Conceptualisation : illustration • PERSON (ssn, name, address) • EMPLOYEE(ssn, name, salary, hired-date) • MANAGER(ssn, rank, promotion-date, deptno) • CUSTOMER(ssn, custid, name, credit) • DEPARTMENT(deptno, dept-name, location) • PRODUCT(pronum, description) • PRICE(pronum, minprice, maxprice) • ORDER(ordid, order-date, prodid, custid) • CARRIER(carrier-id, name, address) • PROJECT(pronum, deptno, budget) • WORK-FOR(ssn, deptno, start-date) • CAN-PRODUCE(deptno, pronum, unit-cost) • SHIPMENT(pack#, ordid, ship-date, carrier-id). J. AKOKA &I.WATTIAU Le schéma relationnel initial 85 Etape 1 : - identification des entités PERSON, EMPLOYEE, MANAGER, CUSTOMER, DEPARTMENT, PRODUCT, PRICE et ORDER. - suspicion d’homonymes ou d’héritages entre les clés de PERSON, EMPLOYEE, MANAGER et CUSTOMER d’une part et PRICE et PRODUCT d’autre part. - recherche d’un identifiant pour la table relationnelle CARRIER J. AKOKA &I.WATTIAU 86 Résultat de la première étape : les lignes discontinues représentent les homonymes ou les liens de généralisation soupçonnés : PERSON EMPLOYEE MANAGER CUSTOMER PRICE DEPARTMENT ORDER J. AKOKA &I.WATTIAU PRODUCT 87 Etape 2 : •Confirmation des relations d’inclusion suivantes PERSON EMPLOYEE MANAGER et PERSON CUSTOMER •Infirmation des autres •Présomption d'associations entre entités : - EMPLOYEE (ou MANAGER ou CUSTOMER ou PERSON) et DEPARTMENT , - deux associations entre DEPARTMENT et PRODUCT , - une association 1-1 entre PRICE et PRODUCT, - deux associations entre DEPARTEMENT et PRICE, - ORDER et une entité à déterminer •Confirmation de Carrier-id comme identifiant de la table CARRIER88 J. AKOKA &I.WATTIAU Résultat de la deuxième étape : (les ovales représentent des associations et les flèches des liens de généralisation) : PERSON EMPLOYEE CUSTOMER ? work-for ? MANAGER DEPARTMENT J. AKOKA?&I.WATTIAU shipment ORDER ? project ? can-produce ? ? PRICE 1 1 89 PRODUCT Etape 3 : L'application des règles indiquées ci-dessous nous permet de confirmer les associations suivantes : • work-for est une association reliant uniquement les entités EMPLOYEE et DEPARTMENT. • a est une association 1-1 entre les entités PRODUCT et PRICE • L'association can-produce entre DEPARTMENT et PRODUCT est consolidée. • L'association shipment nous conduit à définir une entité organisationnelle appelée PACK. • L'association project existant entre DEPARTMENT et PRODUCT reflète l'existence d'un homonyme contrairement à celle entre DEPARTMENT et PRICE. • L'analyse du DML confirme l’homonymie entre la colonne Pronum de la table PROJECT et la colonne Pronum de la table PRICE ou PRODUCT. Le même raisonnement peut être appliqué à l'autre association project. J. AKOKA &I.WATTIAU 90 Résultat de la troisième étape : PERSON EMPLOYEE CUSTOMER work-for MANAGER ? DEPARTMENT project ? can-produce PACK PRICE 1 1 PRODUCT shipment J. AKOKA &I.WATTIAU ORDER 91 Itération de l'étape 2 : Association project entre l'entité DEPARTMENT et une autre entité à découvrir Itération de l'étape 3 : Confirmation de la nature de l'entité PROJECT (faible). PE RSON Résultat : CUST OMER Cust omer EMPLOYE E M work-for ORDE R N MANAGER shipm ent PACK J. AKOKA &I.WATTIAU PRODUCT 1 a M Pr oject N DEP ART ME NT shipment PROJECT relatif à N can-produce PRICE CARRIER 1 92 Etape 4 : Détection de clés étrangères dans les tables relationnelles MANAGER, ORDER et SHIPMENT. Nous obtenons alors les associations 1 : N potentielles. Résultat : le symbole ---‰ représente une clé étrangère potentielle. PE RSON CUST OM ER Cust omer EM PLOYE E M M ANAGER CARRIER shipm ent PACK N PRODUCT M PROJECT Pr oject N DEP ART ME NT ORDE R shipment work-for relatif à N can-produce 1 a 1 PRICE J. AKOKA &I.WATTIAU 93 Etape 5 : Confirmation de toutes les clés étrangères. PERSON L'association shipment doit être EMPLOYEE M CUSTOMER Cust omer transformée 1 1 work-for from en entité. MANAGER N N of ORDER CARRIER 1 N 1 for for N f or N for 1 PRODUCT 1 M 1 1 1 DEPARTMENT of