UNIVERSITE KASDI MERBAH OUARGLA

Faculté des Nouvelles Technologies de l'Information et de la

Communication
Département d'Informatique des Technologies de
L’Information

Mémoire
MASTER ACADEMIQUE
Domaine : Mathématique et Informatique
Filière : Informatique
Spécialité : Informatique industrielle

Présenté par : BOUNEGAB Malika

GHEZAL Fadila

Thème

Mise En Œuvre d’Une Base de

Données OLAP Pour le Décisionnel
Soutenu publiquement
Le : 04/06/2016

Devant le jury :

Mme. LAALLAM Fatima Zohra Président UKM Ouargla

Mme. BENKHEROUROU Chafika Encadreur UKM Ouargla
M. BENMIR Abdelkader Examinateur UKM Ouargla

Année Universitaire : 2015 /2016

 REMERCIEMENTS
A l'issue de ce travail, nous voulons d'abord remercier Allah de

nous avoir guider et donner la force, le courage et la patience

pour tirer le meilleur parti de ce travail: MERCI "Dieu"

Nous tenons à exprimer nos vifs remerciements à notre encadreur

Mme. BENKHEROUROU Chafika, pour nous avoir guider tout au

long de ce projet, pour ses conseils, patienceset aides, sans

lesquels notre projet n’aurait pu aboutir.

Chaleureux remerciements vont à tous nos enseignants au cours de

notre formation au fil des années.

Ce travail n'aurait pas été possible sans le soutien affectueux de plusieurs

personnes. Nous nous trouvons submergés en leur offrant tous nos

remerciements à dédier ce travail pour eux. Par ailleurs, nous tenons à

remercier vivement les membres de jury qui ont fait l’honneur d’accepter de

participer à notre soutenance de ce mémoire.

 ‫إىـ ـ ـ ـ ـ ـ ـ ـ ـ ـ ـ ـ ـ ـ ـ ــداء‬
‫إلى من أرضعتني الحب والحنان‬
‫إلى رمز الحب وبلسم الشفـاء‬
‫إلى القـلب الناصع بالبياض والدتي الحبيبة‬

‫إلى زوجي الغالي موسى الذي صبر معي في السراء والضراء‬

‫وكان السند والعون لي في حياتي‬
‫والذي بفضلو بعد اهلل تعالى وفقت في ىذا العمل‬

‫إلى الشموو التي تضيء حياتي أأفـالي‬

‫يوسف‪ ،‬عبد الحميد‪،‬عائشة‪ ،‬انس‪ ،‬عبد النور‬

‫إلى القـلوب الطاىرة الرقيقة والنفوس البريئة إلى رياحين حياتي إخوتي‬

‫إلى رفيقة دربي وإلىالذين بذلوا كل ٍ‬

‫جيد وعطاء لكي أصل إلى ىذه اللحظة‬

‫إليكم جميعاً أىدي ىذا العمل‬

‫مليكـ ـ ـ ـ ـ ـ ـ ـ ـ ـ ـ ـ ـ ـ ــة‬
 Dédicaces
A ma mère et mon père que DIEU les gardent.

A mes sœurs, et mes frères.

A tous ceux qui m'aime

A tous ceux qui sont proches de mon cœur.

A Mon binôme qui est vraiment considéré ma sœur

A tous mes amies.

