6% Construction Exploitation Data mining Conclusion Banques / Assurances / Finances 27% Industrie 29% LE PERIMETRE D’APPLICATION Introduction Les secteurs d’activités Présentation Application Structure Construction Exploitation Data mining Les principaux domaines d’application CRM SCM SEM Conclusion Data warehouse centralisé ou data marts ? Les domaines d’application Stratégie E-business et Changement Introduction Présentation Application Structure Partenaires et Achat & Fournisseurs <> Logistique Ressources Vente & de Suivi l'Entreprise Construction Exploitation Data mining Conclusion Intégration E-business Système d'Information Interne <> Clients Customer Relationship Management Gestion de la Relation Client Introduction Présentation Application Les concepts Structure Construction Exploitation Data mining Conclusion Le rôle du décisionnel Supply Chain Management Gestion de la chaîne logistique Introduction Présentation Application Les objectifs Structure Construction Exploitation Data mining Conclusion Le rôle du décisionnel Strategic Enterprise Management Gestion la stratégie d’entreprise Introduction Présentation Application Les objectifs Structure Construction Exploitation Data mining Conclusion Le rôle du décisionnel LE PERIMETRE D’APPLICATION Introduction Les secteurs d’activités Présentation Application Structure Construction Exploitation Data mining Les principaux domaines d’application CRM SCM SEM Conclusion Data warehouse centralisé ou data marts ? STRUCTURE DES DONNEES Introduction Présentation La modélisation des données Application Structure Les agrégats Construction Exploitation Data mining Conclusion Les métadonnées Le modèle normalisé PAYS Introduction Présentation GAMME FOURNISSEUR Gamme_id Libelle Marque Fournisseur_id Nom Adresse Pays Application Structure Construction Exploitation Data mining Conclusion PRODUIT Produit_id Nom Fournisseur Gamme Code_pays Caracteristique Prix_ht Code_Pays Libellé CLIENT COMMANDE Commande_id Client Produit Quantité Date Client_id Nom Prenom Adresse Pays Relationnel pur → éviter la redondance Le modèle dénormalisé Introduction GAMME FOURNISSEUR Gamme_id Libelle Marque Fournisseur_id Nom Adresse Pays Présentation PRODUIT Application Produit_id Nom Fournisseur Gamme Code_pays Caracteristique Prix_ht Structure Construction Exploitation Data mining Conclusion PAYS Code_Pays Libellé CLIENT COMMANDE Commande_id Client Produit Quantité Date Client_id Nom Prenom Adresse Pays VENTE Produit_id CA_janvier CA_fevrier … → Résultat de calculs , agrégats Le modèle dimensionnel Introduction Présentation PERIODE GEOGRAPHIE JJMMAA * Jour_Semaine Semaine_année Point_vente_id * Region Pays Application Structure PRODUIT Construction Produit_id * Nom Fournisseur Gamme Code_pays Caracteristique Exploitation Data mining VENTES JJMMAA * Produit_id * Point_vente_id * Client_id * CA Marges Quantité … Conclusion Schéma en étoile CLIENT Client_id * Nom Prenom Adresse Pays Le modèle dimensionnel tables des dimensions Introduction PERIODE Présentation JJMMAA * Jour_Semaine Semaine_année Application GEOGRAPHIE Point_vente_id * Region Pays Structure Construction Exploitation Data mining Conclusion CLIENT PRODUIT VENTES Produit_id * Nom Fournisseur Gamme Code_pays Caracteristique JJMMAA * Produit_id * Point_vente_id * Client_id * Client_id * Nom Prenom Adresse Pays CA Marges Quantité … table des faits Le modèle dimensionnel table des faits = HYPERCUBE Introduction Présentation Application VENTES JJMMAA * Produit_id * Point_vente_id * PERIODE Structure CA Construction Exploitation Marges Quantité … PRODUIT Data mining GEOGRAPHIE Conclusion Le modèle des données hiérarchie Dimension temporelle : Introduction Présentation jour jour Dimension géographique : ville Dimension article : article semaine mois département type Application Structure Construction Exploitation granularité Plus petit élément d’une dimension: jour, ville, article Data mining Conclusion profondeur Nombre d’éléments dans une dimension Exemple: 5 ans = 1826 jours environ année année pays catégorie STRUCTURE DES DONNEES Introduction Présentation La modélisation des données Application Structure Les agrégats Construction Exploitation Data mining Conclusion Les métadonnées Les agrégats Ensemble d’enregistrements avec des cumuls, sur une ou plusieurs hiérarchies