EPIGRAPHE

DEDICACE
REMERCIEMENTS
LISTE
DES ABBRÉVIATIONS
LISTE
DES TABLEAUX
 LISTE
DES FIGURES
Introduction
Contexte
La République Démocratique du Congo, riche de ses ressources naturelles et de
son potentiel touristique, nécessite un système de transport aérien performant et
sécurisé pour favoriser son développement économique et social. La Régie des
Voies Aériennes (RVA), entreprise publique chargée de la gestion de
l'infrastructure aéroportuaire et de la navigation aérienne, joue un rôle crucial
dans ce domaine.

L'aéroport international de N'Djili, principal aéroport du pays, est au cœur de

cette dynamique. Il constitue une porte d'entrée majeure pour le Congo et un
élément clé de la connectivité nationale et internationale. Cependant, comme de
nombreux aéroports en Afrique, N'Djili fait face à des défis liés à la
modernisation des infrastructures, à l'amélioration des services et à
l'optimisation des opérations.

Enjeux majeurs auxquels fait face l'aéroport de N'Djili :

 Modernisation des infrastructures vieillissantes : Les installations de

N'Djili, datant de plusieurs décennies, nécessitent des investissements
conséquents pour répondre aux normes internationales en matière de
sécurité et de confort des passagers. Les pistes, les terminaux, les
équipements de navigation aérienne et les systèmes de sécurité doivent
être mis à niveau.
 Augmentation de la capacité : La croissance économique du Congo et
l'augmentation du trafic aérien nécessitent une expansion de la capacité de
l'aéroport. Il s'agit d'accroître le nombre de pistes, de construire de
nouveaux terminaux et d'optimiser les procédures d'enregistrement et de
contrôle.
 Amélioration de la qualité des services : Les passagers et les
compagnies aériennes attendent des services de qualité, notamment en
termes d'accueil, d'assistance, de disponibilité des équipements et de
rapidité des procédures. L'aéroport doit offrir un environnement agréable
et efficient pour tous ses usagers.
 Sécurité renforcée : La sécurité aéroportuaire est une priorité absolue.
N'Djili doit mettre en œuvre les normes internationales les plus strictes en
matière de sûreté et de sécurité, notamment pour lutter contre le
terrorisme et le trafic illicite.
 Gestion durable : L'aéroport doit s'inscrire dans une démarche de
développement durable, en réduisant son empreinte environnementale, en
optimisant sa consommation énergétique et en favorisant les modes de
transport alternatifs.
 Gouvernance et financement : La Régie des Voies Aériennes (RVA) fait
face à des défis de gouvernance et de financement pour mener à bien les
projets de modernisation de l'aéroport. Il est nécessaire de renforcer les
 capacités de l'entreprise, d'attirer des investissements privés et de mettre
en place des partenariats public-privé.

Problématique et objectifs
L'aéroport international de N'Djili, bien qu'étant un élément clé du développement de la RDC,
fait face à plusieurs défis liés à la performance de ses opérations. Parmi ces défis, on peut citer
:

 Manque de visibilité sur les performances individuelles et collectives des agents:

L'absence d'un système de mesure performant rend difficile l'évaluation précise des
contributions de chaque agent et de l'efficacité globale des équipes.
 Difficulté à identifier les goulots d'étranglement et les inefficacités: Les données
dispersées dans différents systèmes et l'absence d'analyse approfondie ne permettent
pas de détecter les problèmes récurrents et d'en comprendre les causes profondes.
 Prise de décision basée sur des informations partielles et subjectives: Les
décisions stratégiques sont souvent prises sur la base d'intuitions et d'informations
incomplètes, ce qui peut conduire à des choix sous-optimaux.
 Difficulté à mesurer l'impact des actions correctives mises en place: Il est
complexe d'évaluer l'efficacité des mesures prises pour améliorer les performances,
faute d'indicateurs de suivi précis.

Objectifs de l'OAD:
L'objectif principal de cet outil d'aide à la décision est d'améliorer la
performance globale de l'aéroport de N'Djili en fournissant aux managers de la
RVA une vision claire et précise de leurs opérations. Plus spécifiquement,
l'OAD permettra de :

 Centraliser et harmoniser les données: Rassembler les données

provenant des différentes sources (systèmes de gestion, bases de données,
etc.) dans un entrepôt de données unique, en garantissant leur cohérence
et leur fiabilité.
 Définir et calculer des indicateurs clés de performance (KPI)
pertinents: Identifier les indicateurs les plus importants pour mesurer la
performance des agents et des processus (productivité, qualité de service,
respect des délais, etc.).
 Mettre en place un système d'alertes: Détecter les anomalies et les
déviations par rapport aux objectifs fixés, afin de permettre une
intervention rapide en cas de problème.
 Visualiser les données de manière interactive: Présenter les résultats
des analyses sous forme de tableaux de bord, de graphiques et de cartes,
facilitant ainsi la compréhension des informations par les différents
utilisateurs.
  Simuler des scénarios: Évaluer l'impact de différentes décisions sur les
performances de l'aéroport, en permettant aux managers de choisir les
meilleures options.
 Soutenir la prise de décision stratégique: Fournir des éléments concrets
pour élaborer des plans d'action visant à améliorer l'efficacité des
opérations, à optimiser l'utilisation des ressources et à renforcer la
satisfaction des clients.
 Améliorer la communication et la collaboration: Favoriser le partage
d'information entre les différents services de la RVA, en facilitant la
coordination des actions et en renforçant le sentiment d'appartenance à un
projet commun.

Enrichissements supplémentaires:

 Personnalisation de l'OAD: Adapter l'outil aux besoins spécifiques de

chaque utilisateur (managers, agents de terrain, etc.) en proposant des
vues personnalisées et des niveaux de détail adaptés.
 Intégration de l'intelligence artificielle: Utiliser des techniques
d'apprentissage automatique pour identifier des patterns, prédire les
tendances et automatiser certaines tâches.
 Mesure de la satisfaction client: Intégrer les données provenant des
enquêtes de satisfaction client pour évaluer l'impact des actions mises en
place sur la perception des passagers.
 Évaluation de l'impact environnemental: Mesurer l'empreinte
environnementale de l'aéroport et suivre l'évolution des indicateurs de
développement durable.

Intérêt Spécifique de l'Étude dans le Contexte de la RVA et de

N'Djili
L'implémentation d'un outil d'aide à la décision (OAD) basé sur un data
warehouse au sein de la RVA présente un intérêt stratégique considérable pour
l'aéroport de N'Djili. En effet, cette initiative permettra d'exploiter pleinement le
potentiel des données collectées, offrant ainsi de multiples avantages :

 Amélioration de la performance opérationnelle:

o Identification précise des goulots d'étranglement: Grâce à
l'analyse des données de temps de traitement, de taux d'occupation
des équipements, et de flux de passagers, l'OAD permettra
d'identifier les phases critiques des processus aéroportuaires où des
améliorations peuvent être apportées.
o Optimisation des ressources: En corrélant les données de
performance avec les ressources allouées (personnel, équipements),
 l'OAD permettra de dimensionner les ressources de manière
optimale, évitant ainsi les surcapacités ou les sous-capacités.
o Mesure de l'efficacité des processus: En définissant des
indicateurs clés de performance (KPI) pertinents, l'OAD permettra
de suivre l'évolution des processus au fil du temps et d'évaluer
l'impact des actions correctives mises en place.

 Renforcement de la sécurité:
o Analyse des incidents: En centralisant les données relatives aux
incidents de sécurité, l'OAD permettra d'identifier les causes
profondes de ces événements et de mettre en place des actions
préventives ciblées.
o Surveillance en temps réel: L'OAD pourra être utilisé pour
surveiller en temps réel les paramètres critiques liés à la sécurité
(météo, état des équipements, etc.) et déclencher des alertes en cas
de détection d'anomalies.
o Évaluation des mesures de sécurité: L'OAD permettra d'évaluer
l'efficacité des mesures de sécurité mises en place en comparant les
taux d'incidents avant et après leur mise en œuvre.

 Optimisation des ressources:

o Prévision de la demande: En analysant les données historiques sur
le trafic aérien, l'OAD permettra de prévoir la demande future et
d'adapter les ressources en conséquence.
o Gestion de la maintenance: En suivant l'état des équipements et
en prévoyant les opérations de maintenance, l'OAD permettra de
réduire les temps d'arrêt et d'optimiser la disponibilité des
infrastructures.
o Optimisation des coûts: En identifiant les postes de dépenses les
plus importants, l'OAD permettra de mettre en place des actions
pour réduire les coûts tout en maintenant un niveau de service
élevé.

 Amélioration de la satisfaction client:

o Analyse des retours clients: En collectant et en analysant les
retours des passagers (enquêtes de satisfaction, réclamations),
l'OAD permettra d'identifier les points forts et les points faibles de
l'expérience client.
o Personnalisation des services: En segmentant les clients en
fonction de leurs profils, l'OAD permettra de proposer des offres et
des services personnalisés.

 Soutien à la prise de décision stratégique:

 o Vision globale de la performance: L'OAD fournira aux dirigeants
une vision à 360° de la performance de l'aéroport, en mettant en
évidence les tendances et les opportunités.
o Simulation de scénarios: L'OAD permettra de simuler l'impact de
différentes décisions stratégiques sur la performance de l'aéroport,
facilitant ainsi la prise de décision.
o Suivi des objectifs stratégiques: L'OAD permettra de suivre
l'avancement des projets stratégiques et d'ajuster les orientations si
nécessaire.

Structure du travail

Ce mémoire sera structuré en plusieurs parties :

énéralités sur le
système décisionnel : dans ce dernier nous allons parler sur la généralité
du système décisionnel.
 Data warehouse

 L’analyse prealable
  Implémentation et
interprétation des résultats : Ce chapitre présente en général notre
travail et l’outil dont l’on s’est servi pour réaliser notre outil d’aide à la
prise de décision. C’est ici que repose la solution au problème décelé dans
l’entreprise.

En effet La mise en place d'un outil d'aide à la décision à l'aéroport de N'Djili constitue un
enjeu majeur pour améliorer la performance opérationnelle, renforcer la sécurité et optimiser
les ressources. En s'appuyant sur les données collectées, cet outil permettra à la RVA de
prendre des décisions éclairées et de positionner l'aéroport de N'Djili comme une plateforme
aéroportuaire moderne et efficace au service du développement de la République
Démocratique du Congo.

Méthode
et Organisation du travai
Afin d'analyser les performances, je mettrai en place des tableaux de bord personnalisés qui
synthétiseront les indicateurs clés. Ces outils de décision interactive faciliteront l'identification des
leviers d'action et permettront aux responsables de prendre des décisions éclairées."

CHAPITRE
I. GENERALITES SUR LES SYSTEMES
DECISIONNELS

I.1.
INTRODUCTION
 Dans le paysage économique actuel, marqué par une concurrence accrue
et une complexité croissante des marchés, les entreprises sont confrontées à un
défi majeur : celui de prendre des décisions rapides et éclairées. Pour relever ce
défi, elles doivent disposer d'une vision claire et précise de leur activité, ce qui
passe par une maîtrise approfondie de leurs données.

A. Le rôle central de Systèmes décisionnels

L'information est devenue un actif stratégique pour les entreprises. Elle est
générée en grande quantité à partir de multiples sources (systèmes de gestion,
transactions commerciales, données externes, etc.) et circule au sein de
l'organisation sous diverses formes (numériques, papier). La gestion efficace de
cette information est indispensable pour :

 Améliorer la prise de décision: En fournissant aux décideurs les

informations pertinentes pour évaluer les différentes options et choisir la
meilleure stratégie.
 Optimiser les processus: En identifiant les goulots d'étranglement et les
inefficacités au sein des processus de l'entreprise.
 Renforcer la compétitivité: En permettant aux entreprises de s'adapter
rapidement aux évolutions du marché et de saisir les nouvelles
opportunités.

B. L'émergence des systèmes d'information décisionnelle

Face à l'explosion des données et à la complexité croissante des

environnements d'affaires, les entreprises ont besoin d'outils puissants pour
analyser leurs informations et en extraire de la valeur. C'est dans ce contexte que
les systèmes d'information décisionnelle (SID) ou Business Intelligence (BI) ont
émergé. Ces systèmes permettent de :

 Collecter et centraliser les données: Rassembler les données provenant

de diverses sources dans un entrepôt de données unique.
 Nettoyer et préparer les données: Assurer la qualité des données en les
nettoyant, en les transformant et en les enrichissant.
 Analyser les données: Appliquer des techniques statistiques et
d'apprentissage automatique pour découvrir des tendances, des
corrélations et des modèles cachés dans les données.
  Visualiser les résultats: Présenter les résultats des analyses sous forme
de tableaux de bord, de graphiques et de cartes interactifs, facilitant ainsi
la compréhension des informations par les utilisateurs.

C. Les bénéfices de l'informatique décisionnelle

En mettant à disposition des décideurs une information fiable, pertinente

et à jour, les SID offrent de nombreux avantages :

 Amélioration de la performance: En permettant d'optimiser les

processus, de réduire les coûts et d'augmenter la productivité.
 Renforcement de la compétitivité: En permettant de prendre des
décisions plus rapides et plus éclairées, et de mieux s'adapter aux
évolutions du marché.
 Facilitation de la collaboration: En favorisant le partage d'information et
la prise de décision collective.
 Amélioration de la satisfaction client: En permettant de mieux
comprendre les besoins et les attentes des clients.

[Link] des Systèmes Décisionnels :

A. Les prémices de l'aide à la décision : Des analyses manuelles à l'ère
informatique (années 1960-1970)

Avant l'avènement des ordinateurs, les analyses étaient réalisées à l'aide

de tableaux, de graphiques et de calculs manuels. Les comptables, par exemple,
utilisaient des feuilles de calcul pour suivre les transactions financières et
identifier les tendances. L'introduction des premiers ordinateurs a permis de
mécaniser ces calculs et de stocker de plus grandes quantités de données. Les
premières applications décisionnelles se limitaient souvent à des analyses
simples de données historiques, telles que le calcul de moyennes et de
pourcentages.

B. L'ère des bases de données et des requêtes complexes (années 1980-1990)

Les années 1980 et 1990 ont marqué l'émergence des bases de données
relationnelles, qui ont révolutionné la manière de stocker et d'organiser les
données. Des langages de requête comme SQL ont permis aux utilisateurs de
poser des questions complexes aux bases de données et d'obtenir des réponses
précises. Les systèmes décisionnels de cette époque se sont concentrés sur
l'extraction de données et la création de rapports personnalisés. Les tableaux
croisés dynamiques sont devenus un outil standard pour explorer les données
sous différents angles.

