Aller au contenu principal
Notification
ITPro
  • Ressources IT
  • Newsletter
Se connecter
S’inscrire
  • Cloud & Infrastructure
  • Cybersécurité
  • Data & IA
  • Workplace et Endpoints
Se connecter
S’inscrire
  • Facebook
  • X
  • Linkedin
  • Instagram

Inscrivez-vous

Newsletter iTPro

  • Cloud & Infrastructure
  • Cybersécurité
  • Data & IA
  • Workplace et Endpoints
  • Cloud & Infrastructure
  • Cybersécurité
  • Data & IA
  • Workplace et Endpoints
  1. Accueil
  2. Data & IA
  3. Big Data et analytics
  4. Structure d’un système décisionnel

Sommaire

Tech stories

  • Tech Stories

    Les erreurs de gestion qui font exploser le budget de renouvellement du parc IT

  • Tech Stories

    Les compétences cloud à développer dans une équipe IT

Big Data et analytics

Structure d’un système décisionnel

Par

iTPro.fr
24 juin 2010
3 minutes

par Lionel Billon - Mis en ligne le 16/03/2005 - Publié en Avril 2004 Les cubes OLAP (Online Analytical Processing) permettent d'améliorer grandement les performances des requêtes grâce au stockage des agrégations. Leur structure multi-dimensionnelle et hiérarchique permettent également de proposer des interfaces plus intuitives - de type tableaux croisés dynamiques - pour les utilisateurs…

Sommaire

Avant d’aller plus loin, il convient de situer
la place du cube dans un système
décisionnel et par la même faire une
rapide révision de l’architecture type
d’un système décisionnel.
Comme le montre le schéma 1, les
bases de données transactionnelles
(OLTP: Online Transaction Processing)
(par exemple les bases de données utilisées
pour stocker chaque seconde les
opérations des caisses enregistreuses
d’un supermarché) sont modélisées
pour optimiser les opérations d’insertion
et de maintenance.
Les tables sont fortement normalisées
(en général en troisième forme
normale (cf. Codd) : toutes les colonnes d’une table dépendent alors de la clé primaire,
de l’intégralité de la clé primaire et uniquement de la clé primaire).
Cette normalisation conduit à  la création d’un grand nombre de tables jointes entre elles. Pour reprendre l’exemple du supermarché, il y
aura vraisemblablement une table Rayon et une table
Produit, ainsi lorsque l’on devra changer le nom d’un rayon,
il suffira de changer une ligne de la table Rayon et non
chaque ligne des produits appartenant à  un rayon.
Si cette structure permet d’accélérer les insertions et de
faciliter les opérations de maintenance, elle répond mal aux
besoins analytiques des utilisateurs fonctionnels.
En effet, pour reprendre l’exemple du supermarché, le
responsable du magasin sera sans doute intéressé par le
chiffre d’affaire total du Rayon frais pour le premier trimestre
de l’année en cours. Ce type de requête métier sera confrontée
aux deux « ennemis publics numéros un » du SQL en ce
qui concerne la rapidité des requêtes : les jointures (ici pour
passer de la table des ventes à  la table des rayons) et les agrégations
(consolidation des données stockées à  la seconde au
chiffre trimestriel). A cela vient s’ajouter le fait qu’il n’est pas
idéal de faire cohabiter requêtes décisionnelles et requêtes
transactionnelles sur la même base de données. (Le fonctionnement
des caisses pourrait être perturbé par les
requêtes effectuées par les membres de la direction du
magasin.)
Il est donc préférable de construire une base relationnelle
dédiée aux requêtes métiers. La structure de cette base
sera dénormalisée, simplifiée : de la redondance sera ajoutée
pour accélérer les requêtes en sélection.
La structure d’une telle base aura souvent la forme d’un
schéma en étoile : une table centrale (table des faits) qui
contient les données numériques ayant un intérêt pour les
analyses (par exemple Chiffre d’affaire, coût …) et des colonnes
clef étrangères vers les autres tables du modèle. C’est
à  partir de ces autres tables satellites que seront construites
les dimensions. Une dimension est un axe
d’analyse selon lequel il convient d’analyser
les indicateurs numériques de la table
de fait. Dans l’exemple du supermarché, la
période, le produits, le client peuvent être
des axes d’analyse intéressants.
Cette structure relationnelle homogène
et fiable, source des requêtes décisionnelles
est appellée DataWarehouse
(Entrepôt de données) lorsque la base
couvre toutes les questions de l’entreprise
et Data Mart (Magasin de données)
lorsque la base se concentre sur une question
métier particluière (on parle alors de
DataMart Finance ou DataMart Marketing
…)
Un système décisionnel se définit par
la création d’un DataMart ou d’un
DataWarehouse relationnel, zone de stockage homogène et
fiable pour l’ensemble des besoins de reporting.
Le DataMart relationnel peut tout à  fait convenir pour
couvrir à  lui seul les besoins de reporting. Cependant malgré
la dénormalisation effectuée, les requêtes peuvent s’avérer
encore trop lentes. Et dans bien des cas, le langage SQL n’est
pas adapté pour répondre facilement aux questions posées
par les utilisateurs.
Les cubes OLAP (Online Analytical Processing) Microsoft
proposent justement de résoudre ces problématiques :

  • le stockage des agrégations les cubes OLAP permettent
    d’obtenir un temps de réponse constant quelle que soit la
    volumétrie des données traitées
  • leur structure multi-dimensionnelle colle parfaitement à  la
    logique des questions métiers. Concernant ce dernier
    point, le langage MDX (Multi-Dimensionnal Expression)1
    utilisé pour interroger les cubes MS OLAP est un avantage
    majeur lorsqu’il s’agit d’écrire simplement les requêtes métier
    les plus complexes.