Introduction Présentation VENTES Application JJMMAA * Produit_id * Point_vente_id * Client_id * Structure Construction Exploitation Data mining Conclusion CA Marges Quantité … - Vente par semaine, produit, point de vente, client - Vente par jour, produit - Vente par mois, client - Vente par mois, gamme de produit, région de vente Les agrégats Introduction Réduit considérablement le nombre d’accès de la plupart des requêtes Présentation Application Occupe de l’espace disque supplémentaire Structure Construction Ressemble au principe des clés secondaires Exploitation Data mining Conclusion Doit être transparent pour les requêtes utilisateurs Définitions stockées dans des métadonnées STRUCTURE DES DONNEES Introduction Présentation La modélisation des données Application Structure Les agrégats Construction Exploitation Data mining Conclusion Les métadonnées Les métadonnées Introduction Présentation Application Structure Ensemble des référentiels de l’entrepôt de données, utilisés par l’OLAP : - définitions des objets - définitions des agrégats - autorisations d’accès -… Construction Exploitation Data mining Conclusion Dictionnaire de la BD Métadonnées Données Espace de chargement CONSTRUCTION DU DATA WAREHOUSE La gestion de projet Introduction Présentation Application Structure Construction L’acquisition des données L’architecture physique Exploitation Data mining L’architecture logicielle Conclusion Data warehouse centralisé ou data marts ? La gestion de projet ALIMENTER EXPLOITER DECIDER Introduction Présentation Application Structure Données opérationnelles + Construction Exploitation Données externes Extraire Nettoyer Stockage Stockage tempon Tampon (facultatif) (facultatif) Transformer Transporter Entrepôt de données Utiliser Outils d'Analyse Data mining ' Conclusion CONSTRUCTION DU DATA WAREHOUSE La gestion de projet Introduction Présentation Application Structure Construction L’acquisition des données L’architecture physique Exploitation Data mining L’architecture logicielle Conclusion Data warehouse centralisé ou data marts ? L’acquisition des données Introduction Présentation Application Structure Construction Exploitation Data mining Conclusion L’acquisition des données Découvrir Introduction Présentation Application Structure Construction Exploitation Data mining Conclusion Sous quelles formes sont les informations ? Les informations sont-elles valides ? Où sont les informations ? Comment et quand les informations sont-elles modifiées ? … L’acquisition des données Extraire Introduction Présentation Application Structure Construction Exploitation Data mining Conclusion Extraction possible à partir de plusieurs plateformes (OLTP, ERP, Web , …) Chargement incrémental ou complet L’acquisition des données Transformer Introduction Présentation Exploitation Uniformiser l’information Gérer les différents codes page Majuscule / minuscule Orthographe Data mining … Application Structure Construction Conclusion L’acquisition des données Transporter Introduction Présentation Application Structure Construction Exploitation Data mining Conclusion par FTP ou autre outil de transfert de fichiers par EAI L’acquisition des données Charger Introduction Application Les tables Les agrégats Structure … Présentation Construction Exploitation Data mining Conclusion CONSTRUCTION DU DATA WAREHOUSE La gestion de projet Introduction Présentation Application Structure Construction L’acquisition des données L’architecture physique Exploitation Data mining L’architecture logicielle Conclusion Data warehouse centralisé ou data marts ? L’architecture physique Introduction Dépend de la taille de l’entrepôt de données et des contraintes Présentation Application Structure Construction Exploitation Data mining Conclusion Ordinateur processeur INTEL, RISC , Mainframe simple ou multiprocesseur Disques RAID1 , RAID5 duplication sur une baie distante Réseau Sauvegarde CONSTRUCTION DU DATA WAREHOUSE La gestion de projet Introduction Présentation Application Structure Construction L’acquisition des données L’architecture physique Exploitation Data mining L’architecture logicielle Conclusion Data warehouse centralisé ou data marts ? L’architecture logicielle Le système d’exploitation Introduction Présentation Application UNIX 32 ou 64 bits Windows NT, 2000 Mainframe Structure Construction