C. L'avènement des entrepôts de données : Centralisation et optimisation

(années 1990)

La prolifération des bases de données a rapidement conduit à une

problématique de fragmentation des données. Chaque système opérationnel
disposait de sa propre base de données, ce qui rendait difficile l'obtention d'une
vue consolidée de l'entreprise. Les entrepôts de données ont été conçus pour
résoudre ce problème en centralisant les données provenant de diverses sources.
Ces entrepôts ont permis de créer une version unique et cohérente de la vérité,
facilitant ainsi l'analyse et la prise de décision.

D. L'intelligence décisionnelle et l'analytique avancée : Vers une analyse

plus profonde (années 2000)

L'intelligence décisionnelle (BI) a émergé dans les années 2000, offrant

des outils plus sophistiqués pour explorer les données et en extraire des
connaissances. Les entreprises ont commencé à utiliser des outils de
visualisation pour créer des tableaux de bord interactifs et des algorithmes
d'analyse prédictive pour anticiper les tendances futures. L'analyse en ligne
analytique (OLAP) est devenue une norme pour l'exploration
multidimensionnelle des données.

E. Le big data et l'analytique en temps réel : Gérer l'explosion des données

(années 2010-présent)

L'explosion du volume de données générées par les entreprises a nécessité

le développement de nouvelles technologies pour les stocker, les traiter et les
analyser. Le big data a donné naissance à des technologies comme Hadoop et
Spark, qui permettent de traiter des volumes massifs de données à des vitesses
élevées. L'analyse en temps réel est devenue essentielle pour prendre des
décisions rapidement dans un environnement en constante évolution.

F. L'intelligence artificielle et l'apprentissage automatique : Vers des

systèmes décisionnels intelligents (présent et futur)

L'IA et le ML ont ouvert de nouvelles perspectives pour l'analyse de

données. Les algorithmes d'apprentissage automatique peuvent apprendre à
partir des données et identifier des patterns complexes que les humains ne
pourraient pas détecter. Les applications sont nombreuses :
  Détection des fraudes: Les algorithmes peuvent identifier des
transactions suspectes en analysant de grandes quantités de données en
temps réel.
 Prédiction de la demande: Les entreprises peuvent prédire les ventes
futures en fonction des données historiques et des tendances du marché.
 Recommandation de produits: Les algorithmes peuvent recommander
des produits personnalisés aux clients en fonction de leurs préférences et
de leur historique d'achat.
 Maintenance prédictive: Les entreprises peuvent prédire les pannes de
machines et planifier la maintenance en conséquence.

Les systèmes décisionnels ont évolué de manière spectaculaire au fil des années,
passant d'outils simples d'analyse de données à des plateformes sophistiquées
capables d'extraire des connaissances précieuses à partir de grandes quantités de
données. L'avenir des systèmes décisionnels est prometteur, avec l'émergence de
nouvelles technologies comme l'IA et le ML qui permettront d'automatiser
davantage les analyses et d'obtenir des résultats encore plus précis et pertinents.

I.3. Nouvelles capacités des systèmes décisionnels grâce à l'IA et

au ML
L'intégration de l'intelligence artificielle (IA) et de l'apprentissage
automatique (ML) dans les systèmes décisionnels révolutionne la façon dont les
entreprises analysent leurs données et prennent des décisions. Ces technologies
confèrent aux outils d'analyse de nouvelles capacités puissantes, notamment :

1. Détection d'anomalies et de fraudes

 Identification de comportements atypiques: Les algorithmes d'IA

peuvent détecter des transactions financières inhabituelles, des anomalies
dans les données de production ou des comportements de clients suspects,
ce qui permet de prévenir les fraudes et les pertes financières.
 Détection de fraudes complexes: Les réseaux de neurones artificiels sont
particulièrement efficaces pour identifier des fraudes sophistiquées,
comme les fraudes synthétiques ou les attaques par hameçonnage.
 Analyse en temps réel: L'IA permet de détecter les anomalies en temps
réel, ce qui est crucial pour réagir rapidement à des situations critiques.

2. Prédiction des tendances futures

 Modélisation prédictive: Les algorithmes de ML peuvent construire des

modèles prédictifs pour anticiper les ventes futures, les besoins en
ressources ou les comportements des clients.
  Prévisions plus précises: Grâce à l'analyse de grandes quantités de
données historiques, les modèles prédictifs offrent une précision accrue
par rapport aux méthodes traditionnelles.
 Optimisation des décisions: Les prévisions permettent aux entreprises
d'optimiser leurs opérations, de planifier leur production et de lancer de
nouvelles initiatives.

3. Personnalisation des analyses

 Recommandations personnalisées: L'IA peut recommander des

produits, des contenus ou des services personnalisés à chaque utilisateur,
en fonction de ses préférences et de son historique.
 Expérience utilisateur améliorée: La personnalisation permet d'offrir
une expérience utilisateur plus pertinente et engageante.
 Augmentation des ventes: Les recommandations personnalisées peuvent
stimuler les ventes et fidéliser les clients.

4. Automatisation des tâches d'analyse

 Réduction de la charge de travail: Les algorithmes d'IA peuvent

automatiser des tâches répétitives et chronophages, telles que la collecte
de données, le nettoyage des données et la génération de rapports.
 Accélération de la prise de décision: L'automatisation permet aux
analystes de se concentrer sur des tâches à plus forte valeur ajoutée,
comme l'interprétation des résultats et la formulation de recommandations
stratégiques.
 Amélioration de la qualité des analyses: L'automatisation réduit les
risques d'erreurs humaines et garantit la cohérence des résultats.

I.3. Définition d'un système décisionnel

Un système décisionnel (ou Business Intelligence) est un ensemble de
technologies et de méthodes permettant de collecter, stocker, analyser et
visualiser les données d'une entreprise dans le but de faciliter la prise de
décision. Ces systèmes s'appuient sur un entrepôt de données centralisé qui
intègre les informations provenant de diverses sources. Grâce à des outils
d'analyse puissants et des interfaces de visualisation intuitives, ils permettent
aux utilisateurs d'explorer les données, de découvrir des tendances et de prendre
des décisions éclairées.

Un système décisionnel (ou Business Intelligence) est bien plus qu'un

simple ensemble de données. C'est une véritable plateforme technologique qui
transforme les données brutes en informations exploitables, permettant ainsi aux
entreprises de prendre des décisions stratégiques éclairées.

A. Fonctionnalités clés d'un système décisionnel :

 Collecte de données: Les systèmes décisionnels agrègent des données
provenant de multiples sources (bases de données opérationnelles,
fichiers, applications SaaS, etc.) pour créer une vue unifiée de l'entreprise.
 Stockage des données: Les données sont stockées dans un entrepôt de
données (data warehouse), une base de données spécialement conçue
pour l'analyse.
 Traitement des données: Les données sont nettoyées, transformées et
organisées pour être facilement analysées.
 Analyse des données: Des outils analytiques puissants (SQL, OLAP, data
mining) permettent d'explorer les données sous différents angles,
d'identifier des tendances, des corrélations et des anomalies.
 Visualisation des données: Des tableaux de bord, des graphiques et
d'autres visualisations interactives permettent de présenter les résultats de
manière claire et concise.

B. Les quatre questions clés auxquelles répond un système

décisionnel :
 Qu'est-ce qui s'est passé ? (Analyse descriptive): Les systèmes
décisionnels permettent de répondre à des questions sur le passé, comme
"Quelles sont nos ventes totales ce mois-ci ?", "Quel est notre produit le
plus vendu ?", etc. Les tableaux de bord sont des outils essentiels pour
cette analyse.

 Pourquoi cela s'est-il produit ? (Analyse diagnostique): En identifiant

les causes des événements passés, les entreprises peuvent comprendre les
facteurs qui ont influencé leurs résultats. Par exemple, une baisse des
ventes peut être due à une concurrence accrue, à un changement des
préférences des clients ou à un problème de distribution.
  Que va-t-il se passer ? (Analyse prédictive): Les modèles prédictifs
permettent d'anticiper les tendances futures, comme les ventes prévues, la
demande en produits ou le taux de churn des clients.
 Que devons-nous faire ? (Analyse prescriptive): Les systèmes
décisionnels peuvent recommander des actions à entreprendre pour
atteindre les objectifs de l'entreprise. Par exemple, un système peut
suggérer de lancer une nouvelle campagne marketing pour augmenter les
ventes d'un produit spécifique.

Grâce à une vision à 360 degrés, les systèmes décisionnels offrent une
perspective globale de l'entreprise, englobant tous les aspects de son activité.

C. Les bénéfices des systèmes décisionnels pour les entreprises :

 Amélioration de la prise de décision: Les systèmes décisionnels
fournissent aux dirigeants les informations nécessaires pour prendre des
décisions éclairées et stratégiques.
 Optimisation des opérations: En identifiant les inefficacités, les
entreprises peuvent optimiser leurs processus et réduire leurs coûts.
 Amélioration de la satisfaction client: Les systèmes décisionnels
permettent de mieux comprendre les besoins des clients et de
personnaliser les offres.
 Développement de nouveaux produits et services: En analysant les
tendances du marché, les entreprises peuvent identifier de nouvelles
opportunités de croissance.
 Renforcement de la compétitivité: Les entreprises qui utilisent
efficacement les systèmes décisionnels ont un avantage concurrentiel
significatif.

Un système décisionnel est un outil indispensable pour toute entreprise

souhaitant tirer le meilleur parti de ses données. Il permet de transformer les
données en informations exploitables, de prendre des décisions plus éclairées et
d'améliorer la performance globale de l'entreprise.

I.3. Le processus de prise de décision

 Fig 1.1: PROCESSUS DE PRISE DE DECISION

A. Bases de production

Les bases de production constituent le point de départ de tout système

d'information décisionnel. Il s'agit des systèmes transactionnels qui collectent les
données brutes au quotidien. Ces données peuvent provenir de :

 Les systèmes d'information de gestion (SI) : ERP, CRM, GPAO, etc.

 Les capteurs : Mesurant des paramètres physiques (température,
pression, etc.) dans les processus industriels.
 Les sources externes : Données économiques, météorologiques, etc.

Ces données brutes sont souvent dispersées dans différents systèmes et formats,
ce qui rend leur exploitation complexe.

B. Entrepôt de données

L'entrepôt de données est un référentiel centralisé qui stocke les données

provenant des différentes bases de production. Il permet de :

 Unifier les données : Les données sont nettoyées, transformées et

intégrées dans un format cohérent.
 Consolider les données : L'entrepôt de données offre une vue historique
des données, permettant d'analyser les tendances et les évolutions dans le
temps.
 Optimiser les requêtes : La structure de l'entrepôt de données est
optimisée pour répondre rapidement aux requêtes complexes.

C. Bases multidimensionnelles
 Les bases multidimensionnelles, également appelées cubes OLAP (Online
Analytical Processing), sont des structures de données spécialement conçues
pour l'analyse. Elles permettent de :

 Visualiser les données sous différents angles: Les données sont

organisées selon plusieurs dimensions (temps, produits, clients, etc.), ce
qui facilite l'analyse multidimensionnelle.
 Effectuer des calculs complexes: Les bases multidimensionnelles
permettent de réaliser des calculs agrégés (sommes, moyennes, etc.) et des
comparaisons.
 Répondre rapidement aux questions de type "Que se passerait-il si ?"
: Les analyses "what-if" permettent de simuler différents scénarios et
d'évaluer leurs impacts.

D. Prédiction ou simulation
Les modèles prédictifs et les simulations permettent d'anticiper les
tendances futures et d'évaluer les impacts de différentes décisions. Ces
techniques s'appuient sur des algorithmes d'intelligence artificielle et de machine
learning.

Le processus de prise de décision dans son ensemble

1. Collecte des données: Les données sont collectées à partir des différentes
sources.
2. Intégration dans l'entrepôt de données: Les données sont nettoyées,
transformées et intégrées dans l'entrepôt.
3. Création de bases multidimensionnelles: Les données sont structurées
pour faciliter l'analyse.
4. Analyse des données: Les analystes utilisent des outils pour explorer les
données, identifier les tendances et les corrélations.
5. Modélisation prédictive: Des modèles sont construits pour prédire les
évolutions futures.
6. Prise de décision: Les décideurs utilisent les résultats des analyses et des
prédictions pour prendre des décisions éclairées.

I.4. ARCHITECTURE DES SYSTEMES DECISIONNELS

 Fig 1.2: Architecture d’un système decisionel

1. Collecte de Données (Data Pumping)

La collecte de données est l'étape fondamentale qui consiste à rassembler

les informations éparpillées dans les différents systèmes de l'entreprise.

Sources de données diversifiées:

 Systèmes opérationnels:
o ERP (Enterprise Resource Planning): Logiciels de gestion
intégrés qui couvrent tous les aspects de l'entreprise (finance,
production, logistique...).
o CRM (Customer Relationship Management): Logiciels de
gestion de la relation client.
o SGBD (Système de Gestion de Base de Données): Bases de
données relationnelles stockant des informations structurées.
 Fichiers plats: Données stockées dans des formats simples (CSV, TXT),
souvent utilisés pour des échanges de données entre différents systèmes.
 Archives: Données historiques conservées pour des analyses à long terme
(par exemple, les données de ventes des 5 dernières années).
 Sources externes: Données provenant d'internet, de partenaires,
d'organismes publics (météo, données économiques, etc.).

Les défis de la collecte de données:

  Hétérogénéité des formats: Les données peuvent être stockées dans
différents formats (textes, nombres, dates), avec des structures variées.
 Qualité des données: Les données peuvent contenir des erreurs, des
incohérences ou des valeurs manquantes.
 Volume des données: La quantité de données à collecter peut être très
importante, nécessitant des outils performants.

2. Processus ETL (Extract, Transform, Load)

L'ETL est le cœur du processus de construction d'un entrepôt de données. Il

permet de transformer les données brutes en données de qualité, prêtes à être
analysées.

 Extraction:
o Identification des sources: Définir les sources de données à
extraire.
o Définition des données: Déterminer les données à extraire (tables,
champs, filtres).
o Extraction des données: Utiliser des outils spécifiques pour
extraire les données des sources.

 Transformation:
o Nettoyage: Correction des erreurs, suppression des doublons,
gestion des valeurs manquantes.
o Standardisation: Uniformisation des formats, des codes, des unités
de mesure.
o Agrégation: Calcul de totaux, de moyennes, etc.
o Enrichissement: Ajout de données contextuelles (par exemple, des
codes postaux pour géolocaliser les clients).

 Chargement:
o Chargement initial: Première insertion des données dans
l'entrepôt.
o Chargement incrémental: Mise à jour régulière de l'entrepôt avec
les nouvelles données.

3. Stockage de Données

 Entrepôt de données (Data Warehouse): Base de données optimisée

pour l'analyse, contenant une vue intégrée et cohérente des données de
l'entreprise.
o Caractéristiques: Orienté sujet, intégré, non volatile, temps
variant.
 o Avantages: Facilite l'analyse, améliore la prise de décision, permet
de suivre les performances de l'entreprise dans le temps.
 Data Mart: Sous-ensemble spécialisé d'un entrepôt de données, conçu
pour répondre aux besoins spécifiques d'un département ou d'un domaine
d'activité.

