Documents BI | Sirine ZAABOUTI

Partie1 : Introduction Générale Bi

C’est quoi l’Informatique décisionnelle ?

La Business Intelligence (BI) désigne les moyens, outils et méthodes qui permettent
de collecter, consolider, modéliser et restituer les données, matérielles ou
immatérielles, d’une entreprise en vue d’offrir une aide à la décision et de permettre à
un décideur d’avoir une vue d’ensemble de l’activité traitée.

C’est quoi L’Intérêt de l’informatique décisionnelle ?

Les entreprises utilisent une myriade d’applications, et d’outils pour gérer leur activité
quotidienne.

Si chacune de ces applications permet de stocker, analyser, ou modifier certains

types de données, ces dernières ne sont pas nécessairement compatibles entre
elles.

Plus encore, chaque service, équipe ou département peut utiliser un panel

d’applications, parfois différents des autres entités de l’entreprise.

La volumétrie de données collectées ou créées, l’absence d’uniformisation et la

multiplicité des applications utilisées rendent difficile l’exploitation et l’analyse globale
des données par les décisionnaires de l’entreprise, et c’est là que la BI intervient.

Les besoins ?

1er besoin : Historisation des données

2éme besoin : Centralisation des données

3éme besoin : analyse des données

Pour prendre de « bonnes décisions », on doit pouvoir :

Accéder en temps réel aux données de l'entreprise,

Traiter ces données, Extraire l'information pertinente de ces données, par exemple
pour savoir :

1. Quels sont les résultats des ventes par gamme de produits et par région de
l'année dernière ? !
 Documents BI | Sirine ZAABOUTI

2. Quelle est l'évolution des chiffres d'affaires par type de magasin et par période ?

3. Comment qualifier les acheteurs de mon produit X ?

Processus de prise de décision

Définition Décision

Une décision est le résultat d’un processus comportant le choix entre plusieurs
solutions en vue d’atteindre un objectif.

Définition information

l'information est une image des objets et des faits ; elle les représente, elle

corrige ou confirme l'idée qu'on se faisait. L'information contient une valeur

de surprise, en ce sens qu'elle apporte une connaissance que le destinataire ne

possédait pas ou qu'il ne pouvait pas prévoir» (Davis, Olson, Ajenstat et Peaucelle p.
116).

Quels sont les objectifs d’un système décisionnel ?

- Transformer un système d’information qui avait une vocation de production en

un système d’information décisionnel.
➔ Transformation des données de production en informations
stratégiques.
- Les données doivent être : - Extraites
- Groupées et organisées
- Corrélées
- Transformées (résumé, agrégation)
 Documents BI | Sirine ZAABOUTI

Définition : Système d’aide à la décision

- C’est un système qui utilise les données transitant par un système

d’information, données de production le plus souvent, en informations
susceptibles d’être exploitées à des fins décisionnelles.
- Il se compose d’une famille d’outils informatiques assurant le fonctionnement
de la chaîne de traitement de l’information, se comportant essentiellement de
quatre phases :

1. Alimentation

La phase d’alimentation consiste à détecter, sélectionner, extraire, transformer et

charger dans un data warehouse (DWH, entrepôt de données) l’ensemble des
données brutes issues des différentes sources de stockage de l’information (bases
de données, fichiers plats, applications métier, etc.).

Cette phase est généralement réalisée grâce à un outil d’ETL (Extract, Transform,
Load). Grâce à des connecteurs, l’ETL peut extraire un grand nombre de données de
différents types, puis grâce à des transformateurs manipuler ces données pour les
agréger et les rendre cohérentes entre elles. Nous verrons plus loin l’ensemble des
fonctionnalités et des avantages des ETL.

2. Modélisation

Une fois les données centralisées, la phase de modélisation consiste à stocker et

structurer les données dans un espace unifié (le data warehouse) pour qu’elles
soient disponibles pour un usage décisionnel. Cette phase est également réalisée
grâce aux outils d’ETL via des connecteurs qui permettent l’écriture dans le data
warehouse.

Les données peuvent à nouveau être filtrées et transformées pour assurer la

cohérence de l’ensemble dans le data warehouse. Enfin, lors de cette phase les
données stockées peuvent être prétraitées via des calculs ou des agrégations pour
faciliter leur accès aux outils d’analyse.

3. Restitution
 Documents BI | Sirine ZAABOUTI

La phase de restitution vise à mettre les données à la disposition des utilisateurs en

prenant en compte leur profil et leur besoin métier. L’accès direct au data warehouse
n’est pas autorisé puisque l’objectif est de segmenter et de diffuser les données
collectées pour qu’elles soient cohérentes par rapport au profil de l’utilisateur et
qu’elles soient simples à exploiter.

