(3) La Modélisation

Multidimensionnelle

2020-2021
La Modélisation Multidimensionnelle

Les BD relationnelles ne sont pas adaptées à l'OLAP car :

pas les mêmes objectifs
pas les mêmes données:
Les données nécessaires à l'OLAP sont multi-dimensionnelles
(exemple: ventes par vendeur, par date, par ville, etc.)

 Nécessité de disposer d'une structure de stockage adaptée à

l'OLAP permettant de représenter les données dans plusieurs
dimensions

2
Entrepôt de Données: Architecture fonctionnelle

Méta-Données

Extraire DW Serveur
Sources Requêtes et
Nettoyer OLAP
Externes Rapports
Transformer Servir
Charger
Rafraichir
Analyses

BDs Serveur
Opérationnelles Data Marts OLAP

Zone de préparation Zone de présentation Outils d’accès

des données des données aux données

3
OLAP: Définition &
Caractéristiques
La Modélisation Multidimensionnelle: Notions de Bases

Méthode de conception logique qui vise à présenter les données sous

une forme standardisée, intuitive et qui permet des accès hautement
performants

Permet de considérer un sujet analysé comme point dans un espace à

plusieurs dimensions

Un modèle dimensionnel est le résultat :

d'une analyse des besoins : ce que je souhaite étudier.
d'une analyse des données disponibles : ce que je peux étudier.

5
La Modélisation Multidimensionnelle: Notions de Bases

Les données sont organisées de manière à mettre en évidence:

Le Sujet  Le Fait
Les perspectives de l’analyse  La table des dimensions

Les faits sont des grandeurs que l'on cherche à mesurer (prix,
quantité, etc.)
Les dimensions sont des axes d'analyse (date, lieu, produit,
personne, etc.)
Une requête décisionnelle exprime toujours la mesure d'une
quantification de faits par rapport à des dimensions, sous une forme du type :
"Quelle a été la quantité de ... en fonction de ... »

6
La Modélisation Multidimensionnelle: Notions de Bases

OLAP et les entrepôts de données sont complémentaires:

Un entrepôt de données stocke et gère les données.
OLAP transforme les données de l'entrepôt en informations
stratégiques.

Les technologies OLAP se basent sur les bases de données multi

dimensionnelles (conçues en dimensions et en faits) pour
proposer des techniques d'analyse stratégique.

7
Les 12 règles de Conception OLAP (Edgar Frank Codd, 1993)
En 1993, Codd définit les bases du modèle OLAP : 12 règles de Codd
définissent l’évaluation des produits OLAP :

Vue multidimensionnelle
1 Comme par exemple lorsqu’on souhaite analyser les ventes selon
plusieurs dimensions: par produit par région ou par période.

Transparence du serveur OLAP à différents types de logiciels

Elle s'appuie sur une architecture ouverte permettant à l'utilisateur
d'implanter le système OLAP sans affecter les fonctionnalités du
2
système central.
Cette transparence se traduit pour l'utilisateur par un complément
à ses outils habituels garantissant ainsi sa productivité et sa
compétence.

Accessibilité à de nombreuses sources de données

3 Le système OLAP doit donner accès aux données nécessaires aux
analyses demandées.
8
Les 12 règles de Conception OLAP (Edgar Frank Codd, 1993)

Performance du système de Reporting

4 L'augmentation du nombre de dimensions ou du volume de la base
de données ne doit pas entraîner de dégradation visible par
l'utilisateur.

Architecture Client/Serveur
La plupart des données pour OLAP sont stockées sur des gros
5
systèmes et sont accessibles via des terminaux. Il est donc
nécessaire que les outils OLAP soient capables de travailler dans un
environnement Client/Serveur.

Dimensions Génériques
Toutes les dimensions doivent être équivalentes en structure et en
6
calcul.
Essayer, autant que possible, d'avoir une unicité dans la définition
des dimensions(exp: ne pas avoir deux dimensions client).

