Chp2 – Les Entrepôts de Données (Data Warehouses)
2
Plan du Chapitre
Problématique des données dans un système décisionnel
Architecture fonctionnelle d’un système décisionnel
Les entrepôts de données
3
Problématique
des données dans
un système
décisionnel CHAPITRE 2:
ENTREPÔTS DE DONNÉES – DATA
WAREHOUSE
4
Systèmes
Opérationnels vs. Décisionnels
Systèmes opérationnels Systèmes décisionnels
Appelés OLTP(On-Line Transaction Appelés OLAP (On-Line Analytical
Processing) ou systèmes de gestion Processing)
Dédiés aux métiers de l’entreprise pour Dédiés à la gestion de l’entreprise pour
les assister dans leurs tâches de gestion l’aider au pilotage de l’activité pour une
quotidiennes vision transversale de l’entreprise
Utilisation des PGI (ou ERP) pour la
gestion des données Utilisation des Entrepôts de données
5
Données
Opérationnelles vs. Décisionnelles
Données Opérationnelles Données Décisionnelles
Données détaillées Données globalisées
Données récentes Données historiques
Structure compréhensible et optimisée pour Structure compréhensible par le décideur
l’informaticien
Données réparties et non homogènes Données centralisées, intégrées
Utilisateurs: Agents Utilisateurs: Décideurs, analystes, peu
opérationnels, nombreux, et concurrents nombreux et non concurrents
6
Charge du Serveur de Données
7
Solutions
Stockage de données :Data Warehouse
o Base de données unique - vocabulaire unique
o Contenu adapté aux besoins des décideurs
Structure multidimentionnelle spéciale
Niveau de détail bien étudié
Données historiques
Interrogation des données :
o Outil interactif, convivial
o Outil offrant des fonctions d’analyse
Tri des données
Roll-up, Drill-down
Calcul et comparaison
Analyse des tendances, relations et exceptions
Simulation
8
OLTP vs. OLAP
OLTP:On Line Transaction Processing
o Système destiné à offrir le moyen à une application d’utiliser de façon transactionnelle un serveur
de base de données. C’est un ensemble logiciel que l’utilisateur peut employer de façon
interactive pour accéder aux données de la manière la plus rapide et simple possible.
o Exemple : Le 15/01/2012 à 13h12, le client X a retiré 500dt du compte Y
OLAP :On Line Analytical Processing
o Catégorie de technologie logicielle permettant aux analystes, managers et décideurs d’accéder
de manière rapide, consistante et interactive à une large variété d’information, transformée pour
refléter la dimension réelle d’une entreprise.
o Exemple : Quel est le volume des ventes par produit et par région durant le deuxième trimestre de
2012?
OLTP vs. OLAP 9
OLTP OLAP
Conception - Orientée application (Application de - Orientée sujet (Client,produit, vendeur…)
production, de facturation…) - Structure évolutive (en étoile, en flocon)
- Structure statique (E/R)
Données - Détaillées, non agrégées - Résumées, recalculées, agrégées
- Récentes, mises à jour - Historiques
- Accessibles de façon individuelle - Accessibles de façon ensembliste
- Normalisées - Dénormalisées
Vue - Relationnelle - Multidimensionnelle
Requêtes/Utilisat - Simples, nombreuses, régulières, - Complexes, peu nombreuses, irrégulières,
ion prévisibles, répétitives non prévisibles
- Sensibles aux performances (réponses - Non sensibles aux performances
immédiates) (réponses moins rapides)
- Accès à beaucoup de données - Accès à beaucoup d’informations
Utilisateurs - Agents opérationnels - Managers / Analystes
- Nombreux (par milliers) - Peu (par dizaines, centaines)
- Concurrents - Non concurrents
Accès - Lecture / Écriture - Lecture
Taille de la base - 100 MB à 1 GB - 100 GB à 1 TB
10
Technologies
Stockage et Gestion Entrepôt de Données
Efficace des Gros (Data Warehouse)
Volumes
Traitements Serveur OLAP
Complexes sur ces
Volumes
Application Cliente Fouille de Données
(Data Mining)
Structure d’un Système Décisionnel 11
12
Structures de
Stockage de
Données dans un