4. Analyse et Restitution

 Outils d'analyse:
o SQL: Langage de requête standard pour interroger les bases de
données.
o OLAP (Online Analytical Processing): Méthode d'analyse
multidimensionnelle permettant d'explorer les données sous
différents angles.
o Data mining: Techniques d'extraction de connaissances à partir de
grandes masses de données.
 Outils de visualisation:
o Tableaux de bord: Présentations synthétiques des indicateurs clés
de performance (KPI).
o Graphiques: Représentations visuelles des données (barres,
courbes, camemberts).
o Cartographie: Visualisation géographique des données.
 Applications décisionnelles:
o Reporting: Génération de rapports personnalisés.
o Analyse prédictive: Prévision des tendances futures.
o Simulation: Évaluation de différents scénarios.

I.5. Avantage des SID

Les SID offrent de nombreux avantages aux entreprises, notamment :

 Amélioration de la prise de décision : En fournissant aux utilisateurs un

accès facile à des données précises et pertinentes, les SID permettent de
prendre des décisions plus éclairées et plus stratégiques.
 Augmentation de l'efficacité opérationnelle : Les SID peuvent aider les
entreprises à identifier les inefficacités, à optimiser les processus et à
réduire les coûts.
 Gain de temps et d'argent : En automatisant la collecte, le traitement et
l'analyse des données, les SID permettent aux employés de se concentrer
sur des tâches plus stratégiques.
  Meilleure compréhension du marché et des clients : Les SID
permettent aux entreprises d'analyser les tendances du marché, les
comportements des clients et les données de la concurrence, ce qui leur
permet de prendre des décisions plus éclairées en matière de marketing et
de développement de produits.

Les systèmes d'information décisionnelle sont des outils puissants qui

peuvent aider les entreprises à améliorer leurs performances et à prendre
des décisions éclairées basées sur des données. En investissant dans un
SID, les entreprises peuvent se donner un avantage concurrentiel
important.

I.5. Les besoins des utilisateurs et les fonctionnalités des systèmes

décisionnels

A. Les besoins des utilisateurs

Les utilisateurs de systèmes décisionnels (SID) ont des besoins divers qui
peuvent être regroupés en quatre catégories principales :

1. Simuler : Les utilisateurs veulent être en mesure de créer des modèles et

de simuler différents scénarios afin de prédire les résultats et d'évaluer les
options.
2. Analyser les données : Les utilisateurs ont besoin d'outils pour explorer
et analyser les données en profondeur afin d'identifier des tendances, des
modèles et des anomalies.
3. Produire des états de gestion : Les utilisateurs ont besoin de générer des
rapports et des tableaux de bord pour communiquer les résultats des
analyses et suivre les indicateurs clés de performance (KPI).
4. Suivre et contrôler : Les utilisateurs veulent être en mesure de surveiller
les processus et de recevoir des alertes en cas de problèmes.

B. Les solutions qu’offres les systèmes décisionnels

Pour répondre à ces besoins, les systèmes décisionnels offrent une variété de
fonctionnalités, notamment :

 Gestion des modèles de calcul : Cette fonctionnalité permet aux

utilisateurs de créer et de gérer des modèles de calcul complexes qui
prennent en compte des paramètres et des règles de gestion définis par
l'utilisateur.
 Fonctionnalités OLAP : Les fonctionnalités OLAP (Online Analytical
Processing) permettent aux utilisateurs d'explorer les données
 multidimensionnelles, de les trier, de les filtrer et de les zoomer afin
d'identifier des tendances et des modèles.
 Techniques de datamining : Le datamining est un ensemble de
techniques statistiques sophistiquées qui permettent de découvrir des
corrélations, des tendances et des prévisions dans les données.
 Fonctionnalités de reporting : Les fonctionnalités de reporting
permettent aux utilisateurs de créer des rapports et des tableaux de bord
personnalisés à l'aide d'une interface simple et intuitive.
 Tableaux de bord : Les tableaux de bord regroupent des données
hétérogènes et les présentent de manière visuelle pour faciliter le suivi et
le contrôle des processus.
 Système d'alerte : Le système d'alerte permet de générer des messages
conditionnels sur différents supports (email, SMS, etc.) en cas de
dépassement de seuils définis ou d'autres événements critiques.

C. Choisir la bonne solution

Il est rare qu'un seul système décisionnel offre toutes les fonctionnalités
décrites ci-dessus. Les entreprises doivent donc choisir une solution qui répond à
leurs besoins spécifiques en tenant compte de plusieurs facteurs, tels que :

 Les besoins actuels et futurs : Il est important de déterminer les besoins

immédiats et les besoins futurs en matière de fonctionnalités
décisionnelles.
 Les contraintes organisationnelles et les contraintes d'activité : Il faut
prendre en compte les contraintes liées à l'organisation et à l'activité de
l'entreprise, telles que le budget, les ressources humaines et les
compétences informatiques.
 Les fonctionnalités des différents progiciels : Il est important de
comparer les fonctionnalités des différents progiciels disponibles sur le
marché et de choisir celui qui offre le meilleur rapport qualité-prix.

Le choix d'un système décisionnel est une décision importante qui doit être
prise en tenant compte des besoins spécifiques de l'entreprise et des contraintes
liées à son organisation et à son activité.

I.6 les apports du système décisionnel

1. Amélioration de la prise de décision:

 Le SID fournit aux décideurs des informations fiables, complètes et à jour

sur lesquelles ils peuvent s'appuyer pour prendre des décisions éclairées.
  Le SID permet d'analyser les données de différentes sources et de les
présenter sous forme de tableaux de bord et de rapports, ce qui facilite la
compréhension de l'information et la prise de décision.
 Le SID peut être utilisé pour simuler différents scénarios et pour évaluer
l'impact des différentes options de décision, ce qui permet aux décideurs
de faire des choix plus éclairés.

2. Amélioration de la performance de l'entreprise:

 Le SID peut aider les entreprises à améliorer leur performance en

identifiant les domaines dans lesquels elles peuvent améliorer leur
efficacité et leur efficience.
 Le SID peut aider les entreprises à suivre leurs progrès et à mesurer
l'impact de leurs initiatives stratégiques.
 Le SID peut aider les entreprises à identifier de nouvelles opportunités de
marché et à développer de nouveaux produits et services.

3. Amélioration de la communication et de la collaboration:

 Le SID peut faciliter la communication et la collaboration entre les

différents services d'une entreprise en fournissant une source
d'information commune.
 Le SID peut aider les entreprises à partager les connaissances et les
meilleures pratiques entre les différents services.
 Le SID peut aider les entreprises à prendre des décisions plus cohérentes
et plus alignées avec leurs objectifs stratégiques.

4. Renforcement de la culture de la décision:

 Le SID peut aider les entreprises à renforcer leur culture de la décision en

fournissant aux employés les outils et les informations dont ils ont besoin
pour prendre des décisions éclairées.
 Le SID peut aider les entreprises à responsabiliser les employés en leur
donnant le pouvoir de prendre des décisions au sein de leur domaine de
responsabilité.
 Le SID peut aider les entreprises à créer un environnement où la prise de
décision est valorisée et encouragée.

Il est important de noter que les apports des systèmes décisionnels peuvent
varier en fonction de la façon dont ils sont mis en œuvre et utilisés. Il est
essentiel de bien comprendre les besoins de l'entreprise et de choisir un SID
adapté à ces besoins pour maximiser les apports potentiels.
 I.7. COMPARAISON
DU SYSTEME DECISIONNEL ET SYSTEME OPERATIONNEL
Caractéristique Données Données Explication
décisionnelles opérationnelles
Orientation Orientées activité, Orientées Les données décisionnelles offrent une
thématiques, application, vue d'ensemble et historique, tandis que
historique détaillées, actuelles les données opérationnelles sont
focalisées sur les opérations en cours.
Mise à jour Pas de mise à jour Mise à jour Les données décisionnelles sont
interactive interactive possible généralement mises à jour par lots, tandis
que les données opérationnelles sont
mises à jour en temps réel
Accès Accès par différents Accès unitaire par Les données décisionnelles sont conçues
utilisateurs, souvent les utilisateurs ayant pour être partagées et analysées par de
via des outils des droits nombreux utilisateurs, tandis que les
d'analyse spécifiques données opérationnelles sont souvent
utilisées pour des tâches spécifiques
Disponibilité Haute disponibilité Haute disponibilité Les données décisionnelles sont
ponctuelle, pour les en continu, pour les principalement utilisées pour des analyses
analyses opérations ponctuelles, tandis que les données
quotidiennes opérationnelles sont essentielles pour le
fonctionnement quotidien de l'entreprise.
Redondance Peuvent être Uniques (pas de Les données décisionnelles peuvent
redondantes redondance en contenir des données agrégées ou
(agrégats, calculs) théorie calculées, tandis que les données
opérationnelles sont généralement
uniques
Volume Grande quantité de Petite quantité de Les entrepôts de données décisionnels
données données par stockent de grandes quantités de données
transaction historiques, tandis que les bases de
données opérationnelles contiennent les
données nécessaires aux transactions
quotidiennes
Cycle de vie Cycle de vie plus Cycle de vie plus Les données décisionnelles sont
long court conservées pendant de longues périodes
pour l'analyse historique, tandis que les
données opérationnelles peuvent être
archivées ou supprimées après un certain
temps
Fréquence d'accès Faible fréquence Forte fréquence Les données décisionnelles sont souvent
d'accès pour chaque d'accès pour les consultées pour des analyses spécifiques,
enregistrement enregistrements tandis que les données opérationnelles
actifs sont consultées fréquemment pour les
opérations quotidiennes
Mode d'utilisation Utilisées de manière Utilisées de manière Les données décisionnelles sont utilisées
aléatoire, pour répétitive, pour les pour explorer de nouvelles informations,
explorer les données opérations courantes tandis que les données opérationnelles
sont utilisées pour effectuer des tâches
répétitives.
I.8. Concepts clés des Systèmes décisionnels:

L'informatique décisionnelle (BI) regroupe un ensemble de processus,

outils et méthodologies permettant aux entreprises de collecter, traiter, analyser
et visualiser des données afin d'en tirer des informations exploitables pour la
prise de décision.

Voici quelques concepts clés de la BI :

1. Entrepôt de données (Data Warehouse) : Un entrepôt de données centralise

et stocke des données provenant de diverses sources disparates au sein d'une
organisation. Ces données sont nettoyées, structurées et organisées pour une
analyse ultérieure.

2. Data Mining : Le data mining consiste à extraire des connaissances et des

modèles prédictifs à partir de grandes quantités de données. Cela implique
l'utilisation de techniques statistiques et d'apprentissage automatique pour
identifier des tendances, des anomalies et des relations cachées dans les
données.

3. Analyse OLAP (Online Analytical Processing) : L'analyse OLAP permet

aux utilisateurs d'explorer et d'analyser des données multidimensionnelles de
manière interactive. Cela implique de naviguer dans les données selon
différentes dimensions, telles que le temps, les produits, les régions et les clients.

4. Tableaux de bord et visualisations : Les tableaux de bord et les

visualisations permettent de présenter des données de manière claire et concise,
facilitant ainsi leur compréhension et leur interprétation par les utilisateurs. Ils
utilisent des graphiques, des tableaux et d'autres éléments visuels pour
communiquer des informations clés.

5. Indicateurs clés de performance (KPI) : Les KPI sont des mesures

quantifiables qui reflètent la performance d'une entreprise par rapport à ses
objectifs stratégiques. Ils permettent aux entreprises de suivre leurs progrès et
d'identifier les domaines nécessitant une amélioration.

6. Prise de décision basée sur les données : La prise de décision basée sur les
données consiste à utiliser des données et des analyses pour éclairer les
décisions stratégiques et opérationnelles. Cela implique de s'appuyer sur des
preuves et des informations factuelles plutôt que sur l'intuition ou l'opinion.
7. Gouvernance des données : La gouvernance des données établit des
processus et des structures pour garantir la qualité, la sécurité et la disponibilité
des données. Cela implique de définir des règles pour l'accès aux données, leur
utilisation et leur protection.

8. Intelligence artificielle (IA) et apprentissage automatique (ML) : L'IA et

le ML sont de plus en plus utilisés dans la BI pour améliorer l'analyse des
données et la prise de décision. Cela peut inclure l'automatisation de tâches, la
détection d'anomalies, la prédiction de tendances et la génération de
recommandations personnalisées.

9. Storytelling de données : Le storytelling de données consiste à communiquer

des informations issues de l'analyse de données de manière captivante et
convaincante. Cela implique de combiner des données visuelles, des récits et des
messages clairs pour persuader les audiences et susciter l'action.

10. Culture de la donnée : Une culture de la donnée favorise l'utilisation et la

valorisation des données au sein d'une organisation. Cela implique d'encourager
la collaboration entre les équipes, de promouvoir l'apprentissage continu et de
donner aux employés les moyens de prendre des décisions basées sur les
données.

En comprenant ces concepts clés, les entreprises peuvent exploiter efficacement

la BI pour améliorer leurs processus décisionnels, stimuler la croissance et
atteindre leurs objectifs stratégiques.
CHAPITRE II : DATAWAREHOUSE

II.1INTRODUCTION

L'informatique décisionnelle : le moteur de l'intelligence d'entreprise

Née au milieu des années 80, l'informatique décisionnelle, ou Business

Intelligence (BI), est devenue un pilier stratégique pour les entreprises
modernes. Elle offre un ensemble de méthodes, d'outils et de technologies qui
permettent de transformer les données massives en informations exploitables,
afin de soutenir la prise de décision à tous les niveaux de l'organisation.

Le cœur du métier : transformer les données en valeur

L'objectif premier de la BI est de décrypter la complexité des données pour en

extraire des connaissances pertinentes. En d'autres termes, il s'agit de passer d'un
amas de données brutes à des informations claires et concises, capables
d'éclairer les choix stratégiques et opérationnels.