9
Les 12 règles de Conception OLAP (Edgar Frank Codd, 1993)

Gestion dynamique des matrices creuses

7 La gestion dynamique de la mémoire physique nécessaire pour
stocker les données non nulles.
Les outils OLAP doivent avoir la capacité d'optimisation d'espace de
stockage par la gestion des matrices creuses.

Support Multi-Utilisateurs
Les outils OLAP doivent supporter les accès concurrents
8
Garantir l'intégrité et la sécurité afin que plusieurs utilisateurs
accèdent au même modèle d'analyse.

Opération sur les dimensions

9
Les opérations doivent pouvoir s'effectuer sur toutes les dimensions.

10
Les 12 règles de Conception OLAP (Edgar Frank Codd, 1993)

Manipulation intuitive des données

10 Les utilisateurs d'outils OLAP ne sont pas forcément informaticiens:
Il est nécessaire d'offrir des solutions adaptées à travers l'interface
utilisateur.

Souplesse et facilité de constitution des rapports

La création des rapports dans les outils OLAP doit permettre aux
11 utilisateurs de présenter comme ils le désirent des données
synthétiques ou des résultats en fonction de l'orientation du modèle.
L'utilisateur doit pouvoir aisément " arranger " son résultat au format
désiré.

12 Nombre illimité de niveaux d'agrégation et de dimensions

11
Caractéristiques majeures des produits OLAP

L’acronyme FASMI (Fast Analysis of Shared Multidimensional Information)

permet de résumer la définition des produits OLAP :

Fast : utilisation de pré-calculs pour réduire les durées des requêtes.

Analysis : fournir la possibilité aux utilisateurs de construire leurs calculs

et leurs analyses complexes sans avoir à programmer : outils fournis avec
les produits OLAP.

Shared : le système doit créer un contexte où confidentialité, sécurité et

gestion d'accès concurrent sont préservés.

Multidimensional : caractéristique majeure, les produits OLAP doivent

fournir des vues conceptuelles multidimensionnelles des données et
supporter des hiérarchies de dimensions

Informations : ensemble des données et des informations nécessaires pour

un produit OLAP.

12
Représentation
Multidimensionnelle
des Données
Des Tables aux Cubes de Données

Hypercube : BD multidimensionnelle
Axes: dimensions (date, type de produits, région)
Chaque cellule de l'hypercube contient une mesure calculée (vente de
produit).
Axe d’analyse: la géographie
(Pays, région, ville)

Variables analysées:
Nbre unité, CA, etc.
Axe d’analyse: le temps
(Année, trimestre, mois, semaine) Axe d’analyse: les produits
(classe, produit)

14
Des Tables aux Cubes de Données

DW-OLAP :
Représentation des données sous forme multidimensionnelle : ‘Cube’

15
Des Tables aux Cubes de Données

Donnée : quantité de vente d’une

pièce, pendant une année, dans une
région donnée

16
Cube: Exemple

17
Cube: Un treillis de cuboïdes

Etant donné un cube à N dimensions, il est possible de dériver

tous les cubes de dimension N-1, N-2,…, N-N, etc.
 Treillis de 2n cubes 0-D cuboïde
tous

temps Produit lieu fournisseur 1-D cuboïdes

temps, Produit temps, lieu Produit, lieu Lieu, fournisseur 2-D cuboïdes

Temps, fournisseur Produit, fournisseur

3-D cuboïdes
temps, Produit, lieu temps, lieu, fournisseur

Temps, produit, fournisseur Produit, lieu, fournisseur

4-D cuboïde

Temps, Produit, lieu, fournisseur

18
Cube: Un treillis de cuboïdes

L'hypercube (cube de cuboïdes)

d'un datawarehouse est appelé cube
de données (ou OLAP cube).
L'implémentation de cet
hypercube peut se faire au moyen
d'un treillis des cuboïdes d'ordres
inferieurs.