Fadila
 Sommaire

Sommaire
Remercîment …………………………………………..………………………………………………………………….. I
Sommaire………………………………………………...…………………………………………………………………… II
Liste des Figures………………………………………………………………………………………………………… V
Liste des Tableaux…………………………………………………..…………………………………………………. VI
Résume ……………………………………………………………………………………………………………………….. VII
Introduction générale………………………………………………………………………………………………… VIII
CHAPITRE I : Base de Données et Les Entrepôts de Données
I. Base de données…………………………………………………………………………………………………… 01
I.1. Introduction ………………………………………………………………………………………………………… 01
I.2. Objectifs d‟une base de données………………………………………………………………...…. 01
I.2.1. Partage de l‟information……………………………………………………………………………… 01
I.2.2. Organisation des données indépendamment des programmes…………… 01
I.3. Rôle d‟une Base de données…………………………………………………………………………… 02
I.4. Niveaux de description d‟une Base de Données……………………………………….. 02
I.4.1. Niveau conceptuel…………………………………………………………………………………………. 03
I.5. Les types de base de données…………………………………………………………………………. 03
I.5.1. Bases de données hiérarchiques…………………………………………………………………. 03
I.5.2. Base de données réseaux……………………………………………………………………………… 03
I.5.3. Base de données relationnelles………………………………………………………………… 04
I.5.4. Base de données orientées objet……………………………………………………………….. 04
I.5.5. Base de données multidimensionnelles…………………………………………………... 04
II. Entrepôt de données (Datawarehouse) …………………………………………………….. 05
II.1. Introduction………………………………………………………………………………………………………. 05
II.2. Qu‟est-ce qu‟un Data Warehouse………………………………………………………………… 05
II.3. Historique des DataWarehouse …………………………………………………………………… 06
II.4. Structure des données d‟un Data Warehouse…………………………………………… 07
II.5. Les éléments d‟un Data Warehouse……………………………………………………………. 08
II.5.1. Les applications opérationnelles…………………………………………………………… 08
II.5.2. Préparation des données…………………………………………………………………………… 08
II.5.3. Présentation des données……………………………………………………………………………. 08
II.5.4. Zone d‟outils d‟accès………………………………………………………………………………… 10
II.6. Architecture d‟un Data Warehouse…………………………………………………………… 10
II.7. Modélisation des données de l‟entrepôt……………………………………………………… 10
II.7.1. La modélisation dimensionnelle et ses concepts…………………………………… 10

II
 Sommaire

II.7.1.1. Concept de fait…………………………………………………………………………………………... 11

II.7.1.2. Concept de dimension……………………………………………………………………………... 12
II.7.1.3. Comparatif entre les tables de faits et les tables de dimensions…… 12
II.7.2. Différents modèles de la modélisation dimensionnelle……………………… 12
II.7.2.1. Modèle en étoile……………………………………………………………………………………….. 12
II.7.2.2. Modèle en flocon…………………………………………………………………………………….. 13
II.7.2.3. Modèle en constellation…………………………………………………………………………... 14
II.8. Conclusion…………………………………………………………………………………………………………. 15
CHAPITRE II : Informatique décisionnelle et technique OLAP
I. Introduction………………………………………………………………………………………………………… 16
II. Le processus décisionnel………………………………………………………………………………….. 17
III. Informatique décisionnelle…………………………………………………………………………….. 17
III.1. Définition……………………………………………………………………………………………………….. 17
III.2. Historique de l‟informatique décisionnelle……………………………………………... 18
III.3. Pourquoi a-t-on besoin de l'informatique décisionnelle ? …………………… 19
IV. Les systèmes décisionnels……………………………………………………………………………….. 19
IV.1. La place du décisionnel dans l‟entreprise………………………………………………. 19
IV.2. Les différentes composantes du décisionnel…………………………………………… 20
IV.3. Liste des phases d‟un projet décisionnel……………………………………………… 20
IV.4. L‟architecture d‟un système décisionnel…………………………………………………. 21
IV.5. Objectifs de système d‟information décisionnel SID…………………………….. 22
IV.6. Le Système Opérationnel Vs Le Système Décisionnel…………………………. 23
IV.6.1. Tableau comparatif entre les systèmes opérationnels et
décisionnels………………………………………………………………………………………………………………. 23
IV.7. Les domaines d‟application du décisionnel…………………………………………… 24
V. Le concept OLAP……………………………………………………………………………………………….. 25
V.1. Un cube OLAP……………………………………………………………………………………………. 26
V.2. Architectures des serveurs OLAP……………………………………………………………….. 26
V.2.1. Les systèmes à architecture MOLAP……………………………………………………… 27
V.2.2. Les systèmes à architecture ROLAP………………………………………………………. 27
V.2.3. Les systèmes à architecture HOLAP……………………………………………………… 28
V.2.4. Autres architecture OLAP………………………………………………………………………… 28
V.3. Implémentations OLAP………………………………………………………………………………… 28
V.3.1. La technologie de stockage des données OLAP…………………………………... 28
V.3.2. Les techniques de traitements des données OLAP……………………………… 29
V.4. Principes de la manipulation OLAP…………………………………………………………… 29
V.4.1. Structure de visualisation…………………………………………………………………………. 29

