Академический Документы
Профессиональный Документы
Культура Документы
COURS
DATAWAREHOUSE DATAMINING
Niveau : 2LFIG
PLAN DATAWAREHOUSE
Contexte Les entrepts de donnes Les entrepts de donnes vs les bases de donnes Les datamarts Architecture Modlisation Alimentation Les bases de donnes multidimensionnelles Les oprations OLAP
09/11/2012
CONTEXTE
Besoin: prise de dcisions stratgiques et tactiques Pourquoi: besoin de ractivit Qui: les dcideurs (non informaticiens) Comment: rpondre aux d C t d demandes d d danalyse d l des donnes, dgager des informations qualitatives nouvelles
Qui sont mes meilleurs clients? Pourquoi et comment le chiffre daffaire a baiss? A combien slvent mes ventes journalires?
3
CONTEXTE
LES DONNES UTILISABLES PAR LES DCIDEURS Caractristiques de ces donnes:
Distribues: systmes parpills Htrognes: systmes et structures de donnes diffrents Dtailles: organisation des donnes selon les processus fonctionnels, donnes surabondantes pour lanalyse y Peu/pas adaptes lanalyse : les requtes lourdes peuvent bloquer le systme transactionnel Volatiles: pas dhistorisation systmatique
4
09/11/2012
CONTEXTE
Enjeux :
Les ventes locales : amliorer le chiffre daffaires local
Amliorer les ventes locales
PROBLMATIQUE
Comment rpondre aux C t d demandes des dcideurs?
En donnant un accs rapide et simple linformation stratgique En donnant du sens aux donnes d
09/11/2012
PROBLMATIQUE
SI SID
un ensemble organis d'lments qui permet de regrouper, de classifier, de traiter et de l ifi d t it td diffuser de l'information
un ensemble organis d'lments qui permet de regrouper, de classifier, de traiter et de diffuser de l'information en vue d'offrir une aide la dcision
Mettre en place un systme dinformation ddi aux applications dcisionnelles: un data warehouse
7
DATAWAREHOUSE
DFINITION
Collection de donnes :
intgres, 2. orientes sujet, 3. non volatiles, 4. historises, 5. rsumes 6. et disponibles pour linterrogation et lanalyse => Pour aider aux prises de dcisions
1.
(Inmon 96).
8
09/11/2012
DATAWAREHOUSE
DFINITION
Collection de donnes :
1. 2. 3. 4. 5. 6.
intgres, provenant de sources orientes sujet, diffrentes et non volatiles, ventuellement historises, htrognes. rsumes et disponibles pour linterrogation et lanalyse
(Inmon 96).
9
DATAWAREHOUSE
DFINITION
Collection de donnes :
1. 2. 3. 4. 5. 6.
intgres, rorganises autour des orientes sujet, sujets majeurs de lentreprise de non volatiles, faon tre plus historises, facilement manipulables. rsumes et disponibles pour linterrogation et lanalyse
(Inmon 96).
10
09/11/2012
DATAWAREHOUSE
DFINITION
Collection de donnes :
1. 2. 3. 4. 5. 6.
intgres, en lecture seule, orientes sujet, utilises seulement en mode de consultation et non volatiles, ne sont que trs historises, rarement modifies. rsumes et disponibles pour linterrogation et lanalyse
(Inmon 96).
11
DATAWAREHOUSE
DFINITION
Collection de donnes :
1. 2. 3. 4. 5. 6.
intgres, elles sont enregistres orientes sujet, en considrant leur non volatiles, volution (spatiohistorises, temporelle). rsumes et disponibles pour linterrogation et lanalyse
(Inmon 96).
12
09/11/2012
DATAWAREHOUSE
DFINITION
Collection de donnes :
1. 2. 3. 4. 5. 6.
intgres, elles sont rorganises orientes sujet, afin de faciliter les analyses et non volatiles, les processus de prise de historises, dcision. rsumes et disponibles pour linterrogation et lanalyse
(Inmon 96).
