Université Cadi Ayyad Marrakech

Ecole Supérieure de Technologie Essaouira

LP ISIL Semestre 6

Module 8
Bases de Données Avancées

Chapitre III
Business Intelligence
Intégration et analyse des données

Pr: A. Guezzaz
Année: 2019 -2020
I. Outils d’Intégration des données: ETL
1. ETL (Extract Transform Load)

2. ETL sous SQL Server

II. Outils de navigation et d’analyse des données: OLAP

1. OLAP (On-Line Analysis Process)

2. Cube OLAP

3. Types OLAP

4. OLAP sous SQL Server

2
Outils d’Intégration des données
ETL

3
 ETL (Extract Transform Load)
 Il est important de savoir que la réalisation de l'ETL constitue 70%
d'un projet décisionnel en moyenne.
• Et ce n'est pas pour rien, l’implémentation de ce système est
complexe.
• Avoir une mauvaise information dans l'entrepôt:
 données fausses, donc inutilisables, décisions erronées.

 ETL permet de découvrir, analyser et extraire les données à

partir de sources hétérogènes.

 ETL permet de nettoyer et standardiser les données.

 ETL permet de charger les données dans un entrepôt.

5
 ETL (Extract Transform Load)

 Pour alimenter DW, un ETL (Extract Transform Load) est utilisé.

 Décrit les données, leur provenance et les transformations effectuées.

 Permet d’agréger, classifier, normaliser et nettoyer les données

extraites.

 Les concepteurs doivent mettre en place une stratégie de mise à jour

pour l’historisation et prévoir la volumétrie.

 Les ETL peuvent être intégrés aux outils de modélisation ou de

restitution.
6
 ETL (Extract Transform Load)

 Les ETL peuvent se concevoir de deux façons:

• Manuellement : en lançant des scripts ( PL/SQL, …).

• Avec des logiciels ( qui sont chers ).

 Identifier les sources:

• Où ?: fichiers, SGBDR, ERP, Internet, …

• Comment?: LAN, MAN, WAN, transferts des fichiers.

• Quand ?

7
 ETL (Extract Transform Load)
 Problèmes rencontrés
 Souvent peu d’entreprises ont des logiciels qui permettent la
création d’ETL, car ce sont des outils coûteux. Il faut souvent
réaliser l’alimentation à la main.

 Penser à la volumétrie des sources de données et à la fréquence

de mise à jour.

 Faire attention aux environnements trop mouvants, c’est à dire aux

mises à jour trop fréquentes.

 Synchroniser l’alimentation de différents Data Mart sinon on peut

obtenir des rapports faux dans la phase de restitution.
8
 ETL (Extract Transform Load)
 Extraction
 Extraire des données des systèmes de production.
 Dialoguer avec différentes sources:
• Base de données,
• Fichiers,
• ……
 Utilise divers connecteurs:
• ODBC,
• OLE DB
• SQL natif,
• Fichiers plats

9
 ETL (Extract Transform Load)
 Transformation

 Rendre cohérentes les données des différentes sources.

• Transformer, nettoyer, trier, unifier les données.
• Exemple: unifier le format des dates.
(MM /JJ /AA  JJ /MM /AA)

 Etape très importante qui garantit la cohérence et la fiabilité des

données.

10
 ETL (Extract Transform Load)
 Chargement

 Insérer ou modifier les données de l’entrepôt.

 Utilisation des connecteurs:

 ODBC,

 SQL natif,

 Fichiers plats

11
 ETL sous SQL Server

SQL Server Intégration Services

(SSIS)

un outil de gestion de flux de données.

12
Outils de navigation d’analyse des données
OLAP

13
 OLAP (On-Line Analysis Process)

14
 OLAP (On-Line Analysis Process)

« 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 »

(Caron, 1998)

15
 OLAP (On-Line Analysis Process)
 Objectifs attendus
 Catégorie de logiciels:

 S’exprime par une grande quantité de produits logiciels

disponibles sur le marché.
 Exploration et analyse rapide :
 OLAP vise à assister l’utilisateur dans son analyse en lui
facilitant l’exploration de ses données et en lui donnant la
possibilité de les traiter rapidement.

 Facilité et Rapidité.

16
 OLAP (On-Line Analysis Process)
 Objectifs attendus
 Facilité:
• L’utilisateur n’a pas besoin de maîtriser des langages
d’interrogation et des interfaces complexes.

• L’utilisateur interroge directement les données.

 Rapidité:
• OLAP exploite une pré-agrégation des données.

• L’utilisateur peut se concentrer sur son analyse et non sur le

processus (moyens utilisés pour l’analyse).
17
 Cube OLAP
 Dimension:
• Axe d’analyse selon lequel les données seront analysées.
– Ex. Temps, Produits
 Membre:
• Valeur de dimension
• Une dimension possède des instances, également appelées
membres.
 Mesure / Fait:
– Ex. coût des travaux, nombre d’accidents, ventes, dépenses.

 Cube:
• Un ensemble de mesures organisées selon un ensemble de
dimensions.
– Ex. Un cube de ventes qui comprend:
» Dimensions Temps, Produit, Magasin.
18
» Mesure Ventes en Dh.
 Cube OLAP

Les cubes OLAP ont les caractéristiques suivantes:

1. Obtenir des informations déjà agrégées selon les besoins de

l’utilisateur.

2. Simplicité et rapidité d’accès.

3. Capacité à manipuler les données agrégées selon différentes

dimensions.

4. Un cube utilise les fonctions classiques d’agrégation: MIN,

MAX, COUNT, SUM, AVG.