N N can-produce PROJECT Pr oject has SHIPMENT 1 N PRICE shipm ent N for 1 1 J. AKOKA &I.WATTIAU PACK 94 4.4.3.6. La désoptimisation du schéma physique • Principe : • Examiner les spécifications DDL pour suspecter des opérations d’optimisation • Scanner les spécifications DML pour confirmer ou infirmer ces opérations d’optimisation • S’il y a confirmation, vérifier dans les données pour valider les restructurations • Réitérer le processus tant qu’il y a des opérations possibles • Présenter le schéma logique restructuré au concepteur pour validation • Opérations : jointure, projection, restriction, aplatissement. J. AKOKA &I.WATTIAU 95 L’opération de jointure • Principe : • autorise la construction des relations formées par la concaténation des tuples de deux relations existantes selon le prédicat de jointure, incluant le plus souvent une clé étrangère. • Exemple : • Invoice(Invoice#,Customer#,Amount,Date) • Customer(Customer#,Customer_name,Address) • Incust(Invoice#,Customer#,Amount,Date,Customer_name,Address) • Provoque une dénormalisation du schéma (3FN->2FN,2FN->1FN) • 4 cas de jointure J. AKOKA &I.WATTIAU 96 Jointure : cas 1 • La jointure est faite sur un attribut clé primaire des deux tables : • R1(K, C1,C2,...,Cn) & R2(K, D1,D2,...,Dm) => R(K, C1,C2,...,Cn,D1,D2,...,Dm) • introduit un grand nombre de valeurs nulles • pas de dénormalisation : si R1 et R2 sont en 3FN, R est en 3FN • Exemple : •Employee(Employee_number,Rank,Salary) •Career(Employee_number,Arrival_date,First_career_job,Starting_sal) J. AKOKA &I.WATTIAU 97 Jointure : cas 2 • La jointure est faite sur un attribut clé primaire d’une table et clé étrangère de l’autre : • R1(K1, C1,C2,...,Cn) & R2(K2, D1,D2,...,Dm,K1) => R(K2, C1,C2,...,Cn,D1,D2,...,Dm,K1) • génère des données redondantes • dénormalisation : R contient des dépendances fonctionnelles entre nonclés • Exemple : •Invoice(Invoice#,Customer#,Amount,Date) •Customer(Customer#,Customer_name,Address) J. AKOKA &I.WATTIAU 98 Jointure : cas 3 • La jointure est faite sur un attribut clé primaire d’une table et un attribut partie de clé de l’autre table : • R1(K1, C1,C2,...,Cn) & R2(K1,K2, D1,D2,...,Dm) => R(K1,K2, C1,C2,...,Cn,D1,D2,...,Dm) • génère des données redondantes • dénormalisation : R contient des dépendances fonctionnelles entre partie de clé et non-clés (C1,C2,..,Cn) • Exemple : •Student(Student#,Name,Level) •Result(Student# ,Course#,Grade) J. AKOKA &I.WATTIAU 99 Jointure : cas 4 • La jointure est faite sur deux attributs non clés des deux tables : • R1(K1, C1,C2,...,Cn,NK) & R2(K2, D1,D2,...,Dm,NK) => R(K1,K2, C1,C2,...,Cn,D1,D2,...,Dm,NK) • rare • si R1 et R2 sont en 3FN, R contient des données redondantes • il existe des dépendances fonctionnelles entre une partie de clé (K1) et des non clés (C1,C2,...,Cn,NK). • Exemple : joindre les deux tables suivantes sur la condition Headquartercity=Production-city • Supplier(Supplier#,Name,Address,Headquarter-city) • Part(Part#,Part-name,Production-city) J. AKOKA &I.WATTIAU 100 L’inversion de l’opération de jointure • Principe : • supprimer la jointure en la remplaçant par les deux relations d’origine • c’est une opération de projection • Détection: • DDL : très peu (ou pas) de clauses NOT NULL • DML : la plupart des requêtes sont des projections sur certains attributs, le plus souvent sur les mêmes attributs. • Données : on détecte des dépendances fonctionnelles et des valeurs nulles J. AKOKA &I.WATTIAU 101 Les règles de rétro-conception • La règle Ru1 correspondant au cas 1 peut être paraphrasée comme suit : • Soit la relation R(K, C1,C2,...,Cn,D1,D2,...,Dm) SI il n’y a pas d’attribut Ci ou Di défini avec NOT NULL ET/OU il y a plusieurs requêtes SQL avec les clauses SELECT,WHERE,ORDER BY et GROUP BY portant uniquement sur K et les Ci ET/OU il y a plusieurs requêtes SQL avec les clauses SELECT,WHERE,ORDER BY et GROUP BY portant uniquement sur K et les Dj ET/OU il n’y a pas de tuple contredisant la