13
09/11/2012
BD ou DB (Database)
E bl dinformations structures ti t t Ensemble di f 2. Accessibles par un LMD (DML)
1 1.
Partages par de multiples utilisateurs 4. Assurant la fiabilit et scurit des 4 donnes 5. Gre par un SGBD sur un serveur
3.
16
09/11/2012
Service Financier
BD prod
Service livraison
BD prod
Clientle
H I S T O R I Q U E
Data Warehouse
OLAP: On-Line Analytical Processing Clientle
09/11/2012
10
09/11/2012
OLTP
Orient transaction Orient application Donnes courantes Donnes dtailles Donnes volutives
OLAP
Orient analyse Orient sujet Donnes historises Donnes agrges Donnes statiques
Utilisateurs nombreux, Utilisateurs peu nombreux, administrateurs/oprationn manager els Temps dexcution: court Temps dexcution: long
11
09/11/2012
DATAMART
Sous-ensemble dun entrept de donnes Destin rpondre aux besoins dun secteur ou dune fonction particulire de lentreprise Point d P i t de vue spcifique selon des critres mtiers ifi l d it ti
Datamarts du service Marketing
DW de lentreprise
24
12
09/11/2012
ARCHITECTURE FONCTIONNELLE DU DW
Sources de Alimentation Entrept donnes de donnes
Mta-donnes
Ciblage
Bases de donnes
excel
Entrepts de donnes Data mining Cube
25
Phase dalimentation
Phase de modlisation
Phase danalyse
Data warehouse
1. Motivations et architecture 2. Conception de la BD support 3. Alimentation du DW 4. 4 Exploitation OLAP 5. Conclusion
26
13
09/11/2012
OLAP
ETL
OLTP
DW
DM
Aides la dcision
28
14
09/11/2012
2. CONCEVOIR LE DW
Export de donnes des sources
Htrognes et varies Fichiers, BD patrimoniales, Web, Dfinition des vues exportes
Conception DW
15
09/11/2012
DW- MODLISATION
-Schma entit relation (classique) Schma entit-relation - Schma en toile (star schema) - Schma en flocon (snowflake schema) tables de faits : nombreux champs, p , tables centrales dimensions : peu de champs, permettent dinterprter les faits
Tout indicateur est modlis sous la forme dune toile ou dun flocon
31
SCHMA EN TOILE
Structure simple utilisant le modle entit-relation Une entit centrale (faits) - objet de lanalyse Des entits priphriques ( p p q (1seul niveau) ) - dimensions de lanalyse
32
16
09/11/2012
Periode
Key_periode anne trimestre mois jour
Table de faits ventes Key_periode Key_produit Key produit Key_magasin units_vendues montant_vente amount of s sales
Magasins
Key_mag nom ville dpartement 33 pays
SCHMA EN TOILE
T l d la t bl d f it Tuples de l table des faits cls trangres formant une cl primaire des valeurs associes chaque cl primaire
34
17
09/11/2012
EXEMPLE DE SCHNEMA EN
FLOCONS
time
time_key day y day_of_the_week month quarter year branch branch_key branch key branch_name branch_type item item_key y item_name brand type supplier_key
Sales Fact Table S l F t T bl time_key item_key branch_key location_key units_sold dollars_sold avg_sales
location
location_key street city_key
city
city_key city province_or_stree 35 country
Measures
SCHMA EN FLOCONS
Evolution du star schema Normalisation des tables de dimensions 1 table Fait Plusieurs niveaux de tables de dimensions
36
18
09/11/2012
SCHMA EN FLOCONS
Raffinement du schma toile avec des tables normalises par dimensions
Produits IDprod description couleur taille IDfour Fournisseurs IDfour description type Adresse
Ventes
37
SCHMA EN CONSTELLATION
19
09/11/2012
BILAN CONCEPTION
Le datawarehouse regroupe, historise, hi t i rsume l donnes de les d d l'entreprise Le concepteur dfinit schma exports et intgrs
des choix fondamentaux ! Ciblage essentiel !
