Business Intelligence

CHAPITRE IV: Analyse Multidimensionnelle

1 [Link] A.U: 2021/2022

 I. Introduction:
 L'analyse multidimensionnelle est l’aptitude à analyser et
exploiter des données qui ont été agrégées suivant plusieurs
dimensions.

 Moyen d’accès à des données déjà agrégées selon les besoins

des utilisateurs finaux,

2
  Les données multidimensionnelles sont représentées par un cube

(ou hypercube) fusionnant la structure et les valeurs des données:

 Les axes présentent les dimensions définies par

l'utilisateur,

 Les points dans l'espace (ou cellules) contiennent

les mesures des faits calculées à partir des formules

d’agrégation,
3
 Un cube
 Une vue des données multidimensionnelle et logique à l'utilisateur

sans des conditions quant à la façon dont les données sont stockées.

Véhicule. marque Montant-Location

Clio
mesures

Jaguar
Fadhel
Ahmed
Espace Haj.
Med.
Juin Juillet Aout

[Link] dimensions 4
III. L’Analyse OLAP
 Méthode d’analyse et d’exploitation des données (reflète

l’activité d’un entreprise) fondée sur des critères combinés

des dimensions.

5
 Architecture d’OLAP
1. Base de données (DW ou DM)
– Des données agrégées ou synthétisées
– Une structure de stockage multidimentionnelle ou relationnelle

 Basée sur 2. Serveur OLAP

trois services: – Gestion de la structure multidimentionelle dans le SGBD
– Gestion de l’accés aux données par des utilisateurs

3. Module client
– Interface conviviale pour la manipulation et l’exploration des données
– Affichages des données sous forme de graphiques statistiques ou de
6
tableaux
 Avantages d’OLAP

– Integration dans un outil OLAP des outils de Data

Mining/Reporting

– Interface conviviale, simple et intuitive à l’utilisateur final(pas

besoin d’apprendre les langages d’interrogation tel que le SQL).

– Exploitations diverses des données cubiques: rotations/coupes

sur les cubes affichés.

7
 Les types d’OLAP

 ROLAP(Relational OLAP)

• Données stockées dans une base de données relationnelles

• Un moteur OLAP permet de simuler le comportement d’un

SGBD multidimensionnel Vue Multidimensionnelle

SGBD Relationnel Interface OLAP

Moteur OLAP
(etoile,flocon)
• Exemple d’outils: Redbrick, Microstrategy, MetaCube
(Informix)...
 Exemple de ROLAP

• Appliquer des sommations sur une base de donnée relationnelle.

FLocation VehId AgId Date Mt

v1 a1 1 45
v2 a1 1 40 ans Date sum
v1 a3 1 50 1 215
v2 a2 1 80 2 100
v1 a1 2 60
v1 a2 2 40

Sommation par Date

 MOLAP (Multi-dimensional OLAP)

• Données pré-agrégées dans un système multidimensionnel

• Un accès direct aux données dans le cube

Serveur MOLAP
SGBD multidimensionnel Interface OLAP

•Exemple d’outils: Arbor Essbase, IRI Express, PilotSoftware,etc.

  Exemple de Cube MOLAP (3-D)

Table fait Cube multi-dimensionnel :

FLocation VehId AgId Date Mt

v1 a1 1 45 Date 2 a1 a2 a3
v2 a1 1 40 v1 60 40
v1 a3 1 50 v2
v2 a2 1 80 a1 a2 a3
Date1 v1 45 50
v1 a1 2 60
v1 a2 2 40 v2 40 80

dimensions = 3
  HOLAP (Hybrid OLAP)

• Tables de faits et tables de dimensions stockées dans une base

relationnelle

• Données agrégées stockées dans un cube

SGBD multidimensionnel

Interface OLAP
SGBD Relationnel
(étoile, flocon) Serveur HOLAP
Quelques Outils OLAP

 Business Objects

 IBM Cognos

 SQL Server Analysis Services

 MicroStrategy

 Palo OLAP Server

 Mondrian

 etc

13
IV. Quelques méthodes de navigation
dans les données
 L’outil OLAP propose des méthodes de navigation dans les

données:

 Drill-up/down

 Rotate

 Slicing

 Scoping

 Etc.
14
 Drill-up/down (vue synthétique/ vue détaillée)