Exploitation Data mining Conclusion La base de données Oracle, DB2 d’IBM, Informix, Sybase Microsoft SQL server (Windows uniquement) Les outils d’ETL (Extract,Transform,Load) CONSTRUCTION DU DATA WAREHOUSE La gestion de projet Introduction Présentation Application Structure Construction L’acquisition des données L’architecture physique Exploitation Data mining L’architecture logicielle Conclusion Data warehouse centralisé ou data marts ? EXPLOITATION DE L’INFORMATION La Business Intelligence Introduction Présentation Les différents types d’utilisation et les services de restitution Application Structure Construction Exploitation Data mining Le reporting L’accès libre service Conclusion Analyse OLAP Data warehouse centralisé ou data marts ? La Business Intelligence Introduction Présentation Application Structure Construction Exploitation Data mining Conclusion Restituer l’information pour: Informer Analyser Décider et piloter EXPLOITATION DE L’INFORMATION La Business Intelligence Introduction Présentation Les différents types d’utilisation et les services de restitution Application Structure Construction Exploitation Data mining Le reporting L’accès libre service Conclusion Analyse OLAP Data warehouse centralisé ou data marts ? Les différents types d’utilisation Utilisation passive Introduction Navigation dans un référentiel Présentation Application Structure Construction Exploitation Data mining Conclusion Requête Analyse stratégique Les services logiques de restitution Navigation dans l’entrepôt Introduction Authentification et autorisation Présentation Application Structure Construction Exploitation Data mining Conclusion Surveillance des activités Gestion des requêtes Génération d’états standards Navigation dans l’entrepôt Basé sur les métadonnées Introduction Recherche des sujets disponibles Présentation Application Structure Construction Exploitation Data mining Conclusion Permettre à l’utilisateur d’accéder aux contenus Authentification et autorisation Authentification Introduction Présentation Application Structure Construction Exploitation Identifier l’utilisateur (login / mot de passe) Autorisation Détermination des informations visibles Table des filtres Data mining Conclusion Utilisateur X / Filtre A / Rapport X Utilisateur Y / Filtre B / Rapport X Utilisateur Z / Filtre C / Rapport X Authentification et autorisation Introduction Utilisateur X Présentation Filtre A Application Structure Construction Exploitation Utilisateur Y Filtre B Data mining Conclusion Filtre C Utilisateur Z Rapport X Autres services Surveillance de l’activité Introduction Présentation Application Structure Construction Exploitation Data mining Conclusion Informations sur le fonctionnement Gestion des requêtes Formulation, exécution, envoi du résultat Génération d’états standards Génération et mise à disposition EXPLOITATION DE L’INFORMATION La Business Intelligence Introduction Présentation Les différents types d’utilisation et les services de restitution Application Structure Le reporting Construction Exploitation L’accès libre service Data mining Conclusion Analyse OLAP Data warehouse centralisé ou data marts ? Le mode pull Introduction Client browser HTML / XML LDAP Présentation Application Structure Construction Exploitation Data mining Métadonnées Intranet Intranet/ / Internet Internet Datamarts ou Datawarehouse Conclusion HTTP Firewall Serveur web Serveur de rapport Le mode pull: avantages et inconvénients Introduction Présentation Application Structure Construction Exploitation Data mining Conclusion Avantage Nombre de traitements limité Inconvénient Utilisation des rapports pas optimisée par rapport aux filtres Le mode push LDAP Introduction Présentation Application Client browser HTML / XML Structure Métadonnées Construction Datamarts ou Datawarehouse Exploitation Data mining Conclusion Intranet Intranet/ / Internet Internet Firewall Serveur web Serveur de rapport HTTP E-mail SMTP Scheduler Le mode push: avantages et inconvénients Introduction Présentation Application Structure Construction Exploitation Data mining Conclusion Avantage Génération des rapports planifiable Inconvénients Utilisation des rapports pas optimisée par rapport aux filtres Pas d’adéquation par rapport au besoin utilisateur Le mode mixte LDAP Introduction Présentation Application