LAnalyse MultiDimensionnell
Objectif
Obtenir des informations dj agrges selon les besoins j g g de lutilisateur : simplicit et rapidit daccs
HyperCube OLAP
Reprsentation de linformation dans un hypercube N dimensions
20
09/11/2012
DW
Base Multidimensionne
De la relation au Cube
agrgations
41
Modlisation multidimensionnelle
Gnralisation des tableurs Notion de Cube de donnes : Data Cube Reprsentation de N attributs extraits d une table sous forme d un cube, N-k attributs composant les dimensions le long desquelles des groupements sont possibles, les k autres tant des mesures rsultant de fonctions d agrgations. Exemple : Dfinition d un cube sur quantit selon les axes NumPro, NumFou et Date partir de la table Ventes: Ventes ( NV, NUMPRO, NUMFOU, DATE, QTE, PRIX) NV NUMPRO NUMFOU DATE QTE
42
21
09/11/2012
CUBE DE DONNES
Date NumFou
2006 2005
NumPro
2004
200
F1 P3
F2
43
Exploitation multidimensionnelle
Intrt d un cube : Possibilit des raliser des coupes par slection selon une dimension. Vue d un cube : Vue dfinie partir d un cube de donnes par agrgation des quantits selon un sous-ensemble des attributs. Pour un cube de dimension k, il existe 2k vues avec NumPro, NumFou, Date une fonction d agrgat. NumPro, Date NumPro, NumFou
NumFou, Date
NumPro
NumFou
Date
44
22
09/11/2012
Variables analyses: Nb units, CA, marge... Axe d'analyse: Les produits (classe, produit) Axe d'analyse: Le temps (Anne, trimestre, mois, semaine) Axes d'analyse: dimensions 45 Variables analyses: indicateurs
Le multidimensionnel
Dimensions:
Temps Gographie Produits Clients Canaux de ventes.....
Indicateurs:
Nombre dunits vendues CA Cot Marge.....
46
23
09/11/2012
Analyse multidimensionnelle
Capacit manipuler des donnes qui ont t agr Selon diffrentes dimensions
Exemple : analyse des ventes / catgorie de produit + /anne + /zone gographique + /dpartement commercial 3 dim. 4 dim. 1 dim. 2 dim.
47
Temps
Jours
Mois
Trimestres
Annes
Gographie
Villes
Rgions
Pays
Produits
Numros
Types
Gammes
Marques
48
24
09/11/2012
EXEMPLE
Montant des ventes fonction de (Mois, rgion, Produit)
Granularit des dimensions : Type Rgion Catgorie Pays
Produit
Produit
Ville
Magasin
Mois
LA NAVIGATION
MULTIDIMENSIONNELLE
Zoom selon une dimension Coupe d un cube
Produits pour une rgion donne
CA
France Est Lyon Sud Ouest Nice
Temps en semaines
Marseille
50
25
09/11/2012
15
20
50
10
10 10
20
30
51
agrgation
Zoom avant/arrire
15
20
50
10
10 10
20
30
52
La navigation
26
09/11/2012
3 catgories doprations
Catgorie Restructuration Granularit Ensembliste Concerne Reprsentation Niveau de dtail Extraction
53
Restructuration
Rorientation de la vue multidimensionnelle * slection graphique * flexibilit du schma
27
09/11/2012
-Rotate/Pivot
55
-Switch
56
28
09/11/2012
-Split
57
-Nest
58
29
09/11/2012
Granularit
Navigation entre les niveaux * groupements * agrgation
Cuboids
59
-Roll-up
Rduction d une dimension du cube en la remplaant par une une dimension grain plus large, donc en allant du dtail vers le global. Exemple : CUBE (Produits, Date, Ville) * Oprateur de pliage sur l axe Date : Rollup (Anne Mois), Rollup(Anne) * Possibilit de faire l agrgat total selon une dimension axe date : Rollup ( ) : supprime la dimension date et somme pour toute date