III
 Sommaire

V.4.2. Opérations de manipulation OLAP …………………………………………………… 30

V.4.2.1. Operations de forage………………………………………………………………………………. 30
V.4.2.2. Operations de rotation……………………………………………………………………………... 30
V.4.2.3. Autres opérations…………………………………………………………………………………….. 31
V.5. Outils OLAP : Solutions BI (OLAP)………………………………………………………… 31
V.5.1. Open source………………………………………………………………………………………………… 31
V.5.2. Propriétaires…………………………………………………………………………………………………… 32
VI. Langage de requetés………………………………………………………………………………………… 32
VII. Conclusion………………………………………………………………………………….……………………… 34
CHAPITRE III : Implémentation
I. Introduction…………………………………………………………………………………………………………… 35
II. Environnement de développement………………………………………………………………… 35
III. Outils utilisés de développement…………………………………………………………………… 35
III.1. Visual Studio 2013……………………………………………………………………………………….. 35
III.2. SQL Server 2014 Management Studio (SSMS) …………………………………. 35
III.2.1. Qu'est-ce que SQL Server Management Studio? ………………………………. 35
III.2.2. Qu'est-ce que SSMS Look Like? …………………………………………………………. 36
III.3. SQL Server Data Tools pour Visual Studio 2013………………………………… 36
IV. Entrepôts de données……………………………………………………………………………………… 36
V. Le développement d‟un Cube OLAP……………………………………………………………. 37
VI. Réalisation l‟Application ………………………………………………………………………………... 44
VII. Conclusion ………………………………………………………………………….…………………………….. 49
Conclusion générale……………………………………………………………………………………………..… 50
Référence Bibliographie…………………………………………………………………………………………. 51

IV
 Liste des figures

Liste des Figures

Figures Page
Figure I.1 : Les niveaux de description d‟une base de données……………………. 03
Figure I.2 : évolution des bases de données décisionnelles…………………………… 07
Figure I.3 : Structure des données d‟un Data Warehouse………………………………. 07
Figure I.4 : les Data Mart dans un entrepôt de données selon
l‟architecture Entreprise Data Warehouse (E.D.W)…………………………………........... 09
Figure I.5 : les Data Mart dans un entrepôt de données selon
l‟architecture bus de données…………………………………………………................................................ 09
Figure I.6 : Architecture globale d‟un Data Warehouse…………………………………. 10
Figure I.7 : Considération d‟un sujet d‟analyse comme un cube à
plusieurs dimensions…………………………………………………....................................................................... 11
Figure I.8 : Un modèle dimensionnel typique…………………………………………….. …... 11
Figure I.9 : Modèle en étoile………………………………………………………………………….... …... 13
Figure I.10 : Modèle en flocon…………………………………………………………................... …….. 14
Figure I.11 : Modèle en constellation………………………………………………………………… 14
Figure II.1 : Le décisionnel au sein du Système d‟information…………………… 19
Figure II.2: Les différentes composantes du décisionnel……………………………….. 20
Figure II.3 : schéma global de traitementdes données d’un système
décisionnel……………………………………………………………………………………………………………………. 21
Figure II.4 : Architecture d‟un système décisionnel……………………………………….. 22
Figure II.5 : Principe de l‟architecture MOLAP……………………………………………….. 27
Figure II.6 : Principe de l‟architecture ROLAP………………………………………............... 28
Figure II.7 : Notion de tranche du cube de données…………………………………............ 29
Figure II.8 : Principe du forage…………………………………………………………............................... 30
Figure II.9 : Principe de rotation…………………………………………………………........................ 30
Figure III.1 : Fenêtre Connecté SQL Server 2014 Management Studio…... 36

V
 Liste des Tableaux

Liste des Tableaux

Table Page
Tableau I.1 : Tableau comparatif entre les tables de faits et les tables de
dimensions……………………………………………………………………………….………………………………………….12
Tableau II.1 : Tableau de comparatif entre les systèmes opérationnels et
décisionnels………………………………………………………………….………….………………………………………..….23
Tableau II.2 : Tableau des logiciels qui utilise des cubes OLAP…………………………. 33