Système
CHAPITRE 2:
Décisionnel ENTREPÔTS DE DONNÉES – DATA
WAREHOUSE
Structures de Stockage de Données dans un Système Décisionnel
13
Data Mining
(Extraction de données)
Data Marts
(Magasins de données)
Synthèse
Data Warehouse
(Entrepôt de données)
Alimentation
Transformation
ODS
(Operational Data Store)
Extraction
Systèmes
Opérationnels
15
Définitions
ODS: Operational Data Store
o Collection de données orientées sujet, volatiles, organisées pour le support d’un processus de décision ponctuel, en support à
une activité opérationnelle particulière
o Donne la vision immédiate et intégrée de l’état d’un ou plusieurs systèmes opérants
Data Warehouse
o Entrepôt de données spécifique au monde décisionnel, destiné principalement à analyser les leviers business potentiels
o Collection de données orientées sujet, intégrées, non volatiles et historisées, organisées pour le support d’un processus d’aide à
la décision
Data Mart
o Magasin de données orienté sujet, non volatile, mis à la disposition des utilisateurs dans un contexte décisionnel
décentralisé, ciblé pour un usage particulier
Data Mining
o Ensemble d’outils, méthodes et technologies d’analyse mises en œuvre pour définir des tendances, pour segmenter
l’information ou pour établir des corrélations entre les données
16
Data Warehouse vs.ODS
Data Warehouse
o Intégration des données hors ligne
ODS
o Intégration des données en ligne
o Sauvegarde des données récentes
o Utilisé quand les données sont dispersées sur plusieurs supports de stockage, et on a besoin de les
rassembler
Exemple:
o On veut avoir une vue unique sur un patient qu’on pourra modifier en ligne
o Les données de ce patient sont disposées dans plusieurs bases de données (liste des
hospitalisations, liste des diagnostics, liste des achats pharmaceutiques…)
o ODS peut être utilisé pour extraire ces données et les afficher
17
Data Warehouse vs. Data Mart
Data Warehouse
o Dépôt de données au niveau entreprise
o Combinaison de plusieurs Data Marts
o Contient toutes les mesures et dimensions nécessaires
o Assure l’intégrité de ces mêmes dimensions à travers tous les Data Marts
Data Mart
o Ensemble de dimensions et mesures limitées
o Utilisées pour des thèmes métier spécifiques
o Construites à partir des données des entrepôts
Exemple
o Dans une entreprise, il existe un seul entrepôt de données mais plusieurs magasins de données : Finance,
Vente…
18
Les Entrepôts de
Données
CHAPITRE 2:
ENTREPÔTS DE DONNÉES – DATA
WAREHOUSE
19
Pourquoi ne pas utiliser un SGBD?
SGBD et DW
o Ont des objectifs différents et font des traitement différents
o Stockent des données différentes
o Font l’objet de requêtes différentes
Besoin d’une organisation différente des données
Doivent être physiquement séparés
SGBD
Mode de travail transactionnel (OLTP)
Permettent d’insérer, modifier, interroger des informations rapidement, efficacement et en sécurité
Objectifs:
1. Sélectionner, ajouter, mettre à jour et supprimer des tuples
2. Opérations rapides, faites par plusieurs utilisateurs simultanément
20
Entrepôt de Données :Objectifs
Regrouper, organiser des informations provenant de sources diverses
Les intégrer et les stocker pour donner à l’utilisateur une vue orientée métier
Retrouver et analyser l’information selon plusieurs critères
Transformer un système d’information qui avait une vocation de production en un SI
décisionnel
Doit contenir des informations cohérentes
Les données doivent pouvoir être séparées et combinées au moyen de toutes les mesures
possibles de l’activité
Le DW ne contient pas uniquement des données, mais aussi un ensemble d’outils de
requêtes, d’analyse et de présentation de l’information.
21
Entrepôt de Données :Définition
(Bill Inmon)
Le Data Warehouse est une collection de données
orientées sujet, intégrées, non volatiles et
historisées, organisées pour la prise de décision.