Client browser HTML / XML Structure Métadonnées Construction Cache mémoire Exploitation Data mining Conclusion Intranet Intranet/ / Internet Internet Firewall Serveur web Serveur de rapport HTTP Scheduler Datamarts ou Datawarehouse Le mode mixte: avantages et inconvénients Introduction Présentation Application Structure Construction Exploitation Data mining Conclusion Avantages Génération des rapports planifiable Adéquation au besoin utilisateur Optimisation de la génération des rapports par rapport aux filtres Inconvénient Stockage intermédiaire des rapports EXPLOITATION DE L’INFORMATION La Business Intelligence Introduction Présentation Les différents types d’utilisation et les services de restitution Application Structure Le reporting Construction Exploitation Data mining Conclusion L’accès libre service Analyse OLAP Data warehouse centralisé ou data marts ? L’accès libre service Requête simple Introduction Sur des données simples opérationnelles Présentation Application Structure Construction Exploitation Data mining Conclusion Interfaces utilisateurs EXPLOITATION DE L’INFORMATION La Business Intelligence Introduction Présentation Les différents types d’utilisation et les services de restitution Application Structure Le reporting Construction Exploitation L’accès libre service Data mining Conclusion Analyse OLAP Data warehouse centralisé ou data marts ? La logique OLAP: les principes Un principe logique Introduction Présentation Application Méthodologie de modélisation de données Structure Construction Outils de restitution Exploitation Data mining Conclusion La navigation dans un cube La logique OLAP: exemple d’analyse Clients •Secteur •Famille •Type client •Client Introduction Présentation Application Structure Construction Exploitation Data mining Temps •Années •Trimestre •Mois •Jour Mesures •Quantité •Délai de livraison •CA •Marge Conclusion Géographie •Région •Département •Point de vente Produits •Gammes •Produits La logique OLAP: la pyramide d’analyse Introduction Présentation Indicateurs (CA, Quantité…) CA / Gamme / Année DRILL DOWN CA / Gamme / Mois Agrégation Application Structure Construction CA / Gamme / Jour Exploitation Axe d’analyse Période (Année, trimestre, jour…) Data mining Conclusion Axe d’analyse Produit (Gamme, produit unitaire) SLICE AND DICE Axe d’analyse Client (Secteur, famille, client…) La mise en œuvre par MOLAP Base Multi dimensionnelle Vue multidimensionnelle Introduction Présentation Application CA / Gamme / Année Structure Construction CA / Gamme / Mois Exploitation Data mining Conclusion CA / Gamme / Jour Axe d’analyse Période (Année, trimestre, jour…) Axe d’analyse Produit (Gamme, produit unitaire) La mise en œuvre par MOLAP Introduction Présentation Avantages Temps de réponse très court Navigation facilitée Application Structure Construction Exploitation Data mining Conclusion Limites Stockage des données Pré-agrégation des indicateurs Volumes importants difficile à gérer La mise en œuvre par ROLAP Vue multidimensionnelle Mapping Vue relationnelle Introduction Présentation Application Axe d’analyse Période (Année, trimestre, jour…) Structure Construction Exploitation Data mining Conclusion Axe d’analyse Produit (Gamme, produit unitaire) CA / Gamme / Année CA / Gamme / Jour Base relationnelle La mise en œuvre par ROLAP Introduction Présentation Application Avantages Axes d’analyse non nécessairement pré-définis Monde relationnel Structure Construction Exploitation Data mining Conclusion Limites Temps de réponse La mise en œuvre par HOLAP Vue multidimensionnelle Base Multi dimensionnelle Base relationnelle SQL dynamique Introduction Présentation CA / Gamme / Année Application Structure Construction Exploitation CA / Gamme / Mois Axe d’analyse Période (Année, trimestre, jour…) Data mining Conclusion Axe d’analyse Produit (Gamme, produit unitaire) CA / Gamme / Jour DRILL THROUGH La mise en œuvre par HOLAP Introduction Avantages Temps de réponse Présentation Application Structure Construction Exploitation Data mining Conclusion Limites Gestion du passage du multidimensionnel au relationnel EXPLOITATION DE L’INFORMATION La Business Intelligence Introduction Présentation Les différents types d’utilisation et les services de restitution Application Structure Le reporting Construction Exploitation L’accès libre service