Les étapes clés d'un projet de BI

Pour mettre en œuvre une solution d'informatique décisionnelle, plusieurs étapes

sont nécessaires :

1. Collecte et intégration des données: Les données sont rassemblées

depuis diverses sources (bases de données opérationnelles, fichiers, web,
etc.) et intégrées dans un entrepôt de données (Data Warehouse). Cet
entrepôt centralisé constitue un référentiel unique et fiable pour toute
l'entreprise.
2. Nettoyage et transformation des données: Les données sont nettoyées,
structurées et enrichies afin de garantir leur qualité et leur cohérence.
C'est le rôle des outils ETL (Extract, Transform, Load).
3. Analyse des données: Grâce à des outils d'analyse performants (OLAP,
data mining, etc.), les entreprises peuvent explorer les données sous
différents angles, identifier des tendances, des corrélations et des
anomalies.
4. Visualisation des données: Les résultats des analyses sont présentés de
manière claire et intuitive à l'aide de tableaux de bord, de graphiques et
d'autres visualisations interactives.
L'entrepôt de données : le socle de la BI

Au cœur de toute solution de BI se trouve l'entrepôt de données. Il s'agit d'une

base de données spécialement conçue pour stocker de grandes quantités de
données historiques, provenant de sources diverses et hétérogènes. L'entrepôt de
données offre plusieurs avantages :

 Unité de lieu: Toutes les données sont centralisées dans un seul endroit,
facilitant ainsi leur accès et leur exploitation.
 Cohérence: Les données sont nettoyées et harmonisées, ce qui garantit
leur qualité et leur fiabilité.
 Historique: L'entrepôt de données conserve un historique des données,
permettant d'analyser les évolutions dans le temps.
 Flexibilité: L'entrepôt de données est conçu pour évoluer et s'adapter aux
besoins changeants de l’entreprise.

L'informatique décisionnelle est un levier essentiel pour les entreprises qui

souhaitent gagner en compétitivité. En exploitant efficacement leurs données,
elles peuvent prendre des décisions plus éclairées, améliorer leur performance et
se différencier de leurs concurrents

Imaginez un monde où chaque agent a un profil numérique détaillé qui suit

ses activités quotidiennes. Ce profil, semblable à un datawarehouse pour les
clients, centralise toutes les informations pertinentes sur l'agent, telles que :

 Ses missions et tâches: Les types de missions effectuées, leur fréquence,

leur localisation et leur durée.
 Ses interactions: Les personnes avec lesquelles il communique, la nature
de ces interactions et les canaux utilisés (téléphone, email, chat, etc.).
 Ses performances: Les indicateurs clés de performance (KPIs) liés à son
efficacité et à la qualité de son travail.
 Ses préférences: Les outils, les ressources et les environnements de
travail qu'il préfère.
 Ses feedbacks: Ses retours d'expérience, ses suggestions d'amélioration et
ses éventuelles frustrations.
 Ces données précieuses, collectées et analysées quotidiennement,
permettent de:

 Mieux comprendre le comportement et les besoins de chaque agent.

 Optimiser l'allocation des ressources et l'affectation des missions.
 Améliorer la communication et la collaboration entre les agents.
 Personnaliser la formation et le développement des compétences.
 Identifier les agents en difficulté et leur apporter un soutien ciblé.
 Prévoir les besoins futurs en matière de main-d'œuvre.

Dans un monde où les agents sont au cœur de la réussite d'une

organisation, l'anticipation devient un facteur clé de succès. Face à
l'évolution des besoins des clients, des marchés et des technologies, il est crucial
pour les entreprises de pouvoir anticiper et prendre des décisions stratégiques
éclairées.

Un système décisionnel, alimenté par un datawarehouse centralisé,

peut être un outil précieux pour les dirigeants. Ce système leur permet de :

 Identifier les tendances et les opportunités émergentes.

 Simuler différents scénarios et évaluer leurs impacts potentiels.
 Prendre des décisions stratégiques fondées sur des données.
 Comprendre le comportement et les besoins de chaque agent.

Le datawarehouse, en tant que socle du système décisionnel, joue un

rôle essentiel en collectant et en stockant des données quotidiennes sur
chaque agent, telles que :

 Ses missions et tâches: Les types de missions effectuées, leur fréquence,

leur localisation et leur durée.
 Ses interactions: Les personnes avec lesquelles il communique, la nature
de ces interactions et les canaux utilisés (téléphone, email, chat, etc.).
 Ses performances: Les indicateurs clés de performance (KPIs) liés à son
efficacité et à la qualité de son travail.
 Ses préférences: Les outils, les ressources et les environnements de
travail qu'il préfère.
 Ses feedbacks: Ses retours d'expérience, ses suggestions d'amélioration et
ses éventuelles frustrations.

L'analyse de ces données permet aux dirigeants d'obtenir une vue

d'ensemble précieux de leur force de travail. Ils peuvent ainsi :
  Optimiser l'affectation des agents aux missions.
 Identifier les agents à haut potentiel et les accompagner dans leur
développement.
 Prévenir les risques liés au turnover et à l'absentéisme.
 Mettre en place des actions de formation et de coaching ciblées.
 Améliorer la communication et la collaboration entre les équipes.

Un système décisionnel alimenté par un datawarehouse performant

permet aux entreprises de prendre des décisions stratégiques éclairées pour
optimiser la performance de leurs agents et, par conséquent, leur propre
réussite.

Ce système de datawarehouse pour les agents permet de créer un

environnement de travail plus efficace, plus motivant et plus productif pour
tous.

Cependant, il est important de souligner que la collecte et l'utilisation de ces

données soulèvent des questions importantes en matière de confidentialité
et d'éthique. Il est crucial de mettre en place des mesures de protection strictes
pour garantir que les données des agents soient utilisées de manière responsable
et respectueuse de leur vie privée.

L’utilisation d'un datawarehouse pour les agents peut être un outil

puissant pour améliorer la performance individuelle et collective. Il est
toutefois essentiel de l'utiliser de manière responsable et éthique, en tenant
compte des préoccupations légitimes des agents en matière de confidentialité.

Une fois le Data Warehouse centralisé en place, il est possible de

mettre en place des reportings et des analyses spécifiques pour chaque
service. Pour ce faire, on crée des "Data Marts", qui sont des mini-entrepôts de
données propres à chaque service. Ces Data Marts ne contiennent que les
données pertinentes pour le service concerné, ce qui permet une analyse plus
précise et plus rapide.

Les Data Marts sont conçus pour répondre à des problématiques

précises et à un nombre d'utilisateurs restreint. Chaque utilisateur a un
besoin clair et identifié, et le Data Mart lui fournit les informations nécessaires
pour y répondre.

Les dirigeants, quant à eux, ont besoin d'une vue d'ensemble de

l'activité de l'entreprise sur plusieurs années. Ils veulent pouvoir analyser les
indicateurs clés par rapport à différents axes d'analyse. Pour ce faire, ils ont
besoin d'outils OLAP (Online Analytical Processing).
 Les outils OLAP permettent d'explorer et d'analyser des données
multidimensionnelles de manière interactive. Ils permettent aux dirigeants de
naviguer dans les données, de les regrouper, de les trier et de les filtrer selon
leurs besoins.

Comme le dit si bien la citation "Un data warehouse ne s'achète pas,

il se construit", il est important de bien connaître son Data Warehouse pour
l'utiliser à bon escient. Cela implique de comprendre la structure des données,
les relations entre les différentes tables et les outils disponibles pour les
analyser.

Les données ne sont pas pertinentes ou intelligentes par nature, mais

elles le deviennent lorsqu'on les analyse. Le but ultime d'un Data Warehouse
est de corréler toutes les informations qu'il contient afin de fournir aux décideurs
une compréhension plus approfondie de leur activité.

II.1.2 Définition du Data Warehouse

Le Data Warehouse. Selon la définition de W.H. Inmon (1993) est une
collection de données orientées sujet, intégrées, variables dans le temps et
non volatiles, en soutien au processus de prise de décisions de gestion.

Décryptage de la définition

 Orientées sujet: Les données sont organisées autour des thèmes clés de
l'entreprise (clients, produits, ventes, etc.) plutôt que d'être liées à des
applications spécifiques (facturation, stocks, etc.). Cela permet de
répondre à des questions métier plus larges et d'avoir une vision globale
de l'activité.
 Intégrées: Les données proviennent de diverses sources (bases de
données opérationnelles, fichiers, etc.) et sont harmonisées pour offrir une
vue unifiée de l'entreprise. Par exemple, les informations sur un client
seront identiques quel que soit le système où elles ont été enregistrées.
 Variables dans le temps: Les données sont historiques, ce qui permet
d'analyser les tendances et d'évaluer l'évolution de l'entreprise au fil du
temps.
 Non volatiles: Les données ne sont pas modifiées rétroactivement. Les
nouvelles données sont ajoutées à l'entrepôt, créant ainsi une chronologie
des événements.

Pourquoi un Data Warehouse ?

Le Data Warehouse répond à plusieurs besoins :

 Faciliter la prise de décision: En offrant une vue consolidée des

données, le Data Warehouse permet aux décideurs d'identifier des
tendances, d'évaluer des performances et de prendre des décisions
éclairées.
 Améliorer la connaissance client: En centralisant les informations sur
les clients, le Data Warehouse permet de mieux comprendre leurs besoins
et de personnaliser les offres.
 Optimiser les processus: En analysant les données historiques, il est
possible d'identifier les goulots d'étranglement et d'améliorer l'efficacité
des processus.
 Favoriser l'innovation: Le Data Warehouse peut servir de base à des
projets d'analyse prédictive et d'intelligence artificielle pour découvrir de
nouvelles opportunités.

Au-delà du Data Warehouse : les Data Marts

Pour répondre à des besoins spécifiques, les entreprises peuvent créer des
Data Marts, qui sont des sous-ensembles thématiques du Data Warehouse. Par
exemple, un Data Mart marketing pourra contenir les données relatives aux
campagnes publicitaires, aux ventes et à la satisfaction client.

Le Data Warehouse est un élément clé de l'architecture de données d'une

entreprise. Il permet de transformer les données en informations stratégiques, de
favoriser la collaboration entre les différents services et de soutenir la croissance
de l'entreprise.

II.1.3 Les objectifs clés du Data Warehouse

Les objectifs principaux du Data Warehouse sont multiples et visent à

optimiser la prise de décision et la performance globale de l'entreprise :

1. Un accès simplifié et rapide à l'information

 Intuitivité: L'interface utilisateur doit être simple et conviviale pour que

les utilisateurs, quel que soit leur niveau technique, puissent facilement
naviguer et trouver les informations dont ils ont besoin.
  Pertinence: Les données présentées doivent être pertinentes par rapport
aux besoins de l'utilisateur et à ses questions. Par exemple, un directeur
commercial pourra rapidement accéder aux chiffres de ventes par produit
et par région.
 Réactivité: Les requêtes doivent être exécutées rapidement pour
permettre une analyse en temps réel et une prise de décision agile.

2. Une cohérence et une qualité des données irréprochables

 Standardisation: Les données doivent être harmonisées et conformes à

des standards communs pour éviter les incohérences et les erreurs
d'interprétation. Par exemple, si une entreprise utilise plusieurs systèmes
de mesure des quantités (unités, douzaines, etc.), il est essentiel de définir
un référentiel unique.
 Complétude: Les données doivent être complètes et à jour pour éviter les
biais dans les analyses. Par exemple, il est important de s'assurer que
toutes les transactions sont enregistrées dans l'entrepôt de données.
 Fiabilité: Les données doivent être fiables et exemptes d'erreurs. Des
mécanismes de contrôle de qualité doivent être mis en place pour garantir
l'intégrité des données.

3. Une flexibilité pour répondre aux besoins évolutifs de l'entreprise

 Adaptabilité: Le Data Warehouse doit être capable d'évoluer en fonction

des besoins de l'entreprise et de s'adapter à de nouvelles sources de
données.
 Modularité: La conception du Data Warehouse doit être modulaire pour
faciliter les extensions et les modifications. Par exemple, la création de
nouveaux Data Marts (sous-ensembles thématiques du Data Warehouse)
doit être simple et rapide.

4. La sécurité et la confidentialité des données

 Protection des données: Le Data Warehouse doit être sécurisé pour

protéger les données sensibles de l'entreprise contre les accès non
autorisés.
 Traçabilité: Les accès aux données doivent être tracés pour assurer la
responsabilité et détecter d'éventuelles anomalies.

5. Un soutien à la décision stratégique

 Analyse approfondie: Le Data Warehouse permet d'effectuer des

analyses complexes pour identifier des tendances, des corrélations et des
opportunités d'amélioration.
  Prévisions: Les données historiques peuvent être utilisées pour élaborer
des prévisions et des scénarios futurs.
 Optimisation des processus: En identifiant les goulots d'étranglement et
les inefficacités, le Data Warehouse permet d'optimiser les processus de
l'entreprise.

Le Data Warehouse est un actif stratégique pour toute entreprise qui souhaite
améliorer sa prise de décision, optimiser ses opérations et gagner en
compétitivité. En offrant une vue unifiée et cohérente de l'information, il permet
aux entreprises de mieux comprendre leur environnement, d'anticiper les
évolutions du marché et de prendre des décisions éclairées.

II.1.3 Les éléments constitutifs d'un entrepôt de données

Un Data Warehouse est un système complexe qui stocke et organise de
vastes quantités de données historiques, provenant de diverses sources, afin de
faciliter l'analyse et la prise de décision stratégique au sein d'une entreprise. Il se
compose de plusieurs éléments interconnectés, chacun jouant un rôle crucial
dans le processus de collecte, de transformation et de diffusion de l'information.

1. Les Sources de Données

 Systèmes transactionnels (OLTP): Ce sont les systèmes opérationnels

de l'entreprise qui enregistrent les transactions quotidiennes (ventes,
achats, etc.). Ils constituent la source primaire des données pour le Data
Warehouse.
 Autres sources: Fichiers plats, bases de données externes, API, etc.

2. La Zone d'Extraction, de Transformation et de Chargement (ETL)

Cette phase est essentielle pour préparer les données en provenance des
sources avant leur intégration dans l'entrepôt. Les opérations ETL incluent :

 Extraction: Récupération des données des sources.

 Transformation: Nettoyage, formatage, agrégation, calcul de nouveaux
champs, etc.
 Chargement: Insertion des données transformées dans le Data
Warehouse.
3. L'Entrepôt de Données

C'est le cœur du système. Il stocke les données dans un format optimisé pour
l'analyse, généralement sous forme de tables dimensionnelles et de faits.

 Data Marts: Des sous-ensembles thématiques de l'entrepôt, conçus pour

répondre aux besoins spécifiques d'un département ou d'un domaine
d'activité.
 Métadonnées: Des informations sur les données elles-mêmes (origine,
structure, qualité, etc.), essentielles pour comprendre et utiliser le Data
Warehouse.

4. Le Serveur de Présentation

C'est la machine sur laquelle l'entrepôt est hébergé et qui permet aux
utilisateurs d'interagir avec les données.

5. Les Outils d'Accès et d'Analyse

 OLAP (Online Analytical Processing): Un ensemble de technologies

permettant d'analyser des données multidimensionnelles de manière
interactive (cubes OLAP).
o ROLAP (Relational OLAP): Implémente l'OLAP sur des bases de
données relationnelles.
o MOLAP (Multidimensional OLAP): Utilise des structures de
données multidimensionnelles optimisées pour l'analyse.
 Outils de requête: SQL, MDX (Multidimensional Expressions), etc.
 Outils de reporting: Création de tableaux de bord, de graphiques, etc.
 Outils de data mining: Découverte de patterns, de tendances et de
relations cachées dans les données.