D.F. K->C1,C2,...,Cn ET/OU il n’y a pas de tuple contredisant la D.F. K->D1,D2,...,Dm ET/OU il y a des tuples ayant des valeurs nulles pour tous les Ci ET/OU il y a des tuples ayant des valeurs nulles pour tous les Dj ALORS MeRCI propose la décomposition de R en deux tables R1(K,C1,C2,...,Cn) et R2(K,D1,D2,...,Dm) J. AKOKA &I.WATTIAU 102 L’opération de projection • Principe : • simplifie une relation en réduisant sa largeur. • permet de renommer des attributs et/ou de les permuter dans une table. • Exemple : • Employee(Employee#,Rank,Salary,Arrival-date,First-caree-job,Start-sal) • Deux projections peuvent être faites conduisant aux tables suivantes : • Payroll(Employee#,Rank,Salary) • Career(Employee#,Arrival-date,First-caree-job,Start-sal) • Remarques : • Pas de perte de données • Conserve les clés • Ne provoque pas de dénormalisation J. AKOKA &I.WATTIAU 103 L’inversion de l’opération de projection • Principe : • consiste à supprimer les tables obtenues par projection et à les remplacer par la table initiale contenant tous les attributs • Détection: • DDL : plusieurs relations ont des attributs clés primaires ou uniques avec le même nom et le même type de données • DML : certaines requêtes SQL sont des jointures entre les clés des deux relations. • Données : les attributs clés qui ont les mêmes noms ont un grand nombre de valeurs communes J. AKOKA &I.WATTIAU 104 Les règles de rétro-conception • Soit les relations R1(K1, C1,C2,...,Cn) et R2(K2,D1,D2,...,Dm) SI K1 et K2 ont le même nom ET/OU K1 et K2 ont le même type de données ET/OU il y a une ou plusieurs requêtes SQL dont la clause WHERE contient une égalité ou une comparaison avec IN entre K1 et K2 ET/OU l’intersection des valeurs de K1 et K2 contient un grand nombre de valeurs communes ALORS MeRCI propose le regroupement de R1 et R2 en une relation R(K1,C1,C2,...,Cn,D1,D2,...,Dm) J. AKOKA &I.WATTIAU 105 L’opération de restriction • Principe : • forme une relation dont les tuples sont filtrés grâce à un prédicat ou condition de restriction • Exemple : • La relation Customer (Customer#, Customer-name, Address, Turnover) • peut être restreint en deux relations • Large_Customer (Customer#, Customer-name, Address, Turnover) • et Small_Customer (Customer#, Customer-name, Address, Turnover) • selon le montant du Turnover (inférieur ou supérieur à une borne) • Remarques : • Pas de perte de données • Ne provoque pas de dénormalisation J. AKOKA &I.WATTIAU 106 L’inversion de l’opération de restriction • Principe : • supprimer les tables obtenues par restriction et à les remplacer par la table initiale contenant tous les tuples (opération d’union). • Détection: • DDL : plusieurs relations ont le même schémas. Les attributs clés primaires ou uniques sont définis par le même type de données. Les autres attributs ont aussi le même nom, le même type, et éventuellement les mêmes contraintes (FOREIGN KEY,CHECK, etc...) • DML : certaines requêtes SQL sont des unions entre les clés de deux relations (ou plus). • Données : les attributs clés qui ont les mêmes noms ont un ensemble de 107 valeurs disjointes. J. AKOKA &I.WATTIAU Les règles de rétro-conception • Soit les relations R1(K1, C1,C2,...,Cn) et R2(K2,D1,D2,...,Dm) SI K1 et K2 ont le même nom ET/OU K1 et K2 ont le même type de données ET/OU Ci et Dj ont le même nom et/ou le même type de données ET/OU il y a une ou plusieurs requêtes SQL avec un opérateur UNION entre deux SELECT portant respectivement sur R1 et R2 et une clause WHERE contenant une condition sur K1 liée par OR à la même condition sur K2 ET/OU l’intersection des valeurs de K1 et K2 est vide ALORS MeRCI propose de transformer R1 et R2 en une relation unique R(K1,C1,C2,...,Cn) J. AKOKA &I.WATTIAU 108 L’opération d’aplatissement • Principe : • l’information peut être représentée comme des valeurs d’attributs, des noms d’attributs ou des noms de tables. • l’opérateur d’aplatissement transporte l’information d’un niveau de représentation