19
Modélisation Multidimensionnelle: Notions de Base

Permet de considérer un sujet analysé comme point dans un espace à

plusieurs dimensions

Les données sont organisées de manière à mettre en évidence:

Le sujet  Le Fait
Les perspectives de l’analyse  Les Dimensions

20
Modélisation Multidimensionnelle: Fait

Un fait :
Modélisation du sujet de l'analyse
Grain de mesure de l'activité analysée
Exemple: Chiffre d’affaires, nombre de vente, nombre de transaction, etc 
en général: une valeur numérique
Les mesures sont stockées dans la table des faits
Mesures numériques, généralement valorisées de façon continue. On peut:
les additionner
les dénombrer
calculer le minimum, le maximum ou la moyenne

3 types de fait
Additif
Semi Additif
Non Additif

21
Modélisation Multidimensionnelle: Fait

Additif: additionnable suivant toutes les dimensions

Quantités vendues, chiffre d’affaire
Peut être le résultat d’un calcul:
o Bénéfice = montant vente - coût

Semi Additif: additionnable suivant certaines dimensions

Solde d’un compte bancaire

o Pas de sens d’additionner sur les dates car cela représente des
instantanés d’un niveau
ola somme sur les comptes: on connaît ce que nous possédons en
banque

Non Additif: fait non additionnable quelque soit la dimension

Prix unitaire: l’addition sur n’importe quelle dimension donne un

nombre dépourvu de sens
22
Modélisation Multidimensionnelle: Fait

Table des faits

Clé composite référence des clés primaires des tables de dimensions
Contient les valeurs des mesures et des clés vers les tables de dimensions
Plusieurs tables de fait dans un DW
Les faits les plus utiles d’une table des faits sont numériques et additifs

Exemple : le fait de Vente peut être constitué des mesures

d'activités suivantes : Table de faits des
quantité de produits vendus ventes journalières
montant total des ventes Clé date (CE)
Clé Produit (CE)
Clé magasin (CE)
Quantité vendue
Montant des ventes

23
Cube: Concept de Fait

Exemple:
Requête: Quels sont les frais de déplacement et le kilométrage des
commerciaux de la région nord ayant des véhicules de 10 à 14 cv en
avril 2010?

Vue:
Frais de déplacement
Kilométrage
Par employé (fonction)
Par véhicule (puissance)
Par région
Par mois

24
Modélisation Multidimensionnelle: Dimension
Dimension = liste d'éléments

La nécessité pour chaque dimension de définir ses différents niveaux de

détail
Définition de une (ou plusieurs) hiérarchie(s) de paramètres
Granularité d’une dimension : nombre de niveaux hiérarchiques

Exemple: Temps : jour < mois < trimestre < année

jour < mois < semestre < année
Table de dimension
« Produit »
Dans l'exemple précédent :
Clé produit (CP)
Analyse du fait Vente suivant différentes Désignation
perspectives correspondant à trois dimensions : Prix unitaire
la dimension Temps Poids
Prix_unitaire
la dimension Géographie
Etc.
la dimension Produit

25
Modélisation Multidimensionnelle: Dimension

Table des Dimensions

Table de dimension
Contient une clé primaire unique qui correspond à « Produit »
l’un des composants de la clé multiple de la table des Clé produit (CP)
faits Désignation
Prix unitaire
Les tables dimensionnelles sont les points d’entrée Poids
de l’entrepôt de données Prix_unitaire
Etc.

26
M. Multidimensionnelle: Hiérarchie de Dimension

La nécessité pour chaque dimension de définir

ses différents niveaux de détail

Exemple de Hiérarchies multiples de

dimensions:

27
Modélisation Multidimensionnelle: Dimension

Les axes de dimension doivent fournir des règles de calcul

d'agrégat pour chaque mesure:

28
Modélisation Multidimensionnelle: Dimension

Évolution des Dimensions:

Dimensions à évolution lente
Dimensions à évolution rapide

29
M. Multidimensionnelle: Dimension à Évolution Lente

Exemple: Changement de description des membres dans les dimensions

un client peut changer d’adresse, se marier, etc.
un produit peut changer de noms, de formulations
" Yaourt à la vanille en Yaourt " en " saveur Vanille ", " bio " en "
Activia "