60
30
09/11/2012
-Roll-up :
-dune vue dtaille une vue globale
61
-Drill-down
Dpliage : Extension d une dimension du cube en la remplaant une par une dimension grains plus fins, donc en allant du global vers le dtail. Exemple : Pour le cube CUBE (Fournisseurs, Anne, Pays) * oprateur de Dpliage sur l axe anne : Drilldown (Anne Mois), Drilldown (Anne Mois Jour)
31
09/11/2012
63
Granularit
Pour faciliter : Drill-down Roll-up Mmorisation de certaines vues concrtes Mais lesquelles?? Problme de recherche : -Maximiser la rutilisation des rsultats des cubes prcdents pour calculer des cubes plus globaux. -La fonction dagrgation change aussi la nature du pbm
Fonction additive : sum, min, max Fonction algbrique : avg, Fonction holistique : mdiane,
64
32
09/11/2012
Manipulations ensemblistes
-Slection
66
33
09/11/2012
-Projection
67
-Jointure
68
34
09/11/2012
Coupes du cube C Coupe (SLICE): Slection de tranches du cube par des (SLICE)
prdicats selon une dimension Exemple : * Cube (Produits, Date, Ville) * Coupe selon l axe des dates : Slice (10-02-98), Slice ( >1998 AND <1999) * Coupe selon laxe des produits : Slice (ordinateurs) Les oprateurs Rollup, Drilldown et Slice : Algbre des cubes de donnes
69
Exemple
Cube
Exemple de calcul :
Slice ( Paris ) [Drilldown (Vill ) [D illd (Ville) [Rollup (anne , mois) [ Slice (>2005 AND < 2006) [Cube] ] ] ].
70
35
09/11/2012
Le multidimensionnel
FIN
36
09/11/2012
BILAN GESTION
La modlisation multidimensionnelle est adapte l analyse de donnes Le datacube est au centre du processus dcisionnel
transformation et visualisation 3D une algbre du cube De multiples techniques d'optimisation
Questions ?
Combien de datacubes partir de N variables ?
Le multidimensionnel
73
5. IMPLMENTATION
Multidimensional OLAP (MOLAP)
implmentent les cubes comme des matrices en p mmoire
74
Implmentation
37
09/11/2012
* Donnes stockes en tables * Donnes exploites par des fonctions OLAP spciales (Group by et Cube)
76
38
09/11/2012
MOLAP
Technologie de bases de donnes multidimensionnelles * structure de stockage = tableaux *MOLAP : Technique implmentant les fonctions OLAP de type calcul du cube de donnes directement en mmoire virtuelle , avec des structures de donnes persistantes adaptes * SGBD multidimensionnel : SGBD ddi aux calculs de cubes - implmentation de type tableau : CUBE [1:M, 1:N, 1:P]
77
MOLAP
Correspondance directe avec la vue MD Gestion de la faible densit (sparsity) * structure dindex = dimensions peu denses * donnes = tableaux des dimensions denses Problme dextensibilit
78
39
09/11/2012
Oprateurs dcisionnels
SQL
Cache Cube
79
Implmentation
HOLAP
Combinaison d technologies ROLAP et MOLAP C bi i des h l i O A O A * donnes dtailles dans BDR * donnes agrges dans BDMD
SGBD Relationnel avec des oprateurs et algorithmes adquats : -GROUP BY CUBE -StarJoin, Index Bitmap
80
40
09/11/2012
MOLAP
ROLAP
HOLAP
Stockage Relationnel Restitution multidimension. Optimisation du volume stock par mise en uvre de mcanismes de calculs dynamiques dagrgats d agrgats