VI
 Résumé

Résumé
La prise de décision est importante dans notre vie et prendre une décision oblige une connaissance globale sur
chaque sujet concernant cette procédure.
L'objectif principal de notre travail est la mise en œuvre d‟une base de données OLAP pour le décisionnel. Pour
cela, nous allons utiliser le Cube OLAP à partir d‟un entrepôt de données Adventure Works afin de prendre
toute les décisions importantes.
Le principal intérêt d‟OLAP, réside dans la simplicité et la grande souplesse des requêtes. On regroupe plus
d'informations en même temps, c'est plus efficace et plus complet que le système de bases de données classique.
Il est caractérisé par la capacité à fournir des capacités d'analyse puissantes pour analyste de données de diverses
façons.

Mot clé
Décisionnel, Prise de décision, Entrepôt de données, Bases de données multidimensionnelles, Bases de données
classique, Cube OLAP.

: ‫ملخص‬

.‫خذ خبصوصو ىذا اإلجراء‬

‫صنع القرار مهم يف حياتنا واختاذ أي قرار يتطلب معرفة شاملة حول ىذا املوضوع الذي ستت‬

‫الذي ىو عبارة‬OLAP ‫تستعمل من طرف صناع القرار ومن اجل ىذا نستخدم مكعب‬OLAP ‫اهلدف الرئيسي لعملنا ىو تنفيذ قاعدة بيانات‬

‫ ومن خصائصو البساطة واملرونة يف التطبيقات حبيث‬.‫عن قاعدة بيانات متعددة األبعاد مستخلصة من مستودع بيانات وىذا ألخذ كل القرارات املهمة‬

‫انو يستطيع مجع حجم كبري من املعلومات يف نفس الوقت من اجل اإلجابة على أي سؤال يطرحو آخذ القرار وىو أكثر فعالية وأكثر مشوال من نظام‬

‫ واىم خاصية انو يتميز بالقدرة على توفري إمكانيات التحليل‬،‫قاعدة البيانات التقليدية الذي بدوره ال يستطيع مجع ىذا احلجم الكبري من املعلومات‬

. ‫القوية لتحليل البيانات بطرق خمتلفة‬

: ‫الكلمات الدالة‬
OLAP ،‫ مكعب‬،‫آخذ القرار‬،‫ قواعد البيانات متعددة األبعاد‬،‫ قاعدة البيانات التقليدية‬،‫ مستودع البيانات‬،‫صنع القرار‬
Summary
Decision making is important in our lives and make a decision requires a comprehensive knowledge of each
topic regarding this procedure.
The main objective of our work is the implementation of an OLAP database for decision. For this we will use the
OLAP Cube from an Adventure Works data warehouse to take any important decisions.
The main interest of OLAP, is the simplicity and flexibility of applications. One gathers information at the same
time, it is more effective and more comprehensive than the traditional database system. It is characterized by the
ability to deliver powerful analysis capabilities for data analyst in various ways.

Keyword
Decision, Decision making, data warehouse, multidimensional databases, Foundations of classical data, OLAP
Cube.

VII
 Introduction générale

Introduction générale

Toutes les entreprises du monde disposent d‟une masse de données plus ou moins
considérable. Ces informations proviennent soit de source internes (générées par leurs
systèmes opérationnels au fil des activités journalières), ou bien de sources externes (web,
partenaire, .. etc.).

Dans chaque entreprise il existe plusieurs bases de données et chaque base de données
contient plusieurs tables.

Pour analyser les données de l‟entreprise, nous avons besoin de données agrégées.
Les possibilités d‟agréger les données sur une seule table ou plusieurs tables sont très
couteuses spécialement dans le cas où il y‟a une nécessité de faire des jointures. La prise de
décision dans ce cas est complexe et confuse.

Pour éviter les jointures multiples, nous stockons toutes les informations dans une
seule table mais ainsi cela pose plusieurs problèmes : On trouve de grandes redondances. Les
informations occuperont alors beaucoup d‟espace disque et les diminuent.

L‟objectif de notre travail est de trouver une solution pour répondre aux problèmes
précédents et assister les décideurs pour l‟aide à la décision dans l‟entreprise.