Choix entre 3 solutions

écrasement de l’ancienne valeur
versionnement
valeur d’origine / valeur courante

30
M. Multidimensionnelle: Dimension à Évolution Lente

Écrasement de l’ancienne valeur : Correction des informations erronées

Avantage:
Facile à mettre en œuvre
Inconvénients:
Perte de la trace des valeurs antérieures des attributs
Perte de la cause de l’évolution dans les faits mesurés

Clé Produit Description Produit Catégorie Produit

12345 IntelliKids Logiciel

Jeux Educatifs

31
M. Multidimensionnelle: Dimension à Évolution Lente

Ajout d’un nouvel enregistrement: Utilisation d’une clé de substitution

Avantages:
Permet de suivre l’évolution des attributs
Permet de segmenter la table de faits en fonction de l’historique

Inconvénient:
Accroit le volume de la table

Clé Produit Description Produit Groupe Produit

12345 IntelliKids Logiciel
25673 IntelliKids Jeux Educatifs

32
M. Multidimensionnelle: Dimension à Évolution Lente

Ajout d’un nouvel attribut: Valeur origine/valeur courante

Avantages:
Avoir deux visions simultanées des données :
Voir les données récentes avec l’ancien attribut
Voir les données anciennes avec le nouvel attribut
Voir les données comme si le changement n’avait pas eu lieu
Inconvénient:
Inadapté pour suivre plusieurs valeurs d’attributs intermédiaires

Clé Description Groupe Nouveau

Produit Produit Produit Groupe Produit
12345 IntelliKids Logiciel Jeux Educatifs

33
M. Multidimensionnelle: Dimension à Évolution Rapide

Lorsqu'une dimension comporte un très grand nombre de champs

évoluant en continu  il est préférable de regrouper ces champs dans une
table satellite (relation 1->N): isoler les attributs qui changent rapidement

Les champs à évolution constante se retrouvent isolés et disponibles

à travers une simple jointure.

Avantages:

le fait d'isoler ces champs à évolution rapide facilite la

maintenance et le traitement des erreurs de chargement.

permet de réduire l'impact sur la dimension en cas d'erreurs.

Exemple:
les produits financiers comme les actions avec leurs statuts et
valorisations à un moment T.

34
M. Multidimensionnelle: Dimension à Évolution Rapide

Si l'on veut préserver l'historique des changements d'adresses dans la

dimension «CLIENTS» dans un pays où 70% de la population déménage
une fois par année (le 1er juillet par exemple au Canada)

35
M. Multidimensionnelle: Caractéristiques Dimension

Les dimensions dans un modèle multidimensionnel sont orthogonales:

Elles ne doivent pas avoir de relations entre elles.

Si des éléments de dimensions différentes ont des liens, il faut les

regrouper dans une même dimension.

Dim Client
Table Fait Dim Client
Id_Client
Id_Client
Table Fait
pays
Dim Pays
Id_pays
NomPays

36
Modélisation Multidimensionnelle: objets intervenants

Tables de faits (fact tables)

Les faits numériques (les mesures)
Les clés étrangères vers les tables de dimension

Tables de dimension (dimension tables)

composées d'une ou plusieurs hiérarchies catégorisant les
données

Identifiant unique
pour distinguer les enregistrements dans les tables

Relations entre les objets

elles assurent l'intégrité des opérations

37
Modélisation Multidimensionnelle

Avantages
Structure prévisible et standardisée

Modèle évolutif qui peut être modifié sans peine:

Ajout de nouveaux faits non prévus initialement, à partir du moment
où ils sont cohérents avec la granularité de la table des faits existante
Ajout d’attributs dimensionnels nouveaux
Changement de granularité: Décomposition des enregistrements d’une
dimension existante en un niveau de détail plus fin à partir d’une date
déterminée

Inconvénients
Tables plus volumineuses

Fréquence d’accès très variable au contenu des tables

38