Lors de cette phase, de nouveaux calculs de données peuvent être effectués pour
répondre aux besoins spécifiques des utilisateurs. Les outils de la phase de
restitution sont multiples. Il peut s’agir d’outils de reporting, de portails d’accès à des
tableaux de bords, d’outils de navigation dans des cubes OPAL (ou hypercubes) ou
encore des outils de statistique

4. Analyse

Dans la phase d’analyse, les utilisateurs finaux vont analyser les informations qui leur
sont fournies. Habituellement, les données sont modélisées par des représentations
basées sur des requêtes pour construire des tableaux de bord ou des rapports via
des outils d’analyse décisionnelle (Power BI, Tableau, Qlikview, etc.).

L’objectif de cette phase est d’assister au mieux l’utilisateur pour qu’il puisse analyser
les informations mises à sa disposition et prendre des décisions. Cela passe
notamment par le contrôle d’accès aux rapports, la prise en charge des requêtes et
la visualisation des résultats.

Opérationnel VS décisionnel ?

Les systèmes informatiques peuvent se subdiviser en deux :

- Le système transactionnel OLTP (On-Line Transaction Processing)

- Le système analytique OLAP. (On-Line Analytical Processing)

Les systèmes « opérationnels » ou « de gestion », également appelés

systèmes OLTP (on-line transaction processing)

Sont dédiés aux métiers de l'entreprise pour les assister dans leurs tâches de
gestion quotidiennes et donc directement opérationnels.
 Documents BI | Sirine ZAABOUTI

La tendance est à l'utilisation de P.G.I. (progiciels de gestion intégrée) qui

regroupent tous les logiciels de gestion de l'entreprise : finances, ressources
humaines, logistique, ventes, etc. en un unique progiciel paramétrable aux règles de
l'entreprise, organisé autour d'une base de données, réduisant ainsi les coûts de
communications entre applications.

Les systèmes « décisionnels », également appelés OLAP (on-line analytical

processing)

Sont dédiés au management de l'entreprise pour l'aider au pilotage de l'activité, et

donc indirectement opérationnels.

Ils offrent au décideur une vision transversale de l'entreprise.

La tendance pour réaliser un système décisionnel est à la mise en place d'un

entrepôt de données.

Bien que les systèmes d'informations OLTP et OLAP aient le point commun de
regrouper les données de l'entreprise dans un S.G.B.D. (système de gestion de
bases de données) et d'en fournir l'accès aux utilisateurs, ils présentent de profondes
différences, présentées ci-dessous.

• Les systèmes OLTP servent, en général, de source de données pour les

systèmes OLAP qui sont quant à eux, source d’analyse des données qui vont
permettre d’aboutir à la décision.
• Vous comprendrez alors qu’OLTP et OLAP ont des objectifs opposés et ont
un stockage de données différent faisant l’objet de requêtes différentes.
Documents BI | Sirine ZAABOUTI
 Documents BI | Sirine ZAABOUTI

Partie2 : Entrepôt de données (Datawarehouse)

C’est quoi un Entrepôt de données (Datawarehouse) ?

Un entrepôt de données (ou datawarehouse en anglais) est une base de données

qui contient un ensemble de données utilisés dans le contexte de l’analyse
décisionnelle et la prise de décision.

C’est une représentation centralisée de toutes les données d’une entreprise.

Mode de travail : OLAP On-Line Analytical Processing

Quels sont ses principaux objectifs ?

Les objectifs principaux sont :

- Regrouper, organiser des informations provenant de sources diverses,

- Les intégrer et les stocker pour donner à l’utilisateur une vue orientée métier
(sujet),
- Retrouver et analyser l’information facilement et rapidement.

Quels sont les Caractéristiques d’un entrepôt de données ?

• Orienté sujet

Les données sont organisées par thème afin de pouvoir réaliser des analyses sur les
sujets et analyser le processus dans le temps

• Intégré

Les données proviennent de plusieurs sources différentes. Avant d'être intégrées au

sein du datawarehouse elles doivent être mise en forme et unifiées afin d'en assurer
la cohérence. Cela nécessite une forte normalisation.
 Documents BI | Sirine ZAABOUTI

• Non volatile

Un datawarehouse doit conserver la traçabilité des informations et des décisions

prises. Les données ne sont ni modifiées ni supprimées. Une requête émise sur les
mêmes données à plusieurs mois d'intervalles doit donner le même résultat.

Traçabilité des informations et des décisions prises.

• Historisé

L’historisation est nécessaire pour suivre dans le temps l’évolution des différentes
valeurs des indicateurs à analyser.