Stockage multidimension Et relationnel Restitution Multidimension. avec gestion dynamique du dcrochage vers la base de dtail relationnel
81
Fonctions statistiques:
Pivot, Standard dviation, Covariance, Corrlation
82
Implmentation
41
09/11/2012
VUES CONCRTES
CREATE MATERIALIZED VIEW <Table> ( (column_list) AS ) SELECT La vue est pr-calcule par le SGBD
Pr-calcul des agrgats et jointures
Elle est maintenue lors des mises jour Les requtes sont reformules contre la vue d'une manire transparente pour l'usager
83
Implmentation
EXEMPLE
Table:
Emp(#emp, job, salary)
Dfinition de la vue:
CREATE MATERIALIZEDVIEW job_avg_sal AS select job, avg(sal) avg_sal FROM emp p GROUP BY job;
Interrogation de la vue:
SELECT job FROM job_avg_sal WHERE avg_sal > 10000
84
Implmentation
42
09/11/2012
EXTENSION DE SQL
ROLLUP:
SELECT <column list> FROM <table> GROUP BY ROLLUP(column_list);
CUBE:
SELECT <column list> FROM <table> GROUP BY CUBE(column_list);
Implmentation
EXEMPLE CUBE
Quantite 12 18 4 14 9 5 1
SELECT Animal, Lieu, SUM(Quantite) as Quantite FROM Animaux GROUP BY Animal, Magasin WITH CUBE
Implmentation
Animal Chat Chat Chat Chien Chien Chien Chien Tortue Tortue Tortue -
Lieu Paris Naples Paris Naples Rome Naples Rome Paris Naples Rome
Quantite 18 9 27 12 5 14 31 1 4 5 63 30 86 15 18
43
09/11/2012
EXEMPLE ROLLUP
Quantite 12 18 4 14 9 5 1
SELECT Animal, Lieu, SUM(Quantite) as Quantite FROM Animaux GROUP BY Animal,Magasin WITH ROLLUP
Implmentation
Animal Chat Chat Chat Chien Chien Chien Chien Chi Tortue Tortue Tortue -
Quantite 18 9 27 12 5 14 31 1 4 5 63
87
MTA-DONNES
Standard en mergence CWM
Common W h C Warehouse Meta-model
Mta-mta-modle
MOF
Mta-modle
UML
CWM
EJB
Modle
Mta-donnes
Objet
88
Implmentation
44
09/11/2012
Warehouse Operation Data Information Business Mining Visualization Nomenclature RecordOriented Multi Dimensional XML
Relational
Foundation
Business Data Keys Type Software Expressions Information Types Index Mapping Deployment
ObjectModel
(Core, Behavioral, Relationships, Instance)
89
Implmentation
Cognos
Impromptu = Reporting Powerplay = Datacube Query = Requtage
Business Object
BusinessQuery = Requtage BusinessObject = j Requtage + Analyse + Reporting WebIntelligence = Datacube
Hyperion
ESS Base = Base MOLAP ESS Analysis= Analyse y y + Datacube
90
Implmentation
45
09/11/2012
6. LE MARCH DU BI
BI= Business Intelligence
Conclusion
Datamart
magasin de donnes cibl sur un ou plusieurs sujets
Datamining
exploration des donnes afin de dcouvrir des connaissances
Datacube
cube de prsentation d'units selon 3 dimensions
Datawebhouse
entrept des donnes collectes sur le web
Conclusion
92
46
09/11/2012
Information processing I f ti i supports querying, basic statistical analysis, and reporting using crosstabs, tables, charts and graphs Analytical processing multidimensional analysis of data warehouse data supports basic OLAP operations, slice-dice, drilling, pivoting pi oting Data mining knowledge discovery from hidden patterns supports associations, constructing analytical models, performing classification and prediction, and presenting the mining results using visualization tools.