Table fait Table fait agrégée

FLocation VehId AgId Date Mt

v1 a1 1 45 FLocation VehId date Mt
v2 a1 1 40 v1 1 95
v1 a3 1 50 v2 1 120
v2 a2 1 80 v1 2 100
v1 a1 2 60
v1 a2 2 40

Drill-up /Roll-up

drill-down
Drill-up: Cube MOLAP

Date 2 a1 a2 a3
v1 60 40
v2
a1 a2 a3
Date1 v1 45 50
v2 40 80

2
1
a1 a2 a3
a1 a2 a3
sum 145 120 50
4
v1 105 40 50
v2 40 80 315
3
sum
Roll-up v1 195
v2 120
Drill-down
Roll-up: utilisation d’une hiérarchie d’une dimension

agence +
Date 2 a1 a2 a3
Hiérarchie de
v1 60 40
region Dim-agence
v2
a1 a2 a3
Date1 v1 45 50
pays -
v2 40 80
(agence a1 dans la region A;
agences a2 et a3 dans la region B)
1
region A region B
v1 105 90
315
v2 40 80 2 3
sum
Roll-up v1 195
v2 120
Drill-down
Drill Down: Forage vers le Bas:
Ajout d’un (des) paramètre(s) d’une (des) dimension(s) afin de visualiser des
données ayant un niveau de détail plus fin.
Syntaxe:
DrillDown(S, D, p)= S’
• S schéma initial
• D dimension
• p paramètre caractérisant le niveau de détail
Drill Up (ou Roll Up): Forage vers le haut:
Suppression d’un (des) afin de visualiser les données ayant un niveau de
détaille moins fin.
Syntaxe:
RollUp(S, D, p)= S’
• S schéma initial
• D dimension
18
• p paramètre caractérisant le niveau de granularité souhaité
  Exemple:
DrillDown(Flocation,Agence, AgId)

Agence Agence
FLocation FLocation Région Région A Région B
Région Région A Région B AgId a1 a2 a3
VehId VehId
Véhicule v1 45 50 Véhicule v1 45 50
v2 50 80 v2 50 80
Date=Date1 Date=Date1

RollUp (Flocation, Agence, Région)

19
 Rotate

Flocation

M Clio A a1
180 244 321 180 318 131
a g
r e
Peugeot 318 204 554 a2 244 204 153
q n
u c
e Espace 131 153 43 e a3 321 554 43

a1 a2 a3 Clio Peugeot Espace

Agence Modele

Rotation 90°
Slicing

Flocation

m Clio
Clio
244
180 244 321
a
r 204
Peugeot 318 204 554 Peugeot
q
u
131 153 43 Espace 153
e Espace

a1 a2 a3 a2

Agence Agence

Slice(Flocation, Agence. AgId=‘a2’)

 Scoping/Dicing
Flocation

M Peugeot 102 270

Clio 180 244 321
a
r 70 32 Date3
Peugeot 318 204 554 Espace
q Date 2
Date4 blanc rouge
u
Espace 131 153 43 Date3
e Date2
Date1
bleu blanc rouge

Couleur
Dice(Flocation, Vé[Link] IN (blanc,rouge) AND
Véhicule. Marque IN (Peugeot, Espace) AND
Date. date_Id IN (Date2,Date3) )
 Exercice d’application:
Soit le schéma S
Dim_temps (Id_Temps, jours, semaine, mois, trimestre, annee)
Dim_malade (Id _malade, nom, tel, adresse, genre)
Dim_medecin (Id_medecin, nom,tel, adresse, genre, spécialité)
F_consultation (Id_med, Id_mald, Id_tps,prix, nbre_cons)

Questions :

o Proposer un schéma en étoile de S

o Soit C une représentation multidimensionnelle du schéma S

23
 o A partir du cube C, indiquez les opérations OLAP (RollUp,
DrillDown, Slice, ou Dice) qu’il faut appliquer afin d’obtenir les
informations suivantes :
• Le coût total des consultations par médecin en 2018.
• Le nombre moyen de consultations des médecins par jour et par
genre du malade.
• Le nombre de consultations mensuel, par catégorie d’âge de malade
(bébé, enfant adolescent, adulte, âgé), et par spécialité du médecin.
• Le coût des consultations par malade pour le mois de Décembre
2017.

24