L’architecture du modèle PowerPivot

des détails d’exploration détaillée (drill-down). Par exemple, si vous avez importé une table contenant des données de vente, ainsi que des tables de données de référence comportant des données géographiques et temporelles, vous êtes en mesure de construire des tableaux croisés dynamiques et graphiques dans Excel, afin d’afficher les ventes agrégées par année et pays, avec la possibilité d’effectuer une analyse descendante partant d’une année vers les trimestres, ou d’un pays vers des régions et villes.

Le processus d’importation des données de nombreuses sources externes, puis d’exécution d’analyses descendantes optimisées de ces données semble familier, et c’est effectivement le cas : ces opérations sont rendues possibles par SQL Server Analysis Services et OLAP. La bonne nouvelle est que PowerPivot correspond à Analysis Services, même s’il s’agit d’une version spéciale avec un nouveau moteur de stockage (ce que nous allons voir un peu plus loin).

Ainsi, les utilisateurs bénéficient d’une technologie standard sans avoir à maîtriser des concepts OLAP ésotériques tels que les cubes, mesures, dimensions et agrégations. La beauté de PowerPivot tient à ce que les utilisateurs pensent qu’ils se contentent d’importer des tables et de construire un « modèle », alors que ce modèle est en fait un cube Analysis Services. En d’autres termes, il est possible de l’interroger, de le gérer et de le mettre à jour selon une méthodologie rigoureuse. Il ne s’agit pas d’une simple feuille de calcul.

Bien que PowerPivot s’appuie sur la technologie Analysis Services, il met en oeuvre une technologie de stockage radicalement différente du stockage OLAP multidimensionnel (MOLAP) employé par la version complète d’Analysis Services. Au lieu de l’approche multidimensionnelle du stockage, PowerPivot stocke les données en colonnes, de sorte que toutes les valeurs d’une colonne ou d’un champ donnés sont contiguës. Cette approche garantit des taux de compression élevés, car les valeurs d’une même colonne ont tendance à être relativement proches, voire identiques.

A son tour, cette compression permet de charger l’intégralité du cube en mémoire, d’où des requêtes d’une rapidité incroyable, sans nécessiter les optimisations habituelles à Analysis Services telles que le partitionnement ou les agrégations précalculées.