Differences among the three tasks
93
Architecture of OLAM
47
09/11/2012
An OLAM Architecture
Mining query Mining result
Layer3 OLAP/OLAM
MDDB
Filtering&Integrati on
Database API
Data cleaning Data integration
Filteri ng
Databas es
Data Warehou se
Conclusion
Data warehouse
A subject-oriented, integrated, time-variant, and nonvolatile collection of subject oriented, time variant, data in support of managements decision-making process
OLAP operations: drilling, rolling, slicing, dicing and pivoting OLAP servers: ROLAP, MOLAP, HOLAP Efficient Effi i t computation of d t cubes t ti f data b
Partial vs. full vs. no materialization Multiway array aggregation Bitmap index and join index implementations
96
48
09/11/2012
3. Alimenter le DW
Outils dalimentation pour extraire transformer stocker dans DWH Donnes sources
97
Alimenter le DW
ETL = Extracteur + Intgrateur
Extract + Transform + Load
Extraction
Depuis les bases sources ou les journaux Diffrentes techniques
98
49
09/11/2012
Extraction
1re Phase : extraction des donnes utiles
-Eviter de perturber les Syst.de production -1 ou +srs passes * donnes en tps rel * donnes mensuelles
99
Transformer
Nettoyer /Intgrer/Structurer
100
50
09/11/2012
TRANSFORMATION
Accs unifis aux donnes
Unification des modles
Traduction de fichiers, BD rseaux, annuaires en tables Evolution vers XML (modle d'change) plus riche
101
-Isoler les pics de certaines valeurs dans une distribution statistiques. -Dfinir un espace compris entre la moyenne et un certain nombre dcart type, et exclure ou plafonner toutes les valeurs > seuil (du type moyenne + 3 carts types).
102
51
09/11/2012
les valeurs manquantes - exclure les enregistrements incomplets - saisir manuellement ces valeurs manquantes - remplacer ces donnes par la moyenne -utiliser une constante globale unknown les valeurs nulles : valeur conventionnelle pour une information inconnue ou inapplicable
103
104
52
09/11/2012
Intgration/Restructuration
Suppression des incohrences smantiques entre les sources - diffrents noms/longueurs/types pour un mme attribut
Systmes oprationnels Application 1 pp Application 2 Application 3 Application 4 m,f , 1,0 x,y homme,femme
Intgration/Restructuration (suite)
diffrence d normalisation/structure d t bl diff de li ti / t t des tables (normalisation/dnormalisation) Le champ adresse est dcoup en n champs cibles: numro , rue , codepostal , pays , particularits conversions -
106
ville ,
53
09/11/2012
Intgration/monovariable
Agrgation : les donnes des ventes journalires sont agrges pour calculer les montants totaux mensuels et annuels.
Transformation des dates en dures: (ractivit dun client : diffrence entre une date d d denvoi d i dun catalogue et une d l date d commande). de d ) Modification des donnes gographiques en coordonnes: (ajouter les coordonnes de longitude et latitude pour intgrer les contraintes de proximit dans le raisonnement).
107
Intgration/multivariable
Les ratios : Les Exemple : montant des achats relatifs une famille de produits sera rapport au montant global des achats (degr dimplication du client pour ce type darticles) La frquence : Exemple : nombre de commandes sur les x dernires priodes
108
54
09/11/2012
Intgration/multivariable (suite)
Les tendances No 1 2 3 Priode 1 235 200 Priode 2 536 203 Tendance ++ =
109
Data Cleaning
Valeurs manquantes (nulles)
Ignorer le tuple Remplacer par une valeur fixe ou par la moyenne
110
55
09/11/2012
CHARGEMENT
Pas de mise jour
Insertion de nouvelles donnes Archivage de donnes anciennes
De gros volumes
Priodicit parfois longue Chargement en blocs (bulk load) Mise jour des index et rsums
Problmes
Cohabitation avec l'OLAP ? Procdures de reprises ?
111
L'alimentation
Charger
Matrialisation des vues
Plus Tris Consolidation Normalisation Vrification des contraintes dintgrit et Partitionnement des donnes (si plusieurs datamarts) Cration des indexes
112
56
09/11/2012
Business Objects
ActaWorks
ETI
ETI.Extract
Ascential Software
DataStage XE
Plus de 40 connecteurs natifs vers des sources de donnes, dont IBM/Informix, Oracle, Sybase, Teradata et IBM DB2. Package complet ddi SAP et la collection de modules MySAP. Partie analytique: Brio, Business Objects, SPSS et Crystal Decisions.