à un autre : des valeurs aux attributs. • ce n’est pas un opérateur relationnel. • s’applique uniquement aux attributs à type discret et ayant peu de valeurs - aplatit le type de champ dans la structure • Exemple : • La relation Courseplanning (Course#, Course-Day, Course-Name, Course-Hour) peut être aplatie en utilisant le jour : Course (Course#, Course-Name, Monday-House, Tuesday-Hour, Wednesday-Hour, Thursday-Hour, Friday-Hour, Saturday-Hour). • Réduit la clé • Ne provoque pas de dénormalisation 109 J. AKOKA &I.WATTIAU L’inversion de l’opération d’aplatissement • Principe : • remplacer plusieurs colonnes ayant le même type par un attribut décrivant ce type. L’inverse de l’aplatissement de R(K,C1,C2,...,Cn, D1,D2,...,Dm) sur les colonnes Ci remplace R par R1(K,K2, C,D1,D2,...Dm). • Détection: • DDL : la table aplatie a plusieurs colonnes de même type avec une partie de nom commune • DML : certaines requêtes SQL ont des clauses WHERE avec le même prédicat sur les différentes colonnes du même type • Données : les valeurs des colonnes qui ont le même type sont identiques. J. AKOKA &I.WATTIAU 110 Les règles de rétro-conception • Soit la relation R(K, C1,C2,...,Cn,D1,D2,...,Dm) SI les Ci ont une partie du nom commune ET/OU les Ci ont le même type de données ET/OU il y a une ou plusieurs requêtes SQL avec une clause WHERE ou SET contenant une condition identique sur les différentes colonnes Ci ET/OU l’intersection des valeurs des Ci contient plusieurs valeurs communes et une plage de valeurs communes ALORS MeRCI propose de transformer R en R1(K,K1,C,D1,D2,...,Dm) J. AKOKA &I.WATTIAU 111 Désoptimisation : un exemple American_countries(country_code/char(6);country_name/char(30),restrictiveness/char(30)) Arrival(flight_number/char(6);airport_code/char(6)) Asian_countries(country_code/char(6);country_name/char(30),restrictiveness/char(30)) Departure(flight_number/char(6);airport_code/char(6)) European_countries(country_code/char(6);country_name/char(30),restrictiveness/char(30)) Fares(flight_number/char(6),type_code/char(4),conc_class/char(30),single/decimal(6,2), return/decimal(6,2)) Flights(flight_number/char(6);aircraft/char(30),distance/integer,airline_code/char(3), airline_name/char(30)) Int_Stops(flight_number/char(6),airport_code/char(6);airport_name/char(30),country_code/char(6), stop_number/integer) Restrictions(country_code/char(4), visa_type/char(30); conditions/text) Savers(saver_code/char(3); saver_name/char(30), saver_conditions/text) Season(season_code/char(1); season_name/char(30), start_date/date, end_date/date) Seat_Classes(seat_class_code/char(1); seat_class_name/char(30)) Times(flight_number/char(6);mon_dep/decimal(4,2),mon_arr/decimal(4,2),tue_dep/decimal(4,2), tue_arr/decimal(4,2),wed_dep/decimal(4,2),wed_arr/decimal(4,2), thu_dep/decimal(4,2),thu_arr/decimal(4,2),fri_dep/decimal(4,2), fri_arr/decimal(4,2),sat_dep/decimal(4,2),sat_arr/decimal(4,2), sun_dep/decimal(4,2),sun_arr/decimal(4,2)) Types(type_code/char(4); seat_class_code/char(1), saver_code/char(3), season_code/char(1))112 J. AKOKA &I.WATTIAU Liste des requêtes principales * (1) insert a new flight (that means, the flight, its times, its stops and its fares) * (2) delete a flight (that means, the flight, its times, its stops and its fares) * (3) modify times of a flight * (4) select the fares for each type for each airline about flights flying from airport A to airport B * (5) select the times of a given flight * (6) select the intermediate stops of a flight * (7) select the restrictiveness for a given country * (8) list the different countries and their continent names * (9) list the different airports and their respective countries * (10) list the different airlines characteristics * (11) select the different flights realized with a given aircraft * (12) what is the distance covered by a given flight J. AKOKA &I.WATTIAU 113 Application des règles aux tables de l’exemple TABLES Ru1 Ru2 Ru3 Ru4 Ru5 