Pourquoi ne pas réutiliser les SGBD ?

- Les SGBD sont des systèmes dont le mode de travail est transactionnel
(OLTP On-Line Transaction Processing).
- Permet d'insérer, modifier, interroger des informations rapidement,
efficacement, en sécurité.
 Documents BI | Sirine ZAABOUTI

- Deux objectifs principaux :

- Sélectionner, ajouter, mettre à jour et supprimer des tuples.

- Ces opérations doivent pouvoir être effectuées très rapidement, et par
de nombreux utilisateurs simultanément.

➔ En conclusion, Les systèmes OLTP sont mal adaptés à l'analyse de

données.

Quels sont les magasins de données (Datamart) ?

Un magasin de données (ou datamart en anglais) est un sous-ensemble d’un

entrepôt de données.

Il contient des données ciblées et regroupées pour répondre à des besoins d’un
secteur particulier de l’entreprise.

Il est plus facile à comprendre, à manipuler ainsi le temps de réponse est plus réduit
par rapport à un entrepôt de donnée.

Entrepôt de données et Magasin de données

Les entrepôts de données (DataWarehouse):

• Nécessitent de puissantes machines pour gérer de très grandes bases de données

contenant des données de détail historiées

• Est le lieu de stockage centralisé d'un extrait des bases de production.

 Documents BI | Sirine ZAABOUTI

• L'organisation des données est faite selon un modèle facilitant la gestion efficace
des données et leur historisation.

Les magasins de données (Data Marts) :

• Sont de petits entrepôts nécessitant une infrastructure plus légère et sont mis en
œuvre plus rapidement

• Les données extraites sont adaptées pour l'aide à la décision (pour classe de
décideurs, usage particulier, recherche de corrélation, logiciel de statistiques,...)

• L'organisation des données est faite selon un modèle facilitant les traitements
décisionnels

Architecture fonctionnelle d'un entrepôt

- Niveau extraction

Extraction de données des BD opérationnelles (SGBD traditionnel en OLTP) et de

l'extérieur :
 Documents BI | Sirine ZAABOUTI

• Approche « push » : détection instantanée des mises à jour sur les BD

opérationnelles pour intégration dans l'ED

• Approche « pull » : détection périodique des mises à jour des BD opérationnelles

pour intégration dans l'ED

- Niveau fusion

Intégration, chargement et stockage des données dans la BD entrepôt organisée par

sujets, Rafraîchissement au fur et à mesure des mises à jour

- Niveau exploitation

Rapports, tableaux de bords, visualisation graphiques diverses.

Analyse et l'exploration des données entreposées (OLAP), Requêtes complexes

pour analyse de tendance, extrapolation, découverte de connaissance, … (Fouille de
données)

Modélisation d'un entrepôt de données

• Un fait :

C’est une ligne, dans une table de faits

Représente la valeur d’une mesure, mesurée ou calculée, selon un membre de

chacune des dimensions
 Documents BI | Sirine ZAABOUTI

•Les dimensions donnent le contexte du fait

• Les mesures :

Est un élément de donnée sur lequel portent les analyses, en fonction des différentes
dimensions

Donnent les valeurs numériques du fait

Exemple : coût des travaux, nombre d’accidents, ventes

Table de fait

C’est la table centrale du modèle dimensionnel, elle contient les valeurs numériques
de ce qu’on désire mesurer.

Elle contient l’information à analyser (par exemple les ventes)

Les informations dans une table de fait sont caractérisées par :

 Documents BI | Sirine ZAABOUTI

- Elles sont numériques afin d’appliquer des fonctions multi lignes

(SUM, COUNT, AVG ...).

- Les données doivent être additives ou semi-additives ou non additives

Type de fait :

• Additif : additionnable suivant toutes les dimensions

🡺 Chiffre d’affaire, bénéfice ...

• Semi additif : additionnable suivant certaines dimensions

🡺 Solde d’un compte bancaire : pas de sens d’additionner suivant l’axe date.

• Non additif : non additionnable quel que soit la dimension

🡺 Prix unitaire : l’addition sur n’importe quelle dimension n’a pas de sens.

Table de dimension

C’est la table qui représente les axes d’analyse, elle contient les détails sur Fait

Elle contient les informations sur les dimensions d’analyse (par exemple le lieu, le
temps, la description du produit).

🡺 Dimension = axes d’analyse

 Documents BI | Sirine ZAABOUTI

Une dimension contient des membres organisés en hiérarchie :

- Chacun des membres appartient à un niveau hiérarchique (ou niveau de

granularité) particulier
- Ex : pour la dimension Temps : année – semestre – mois – jour

Dimension Temps

• Commune à l’ensemble des tables de fait.