Hummingbird
Genio Suite 5
Computer Associates
DecisionBase
Connecteurs en direct pour extraire les donnes en temps rel depuis SAP, PeopleSoft et des systmes mainframes. Accs de nombreuses sources de donnes dont IBM/Informix, Oracle, Sybase, IBM DB2, HTML et fichiers txt.
Informatica
PowerCenter 5
113
http://solutions.journaldunet.com/0208/020827_bi_panorama1.shtml
4. GRER L'ENTREPT
Base relationnelle
Support de larges volumes (qq 100 gigas qq tras) Historisation des donnes (fentres) Importance des agrgats et chargements en blocs
Base spcialise
Base multidimensionnelle Combinaison des deux
57
09/11/2012
NCR
Teradata Database
Entrept de donnes multi-dimensionnel avec des d extensions d divers t i de di types dont des formules de data mining. Rput notamment pour ses capacits de monte en charge sous Unix et Windows 2000. Dernire version de la base de donnes relationnelle de l'diteur, Oracle 9i est retaille dans une optique qui approfondit les fonctions ddies la business intelligence. Peut galement fonctionner comme entrept de donnes OLAP. IQ est la version dcline de la base de donnes relationnelle de Sybase, pour des besoins en rapport avec la business intelligence, donc aussi le CRM analytique.
Les solutions qui accdent T Teradata sont a priori d t t i i un peu moins nombreuses que pour Hyperion Essbase, Microsoft, IBM DB2, Oracle et Sybase.
IBM
DB2/Universal DataBase est la base de donnes relationnelle d'IBM. En rachetant Informix et son activit bases de donnes, Big Blue a rcupr ses entrepts de donnes multidimensionnels: XPS (datawarehouse), et Red Brick (datamart).
Mme remarque que pour Hyperion, en particulier pour DB2 qui est relativement rpandue. Se renseigner sur les solutions qui peuvent accder nativement aux diffrents SGBD OLAP propritaires d'Informix.
Oracle
Oracle 9i
Mme remarque que pour Hyperion et Microsoft, car Oracle 8i est encore trs rpandue.
Microsoft
La version la plus rcente de la SGBDR (base de donnes relationnelle) de Microsoft. A enrichi ses fonctions OLAP avec Analysis Services. Parmi celles-ci: l'accs direct aux cubes via le web, et une extension data mining.
Mme remarque que pour Hyperion. SQL Server est trs rpandue, mais souvent encore en version 7.0 qui peut aussi tre attaque par la plupart des solutions du commerce qui fonctionnent sous Windows
Sybase
Adaptive Server IQ
115
http://solutions.journaldunet.com/0110/011025_crm_tableau2.shtml
SELECT couleur, SUM(prix) FROM Ventes, Ventes Produits WHEREVentes.codeProduit = Produits.codeProduit AND modle = vis GROUP BY couleur
116
58
09/11/2012
SELECT couleur, mois, SUM(prix) FROM Ventes, Produits, Temps WHEREVentes.codeProduit = Produits.codeProduit AND Ventes.date Temps.jour V t d t =T j AND modle = vis GROUP BY couleur, mois
117
SELECT vendeur, mois, SUM(prix) FROM Ventes, Produits, Temps WHEREVentes.codeProduit = Produits.codeProduit AND Ventes.date Temps.jour Vente date = Te jo AND modle = vis AND couleur = rose GROUP BY mois, vendeur
118
59
09/11/2012
SELECT vendeur, anne, SUM(prix) FROM Ventes, Produits, Temps WHEREVentes.codeProduit = Produits.codeProduit AND Ventes.date Temps jour Ventes date = Temps.jour AND modle = vis AND couleur = rose GROUP BY anne, vendeur
119
Problmatique
Chaudhuri et Dayal 97
Supporter des oprations tableur sur des BD de plusieurs GO. Besoins spcifiques
langages de manipulation organisation des donnes mthodes daccs
120
60
09/11/2012
Modle
Forme proche des abstractions de lanalyste Organisation des donnes selon plusieurs dimensions selon diffrents niveaux de dtail en ensemble Donne = point dans lespace associe des valeurs
121
61