6. Les Applications Utilisateurs

Ce sont les interfaces qui permettent aux utilisateurs finaux d'interagir

avec le Data Warehouse. Elles peuvent prendre la forme de :

 Applications personnalisées: Développées spécifiquement pour répondre

à des besoins métier précis.
 Logiciels de BI (Business Intelligence): Des suites logicielles complètes
offrant une large gamme de fonctionnalités d'analyse et de reporting.
 Le Data Warehouse est un système complexe qui permet aux entreprises de
transformer leurs données en informations stratégiques. En centralisant et en
organisant les données, il facilite l'analyse, la prise de décision et l'amélioration
des performances.

II.1.4. Les fonctions d'un entrepôt de données.

Le Data Warehouse : Pilier Central de la Décision Stratégique

Le data warehouse est bien plus qu'un simple entrepôt de données. Il

constitue le cœur d'un système d'information décisionnel, jouant un rôle crucial
dans la transformation des données brutes en informations exploitables pour la
prise de décision stratégique.

Les fonctions clés du data warehouse :

1. Centralisation et unification des données :

o Rassemble des données provenant de multiples sources hétérogènes
(CRM, ERP, etc.) pour une vision consolidée de l'entreprise.
o Élimine les incohérences et les redondances, offrant une version
unique et fiable de la vérité.
2. Préparation des données pour l'analyse :
o Nettoie, transforme et structure les données pour les rendre
compatibles avec les outils d'analyse.
o Crée des modèles de données multidimensionnels (cubes OLAP)
facilitant l'exploration et l'analyse.
3. Support à la décision :
o Fournit une base solide pour répondre à des questions complexes et
prendre des décisions éclairées.
o Facilite l'identification de tendances, de patterns et d'opportunités.
o Permet de réaliser des analyses prédictives et de modéliser des
scénarios futurs.
4. Optimisation des processus :
o Identifie les goulots d'étranglement et les inefficacités dans les
processus métier.
o Mesure la performance des différentes activités et évalue l'impact
des changements.
 5. Amélioration de la relation client :
o Permet de mieux comprendre les comportements des clients et de
personnaliser les offres.
o Favorise la fidélisation et l'acquisition de nouveaux clients.

L'alimentation du data warehouse : une étape critique

Comme souligné dans le texte original, l'alimentation du data warehouse

est un processus essentiel. Il consiste à extraire, transformer et charger les
données depuis les systèmes sources vers l'entrepôt.

 Qualité des données : Il est primordial de s'assurer de la qualité des

données alimentant le data warehouse. Des données erronées ou
incomplètes peuvent conduire à des analyses fausses et à des décisions
erronées.
 Fréquence d'alimentation : La fréquence d'alimentation dépend des
besoins de l'entreprise et des ressources disponibles. Une alimentation
trop fréquente peut être coûteuse en termes de ressources, tandis qu'une
alimentation trop rare peut rendre les données obsolètes.
 Gouvernance des données : La mise en place d'une gouvernance des
données est essentielle pour garantir la qualité, la cohérence et la sécurité
des données dans le data warehouse.

Le data warehouse est un actif stratégique pour toute entreprise cherchant

à tirer parti de ses données. En centralisant, en préparant et en organisant les
données, il permet d'améliorer la prise de décision, d'optimiser les processus et
d'accroître la compétitivité.

Éléments supplémentaires à considérer :

 Intégration avec les outils de BI : Le data warehouse est souvent couplé

avec des outils de Business Intelligence pour faciliter la création de
tableaux de bord, de rapports et d'analyses.
 Cloud et big data : Les évolutions technologiques, telles que le cloud
computing et le big data, offrent de nouvelles possibilités pour les data
warehouses en termes de scalabilité, de flexibilité et de capacité à traiter
de grands volumes de données.
 Sécurité et confidentialité : La protection des données stockées dans le
data warehouse est un enjeu majeur. Des mesures de sécurité rigoureuses
doivent être mises en place pour prévenir les accès non autorisés et les
fuites de données.
 En somme, le data warehouse est un investissement à long terme qui peut
apporter un retour sur investissement significatif en termes de performance et de
compétitivité.

[Link]éristiques d'un Data Warehou

Un Data Warehouse est un système de stockage de données conçu
spécifiquement pour l'analyse et l'exploration de grandes quantités
d'informations. Il se distingue des bases de données opérationnelles (OLTP) par
sa structure, son contenu et ses objectifs.

Caractéristiques principales :

 Orienté sujet: Les données sont organisées autour de thèmes métier

(ventes, clients, produits, etc.) plutôt que d'être liées à des transactions
spécifiques.
 Intégré: Il rassemble des données provenant de sources multiples (CRM,
ERP, etc.) pour offrir une vue unifiée de l'entreprise.
 Temporel: Il stocke des données historiques, permettant d'analyser les
tendances et les évolutions au fil du temps.
 Non volatile: Les données sont généralement immuables une fois
chargées dans le Data Warehouse, ce qui garantit leur intégrité.
 Consolidé: Il offre une vue consolidée et cohérente des données,
éliminant les redondances et les incohérences.
 Optimisé pour l'analyse: Sa structure est conçue pour répondre aux
requêtes analytiques complexes et offrir des performances élevées.
 Scalable: Il peut évoluer pour s'adapter à l'augmentation du volume des
données et des besoins de l'entreprise.

Autres caractéristiques importantes:

 Modèle de données multidimensionnel: Les données sont organisées en

cubes OLAP, facilitant les analyses multidimensionnelles (par exemple,
les ventes par produit, par région et par période).
 Métadonnées riches: Des informations détaillées sur les données
(origine, définition, qualité, etc.) sont stockées pour faciliter la
compréhension et l'utilisation du Data Warehouse.
  Sécurité et gouvernance: Des mécanismes de sécurité robustes sont mis
en place pour protéger les données sensibles. Une gouvernance des
données est essentielle pour garantir la qualité et la cohérence des
informations.
 Outils d'analyse: Le Data Warehouse est généralement associé à une
suite d'outils d'analyse (reporting, data mining, etc.) pour permettre aux
utilisateurs d'extraire des informations pertinentes.
 Cycle de vie: Le Data Warehouse est un système évolutif qui nécessite
une maintenance régulière (alimentation, nettoyage, optimisation).

[Link] des Systèmes OLTP et des Data Warehouses

Les systèmes OLTP (Online Transaction Processing) et les data warehouses sont
deux types de bases de données qui répondent à des besoins radicalement
différents au sein d'une entreprise. Bien qu'ils soient souvent complémentaires,
leurs caractéristiques, leurs objectifs et leurs structures sont distincts.

Tableau comparatif : OLTP vs. Data Warehouse

Caractéristique Système OLTP Data Warehouse
Objectif principal Traitement des Analyse des
transactions en données
temps rée historiques
Structure des Normalisée, Dé normalisée,
données optimisée pour les optimisée pour les
écritures lectures
Taille des données Généralement plus Peut être très
petite volumineuse
Fréquence des Très élevée Faible (chargement
mises à jou par lots)
Type d'accès Aléatoire, accès Séquentiel, accès
direct par index
Concurrence Haute, nombreuses Faible, requêtes
transactions complexes
simultanée
Utilisateurs Utilisateurs Analystes,
 opérationnels décideurs,
(ventes, dirigeants
comptabilité, etc.)
Types de requêtes Simples, Complexes, ad hoc
prédéfinies
Optimisation Performance des performance des
transactions requêtes
analytiques

Explications détaillées

 OLTP (Online Transaction Processing)

o Objectif: Gérer les opérations quotidiennes de l'entreprise (ventes,
achats, etc.).
o Caractéristiques: Données mises à jour en temps réel, transactions
courtes et fréquentes, structure de données normalisée pour garantir
l'intégrité des données.
o Exemple: Une base de données de gestion des commandes d'une
boutique en ligne.

 Data Warehouse
o Objectif: Stocker et analyser de grandes quantités de données
historiques pour prendre des décisions stratégiques.
o Caractéristiques: Données intégrées provenant de multiples
sources, structure de données dénormalisée pour optimiser les
requêtes analytiques, données généralement stables.
o Exemple: Un entrepôt de données regroupant les données de
ventes, de marketing et de finance d'une entreprise sur plusieurs
années.

Différences clés

 Nature des données: Les data warehouses contiennent des données

historiques et agrégées, tandis que les systèmes OLTP gèrent des données
transactionnelles actuelles.
 Structure des données: Les data warehouses utilisent souvent des
modèles de données multidimensionnels (cubes OLAP) pour faciliter
l'analyse, tandis que les systèmes OLTP sont basés sur des modèles
relationnels.
  Objectifs: Les systèmes OLTP sont axés sur la gestion des opérations en
temps réel, tandis que les data warehouses sont conçus pour répondre aux
besoins d'analyse et de reporting.
 Performance: Les systèmes OLTP sont optimisés pour un grand nombre
de petites transactions, tandis que les data warehouses sont optimisés pour
les requêtes complexes et les analyses volumineuses.

Compléments

 Le processus ETL: Pour alimenter un data warehouse, un processus

d'Extraction, de Transformation et de Chargement (ETL) est nécessaire. Il
permet d'extraire les données des systèmes OLTP, de les transformer et de
les charger dans le data warehouse.
 Les outils d'analyse: Les data warehouses sont généralement associés à
des outils de Business Intelligence (BI) pour faciliter la création de
tableaux de bord, de rapports et d'analyses.
 Le cloud: Le cloud computing offre de nouvelles possibilités pour les
data warehouses, en termes de scalabilité, de flexibilité et de coûts.

Les systèmes OLTP et les data warehouses sont complémentaires et jouent des
rôles distincts au sein d'une entreprise. Comprendre leurs différences est
essentiel pour mettre en place une architecture de données efficace et répondre
aux besoins spécifiques de chaque organisation.

II.1.5 La Modélisation Multidimensionnelle : Une Vue d'Ensemble

La modélisation multidimensionnelle est une approche de la
représentation des données spécialement conçue pour l'analyse et la prise de
décision. Elle offre une vision structurée et intuitive des données, facilitant ainsi
l'exploration et la découverte d'informations pertinentes.

Les Concepts Fondamentaux

1. Dimensions et Hiérarchies

 Dimensions: Ce sont les axes d'analyse qui permettent de décomposer les

données. Par exemple : le temps (année, mois, jour), la géographie (pays,
région, ville), les produits (catégorie, marque).
 Hiérarchies: Les membres d'une dimension sont organisés en hiérarchies
pour permettre des analyses à différents niveaux de granularité. Par
exemple, la dimension "Temps" peut avoir une hiérarchie "Année" >
"Mois" > "Jour".
 Attributs: Chaque membre d'une dimension possède des attributs qui
fournissent des informations complémentaires. Par exemple, pour la
 dimension "Produit", les attributs peuvent être : code produit, description,
prix, etc.

2. Faits et Mesures

 Faits: Ce sont les valeurs numériques que l'on souhaite analyser, comme
les ventes, les coûts, les quantités. Les faits sont associés à des
combinaisons spécifiques de membres de dimensions.
 Mesures: Ce sont les éléments de données que l'on souhaite analyser (par
exemple, le chiffre d'affaires, le nombre de clients).

3. Clés

 Clé primaire: Identifie de manière unique chaque enregistrement dans

une table de dimension.
 Clé étrangère: Établit un lien entre une table de dimension et la table des
faits. La clé étrangère d'une table de dimension correspond à la clé
primaire d'une autre table (généralement la table des faits).
 Clé composée: Une clé composée est formée de plusieurs attributs pour
identifier de manière unique un enregistrement, notamment dans la table
des faits.

[Link] Structure du Schéma Multidimensionnel

Le schéma multidimensionnel est généralement représenté sous la forme d'un
cube. Chaque dimension constitue un axe du cube, et les faits se situent aux
intersections de ces axes.

 Table des faits: Contient les mesures et les clés étrangères référençant les
tables de dimensions.
 Tables de dimensions: Contiennent les attributs des dimensions et leurs
hiérarchies.

3. Le Processus de Modélisation

1. Identification des dimensions: Déterminer les axes d'analyse pertinents

(temps, produit, client, etc.).
2. Définition des hiérarchies: Définir les niveaux de granularité pour
chaque dimension.
3. Identification des faits: Définir les mesures à analyser.
4. Création du schéma: Construire le schéma en étoile ou en flocon de
neige.
II.1.7. Les Avantages de la Modélisation Dimensionnelle
La modélisation dimensionnelle offre une approche puissante et efficace pour
l'analyse de données. Elle présente plusieurs avantages par rapport aux modèles
relationnels traditionnels :

 Simplicité et intuitivité: La structure en étoile ou en flocon de neige est

facile à comprendre et à manipuler, même pour les utilisateurs non
techniques. Cela facilite la création de rapports et d'analyses.
 Performance optimisée: Les requêtes analytiques sont généralement plus
rapides sur un modèle dimensionnel grâce à la dénormalisation des
données et à l'utilisation d'index spécifiques.
 Flexibilité: La modélisation dimensionnelle permet d'ajouter facilement
de nouvelles dimensions, de nouveaux faits ou d'affiner les niveaux de
détail existants. Cela facilite l'évolution du modèle en fonction des
besoins de l'entreprise.
 Extensibilité: Le modèle peut être étendu pour intégrer de nouvelles
sources de données et de nouveaux types d'analyses.
 Réutilisabilité: Les mêmes dimensions peuvent être utilisées pour
plusieurs analyses, ce qui réduit le temps de développement et favorise la
cohérence des résultats.

II.1.8. La Relation entre la Modélisation Dimensionnelle et

la Modélisation Entité-Relation
La modélisation dimensionnelle et la modélisation entité-relation sont deux
approches complémentaires pour représenter les données, chacune avec ses
propres forces et adaptée à des objectifs spécifiques.

A. Comprendre la Différence

 Modélisation Entité-Relation (MER): Conçue pour représenter les

données de manière normalisée, elle met l'accent sur les entités (objets) et
les relations entre elles. Elle est idéale pour les systèmes transactionnels
où l'intégrité des données est primordiale.
 Modélisation Dimensionnelle: Spécialisée pour l'analyse décisionnelle,
elle organise les données autour de faits (mesures) et de dimensions
(attributs) pour faciliter l'exploration et la visualisation des données. Elle
est optimisée pour les requêtes analytiques complexes.

B. La Transformation d'un Modèle Entité-Relation en Modèle

Dimensionnel
La transformation d'un modèle entité-relation en un modèle dimensionnel
implique plusieurs étapes :

1. Identification des processus métier: Le modèle entité-relation est

souvent trop général pour une analyse spécifique. Il est donc nécessaire
d'identifier les processus métier pertinents et de les isoler.
2. Sélection des faits: Les faits sont les éléments numériques que l'on
souhaite analyser (ventes, coûts, etc.). Ils sont généralement issus de
relations "plusieurs à plusieurs" dans le modèle entité-relation.
3. Création des tables de faits: Chaque fait devient une table de faits dans
le modèle dimensionnel. Cette table contient la clé primaire composée des
clés étrangères des dimensions et les mesures associées.
4. Création des tables de dimensions: Les entités du modèle entité-relation
deviennent des dimensions dans le modèle dimensionnel. Les attributs de
ces entités sont utilisés pour créer les hiérarchies et les attributs des
dimensions.
5. Dénormalisation: Pour optimiser les performances des requêtes
analytiques, les tables dimensionnelles sont souvent dénormalisées, c'est-
à-dire que les données sont dupliquées pour éviter les jointures coûteuses.