Data mining Conclusion Analyse OLAP Data warehouse centralisé ou data marts ? Data warehouse centralisé ou data marts Data mart Demande HOLAP Introduction Présentation Demande ROLAP Data mart Application Structure Construction Demande MOLAP Exploitation Data mining Conclusion Requête Data mart Demande de rapport Data warehouse DATAMINING Définition du Data minig Introduction Présentation Processus Application Structure Les techniques utilisées Construction Exploitation Data mining Conclusion Choix des outils Data warehouse centralisé ou data marts ? Définition du Data mining Data mining = Forage des données Introduction Présentation Application Structure Construction Exploitation Data mining Conclusion Concepts et outils dérivés de l'intelligence artificielle permettant d'analyser des données pour en déduire, sans a priori, des corrélations. DATAMINING Définition Introduction Présentation Processus Application Structure Les techniques utilisées Construction Exploitation Data mining Conclusion Choix des outils Data warehouse centralisé ou data marts ? Processus Application Structure Construction Exploitation Data mining Conclusion Nbre d ’exemples Présentation Zone optimale Temps de calcul trop long Multiplication des apprentissages pour s ’assurer de la stabilité Trop peu d ’exemples par rapport à la taille du problème - Introduction + Extraction de l’information - Nbre de variables + Processus La sélection des données Les actions sur les variables Introduction Présentation Application La recherche du modèle Structure Construction Exploitation Data mining Conclusion L’évaluation des résultats DATAMINING Définition Introduction Présentation Processus Application Structure Les techniques utilisées Construction Exploitation Data mining Conclusion Choix des outils Data warehouse centralisé ou data marts ? Les techniques Raisonnement à base de cas Nouvelles expériences Expériences passées Introduction Recherche de cas similaires Présentation Application Situation Nouvelle situation Structure Construction Exploitation Data mining Conclusion Solution et explication Adaptation Amélioration de l’expérience Solution Les techniques Les arbres de décisions Décomposition de la durée d’un appel en sec. Moyenne = 245,72 Écart type= 203,06 N= 1000 (100,0%) Introduction Revenu Présentation Application Structure <= 30000 > 30000 Moyenne = 241,02 Écart type= 137,51 N= 9403 (94,0%) Moyenne = 319,76 Écart type= 622,60 N= 597 (6,0%) Construction Exploitation Data mining Possède un PC Conclusion Non Oui Moyenne = 234,94 Écart type= 150,85 N= 422 (4,2%) Moyenne = 524,31 Écart type= 1101,43 N= 175 (1,8%) Les techniques Les algorithmes génétiques Chromosomes = 10111 Introduction Présentation Application Structure Construction Hybridation 01 010 ⇒ 10 101 ⇒ 10 010 01 101 Mutation 01 0 10 ⇒ 01 1 10 Inversion 01 010 ⇒ 10 010 Exploitation Data mining Conclusion Les techniques Les réseaux de neurones Introduction Présentation Application Structure Construction Exploitation Data mining Conclusion Neurones d’entrée Neurones cachés Neurones de sortie Les techniques Introduction Présentation Les associations Ensemble de règles conditionnelles de type: Si A <opérateur> B Alors C Application Structure Construction Exploitation Data mining Conclusion Exemple Si achat SALADE Et TOMATE Alors achat HUILE Les techniques Evaluation: analyse de tickets de caisses Ticket 1 Introduction Présentation Application Farine Sucre Lait Ticket 2 Ticket 3 Ticket 4 Œufs Sucre Chocolat Farine Œufs Sucre Chocolat Œufs Oeufs Chocolat Thé Structure Construction Exploitation Data mining Conclusion Niveau de confiance de l’association Oeufs Farine ⇒ ⇒ Chocolat Sucre : 100% : 100% Niveau de support de l’association Farine ⇒ Sucre : 66.6% Niveau de support de l’association Oeufs ⇒ Chocolat : 100% Association réversible Les techniques Introduction Présentation Utilisations principales Analyse de tickets de caisses Diagnostiques de crédits Application Structure Construction Exploitation Avantage Facilement compréhensible Data mining Conclusion Inconvénient Le volume de calcul croit au carré ou au cube avec le volume de données de crédits DATAMINING Définition Introduction Présentation Processus Application Structure Les techniques utilisées Construction Exploitation Data mining Conclusion Choix des outils Data