Tech Stories

Les erreurs de gestion qui font exploser le budget de renouvellement du parc IT

Le renouvellement d’un parc IT peut rapidement faire grimper les dépenses. Inventaire incomplet, postes surdimensionnés, manque de standardisation, perte de valeur du matériel et achats réactifs : découvrez les cinq…

Lire l'article : Les erreurs de gestion qui font exploser le budget de renouvellement du parc IT

Ressource IT

SIEM & PME : Comment construire la boîte noire de votre SI ?

Passez à la cybersécurité proactive, transformez la collecte et l’analyse des logs en un bouclier dynamique contre les cybermenaces. Découvrez comment mettre en place une approche SIEM modulaire, évolutive et…

Découvrir la ressource : SIEM & PME : Comment construire la boîte noire de votre SI ?

Inscrivez-vous

Newsletter iTPro

iTPro.fr

Rédigé par iTPro.fr

Le comité éditorial du site iTPro.fr est composé de journalistes informatiques, experts et contributeurs spécialistes des services, solutions et technologies informatiques d’entreprise.

Tous ses articles →

Big Data et analytics

À lire également...

  • Analytique prédictive au service de la décarbonation en France sur iTPro.fr
    Big Data et analytics Enjeux IT

    L’analytique prédictive au service de la décarbonation en France

    Par

    La rédaction iTPro.fr
    26 mai 2026
    5 minutes
  • Performance IA et Analytique et Fondations de données solides
    Big Data et analytics

    La performance de l’IA et l’analytique reposent sur des fondations de données solides

    Par

    IT Pro Magazine
    17 juillet 2025
    5 minutes
  • l'IA dans l’analytique et la BI les défis et les bénéfices - iTPro - 2025
    Big Data et analytics

    Défis et bénéfices d’infuser l’IA dans l’analytique et la BI

    Par

    IT Pro Magazine
    27 janvier 2025
    5 minutes
  • CLOUD INNOVATION PARTNERS VIA @ITPROFR
    Big Data et analytics Cloud & Infrastructure

    Cloud Innovation Partners décrypte les fuites de données

    Par

    Sabine Terrey
    27 octobre 2023
    8 minutes
ITPro
  • X
  • Linkedin
  • Facebook
  • Instagram
Se connecter
S’inscrire
  • Cloud & Infrastructure
  • Cybersécurité
  • Data & IA
  • Workplace et Endpoints
  • Ressources IT
  • Espace responsable sécurité
  • Espace DSI
  • Espace Architecte IT
  • Espace IT Manager
  • Espace Responsable Data / IA

Inscrivez-vous

Newsletter iTPro

© iTPro.fr

  • Qui sommes-nous
  • Contact
  • Comité éditorial
  • Régie médias
  • Mentions-légales
  • Gestion et protection des données personnelles
  • Gestion des cookies
Gérer le consentement aux cookies
Pour offrir les meilleures expériences, nous utilisons des technologies telles que les cookies pour stocker et/ou accéder aux informations des appareils. Le fait de consentir à ces technologies nous permettra de traiter des données telles que le comportement de navigation ou les ID uniques sur ce site. Le fait de ne pas consentir ou de retirer son consentement peut avoir un effet négatif sur certaines caractéristiques et fonctions.
Fonctionnel Toujours activé
Le stockage ou l’accès technique est strictement nécessaire dans la finalité d’intérêt légitime de permettre l’utilisation d’un service spécifique explicitement demandé par l’abonné ou l’internaute, ou dans le seul but d’effectuer la transmission d’une communication sur un réseau de communications électroniques.
Préférences
Le stockage ou l’accès technique est nécessaire dans la finalité d’intérêt légitime de stocker des préférences qui ne sont pas demandées par l’abonné ou la personne utilisant le service.
Statistiques
Le stockage ou l’accès technique qui est utilisé exclusivement à des fins statistiques. Le stockage ou l’accès technique qui est utilisé exclusivement dans des finalités statistiques anonymes. En l’absence d’une assignation à comparaître, d’une conformité volontaire de la part de votre fournisseur d’accès à internet ou d’enregistrements supplémentaires provenant d’une tierce partie, les informations stockées ou extraites à cette seule fin ne peuvent généralement pas être utilisées pour vous identifier.
Marketing
Le stockage ou l’accès technique est nécessaire pour créer des profils d’internautes afin d’envoyer des publicités, ou pour suivre l’internaute sur un site web ou sur plusieurs sites web ayant des finalités marketing similaires.
  • Gérer les options
  • Gérer les services
  • Gérer {vendor_count} fournisseurs
  • En savoir plus sur ces finalités
Voir les préférences
  • {title}
  • {title}
  • {title}