C. Pourquoi cette transformation ?

 Optimisation des performances: La dénormalisation et l'organisation

des données autour des faits permettent d'accélérer les requêtes
analytiques.
 Simplification: Le modèle dimensionnel est plus simple à comprendre et
à utiliser pour les utilisateurs métiers.
 Flexibilité: La structure en étoile ou en flocon de neige permet d'ajouter
facilement de nouvelles dimensions ou de nouveaux faits.

D. Comparaison avec la Modélisation Entité-Relation

 Caractéristique Modélisation Entité- Modélisation
Relation Multidimensionnelle

Objectif Représentation normalisée Analyse décisionnelle

des données pour les
transactions

Structure Tables liées par des clés Schéma en étoile ou en

étrangères flocon de neige

Performance Optimisée pour les Optimisée pour les

insertions et les mises à requêtes analytiques
jour

Orientation Transactionnelle Analytique

II.1.9. Les Modèles de Données Multidimensionnelles :

Lors de la conception d'un entrepôt de données (Data Warehouse), deux modèles
de données prédominent pour organiser l'information : le modèle en étoile et le
modèle en constellation. Ces modèles déterminent la structure sous-jacente de
l'entrepôt et influencent directement la manière dont les données sont stockées,
accédées et analysées.

1. Modèle en étoile
La modélisation multidimensionnelle est une approche de la représentation des
données spécialement conçue pour l'analyse décisionnelle. Elle offre une vue
simplifiée et intuitive des données, facilitant ainsi l'exploration et l'extraction
d'informations pertinentes.
Il tire son nom de sa représentation visuelle : une table centrale (la table des
faits) entourée de tables de dimensions, évoquant ainsi les rayons d'une étoile.

A. Structure du Schéma en Étoile

  Table des faits: Cœur du schéma, elle contient les mesures (chiffres
d'affaires, quantités, etc.) que l'on souhaite analyser. Chaque ligne
représente une occurrence d'un fait, et les colonnes correspondent aux clés
étrangères référençant les dimensions.
 Tables de dimensions: Elles décrivent les contextes des faits. Par
exemple, la dimension "Temps" peut inclure des attributs comme l'année,
le mois, le jour, tandis que la dimension "Produit" peut contenir des
attributs comme la catégorie, la marque, etc.

B. Fonctionnement

Les tables de dimensions sont liées à la table des faits par des clés étrangères.
Ces clés permettent de combiner les données des différentes dimensions pour
répondre à des questions analytiques. Par exemple, pour connaître le chiffre
d'affaires d'un produit donné en 2023, on effectuera une jointure entre la table
des faits, la dimension "Temps" (filtrée sur l'année 2023) et la dimension
"Produit" (filtrée sur le produit en question).

C. Avantages du Schéma en Étoile

 Simplicité: La structure est intuitive et facile à comprendre, même pour

les utilisateurs non techniques.
 Performance: Les requêtes analytiques sont optimisées grâce à la
dénormalisation des données et à l'utilisation d'index adaptés.
 Flexibilité: Il est facile d'ajouter de nouvelles dimensions ou de nouveaux
faits sans modifier la structure globale du modèle.
 Adaptabilité à de nombreux outils: Les outils d'analyse décisionnelle
(BI) sont généralement conçus pour travailler avec des schémas en étoile.

D. Limites du Schéma en Étoile

 Redondance: Les dimensions peuvent contenir des données redondantes,

ce qui peut augmenter la taille de la base de données.
 Difficulté à gérer les hiérarchies complexes: Pour des hiérarchies très
complexes, le schéma en étoile peut devenir moins performant.

E. Quand Utiliser le Schéma en Étoile ?

Le schéma en étoile est idéal pour :

 Les entrepôts de données de taille moyenne à grande.

 Les analyses décisionnelles nécessitant des agrégations et des résumés.
 Les projets où la performance des requêtes est une priorité.
Sources : Lydie Soler, AgroTechParis

2. Le Modèle en Constellation :
Une Évolution du Modèle en Étoile
Le modèle en constellation est une extension du modèle en étoile, conçu pour
répondre aux besoins d'entrepôts de données plus complexes et plus
hétérogènes. Il offre une plus grande flexibilité dans la modélisation des données
et permet de mieux représenter les réalités d'un système d'information.

Structure du Modèle en Constellation

Contrairement au modèle en étoile qui se concentre sur une seule table de faits,
le modèle en constellation est composé de plusieurs schémas en étoile
interconnectés. Chaque schéma en étoile représente un processus métier
spécifique et possède sa propre table de faits. Ces différents schémas partagent
un ensemble de dimensions communes, ce qui crée une sorte de constellation de
petites étoiles.
Caractéristiques clés:

 Plusieurs tables de faits: Chaque table de faits correspond à un processus

métier distinct.
 Dimensions communes: Les différentes tables de faits partagent un
ensemble de dimensions communes, ce qui permet d'établir des liens entre
les différents processus.
 Flexibilité: La structure en constellation permet de modéliser des
situations complexes où les données sont réparties dans différents
systèmes ou processus.

Fonctionnement

Le fonctionnement du modèle en constellation repose sur le principe de partage

des dimensions communes. Ces dimensions servent de ponts entre les différents
schémas en étoile, permettant ainsi de réaliser des analyses croisées entre les
différents processus métier. Par exemple, si une dimension "Produit" est
commune à plusieurs schémas, il est possible de comparer les ventes d'un
produit dans différents canaux de distribution.

Avantages du Modèle en Constellation

 Flexibilité: Particulièrement adapté aux entrepôts de données hétérogènes

et aux entreprises avec des processus métier complexes.
 Réduction de la redondance: Les dimensions communes ne sont
stockées qu'une seule fois, ce qui réduit l'encombrement de la base de
données.
 Modélisation granulaire: Chaque schéma en étoile peut être optimisé
pour un processus métier spécifique, ce qui améliore les performances des
requêtes.
 Évolution facile: Il est facile d'ajouter de nouveaux schémas en étoile ou
de modifier les schémas existants sans affecter l'ensemble du modèle.

Limites du Modèle en Constellation

 Complexité: La structure est plus complexe à concevoir et à maintenir

qu'un modèle en étoile simple.
 Performance: Les requêtes impliquant plusieurs schémas en étoile
peuvent être moins performantes que des requêtes sur un seul schéma.
 Gestion des dimensions communes: La gestion des dimensions
communes nécessite une attention particulière pour garantir la cohérence
des données.
Quand Utiliser le Modèle en Constellation ?

Le modèle en constellation est particulièrement adapté aux situations suivantes :

 Entreprises avec des systèmes d'information hétérogènes: Lorsque les

données sont réparties dans différents systèmes et que l'on souhaite les
consolider dans un seul entrepôt de données.
 Analyses complexes: Lorsque l'on souhaite réaliser des analyses croisées
entre différents processus métier.
 Évolution fréquente des besoins: Lorsque les besoins en analyse
évoluent rapidement et que la structure de l'entrepôt de données doit être
régulièrement adaptée
 Évolution fréquente des besoins: Lorsque les besoins en analyse
évoluent rapidement et que la structure de l'entrepôt de données doit être
régulièrement adaptée.

Sources : [Link]

3. Schéma en Flocon
Le schéma en flocon est une variante du schéma en étoile, mais il se distingue
par une approche plus normalisée de la modélisation des dimensions. Au lieu de
stocker toutes les informations d'une dimension dans une seule table, comme
dans le schéma en étoile, le schéma en flocon décompose les dimensions en
plusieurs tables liées entre elles.

Structure du Schéma en Flocon

 Table des faits: Au centre du schéma, la table des faits reste identique à
celle du schéma en étoile, contenant les mesures à analyser.
 Tables de dimensions hiérarchisées: Les dimensions sont décomposées
en plusieurs tables liées entre elles par des clés étrangères. Par exemple, la
dimension "Temps" peut être décomposée en tables "Année", "Mois" et
"Jour".

Fonctionnement

Le schéma en flocon fonctionne en suivant les relations entre les différentes

tables de dimensions. Pour obtenir une information spécifique, il est nécessaire
de réaliser plusieurs jointures entre les tables de faits et les tables de dimensions.
Par exemple, pour connaître les ventes d'un produit donné en 2023, il faudra
joindre la table des faits avec les tables "Produit", "Année" et éventuellement
d'autres tables de dimensions pertinentes.

Avantages du Schéma en Flocon

 Réduction de la redondance: En normalisant les dimensions, on réduit la

quantité de données dupliquées, ce qui optimise l'utilisation de l'espace de
stockage.
 Flexibilité: La structure hiérarchisée des dimensions permet de modéliser
des relations complexes et de gérer des données de nature hétérogène.
 Intégrité des données: La normalisation facilite la mise en œuvre de
contraintes d'intégrité et réduit le risque d'erreurs de données.

Inconvénients du Schéma en Flocon

 Complexité: La structure est plus complexe que le schéma en étoile, ce

qui peut rendre la conception et la maintenance du modèle plus difficiles.
 Performances: Le nombre de jointures nécessaire pour répondre à
certaines requêtes peut dégrader les performances, en particulier pour des
schémas très complexes.
 Outils: Tous les outils d'analyse décisionnelle ne prennent pas en charge
de manière optimale les schémas en flocon.
Quand Utiliser le Schéma en Flocon ?

Le schéma en flocon est particulièrement adapté aux situations suivantes :

 Données très volumineuses: La normalisation permet de réduire

l'empreinte mémoire et d'optimiser l'utilisation de l'espace de stockage.
 Relations complexes entre les dimensions: Le schéma en flocon permet
de modéliser des hiérarchies complexes et des relations de dépendance
entre les attributs.
 Besoin de garantir l'intégrité des données: La normalisation contribue à
maintenir la cohérence des données.

Sources : Lydie Soler, AgroTechParis

Le choix entre le schéma en étoile, le schéma en flocon et le schéma en

constellation dépend des besoins spécifiques du projet. Le schéma en flocon
offre une alternative intéressante au schéma en étoile lorsqu'il est important de
minimiser la redondance des données et de gérer des relations complexes entre
les dimensions. Cependant, il convient de bien évaluer les impacts sur les
performances et la complexité de la conception avant de l'adopter.

4. Comparaison avec le Schéma en Étoile, flocon et en

Constellation
Caractéristique Schéma en étoile Schéma en flocon Schéma en
constellation
Normalisation des Dé-normalisée Normalisée Dé-normalisée
dimensions (dimensions
communes)
Complexité Simple Plus complexe Intermédiaire
Performance Généralement Peut-être moins Dépend de la
bonne bonne pour des complexité du
requêtes modèle
complexes

II.1.10. Réalisation d'un Data Warehouse :

Les Approches Top-Down, Bottom-Up et Middle-Out

La construction d'un Data Warehouse (DW) est un projet complexe qui nécessite
une méthodologie rigoureuse. Le choix de l'approche dépendra de nombreux
facteurs, tels que la taille de l'entreprise, la complexité des données, les besoins
des utilisateurs et les contraintes budgétaires.

L'Évolution des Besoins et des Sources de Données

La nature évolutive des besoins en matière d'analyse de données et la diversité

des sources d'information rendent nécessaire une approche itérative dans la
construction d'un DW. Cela signifie que le DW ne sera pas construit une fois
pour toutes, mais qu'il sera régulièrement mis à jour et étendu pour répondre aux
nouvelles exigences.

Les Trois Principales Approches

1. L'approche Top-Down (méthode d'Inmon)

 Concept: L'ensemble du DW est conçu dès le départ, avec une vision

globale des données et des besoins futurs.
 Avantages:
o Cohérence: Une architecture unifiée et cohérente.
o Réutilisation: Les données sont centralisées et peuvent être
réutilisées pour différentes analyses.
o Vision stratégique: Une vision claire des objectifs à long terme.
 Inconvénients:
o Complexité: Nécessite une analyse approfondie des besoins dès le
départ.
o Durée: Le projet peut être long et coûteux.
o Rigidité: Des changements ultérieurs peuvent être difficiles à
mettre en œuvre.

2. L'approche Bottom-Up (méthode de Kimball)

 Concept: Le DW est construit progressivement, en partant de datamarts

répondant à des besoins spécifiques.
 Avantage:
o Rapidité: Des résultats sont obtenus rapidement.
o Flexibilité: Les datamarts peuvent être développés de manière
indépendante.
 Inconvénients:
o Redondances: Des redondances peuvent apparaître entre les
différents datamarts.
o Cohérence: Il peut être difficile de garantir la cohérence globale
des données.
o Intégration: L'intégration des datamarts en un DW unique peut
être complexe.

3. L'approche Middle-Out (approche hybride)

 Concept: Combinaison des deux approches précédentes. On commence

par définir une architecture globale du DW, puis on développe des
datamarts de manière itérative.
 Avantage:
o Flexibilité: Permet de répondre à des besoins immédiats tout en
ayant une vision à long terme.
o Équilibre: Combine les avantages de l'approche top-down et
bottom-up.
 Inconvénients:
 o Complexité: Nécessite une bonne maîtrise des deux approches.
o Compromis: Des compromis peuvent être nécessaires pour
concilier les différents besoins.

Facteurs Influençant le Choix de l'Approche

 Taille de l'entreprise: Les grandes entreprises optent souvent pour une

approche Top-Down ou Middle-Out pour une vision globale.
 Complexité des données: Des données hétérogènes et de mauvaise
qualité peuvent nécessiter une approche plus itérative (Bottom-Up ou
Middle-Out).
 Budget: Les contraintes budgétaires peuvent orienter vers une approche
plus incrémentale.
 Urgence: Si les besoins sont urgents, une approche Bottom-Up peut être
privilégiée.
 Culture d'entreprise: La culture de l'entreprise et la tolérance au risque
peuvent influencer le choix de l'approche.

II.1.11. Les Étapes Clés de la Réalisation d'un DW

La construction d'un Data Warehouse (DW) est un projet complexe qui nécessite
une approche méthodique et itérative. Voici les étapes clés à considérer :

1. Phase de Conception

 Définition des besoins métier:

o Identifier les questions auxquelles le DW doit répondre.
o Déterminer les indicateurs clés de performance (KPI) à suivre.
o Évaluer les besoins des utilisateurs finaux en termes d'accès aux
données et de fonctionnalités.
 Identification des sources de données:
o Inventorier toutes les sources de données potentielles (bases de
données opérationnelles, fichiers plats, API, etc.).
o Évaluer la qualité, la fiabilité et la disponibilité de ces sources.
 Conception du modèle conceptuel:
o Définir les entités, les attributs et les relations entre les données.
o Choisir une méthode de modélisation (entité-association, étoile,
flocon).
 Conception du modèle logique:
 o Traduire le modèle conceptuel en un modèle physique, en
spécifiant les types de données, les clés primaires et étrangères.
o Définir les règles d'intégrité et les contraintes.