Ru6 Ru7 Am_Countries o X Arrival X o As_Countries o X Departure X o E_Countries o X Fares Flights X o Int_Stops X Restrictions Savers Season Seat_Classes Times o X Types - J. AKOKA &I.WATTIAU X signifie que la règle peut être appliquée à la table o signifie que la table vérifie certaines conditions de déclenchement de la règle - signifie la règle ne s’applique pas à la table 114 Le schéma relationnel après la première itération de l’ensemble de règles Airline (airline_code, airline_name) Airport(airport_code; airport_name, country_code) Countries(country_code/char(6);country_name/char(30),restrictiveness/char(30), continent) Dep_arr(flight_number; airport_dep, airport_arr) Fares(flight_number/char(6),type_code/char(4),conc_class/char(30),single/decimal(6,2), return/decimal(6,2)) Flights(flight_number, aircraft, distance) Int_Stops(flight_number, airport_code; stop_number) Restrictions(country_code/char(4), visa_type/char(30); conditions/text) Savers(saver_code/char(3); saver_name/char(30), saver_conditions/text) Season(season_code/char(1); season_name/char(30), start_date/date, end_date/date) Seat_Classes(seat_class_code/char(1); seat_class_name/char(30)) Times(flight_number/char(6),dep_arr;time) Types(type_code/char(4); seat_class_code/char(1), saver_code/char(3), season_code/char(1)) J. AKOKA &I.WATTIAU 115 Le schéma relationnel après une seconde itération de l’ensemble de règles Airline (airline_code, airline_name) Airport(airport_code; airport_name, country_code) Countries(country_code/char(6);country_name/char(30),restrictiveness/char(30), continent) Fares(flight_number/char(6),type_code/char(4),conc_class/char(30),single/decimal(6,2), return/decimal(6,2)) Flights(flight_number, aircraft, distance,airport-dep,airport-arr) Int_Stops(flight_number, airport_code; stop_number) Restrictions(country_code/char(4), visa_type/char(30); conditions/text) Savers(saver_code/char(3); saver_name/char(30), saver_conditions/text) Season(season_code/char(1); season_name/char(30), start_date/date, end_date/date) Seat_Classes(seat_class_code/char(1); seat_class_name/char(30)) Times(flight_number/char(6),dep_arr;time) Types(type_code/char(4); seat_class_code/char(1), saver_code/char(3), season_code/char(1)) J. AKOKA &I.WATTIAU 116 Seat Classes seat-class-code seat-class-name Savers saver-code saver-name saver-conditions 1 n 1 n Airline airline-code airline-name Times day time 1 n Types type-code Seasons season-code season-name start-date end-date m n 1 n m Countries n Visa country-code m restrictions visa-type country-name conditions J. AKOKA &I.WATTIAU continent n Le schéma conceptuel résultant Flights flight-number aircraft distance airport-dep airport-arr 1 Fares conc-class single return n m m Int-Stops stop-number n n Airports airport-code 117 airport-name 4.5. Rétroconception des bases multidimensionnelles • Objectif : extraire le schéma conceptuel d’une base de données multidimensionnelles à partir d’un schéma logique/physique • Raisons : • la modélisation d’une base de données multidimensionnelle joue un rôle important dans la conception d’un datawarehouse • le schéma multidimensionnel d’un datawarehouse offre une vue intégrée des différentes sources de données opérationnelles • le schéma multidimensionnel est dépendant • des besoins des utilisateurs • de la disponibilité des données des systèmes opérationnels • de la structure de ces données J. AKOKA &I.WATTIAU 118 • Raisons (suite) : • la plupart des projets de datawarehouse utilise une approche incrémentale •on commence par un prototype offrant certaines fonctionnalités et utilisant un ensemble de données •puis le prototype est affiné suivant les besoins (changeants) des utilisateurs • les besoins des utilisateurs changent •nécessite une adaptation et une évolution du schéma •par conséquent un coût de maintenance élevé • pour offrir une flexibilité et une réutilisation du schéma, le modèle doit être spécifié à un niveau conceptuel : ce n’est pas le cas des datawarehouses actuels 119 J. AKOKA &I.WATTIAU Caractéristiques des systèmes multidimensionnels • Les concepts d’OLAP: • consolidation : les données sont agrégées selon des dimensions hiérarchisées • drill-down : une donnée agrégée est visualisée à un niveau de détail choisi par l’utilisateur • slicing and dicing : les données sont visualisées selon différentes perspectives (par exemple vente par région et canal de distribution) • gestion des alertes et des seuils : des codes de couleur sont utilisés pour attirer l’attention sur certaines données J. AKOKA &I.WATTIAU 120 • Caractéristiques des applications OLAP : • un appel à de très grands volumes de données • la présence des données agrégées • la comparaison des données agrégées hiérarchiques et dans le temps • la présentation des données selon différentes perspectives • la réalisation de calculs complexes • la présentation des données sous forme de tableaux croisés facilement manipulables • la consultation des données sans les modifier. J. AKOKA &I.WATTIAU 121 Architecture d’un datawarehouse J. AKOKA &I.WATTIAU 122 Les modèles de données d’un datawarehouse J. AKOKA &I.WATTIAU 123 Les modèles logiques/physiques - les concepts utilisés Modèle en étoile Modèle en flocon Modèle multidimensionnel dimension dimension dimension table des faits table des faits variable multidimensionnelle attribut non clé de la table de dimension opérateur drillsup attribut non clé de variable la table de monodimensionnelle dimension relation relation J. AKOKA &I.WATTIAU 124 Le modèle en étoile J. AKOKA &I.WATTIAU 125 Le modèle en flocon J. AKOKA &I.WATTIAU 126 La rétroconception à l’aide de MeRCI -M J. AKOKA &I.WATTIAU 127 Les étapes du processus J. AKOKA &I.WATTIAU 128 La modélisation des règles de rétroconception • Un méta-modèle du schéma conceptuel cible • Un méta-modèle de la base de données multidimensionnelle • Des règles de production qui opèrent sur les deux méta-modèles auxquelles on associe des facteurs de certitude J. AKOKA &I.WATTIAU 129 Le méta-modèle de la base multidimensionnelle Objet nom Dimension/Relation Variable 0,n Relation relie Dimension 2,2 0,n J. AKOKA &I.WATTIAU 0,n fait varier Variable mono dimensionnelle Variable multi dimensionnelle 1,1 comporte 2,n 130 Mapping entre les deux métamodèles J. AKOKA &I.WATTIAU 131 Les règles de rétroconception • Règle de suspicion : une variable multidimensionnelle se rapportant à plus de deux dimensions peut devnir un attribut d’une association entre les entités désignées par ces dimensions. • Règle de consolidation : les attributs des relations binaires M:N sont consolidés s’il existe plus d’un attribut non identifiant à la relation • Règle de confirmation : une dimension devient l’identifiant d’une entité que l’on crée J. AKOKA &I.WATTIAU 132 Un exemple J. AKOKA &I.WATTIAU 133 Application des règles de l’étape 1 J. AKOKA &I.WATTIAU 134 Application des règles de l’étape 2 J. AKOKA &I.WATTIAU 135 Application des règles de l’étape 3 J. AKOKA &I.WATTIAU 136 Application des règles de l’étape 4 J. AKOKA &I.WATTIAU 137 5. Conclusion : Les types d'approches • Approches "manuelles" • Approches algorithmiques • en établissant des hypothèses simplificatrices, • ou en définissant des pré-traitements "manuels", • les algorithmes convertissent automatiquement des schémas logiques en schémas conceptuels • Approches expertes • tentent de "pousser plus loin" l'automatisation en définissant des heuristiques J. AKOKA &I.WATTIAU 138 5. Conclusion • Plus de 50 articles sur la rétro-conception de bases de données • Un grand nombre de règles dont : – certaines résultent de l'inversion des règles de passage de ER en relationnel et sont contenues dans toutes les approches – d'autres consistent en l'utilisation d'heuristiques et sont plus spécifiques à certaines méthodologies • L'enjeu est d'offrir des AGL incluant une fonction intelligente de rétro-conception J. AKOKA &I.WATTIAU 139