warehouse centralisé ou data marts ? Le choix d’un outils Apprécier la pertinence des données Introduction Présentation Obtenir des modèles sans modifier les données Application Structure Le traitement du volume de données Construction Exploitation Data mining Conclusion Plusieurs types de variables et de les travailler La possibilité d'utiliser plusieurs techniques de data mining Le choix d’un outil La qualité d'ajustement du résultat Introduction Présentation Application Structure Facilité de compréhension du résultat L’introduction des résultats dans les systèmes de gestion Construction Exploitation La volonté de l'entreprise à s'investir Data mining Conclusion Le prix Les impacts sur l'organisation de l'entreprise DATAMINING Définition Introduction Présentation Processus Application Structure Les techniques utilisées Construction Exploitation Data mining Conclusion Choix des outils Data warehouse centralisé ou data marts ? CONCLUSION GENERALE Problématique : Introduction Pour capitaliser ses informations, une entreprise doit-elle commencer par mettre en œuvre des Data marts puis évoluer vers un Data warehouse ou commencer tout de suite par un Data warehouse ? Présentation Application Structure Construction Les avantages et inconvénients du data warehouse centralisé Exploitation Conclusion Les avantages et inconvénients des data marts Notre réponse Le data warehouse centralisé Avantages et Inconvénients Introduction Présentation Application Structure Construction Exploitation Conclusion Demande une coopération étroite entre les différents acteurs Demande énormément de ressources financières et de compétences Facilite l’uniformisation par une administration unique Les data marts Avantages et Inconvénients Introduction Présentation Application Structure Construction Exploitation Conclusion Permet de commencer petit pour voir grand (notion de projet pilote) Faciliter de mise en place Permet d’utiliser des outils spécialisés sur le thème métier de chaque Data mart Notre réponse Les directions organisationnelles sont demandeurs et pressées Introduction Présentation Application Créer un environnement centralisé pose des problèmes de gigantisme Structure Construction Grouper les thèmes ne semble pas nécessaire Exploitation Conclusion Aujourd’hui, les restrictions budgétaires font que souvent, seuls les data marts voient le jour… Questions / Réponses Introduction Présentation Application Structure Construction Exploitation Conclusion Annexes Introduction Présentation Application Structure Construction Exploitation Conclusion Annexe 1 Répartion des licences Introduction Présentation Application Structure Construction IDC 2001 Exploitation Conclusion Répartition des licences du marché par type d’outils pour l’année 2000 Annexe 2 Répartition du marché Introduction Présentation Application Structure Construction IDC 2001 Exploitation Conclusion Répartition du marché entre les éditeurs et les SSII pour l’année 2000 Annexe 3 Quelques ouvrages Introduction Présentation Application Structure Construction Exploitation Conclusion Quelques ouvrages : Jean-Michel FRANCO & Sandrine DE LIGNEROLLES – Eyrolles – 2000 « Piloter l’entreprise grâce au data warehouse » R. KIMBALL & L. REEVES & M. ROSS & W. THORNTHWAITE – Eyrolles – 2000 « Concevoir et déployer un data warehouse » R. LEFEBURE & G VENTURI – Eyrolles - 1999 « Le Data Mining » ANNEXE 4 Tableau comparatif OLTP/OLAP On Line Transaction Processing On Line Analytical Processing Caractéristique Base opérationnelle Base décisionnelle Utilisateurs La majorité de l’entreprise Quelques décideurs Mises à jour Au fil de l’eau, générées surtout par les utilisateurs De nuit et week-end, par lot (extraction) Application Fréquence d’accès Continue, Pics de charge Sur demande des utilisateurs Structure Performances Rapidité impérative Charge dépend des requêtes Construction Modèle principal des données Normalisé ( 3NF ) Dimensionnel (en étoile, en flocon) Origine des données Application unique Sources multiples possibles Souplesse d’accès au données Faible, accès par programmes Grande, accès par requêtes d’application Besoins en données Bien compris Flou, travail de recherche Ancienneté des données Récente Historisée Taille de la base : 100 MB à 1GB 1 GB à 1 TB Introduction Présentation Exploitation Data mining Conclusion