Pour cela, nous utilisons la technique OLAP (On-Line AnalyticalProcessing) qui

nécessite une structure de stockage permettant de visualiser les données dans plusieurs
dimensions naturelles, pouvoir définir et ajouter des dimensions facilement, manipuler les
données ainsi représentées facilement et efficacement.

Ce mémoire est organisé en trois chapitres comme suit :

Le premier chapitre est consacré aux définitions générales sur les bases de données et les
entrepôts de données.

Le deuxième chapitre présente les définitions relatives à l‟informatique décisionnelle, et les

cubes OLAP (On-Line AnalyticalProcessing).

Le troisième chapitre détaille l‟environnement de travail nécessaire pour notre système (les
outils de développements) et présente la description de l‟application développée.

Nous terminons notre travail par une conclusion générale.

VIII
 CHAPITRE I
Base de données et entrepôts de données
 CHAPITRE I : Base de données et Les entrepôts de données

I. Base de données
I.1. Introduction
Une base de données (en anglais : database) est un outil permettant de stocker et de
retrouver l'intégralité de données brutes ou d'informations en rapport avec un thème ou une
activité ; celles-ci peuvent être de natures différentes et plus ou moins reliées entre elles. Dans
la très grande majorité des cas, ces informations sont très structurées, et la base est localisée
dans un même lieu et sur un même support. Ce dernier est généralement informatisé.

SGBD : un logiciel moteur qui manipule la base de données et dirige l'accès à son
contenu. De tels dispositifs souvent appelés base de données comportent également des
logiciels applicatifs, et un ensemble de règles relatives à l'accès et l'utilisation des
informations.
La manipulation de données est une des utilisations les plus courantes des ordinateurs.
Les bases de données sont par exemple utilisées dans les secteurs de la finance, des
assurances, des écoles, de l'épidémiologie, de l'administration publique (statistiques
notamment) et des médias.
Lorsque plusieurs choses appelées bases de données sont constituées sous forme de
collection, on parle alors d'une banque de données (en anglais : data bank).[2]

I.2. Objectifs d’une base de données

Parmi les principaux objectifs visés par une base de données, on peut citer :

I.2.1. Partage de l’information

Une base de données permet le partage d‟un ensemble unique d‟informations par
plusieurs utilisateurs. Cependant, il faut que cette mise en commun soit faite tout en
préservant la vue particulière que chaque utilisateur peut avoir des informations, et en
s‟assurant que la simultanéité des traitements qui peuvent être effectués ne risque pas de
dégrader l’intégrité de la base de données.

I.2.2. Organisation des données indépendamment des programmes

Afin de construire un ensemble d‟informations structurées non redondant et qui soit
partageable par plusieurs utilisateurs, il est nécessaire de faire abstraction des traitements
particuliers de tel ou tel utilisateur (ou programme) pour tenter d‟organiser les informations

1
 CHAPITRE I : Base de données et Les entrepôts de données

en fonction de leur nature et des liens réels qui existent entre elles. C‟est de cette manière
qu‟on arrivera à garantir le maximum d‟indépendance entre données et programmes. [2]

I.3. Rôle d’une Base de données

Contrairement aux approches classiques, la création d‟une base de données qui soit
partagée par plusieurs utilisateurs est le reflet d‟une évolution dans la gestion de l‟entreprise.
Son rôle est de rendre possible :
 La centralisation de l‟information : l‟information n‟est plus éparpillée dans différents
fichiers à différents endroits.
 L‟intégration (tout ce qui se fait dans un service est visible par d‟autres services)
 La diffusion de l‟information archivée (si l‟information est disponible à un seul
endroit, elle est facile à diffuser)
Ceci a pour avantages :
 D‟améliorer la cohérence de l‟information (une seule valeur pour une même
information)
 De réduire les redondances (une même information n‟est stockée si possible qu‟une
seule fois)
 De réduire les efforts de saisie et de mise à jour des informations (i.e. une information
qui doit être stockée une seule fois ne sera saisie qu‟une seule fois. De même que sa
mise à jour ne se fera qu‟une seule fois)

I.4. Niveaux de description d’une Base de Données

La description d‟une base de données peut se faire à différents niveaux, suivant que
l‟on regarde plus du côté de l‟utilisateur que du côté du stockage des données sur les supports
physiques. On distingue communément trois (3) niveaux de description d‟une B.D. :