2. Phase d'Acquisition des Données

 Extraction:
o Extraire les données des sources identifiées à l'étape précédente.
o Utiliser des outils ETL (Extract, Transform, Load) pour automatiser
ce processus.
 Transformation:
o Nettoyer les données : corriger les erreurs, les incohérences et les
valeurs manquantes.
o Transformer les données pour les adapter au modèle du DW
(format, structure).
o Enrichi les données si nécessaire (calculs, agrégats).
 Chargement:
o Charger les données transformées dans le DW.
o Mettre en place des mécanismes de chargement incrémental pour
gérer les mises à jour.

3. Phase de Définition Technique

 Choix de la technologie:
o Sélectionner une base de données adaptée au volume et à la
complexité des données (relationnelle, NoSQL, en colonne).
o Choisir un outil ETL performant pour automatiser les processus
d'extraction, de transformation et de chargement.
o Évaluer les outils de Business Intelligence pour la restitution des
données.
 Définition de l'architecture technique:
o Définir l'architecture physique du DW (serveurs, réseaux,
stockage).
o Mettre en place une architecture de sécurité pour protéger les
données.

4. Phase de Restitution des Données

 Création de rapports et de tableaux de bord:

o Utiliser des outils de BI pour créer des visualisations interactives et
des rapports personnalisés.
o Mettre en place des tableaux de bord pour suivre les indicateurs
clés de performance.
 Développement de requêtes SQL:
 o Écrire des requêtes SQL complexes pour répondre à des questions
spécifiques.
 Mise en place de fonctionnalités d'analyse avancée:
o Utiliser des techniques d'analyse prédictive et de data mining.

5. Phase d'Administration et de Maintenance

 Maintenance du DW:
o Mettre à jour régulièrement les données du DW.
o Assurer la performance du DW.
o Surveiller la qualité des données.
 Sauvegarde:
o Mettre en place des procédures de sauvegarde régulières pour
protéger les données.
o Définir des plans de restauration en cas de sinistre.
 Sécurité:
o Mettre en place des mesures de sécurité pour protéger les données
sensibles (contrôle d'accès, chiffrement).
 Évolution:
o Adapter le DW aux évolutions des besoins métiers et
technologiques.

Le choix de l'approche pour la réalisation d'un DW est une décision stratégique

qui doit être prise en fonction du contexte spécifique de chaque entreprise. Il est
souvent recommandé de combiner les avantages des différentes approches pour
obtenir une solution adaptée aux besoins.

II.1.12. Alimentation du Data Warehouse par les Outils ETL

A. Introduction

L'alimentation d'un Data Warehouse (DW) en données est une étape cruciale.
Elle repose sur des outils ETL (Extract, Transform, Load) qui permettent
d'extraire les données de sources diverses, de les transformer pour les adapter au
modèle du DW, puis de les charger dans l'entrepôt. Cette section va détailler les
différentes étapes du processus ETL et les enjeux liés à l'alimentation d'un DW.

B. Les Sources de Données

Les données d'un DW proviennent généralement de systèmes de production

hétérogènes (ERP, CRM, SGBD relationnels, fichiers plats, etc.). Ces systèmes
stockent des informations spécifiques à leurs domaines d'activité, mais ces
données peuvent être précieuses pour l'analyse globale de l'entreprise.

C. Le Rôle des Outils ETL

Les outils ETL jouent un rôle central dans l'alimentation du DW. Ils
automatisent les tâches suivantes :

 Extraction: Les outils ETL récupèrent les données des sources de

manière sélective, en fonction des besoins du DW.
 Transformation: Les données extraites sont nettoyées, formatées,
agrégées et enrichies pour s'adapter au modèle de données du DW. Cette
étape est essentielle pour assurer la cohérence et la qualité des données.
 Chargement: Les données transformées sont chargées dans les tables du
DW, en respectant les contraintes d'intégrité et les règles de chargement
définies.

D. Les Enjeux de l'Alimentation d'un DW

 Hétérogénéité des sources: Les systèmes de production utilisent souvent

des formats de données différents, ce qui complexifie l'extraction et la
transformation.
 Volume des données: Les DW peuvent contenir de très grandes quantités
de données, ce qui nécessite des outils ETL performants et une
infrastructure adaptée.
 Qualité des données: Les données doivent être nettoyées et validées pour
garantir la fiabilité des analyses.
 Fréquence de mise à jour: La fréquence de mise à jour du DW dépend
des besoins de l'entreprise et des sources de données.
 Performance: Les processus ETL doivent être optimisés pour minimiser
l'impact sur les systèmes de production et garantir une mise à jour rapide
du DW.

E. Les Étapes Détaillées du Processus ETL

1. Identification des sources: Déterminer les sources de données

pertinentes et les formats utilisés.
2. Conception des transformations: Définir les règles de transformation
(nettoyage, formatage, agrégation, etc.) pour chaque source de données.
3. Développement des flux ETL: Créer les flux ETL dans l'outil choisi
(Informatica, Talend, SSIS, etc.).
4. Test et validation: Tester les flux ETL pour vérifier la qualité des
données transformées et chargées.
 5. Mise en production: Déployer les flux ETL dans un environnement de
production et les planifier.
6. Surveillance et maintenance: Surveiller la performance des flux ETL et
ajuster les paramètres si nécessaire.

F. Les Avantages des Outils ETL

 Automatisation: Les tâches répétitives sont automatisées, ce qui réduit

les erreurs manuelles.
 Flexibilité: Les outils ETL permettent de gérer des sources de données
hétérogènes et de complexité variable.
 Performance: Les outils ETL sont optimisés pour traiter de grands
volumes de données.
 Traçabilité: Les outils ETL permettent de suivre l'historique des
transformations et de détecter les anomalies.

Les outils ETL sont indispensables pour alimenter un Data Warehouse en

données de qualité. Ils permettent d'automatiser les tâches de collecte, de
transformation et de chargement des données, tout en garantissant la cohérence
et la fiabilité des informations stockées dans le DW. Le choix de l'outil ETL
dépendra des besoins spécifiques de l'entreprise, de la complexité des données et
du budget alloué.

1. L'Extraction des Données dans un Processus ETL

Introduction

L'extraction des données constitue la première phase cruciale du processus ETL

(Extract, Transform, Load). Cette étape consiste à prélever les données depuis
les systèmes sources pour les intégrer dans un Data Warehouse. La complexité
de cette opération réside dans la diversité des sources, les contraintes de
performance et la nécessité de garantir la qualité des données extraites.

Les Enjeux de l'Extraction

 Respect des contraintes temporelles: L'extraction doit s'effectuer dans

un créneau horaire défini (extract window) pour minimiser l'impact sur les
systèmes sources en production.
 Sélectivité: Il est essentiel d'extraire uniquement les données pertinentes
pour le DW, afin d'optimiser les performances et le stockage.
 Qualité des données: Les données extraites doivent être complètes,
cohérentes et exemptes d'erreurs.
  Performance: Le processus d'extraction doit être rapide et efficace pour
alimenter régulièrement le DW.

Les Méthodes d'Extraction

Plusieurs méthodes d'extraction sont possibles :

 Extraction complète: Toutes les données de la source sont extraites à

chaque exécution du processus ETL. Cette méthode est adaptée aux
petites sources de données ou lorsque les mises à jour sont peu fréquentes.
 Extraction incrémentale: Seules les nouvelles données ou les données
modifiées depuis la dernière extraction sont récupérées. Cette méthode est
plus performante et réduit le volume de données à traiter.
 Extraction par changement: L'extraction se base sur des indicateurs de
changement (timestamps, flags) présents dans les données sources. Cette
méthode est la plus précise mais nécessite une configuration spécifique
des sources.

Les Techniques d'Extraction

 Requêtes SQL: Pour les bases de données relationnelles, les requêtes

SQL permettent d'extraire des données de manière précise et flexible.
 Interfaces de programmation (API): Les API permettent d'accéder aux
données de systèmes hétérogènes (ERP, CRM, etc.).
 Fichiers plats: Les données peuvent être extraites sous forme de fichiers
plats (CSV, TXT) si les sources ne proposent pas d'autres interfaces.

Les Défis de l'Extraction

 Hétérogénéité des sources: Les formats de données, les schémas et les

technologies utilisés dans les sources peuvent varier considérablement.
 Volume de données: Le volume de données à extraire peut être très
important, nécessitant des outils performants et une optimisation des
requêtes.
 Complexité des données: Les données peuvent être structurées, semi-
structurées ou non structurées, ce qui complexifie l'extraction.
 Disponibilité des sources: Les systèmes sources peuvent être
indisponibles ou présenter des problèmes de performance, ce qui peut
perturber le processus d'extraction.

L'extraction des données est une étape fondamentale dans la construction d'un
Data Warehouse. Elle nécessite une bonne compréhension des sources de
données, des outils ETL et des contraintes techniques. En suivant les bonnes
pratiques, il est possible de mettre en place un processus d'extraction robuste et
efficace.

2. La Transformation des Données dans un Processus ETL

A. Introduction

La transformation est la phase centrale du processus ETL, où les données

extraites des systèmes sources sont adaptées et préparées pour être chargées
dans le Data Warehouse. Cette étape est cruciale car elle garantit la cohérence,
la qualité et l'utilisabilité des données pour l'analyse.

B. Le Rôle de la Transformation

La transformation des données consiste à :

 Nettoyer les données: Corriger les erreurs, les incohérences et les valeurs
manquantes.
 Standardiser les données: Unifier les formats, les unités de mesure et les
codes pour assurer la cohérence.
 Conformer les données: Adapter les données au modèle de données du
DW, en respectant les règles métier et les contraintes techniques.
 Enrichir les données: Ajouter des informations contextuelles ou
calculées pour améliorer l'analyse.
 Structurer les données: Organiser les données selon le modèle
dimensionnel (étoile, flocon) pour faciliter les requêtes.

C. Les Opérations de Transformation Typiques

 Nettoyage:
o Suppression des doublons
o Correction des erreurs de format
o Remplacement des valeurs manquantes
o Détection et correction des anomalies
 Standardisation:
o Unification des formats de date, heure, nombre
o Harmonisation des codes et des libellés
 Conformité:
o Adaptation des données aux types de données du DW
o Application des règles d'intégrité référentielle
 Agrégation:
o Calcul de totaux, de moyennes, de pourcentages
 Calculs:
 o Création de nouveaux champs calculés à partir des données
existantes
 Jointures:
o Combinaison de données provenant de plusieurs sources

D. Les Différentes Phases de Transformation

 Transformation initiale: Mise en forme des données lors de leur premier

chargement dans le DW.
 Transformation incrémentale: Mise à jour des données existantes et
chargement des nouvelles données.
 Transformation périodique: Mise à jour régulière des données pour
tenir compte des évolutions.

E. Les Enjeux de la Transformation

 Complexité: La transformation peut être complexe, en particulier pour les

données hétérogènes et de mauvaise qualité.
 Performance: Les transformations doivent être optimisées pour éviter les
goulots d'étranglement.
 Qualité des données: La qualité de la transformation a un impact direct
sur la qualité des analyses.
 Flexibilité: Les transformations doivent être facilement modifiables pour
s'adapter aux évolutions des besoins.

D. Les Outils de Transformation

Les outils ETL (Extract, Transform, Load) offrent une grande variété de
fonctionnalités pour la transformation des données :

 Fonctions de base: Nettoyage, formatage, calculs

 Fonctions avancées: Agrégation, jointures, regroupement
 Langages de script: SQL, Python, etc.
 Interfaces graphiques: Pour concevoir et exécuter les transformations de
manière visuelle

La transformation des données est une étape essentielle dans la construction d'un
Data Warehouse. Elle permet de garantir la qualité, la cohérence et l'utilisabilité
des données pour l'analyse. Les outils ETL offrent de nombreuses
fonctionnalités pour automatiser et optimiser les processus de transformation.
3. Le Chargement des Données dans un Data Warehouse
A. Introduction

La phase de chargement est la dernière étape du processus ETL. Elle consiste à

transférer les données transformées vers leur destination finale, qui peut être un
Data Warehouse, un Data Mart ou des cubes OLAP. Le choix de la destination
dépend de l'architecture du DW et des besoins des utilisateurs.

B. Les Différentes Destinations du Chargement

1. Data Warehouse:
o Approche: Les données sont chargées dans une base de données
relationnelle qui sert de référentiel centralisé pour toutes les
données de l'entreprise.
o Avantages: Flexibilité dans les requêtes, possibilité d'analyses
approfondies, historique des données.
o Inconvénients: Peut nécessiter des requêtes complexes pour les
analyses multidimensionnelles.

2. Cubes OLAP:
o Approche: Les données sont directement chargées dans des
structures optimisées pour l'analyse multidimensionnelle (cubes
OLAP).
o Avantages: Performances élevées pour les requêtes analytiques,
visualisation facile des données.
o Inconvénients: Moins de flexibilité pour les requêtes ad hoc,
difficulté à gérer les données historiques.

3. Approche Hybride:
o Approche: Combinaison des deux approches précédentes. Les
données sont chargées à la fois dans un DW et dans des cubes
OLAP.
o Avantages: Flexibilité, performances, historique des données.
o Inconvénients: Complexité de mise en œuvre, coût plus élevé.

C. Les Modalités de Chargement

 Chargement initial: Premier chargement des données dans le DW ou les

cubes.
 Chargement incrémental: Chargement des nouvelles données ou des
modifications apportées aux données existantes.
 Chargement complet: Rechargement périodique de toutes les données
pour garantir la cohérence.
 D. Les Enjeux du Chargement

 Performance: Le chargement doit être rapide pour minimiser les temps

d'arrêt des systèmes.
 Cohérence: Les données chargées doivent être cohérentes avec les
données sources et avec les autres données du DW.
 Intégrité: Les contraintes d'intégrité doivent être respectées lors du
chargement.
 Sécurité: Les accès aux données doivent être sécurisés pour protéger les
informations sensibles.

E. Les Techniques de Chargement

 Bulk Load: Chargement en masse de grandes quantités de données.

 Inserts séquentiels: Insertion des données une par une.
 Mécanismes de contrôle d'erreurs: Gestion des erreurs lors du
chargement.
 Journalisation: Enregistrement des opérations de chargement pour
faciliter le dépannage.

F. Les Conséquences d'un Mauvais Chargement

 Données erronées: Les analyses seront faussées si les données sont

incorrectes.
 Perte de données: Les données peuvent être perdues si le chargement
échoue.
 Performance dégradée: Un chargement mal optimisé peut ralentir les
performances du DW.