19
 Cube OLAP

 Comment peut-on utiliser ce cube ?

 Nous allons nous intéresser aux diverses vues du cube ci-dessous:
.

20
 Cube OLAP

Vue n° 1 :
 On s'intéresse à toutes les ventes du
magasin x.
Toutes catégories durant touts les mois).

Vue n° 2 :
On s'intéresse aux ventes de la catégorie
« Cat y».
Tous les magasins durant touts les mois.
21
 Cube OLAP
Vue n° 3:
On s'intéresse à toutes les ventes durant le
mois z.
Toutes catégories et dans tous les
magasins.

Vue n° 4:
On s'intéresse aux ventes du magasin x.
Dans la catégorie « Cat y" durant le mois z.

22
 Cube OLAP
 Multi‐représentations du Cube Ventes

23
 Cube OLAP
 But: Visualisation et utilisation d'un fragment de l'Hypercube.
 Roll-up: Supprimer des détails d'une dimension, passage de
mesures détaillées à résumées en remontant dans la hiérarchie de
dimension.
 Drill-down: Ajouter des détails à une dimension, descendre dans
la hiérarchie de la dimension.
 Drill-across: passer d’un membre de dimension à un autre.
 Rotate (Pivoter): Rotation des dimensions (axes) du cube pour
fournir une vue alternative des données.
 Slicing: Sélection des tranches du cube par des prédicats selon
une dimension et extraction d’une tranche d’informations.
 Dicing (ou Scoping): extraction d'un sous-cube.
 Distribuer ou recalculer des valeurs de mesures,…
24
 Cube OLAP
 Opération d'agrégation: Roll up
 Roll up (Forage vers le haut) ou agrégation de données: Passage de
mesures détaillées à résumées en remontant dans la hiérarchie de la
dimension. (Ex. visualiser les ventes par année au lieu de par mois).
 Roll up sur la dimension ‘’Produits’’

25
 Cube OLAP
 Opération d'agrégation: Roll up
 Roll up sur les deux dimensions ‘’Produits’’ et ''Dates''

 Roll up sur les trois dimensions ''Produits'',''Dates'' et ''Villes''

26
 Cube OLAP
 Opération d'agrégation: Drill-Down
 Drill down: forage de données vers le bas.
 Drill down sur la mesure ‘CA’ selon la dimension ‘’ville ‘’

Le résultat du Drill down donne:

27
 Cube OLAP
 Opération d'agrégation: Drill-Down
 Drill down sur la mesure ‘CA’ selon la valeur ''Lyon'‘ de la
dimension ‘’ville ‘’

 Le résultat du Drill down donne:

28
 Cube OLAP
 Opération d'agrégation: Slice & Dice

Slice & Dice :Opération de sélection et de projection des données:

Ville =''Paris'' et Dates <10/03/2008

29
 Types OLAP
L’architecture OLAP consiste en trois services :
1.Base de données :
 Doit supporter les données agrégées ou résumées.
 Les données qu’il contient peuvent provenir d’un entrepôt
DW ou d’un marché de données (DM).
 Doit posséder une structure multidimensionnelle.
2. Serveur OLAP :
 Gère la structure multidimensionnelle dans le SGBD.
 Gère l’accès aux données de la part des utilisateurs.
3. Module client :
 Permet aux usagers de manipuler et d’explorer les données
 Affichage sous forme de graphique et de tableaux.
30
 Types OLAP
 MOLAP (OLAP Multidimensionnel)
 Selon le type de base de données accédé, plusieurs configurations
sont possibles:
 Multidimensionnelle,
 Relationnelle,
 Hybride.

Base de données Serveur MOLAP Client OLAP

multidimensionnelle
(hypercube)

31
 Types OLAP
 ROLAP (OLAP Relationnel)

Serveur ROLAP
Client OLAP
Base de
données Vue
relationnelle multidimensionnelle
(étoile ou flocon)

32
 Types OLAP
 HOLAP (OLAP Hybride)

33
 Types OLAP

 Intelligent miner d’IBM:

• Classification, association, régression, analyse de séquences,
regroupement.
 Entreprise miner de SAS:

• Multiples outils d’analyse statistique, classification, …

 Clémentine de SPSS:
• En plus des fonctionnalités classiques, l’utilisateur peut rajouter
ses propres algorithmes.
 DBMiner:
 Il se distingue par le fait qu’il incorpore les fonctionnalités
d’OLAP. 34
 OLAP SOUS SQL SERVER
 Cube avec SQL SERVER

35
 OLAP SOUS SQL SERVER
 Cube avec SQL SERVER

36
 OLAP SOUS SQL SERVER
 Cube avec SQL SERVER

37
 OLAP SOUS SQL SERVER
 Cube avec SQL SERVER

38
 OLAP SOUS SQL SERVER
 Cube avec SQL SERVER

39
 OLAP SOUS SQL SERVER
 Cube avec SQL SERVER

40
 OLAP SOUS SQL SERVER
 Cube avec SQL SERVER

41
 OLAP SOUS SQL SERVER
 Cube avec SQL SERVER

Renommez le groupe de mesure Fact Facture en Facture.

Renommez les dimensions pour les rendre plus compréhensibles à
un non informaticien. 42
 OLAP SOUS SQL SERVER
 Cube avec SQL SERVER

43
 OLAP SOUS SQL SERVER
 Cube avec SQL SERVER

44
 OLAP SOUS SQL SERVER
 Cube avec SQL SERVER

45
 OLAP SOUS SQL SERVER
 Cube avec SQL SERVER

Modèle propre et parfaitement manipulable par les

utilisateurs 46
fin
47