1- niveau conceptuel
2- niveau externe
3- niveau interne

2
 CHAPITRE I : Base de données et Les entrepôts de données

Figure I.1 : Les niveaux de description d‟une base de données

I.4.1. Niveau conceptuel

Le schéma conceptuel est la partie fondamentale dans l‟architecture d‟une base de
données. Il a pour but de décrire en termes abstraits mais fidèles une certaine réalité d‟une
organisation et de ses processus de gestion qui ont nécessité la mise en place d‟une B.D.
Le passage du monde réel au schéma conceptuel correspond à un processus de
modélisation où les objets du monde réel ayant les mêmes caractéristiques sont classés en
catégories et désignés par des noms (Etudiants, Véhicules, etc.). Le SGBD fournit un langage
de description qui permet de spécifier le schéma conceptuel.
Dans le processus de modélisation, le concepteur de la B.D. spécifie le schéma
conceptuel en utilisant les possibilités offertes par un modèle de données. [2]

I.5. Les types de base de données

I.5.1. Bases de données hiérarchiques
Le premier système de base de données a été conçu pour la gestion des données du
programme Apollo de la NASA. Les données étaient structurées dans des hiérarchies,
comparables à l'organisation des répertoires sur un PC. Mais certains problèmes de stockage
ont mené à utiliser (et donc à inventer) des bases de données de type réseaux.

I.5.2. Base de données réseaux

Ce modèle de base de données a été inventé par Charles.W. Bachman. Pour son modèle, il
reçut en 1973 le prix Turing.

3
 CHAPITRE I : Base de données et Les entrepôts de données

I.5.3. Base de données relationnelles

En 1970, au moment où les systèmes reposant sur le modèle hiérarchique ou le modèle
en réseau étaient en plein développement, Edgar Frank Codd publia un article où il proposait
de stocker des données hétérogènes dans des tables, permettant d'établir des relations entre
elles. De nos jours, ce modèle est extrêmement répandu, mais en 1970, cette idée était
considérée comme une curiosité intellectuelle. On doutait alors que les tables puissent être
jamais gérées de manière efficace par un ordinateur. Ce scepticisme n'a cependant pas
empêché E.F. Codd de poursuivre ses recherches. Un premier prototype de Système de
gestion de bases de données relationnelles (SGBDR) est construit dans les laboratoires d'IBM.
Depuis les années 1980, cette technologie a mûri et a été adoptée par l'industrie. En 1987, le
langage SQL, une extension de l'algèbre relationnelle, est standardisé. À l'heure actuelle, les
SGBDR sont présents dans de nombreux logiciels.

I.5.4. Base de données orientées objet

Les exemples les plus connus à l'heure actuelle de base de données orientée objets sont
les annuaires, qui sont capables de stocker une multitude d'informations. Ils stockent
l'information dans des objets, très souvent une fiche individuelle, une machine, une
ressource... à laquelle on associe des valeurs, ses attributs.

I.5.5. Base de données multidimensionnelles

Elles permettent de stocker différentes données numériques aux croisements des "n"
axes correspondant aux "n" dimensions de la base.
Il est alors possible de naviguer dans cet espace, à différents niveaux d'agrégats
(zooms, rotation d'axes, etc.) : ces bases de données sont appelées cubes ou hypercubes en
informatique décisionnelle et sont souvent utilisés dans les métiers du contrôle de gestion[1].
L‟information accumulée dans les bases de données opérationnelles (exploitées pour la
gestion quotidienne) est aussi utile pour une gestion plus “stratégique” de l‟entreprise.
De façon très générale, le problème de l‟intégration de données est de permettre un
accès cohérent à des données d‟origine, de structuration et de représentation différentes. On
posela question suivants :
Comment répondre aux demandes des décideurs?
 En donnant un accès rapide et simple à l‟information stratégique,
 En donnant du sens aux données,

4
 CHAPITRE I : Base de données et Les entrepôts de données

 Mettre en place un système d‟information dédié aux applications décisionnelles:

Un DataWarehouse qui vise à regrouper des données en vue de leur analyse statistique
et de leur exploitation en gestion stratégique. [1]

