Les systèmes d’informations : Etude de cas 11 avril 2017

Les Datamarts Les Datamarts représentent une partie du système d’information de l’entreprise (La comptabilité, la partie commerciale, les sinistres…) Un Datamart est composé d’une ou plusieurs tables de fait. Assemblés, ils forment un Datawarehouse (notion de constellation) TOP-DOWN Modélisation complète de toutes les dimensions et faits Vision exhaustive et non redondance Complexité et lourdeur de mise en œuvre BOTTOM-UP Modélisation étoile par étoile Mise à disposition de Datamarts rapidement Intégration complexe et redondance des dimensions au niveau du Datawarehouse

Méthode de modélisation décisionnelle d’un Datamart (Bottom-up) : Les Datamarts Méthode de modélisation décisionnelle d’un Datamart (Bottom-up) : But : Identifier les dimensions et la table de fait Quels indicateurs analyser ? (contenu de la table de fait) Quantité de vente, prix de vente… Selon quels critères ? (tables de dimension) Client, fournisseur, produit, temps… Avec quel niveau de détail pour chaque critère ? (contenu des tables de dimension (voire sous dimension  flocon)) Client (Nom, prénom, ville, région, pays…) Fournisseur (Nom, délais livraison, commission …) Produit (Nom, prix, Catégorie…) Temps (Jour, Mois, Trimestre, année)

Modélisation étoile FOURNISSEUR_L TEMPS_L ID_FOURNISSEUR JOUR NOM MOIS DELAIS_LIV COMMISSION TEMPS_L JOUR MOIS TRIMESTRE ANNEE VENTES_F JOUR ID_FOURNISSEUR ID_CLIENT ID_PRODUIT QUANTITE PRIX CLIENT_L ID_CLIENT NOM PRENOM VILLE REGION PAYS PRODUIT_L ID_PRODUIT NOM PRIX CATEGORIE

Modélisation flocon FOURNISSEUR_L ID_FOURNISSEUR NOM DELAIS_LIV COMMISSION TEMPS_L JOUR MOIS TRIMESTRE ANNEE VENTES_F JOUR ID_FOURNISSEUR ID_CLIENT ID_PRODUIT QUANTITE PRIX CATEGORIE_L ID_CATEGORIE NOM TYPE CLIENT_L ID_CLIENT NOM PRENOM VILLE REGION PAYS PRODUIT_L ID_PRODUIT NOM PRIX ID_CATEGORIE PAYS_L CODE_PAYS PAYS NB_HABITANTS

Vue OLAP (Multidimensionnelle) VENTES_F JOUR: 10/10/2012 ID_FOURNISSEUR: 17 ID_CLIENT: 18 ID_PRODUIT: ARTE7DF QUANTITE : 14 PRIX : 140 Quantités vendues 10/10/2012 Fournisseur … Produit Fournisseur 11/10/2012 Produit Client Quantités Client

Vue OLAP (Multidimensionnelle) Quantités vendues pour le fournisseur 17 VENTES_F JOUR: 10/10/2012 ID_FOURNISSEUR: 17 ID_CLIENT: 18 ID_PRODUIT: ARTE7DF QUANTITE : 14 PRIX : 140 10/10/2012 Fournisseur … Produit Fournisseur 11/10/2012 Produit Client Quantités Client

Vue OLAP (Multidimensionnelle) Quantités vendues pour le Produit ARTE7DF VENTES_F JOUR: 10/10/2012 ID_FOURNISSEUR: 17 ID_CLIENT: 18 ID_PRODUIT: ARTE7DF QUANTITE : 14 PRIX : 140 10/10/2012 Fournisseur … Produit Fournisseur 11/10/2012 Produit Client Quantités Client

Vue OLAP (Multidimensionnelle) Quantités vendues pour le client 18 VENTES_F JOUR: 10/10/2012 ID_FOURNISSEUR: 17 ID_CLIENT: 18 ID_PRODUIT: ARTE7DF QUANTITE : 14 PRIX : 140 10/10/2012 Fournisseur … Produit Fournisseur 11/10/2012 Produit Client Quantités Client

Vue OLAP (Multidimensionnelle) Quantités vendues pour le fournisseur 17 le Produit ARTE7DF et le client 18 VENTES_F JOUR: 10/10/2012 ID_FOURNISSEUR: 17 ID_CLIENT: 18 ID_PRODUIT: ARTE7DF QUANTITE : 14 PRIX : 140 10/10/2012 Fournisseur … Produit Fournisseur 11/10/2012 Produit Client Quantités Client

Vue OLAP (Multidimensionnelle) Quantités vendues pour le fournisseur 17 le Produit ARTE7DF, le client 18 le 10/10/2012 VENTES_F JOUR: 10/10/2012 ID_FOURNISSEUR: 17 ID_CLIENT: 18 ID_PRODUIT: ARTE7DF QUANTITE : 14 PRIX : 140 10/10/2012 Fournisseur … Produit 14 Client Quantités

Etude de cas Modéliser l’étoile décisionnelle correspondant à l’observation d’un sport électronique: Les attaques de Pomf se limitent au « canal de nydus » et au « banneling trap » Idra félicite rarement ses adversaires en cas de défaite. Georgeopolis est une carte pour quatre joueurs plébiscitée. Le coréen MKP évite les « bannelings » en effectuant un « split de marines » BIG-B ne dépasse pas la ligue Bronze Le commentateur Thud réussi ses pronostiques une fois sur dix L’attaque « mass Queens » de Spanishiwa est arrivée au bout de 4 minutes 50 Quels indicateurs analyser ? (contenu de la table de fait) Selon quels critères ? (tables de dimension) Avec quel niveau de détail pour chaque critère ? (contenu des tables de dimension (voire sous dimension  flocon))

Etude de cas Quels indicateurs analyser ? (contenu de la table de fait) Nombre d’attaques, d’esquives, de fairplay, de pronostiques réussis Selon quels critères ? (tables de dimension) Joueurs, Commentateur, Carte, Attaque, Défense, Temps Avec quel niveau de détail pour chaque critère ? (contenu des tables de dimension (voire sous dimension  flocon)) Joueur (Pseudo, Pays, ligue) Commentateur (Pseudo, Pays) Carte (Nom, nombre joueurs) Attaque (Nom) Défense (Nom) Temps (Jour, Mois, Trimestre, année)

Modélisation étoile TEMPS_L DATE_HEURE MOIS TRIMESTRE ANNEE JOUEUR_L ID_JOUEUR PSEUDO PAYS LIGUE MATCH_F DATE_HEURE ID_JOUEUR_ATTAQUE ID_JOUEUR_DEFENSE ID_CARTE ID_ATTAQUE ID_DEFENSE ID_JOUEUR_VICTOIRE ID_COMMENTATEUR BON_PRONOSTIQUE FAIRPLAY CARTE_L ID_CARTE NOM NB_JOUEURS ATTAQUE_L ID_ATTAQUE NOM COMMENTATEUR_L ID_COMMENTATEUR PSEUDO PAYS DEFENSE_L ID_DEFENSE NOM