22
Caractéristiques d’un DW
Données Orientées Sujet
Le DW est orienté sujets, ce qui signifie que les données collectées doivent
être orientées métier, et donc triées par thème
Bases de données Entrepôt de données
23
Caractéristiques d’un DW
Données Intégrées
Le DW est composé de données intégrées, c’est à dire qu’un «nettoyage »
préalable des données est nécessaire dans un souci de rationalisation et de
normalisation
Bases de données Entrepôt de données
24
Caractéristiques d’un DW
Données Historisées et Non Volatiles
Les données du DW sont non volatiles, ce qui signifie qu’une donnée entrée
dans l’entrepôt l’est pour de bon et n’a pas vocation à être supprimée
Les données du DW doivent être historisées, donc datées
Bases de données Entrepôt de données
25
Data Warehouse :ETL
BD BD BD
Outils d’alimentation pour
o Extraire
les données sources Extraction
o Transformer
o Charger dans un DW
Transformation
Chargement
DW
BD BD BD
Extraction 26
ETL : Extraction Transformation
Chargement
DW
Extraction des données de leur environnement d’origine (base de données
relationnelles, fichiers plats…)
Besoin d’outils spécifiques pour accéder aux bases de production (requêtes sur des
BD hétérogènes)
Besoin d’une technique appropriée pour n’extraire que les données nécessaires
o Données créées ou modifiées depuis la dernière opération d’extraction
Attention:
o L’extraction ne doit pas perturber l’activité de production
BD BD BD
Extraction 27
ETL : Transformation Transformation
Chargement
DW
Intégration des données
o Homogénéisation du vocabulaire, structures, valeurs
o Suppression et fusion des redondances
o Épuration des données (suppression des données incohérentes)
o Transformation des données dans un format cible
BD BD BD
Extraction 28
ETL : Chargement Transformation
Chargement
DW
Opérations de calcul et d’agrégation des données
o Remplacement de certaines bases si aucune solution d’extraction satisfaisante n’est possible
Mise en place de procédures de chargement (nocturne?) et de restauration (en cas de
problème)
o Envisager la mise en place de systèmes redondants si la disponibilité du système ne peut être
interrompue
Prise en compte de la notion de granularité
o Conservation des données détaillées
o Possibilité d’agrégation des données pour la synthèse
BD BD BD
Extraction 29
DW :Métabase de Données Transformation
Chargement
DW
Existence d’une métabase de données ou catalogue de métadonnées:
o Contient des métadonnées du DW
o Idéalement: Lieu de stockage unique des informations qui pilotent des processus dans
l’entrepôt
o Détails sur :
Les données entreposées, leur format, leur signification, leur degré d’exactitude
Les processus de récupération/extraction dans les bases sources
La date du dernier chargement de l’entrepôt
L’historique des données sources et de celles de l’entrepôt
BD BD BD
Extraction
30
DW :Structure (1/3) Transformation
Chargement
DW
1. Directe simple :
o On fait des mises à jour du
datawarehouse avec des laps
de temps importants.
BD BD BD
Extraction
31
DW :Structure (2/3) Transformation
Chargement
DW
2. Cumul simple :
o On stocke les données de
chaque mise à jour, les mises
à jour étant fréquentes (par
exemple tous les jours) on a
un espace occupé
important, mais on ne perd
pas d’information.
BD BD BD
Extraction
32
DW :Structure (3/3) Transformation
Chargement
DW
3. Résumé déroulant :
o À chaque mise à jour, on stocke des
données détaillées, et on synthétise les
anciennes données en fonction de leur
âge. Plus une donnée est vieille, moins
elle est détaillée.
33
Bibliographie
Supports de Cours
Karima Tekaya – «Informatique Décisionnelle »- INSAT
Fatma Baklouti – «Les entrepôts de données (Data Warehouses) »- INSAT
Hweichao Lu – «Online Analytical Processing (OLAP) »- CS157B-02 Spring 2007
Didier Donsez – «Systèmes d’information décisionnels (Data Warehouse / Data Mining) »- Université Joseph Fourier
Jacky Akoka et Isabelle Comyn-Wattiau – «Le Data Warehouse et les Systèmes Multidimentionnels »- Université de
Versailles
Livres
Ralph Kimball - «Concevoir et déployer un Data Warehouse »- Editions Eyrolles, 2000