Le chargement est la dernière étape du processus ETL, mais elle est tout aussi
importante que les précédentes. Le choix de la méthode de chargement dépend
de l'architecture du DW, des besoins des utilisateurs et des contraintes
techniques. Un chargement bien conçu garantit la qualité des données et permet
de tirer pleinement parti des fonctionnalités du DW.

II.1.12. Data Mart

Introduction

Le Data Mart et le Data Warehouse sont deux concepts fondamentaux dans le

domaine de l'entreposage de données. Bien qu'ils partagent des objectifs
similaires (stocker et analyser des données), ils présentent des différences
significatives en termes de portée, de structure et de finalités.
Data Mart : Un Entreposage de Données Spécifique

Un Data Mart est un sous-ensemble d'un Data Warehouse, conçu pour répondre
aux besoins spécifiques d'un département ou d'une ligne de métier. Il contient
une sélection de données provenant du Data Warehouse, optimisées pour
répondre à des questions analytiques précises.

Caractéristiques d'un Data Mart:

 Spécialisation: Conçu pour un domaine d'activité spécifique (ventes,

marketing, finance).
 Accessibilité: Facile d'accès pour les utilisateurs finaux grâce à des
interfaces intuitives.
 Performance: Optimisé pour des requêtes spécifiques, offrant des temps
de réponse rapides.
 Flexibilité: Peut être rapidement mis à jour et adapté aux besoins
évolutifs.

Data Warehouse : Un Entreposage de Données Global

Un Data Warehouse est un référentiel centralisé qui stocke les données de toute
l'entreprise. Il fournit une vue unifiée et cohérente des données, permettant
d'effectuer des analyses à grande échelle.

Caractéristiques d'un Data Warehouse:

 Globalité: Couvre l'ensemble des activités de l'entreprise.

 Intégration: Intègre des données provenant de sources multiples et
hétérogènes.
 Cohérence: Assure une cohérence sémantique des données.
 Complexité: Nécessite une architecture complexe et des compétences
techniques avancées.

Comparaison entre Data Mart et Data Warehouse

Caractéristique Data Mart Data Warehouse

Portée Spécifique à un Global à l'entreprise
département
Complexité Moins complexe Plus complexe
Temps de mise en œuvre Rapide Plus long
Coût Moindre Plus élevé
Flexibilité Élevée Moindre
 Volume de donnée Plus petit Plus grand

Approches de Construction

 Top-Down: Construction d'un Data Warehouse centralisé, puis création

de Data Marts par extraction des données pertinentes.
 Bottom-Up: Construction de Data Marts indépendants, puis éventuelle
intégration dans un Data Warehouse.
 Hybride: Combinaison des deux approches précédentes.

Avantages et Inconvénients des Data Marts

 Avantages:
o Mise en œuvre rapide
o Coût réduit
o Facilité d'utilisation
o Focus sur les besoins spécifiques
 Inconvénients:
o Redondance de données potentielle
o Manque de cohérence globale si les Data Marts ne sont pas bien
intégrés
o Risque de silos d'information

Quand Utiliser un Data Mart ?

 Besoins spécifiques: Lorsqu'un département a des besoins analytiques

précis et urgents.
 Budget limité: Lorsque les ressources sont contraintes.
 Complexité réduite: Pour des projets simples et rapides à mettre en
œuvre.

Le choix entre un Data Mart et un Data Warehouse dépend des besoins

spécifiques de l'entreprise. Les Data Marts sont une solution intéressante pour
répondre rapidement aux besoins analytiques de départements spécifiques,
tandis que les Data Warehouses offrent une vision globale et cohérente des
données. Dans de nombreux cas, une combinaison des deux approches est la
plus adaptée.
II.1.12. OLAP et Cube OLAP
Qu'est-ce que l'OLAP ?

L'OLAP, acronyme de Online Analytical Processing, est une technologie qui

révolutionne la manière dont les entreprises analysent leurs données. En
transformant les données en structures multidimensionnelles, semblables à des
cubes, l'OLAP permet aux utilisateurs d'explorer les informations sous différents
angles, de manière intuitive et interactive.

Le Modèle OLAP : Une Structure Multidimensionnelle

Imaginez un cube où chaque face représente une dimension de vos données

(temps, produits, clients, etc.). Les valeurs numériques que vous souhaitez
analyser (ventes, coûts, etc.) sont placées aux intersections de ces dimensions.
Cette structure permet de :

 Naviguer facilement: Passer d'un niveau de détail à un autre (drill-down,

drill-up).
 Effectuer des comparaisons: Comparer les performances sur différentes
périodes ou entre différents segments.
 Identifier des tendances: Détecter des évolutions au fil du temps.
 Découvrir des corrélations: Mettre en évidence des liens entre différents
éléments de données.

Les éléments clés du modèle OLAP :

 Dimensions: Les axes du cube, représentant les caractéristiques des

données.
 Mesures: Les valeurs numériques à analyser, placées aux intersections
des dimensions.
 Hiérarchies: Les relations hiérarchiques entre les membres d'une
dimension (par exemple, année, trimestre, mois).
 Agrégations: Les calculs pré-calculés (sommes, moyennes, etc.) qui
accélèrent les requêtes.

Les Différentes Implémentations OLAP

Pour répondre aux besoins variés des entreprises, l'OLAP propose différentes
implémentations :
  MOLAP (Multidimensional OLAP): Le modèle MOLAP stocke les
données directement dans un cube optimisé pour l'analyse. Il offre des
performances exceptionnelles pour les requêtes complexes mais peut être
coûteux à mettre en œuvre et moins flexible pour gérer de grands volumes
de données.
 ROLAP (Relational OLAP): Le modèle ROLAP utilise une base de
données relationnelle traditionnelle pour stocker les données. Il est plus
flexible et moins coûteux à mettre en œuvre que le MOLAP, mais les
performances peuvent être moins bonnes pour les requêtes complexes.
 HOLAP (Hybrid OLAP): Le modèle HOLAP combine les avantages
des deux précédents. Les données détaillées sont stockées dans une base
relationnelle, tandis que les agrégats sont stockés dans un cube. Il offre un
bon compromis entre flexibilité et performance.

Choisir la Bonne Implémentation

Le choix de l'implémentation OLAP dépend de plusieurs facteurs :

 Volume de données: Pour de très grands volumes, le ROLAP ou le

HOLAP peuvent être plus adaptés.
 Complexité des requêtes: Le MOLAP est idéal pour les requêtes
complexes et les analyses approfondies.
 Flexibilité: Le ROLAP offre une plus grande flexibilité pour les requêtes
ad hoc.
 Budget: Le MOLAP peut être plus coûteux à mettre en œuvre.

Les Avantages de l'OLAP

 Analyse rapide: Les requêtes OLAP sont exécutées en quelques

secondes, permettant une exploration rapide des données.
 Visualisation intuitive: Les résultats sont présentés sous forme de
tableaux de bord, de graphiques et de cartes, facilitant la compréhension.
 Décisions éclairées: L'OLAP permet d'identifier des tendances, des
anomalies et des opportunités, aidant ainsi les entreprises à prendre des
décisions plus éclairées.

Les Utilisations de l'OLAP

L'OLAP est utilisé dans de nombreux domaines :

 Analyse de ventes: Suivi des performances des produits, identification

des clients les plus rentables.
 Gestion de la performance: Suivi des indicateurs clés de performance
(KPI).
  Marketing: Segmentation de la clientèle, optimisation des campagnes
marketing.
 Finance: Analyse des coûts, prévisions financières.
 Supply chain: Optimisation des stocks.

L'OLAP est un outil indispensable pour les entreprises qui souhaitent tirer parti
de leurs données. En offrant une vue multidimensionnelle et interactive des
données, l'OLAP permet de mieux comprendre les activités de l'entreprise,
d'identifier les opportunités et de prendre des décisions plus éclairées.

2. Le Cube OLAP

Le cube OLAP est une structure de données multidimensionnelle qui est au cœur
de l'analyse décisionnelle. Il permet de représenter les données de manière à
faciliter leur exploration et leur compréhension.

Qu'est-ce qu'un Cube OLAP ?

Imaginez un tableau à plusieurs dimensions, où chaque dimension représente

une caractéristique de vos données (par exemple, le temps, les produits, les
clients). Les valeurs numériques que vous souhaitez analyser (ventes, coûts, etc.)
sont placées aux intersections de ces dimensions. Cette structure en forme de
cube offre une vue synthétique et interactive des données.

Les éléments clés d'un cube OLAP :

 Dimensions: Les axes du cube qui définissent les caractéristiques des

données. Par exemple, pour analyser les ventes d'une entreprise, les
dimensions pourraient être : le temps (année, mois, jour), les produits
(catégories, marques), les clients (régions, segments).
 Mesures: Les valeurs numériques que l'on souhaite analyser, comme les
ventes, les coûts, les marges bénéficiaires.
 Hiérarchies: Les relations hiérarchiques entre les membres d'une
dimension. Par exemple, l'année est supérieure au mois, qui est supérieur
au jour.
 Agrégations: Les calculs pré-calculés (sommes, moyennes, etc.) qui
permettent d'accélérer les requêtes et de présenter des informations
synthétiques.

Pourquoi utiliser un Cube OLAP ?

  Exploration interactive: Les cubes OLAP permettent de naviguer
facilement dans les données, en passant d'un niveau de détail à un autre
(drill-down, drill-up).
 Visualisation intuitive: Les données sont présentées sous forme de
tableaux, de graphiques et de cartes, facilitant la compréhension.
 Analyse rapide: Les requêtes OLAP sont exécutées rapidement, même
sur de grands volumes de données.
 Décisions éclairées: Les cubes OLAP permettent d'identifier des
tendances, des anomalies et des opportunités, aidant ainsi les entreprises à
prendre des décisions plus éclairées.

Les Opérations OLAP

 Drill-down: Descendre dans les détails d'une dimension (par exemple,

passer du niveau pays au niveau région).
 Drill-up: Remonter à un niveau d'agrégation supérieur (par exemple,
passer du niveau région au niveau pays).
 Slice: Isoler une partie du cube en appliquant un filtre sur une dimension.
 Dice: Isoler une partie du cube en appliquant des filtres sur plusieurs
dimensions.
 Roll-up: Regrouper des membres d'une dimension pour obtenir une vue
plus agrégée.
 Pivot: Changer l'orientation des données en échangeant les rôles des
lignes et des colonnes.

Les Avantages des Cubes OLAP

 Performance: Les cubes OLAP sont optimisés pour les requêtes

analytiques, offrant des performances élevées.
 Flexibilité: Ils permettent de répondre à une grande variété de questions
d'analyse.
 Visualisation: Les outils OLAP offrent de nombreuses fonctionnalités de
visualisation pour représenter les données de manière intuitive.
 Facilité d'utilisation: Les interfaces utilisateur des outils OLAP sont
généralement conviviales, ce qui permet aux utilisateurs non techniques
d'effectuer des analyses.

Les Limites des Cubes OLAP

 Coût: La mise en place d'un cube OLAP peut être coûteuse, en particulier
pour de grands volumes de données.
 Complexité: La conception d'un cube OLAP nécessite une expertise
technique.
  Maintenance: Les cubes OLAP doivent être régulièrement mis à jour
pour refléter les changements dans les données sources.

Le cube OLAP est un outil puissant pour l'analyse de données

multidimensionnelles. Il offre une vue synthétique et interactive des données,
permettant aux entreprises de prendre des décisions plus éclairées. Cependant, il
est important de choisir la bonne implémentation OLAP en fonction des besoins
spécifiques de l'entreprise.

II.1.13. Navigation dans les Données et Data Mining

1. Navigation dans les Données

La navigation dans un Data Warehouse ou un Data Mart permet d'explorer les

données sous différents angles et de découvrir des informations pertinentes. Les
principales techniques de navigation sont :

Drill-Down et Drill-Up

Ces opérations permettent de naviguer entre les niveaux de détail d'une

hiérarchie. Le drill-down consiste à descendre d'un niveau supérieur à un niveau
inférieur (par exemple, passer du niveau pays au niveau région), tandis que le
drill-up permet de remonter d'un niveau inférieur à un niveau supérieur.

Data Surfing

Le data surfing offre une plus grande liberté de navigation que le drill-down et
le drill-up. Il permet à l'utilisateur de modifier dynamiquement les dimensions
d'analyse, d'appliquer des filtres et de créer des visualisations personnalisées.

2. Le Data Mining

Le data mining est un ensemble de techniques statistiques et d'apprentissage

automatique utilisées pour découvrir des patterns, des tendances et des relations
cachées dans de grandes quantités de données. Ces informations peuvent être
utilisées pour :
  La prédiction: Anticiper des événements futurs (par exemple, prédire les
ventes futures).
 La découverte de règles: Identifier des associations entre différents
éléments de données (par exemple, les produits souvent achetés
ensemble).
 La confirmation d'hypothèses: Valider ou infirmer des hypothèses
formulées par les analystes.

Le rôle du Data Mining dans le processus décisionnel

Le data mining complète les capacités d'analyse du Data Warehouse en

permettant d'explorer les données de manière plus approfondie et de découvrir
des informations non évidentes. Il est souvent utilisé pour :

 La segmentation de la clientèle: Identifier des groupes de clients ayant

des comportements similaires.
 La détection de fraudes: Identifier des transactions suspectes.
 L'optimisation des campagnes marketing: Cibler les clients les plus
susceptibles de réagir à une offre.
 La maintenance prédictive: Prévoir les pannes de machines.

Le processus de Data Mining

1. Préparation des données: Nettoyage, transformation et intégration des

données.
2. Sélection des modèles: Choix des algorithmes de data mining adaptés
aux objectifs de l'analyse.
3. Construction du modèle: Entraînement du modèle sur les données.
4. Évaluation du modèle: Évaluation de la performance du modèle.
5. Déploiement du modèle: Utilisation du modèle pour faire des prédictions
ou prendre des décisions.

Les principaux algorithmes de Data Mining

 Les arbres de décision: Pour la classification et la régression.

 Les réseaux de neurones: Pour la prédiction et la classification.
 Les algorithmes d'association: Pour découvrir des règles d'association
entre des items.
 Les méthodes de clustering: Pour regrouper des données similaires.

Le lien entre le Data Warehouse et le Data Mining

Le Data Warehouse fournit la base de données de qualité nécessaire pour

effectuer des analyses de data mining. Les données stockées dans le Data
Warehouse sont structurées et organisées de manière à faciliter l'extraction de
connaissances.

La navigation dans les données et le data mining sont deux activités

complémentaires qui permettent d'exploiter pleinement le potentiel d'un Data
Warehouse. La navigation permet d'explorer les données de manière interactive,
tandis que le data mining permet de découvrir des informations cachées et de
prendre des décisions plus éclairées.