• Très importante pour la traçabilité des informations

Types de Modélisation :
 Documents BI | Sirine ZAABOUTI

Il existe deux schémas possibles pour la modélisation de l’entrepôt :

Le Modèle en étoile

- Une (ou plusieurs) table(s) de faits comprenant une (ou plusieurs) mesures.
- Plusieurs tables de dimension dénormalisées
- Les tables de dimension n'ont pas de lien entre elles
 Documents BI | Sirine ZAABOUTI

Avantages :

• Facilité de navigation
• Alimentation facile.
• Performances : nombre de jointures limité ; gestion des données
creuses.
• Gestion des agrégats

Inconvénients :

• Toutes les dimensions ne concernent pas les mesures

• Redondances dans les dimensions

Modèle en flocon (Snowflake Schema)

Modèle en flocon = modèle en étoile + normalisation des dimensions.

Avantages :

• Formaliser une hiérarchie au sein d’une dimension

• Maintenance des tables de dimension simplifiée

• Réduction de la redondance
 Documents BI | Sirine ZAABOUTI

Inconvénients :

• Navigation couteuses

• Nombreuses jointures

Partie3 : Notions BI

ETL : Extract-Transform-Load

Processus permettant de collecter des données en provenance de sources multiples

pour ensuite les convertir dans un format adapté à une Data Warehouse et les y
transférer.

ODS (Operational Data Store) et SA (Staging Area)

C’est une base de données conçue pour centraliser les données issues de sources
hétérogènes. Le modèle d’une base des données (ODS ou SA) est un modèle
relationnel classique identique au modèle du système de production.

Leurs différences :

Staging Area :

Les données sont détruites directement après avoir été chargées dans le
DataWarehouse

ODS :

Les données auront quand même une durée de vie plus longue.
 Documents BI | Sirine ZAABOUTI

L’ODS répond plus à une problématique de reporting immédiat dans le sens où

l’ODS sera mis à jour plus souvent que le datawarehouse : on pourrait dire que
l’ODS pourrait être alimenté toutes les semaines et le Datawarehouse une fois par
mois.

Architecture globale d’un système décisionnel

 Documents BI | Sirine ZAABOUTI

Partie4 : Cube OLAP

Acronyme : On-line Analytical Processing

C’est une représentation abstraite d'informations multidimensionnelles

exclusivement numérique.

Cette structure est prévue à des fins d'analyses interactives par une ou plusieurs
personnes (souvent ni informaticiens ni statisticiens) du métier que ces données sont
censées représenter.

•les avantages :

-Obtenir des informations déjà agrégées selon les besoins d’utilisateur.

- Simplicité et rapidité d’accès.

- Capacité à manipuler les données agrégées selon différentes dimensions.

 Documents BI | Sirine ZAABOUTI

- Temps de réponse très court.

- Pas jointure

Opérations OLAP

3 catégories d'opérations élémentaires :

• Restructuration : concerne la représentation, permet un changement de points de

vue selon différentes dimensions : opérations liées à la structure, manipulation et
visualisation du cube :

• Rotate/pivot

• Switch

• Granularité : concerne un changement de niveau de détail : opérations liées au

niveau de granularité des données :

• roll-up

• drill-down

• Ensembliste : concerne l'extraction et l'OLTP classique :

• slice, dice

• Selection

• Projection
 Documents BI | Sirine ZAABOUTI

• jointure (drill-across)

Manipulation d’un cube OLAP

SLICING: Sélection de tranches du cube par des prédicats selon une dimension

DICING: extraction d'un sous-cube

Roll-Up: représenter les données du cube à un niveau de granularité supérieur

conformément à la hiérarchie définie sur la dimension.
 Documents BI | Sirine ZAABOUTI

• Drill down : c'est la possibilité de « zoomer » sur une dimension (par exemple
d'éclater les années en 4 trimestres pour avoir une vision plus fine, ou de passer du
pays aux différentes régions)

• Roll up : c'est l'opération inverse qui permet d'« agréger » les composantes de l'un
des axes (par exemple de regrouper les mois en trimestre, ou de totaliser les
différentes régions pour avoir le total par pays)

Types de Cube

● Relational OLAP (ROLAP)

- Données sont stockées dans un SGBD relationnel
- Un moteur OLAP permet de simuler le comportement d'un SGBD multi-
dimensionnel
● Multidimensional OLAP (MOLAP)
- Structure de stockage en cube
- Accès direct aux données dans le cube
● Hybrid OLAP (HOLAP)
- Données stockées dans SGBD relationnel (données de base) +
structure de stockage en cube (données agrégées)