II. Entrepôt de données (Datawarehouse)

II.1. Introduction
Le « DataWarehouse », « Entrepôt de données » en français, constitueune structure
informatique et une fondation des plus incontournables pour la mise en place d‟applications
décisionnelles.
Le concept de DataWarehouse, tel que connu aujourd‟hui, est apparu pour la première fois en
1980; l‟idée consistait alors à réaliser une base de données destinée exclusivement au
processus décisionnel. Les nouveaux besoins de l‟entreprise, les quantités importantes de
données produites par les systèmes opérationnels et l‟apparition des technologies aptes à sa
mise en œuvre ont contribué à l‟apparition du concept « Data Warehouse » comme support
aux systèmes décisionnels.

II.2. Qu’est ce qu’un Data Warehouse

Bill Inmon définit le Data Warehouse, dans son livre considéré comme étant la référence
dans le domaine “Building the Data Warehouse”[3]comme suit:
« Le Data Warehouse est une collection de données orientées sujet, intégrées, non
volatiles et évolutives dans le temps, organisées pour le support d’un processus d’aide à
la décision. »

Les paragraphes suivants illustrent les caractéristiques citées dans la définition d‟Inmon.
 Orienté sujet : le DataWarehouse est organisé autour des sujets majeurs de
l‟entreprise, contrairement à l‟approche transactionnelle utilisée dans les systèmes
opérationnels, qui sont conçus autour d‟applications et de fonctions telles que : cartes
bancaires, ventes, produits…. Dans un système opérationnel, les données sont
essentiellement destinées à satisfaire un processus fonctionnel et obéit à des règles de
gestion, alors que celles d‟un DataWarehouse sont destinées à un processus
analytique.
 Intégrée : le DataWarehouse va intégrer des données en provenance de différentes
sources.Cela nécessite la gestion de toute incohérence.

5
 CHAPITRE I : Base de données et Les entrepôts de données

 Evolutives dans le temps : Dans un système décisionnel il est important de conserver

les différentes valeurs d‟une donnée, cela permet les comparaisons et le suivi de
l‟évolution des valeurs dans le temps, alors que dans un système opérationnel la valeur
d‟une donnée est simplement mise à jour. Dansun Data
Warehouse,chaquevaleurestassociée à un moment « Every key structure in the data
warehouse contains - implicitly or explicitly -an element of time » [3].
 Non volatiles : c‟est ce qui est, en quelque sorte la conséquence de l‟historisation
décrite précédemment. Une donnée dans un environnement opérationnel peut être
mise à jour ou supprimée, de telles opérations n‟existent pas dans un environnement
Data Warehouse.
 Organisées pour le support d’un processus d’aide à la décision : Les données du
Data Warehouse sont organisées de manière à permettre l‟exécution des processus
d‟aide à la décision (Reporting, Data Mining…).

II.3. Historique des DataWarehouse

L‟origine du concept « Data Warehouse » D.W (entrepôt de données en français)
remonte aux années 80, durant lesquelles un intérêt croissant au système décisionnel a vu le
jour, dû essentiellement à l‟émergence des SGBD relationnel et la simplicité du modèle
relationnel et la puissance offerte par le langage SQL.

Au début, le Data Warehouse n‟était rien d‟autre qu‟une copie des données du système
opérationnel prise de façon périodique, dédiée à un environnement de support à la prise de
décision. Ainsi, les données étaient extraites du système opérationnel, stockées dans une
nouvelle base de données «concept d‟infocentre », le motif principal étant de répondre aux
requêtes des décideurs sans pour autant altérer les performances des systèmes opérationnels.
Le Data Warehouse, tel qu‟on le connaît actuellement, n‟est plus vu comme une copie ou un
cumul de copies prises de façon périodique- des données du système opérationnel. Il est
devenu une nouvelle source d‟information, alimenté avec des données recueillies et
consolidées des différentes sources internes et externes.

6
 CHAPITRE I : Base de données et Les entrepôts de données

Figure I.2 : évolution des bases de données décisionnelles.

II.4. Structure des données d’un Data Warehouse

Le Data Warehouse a une structure bien définie, selon différents niveaux d‟agrégation et de
détail des données. Cette structure est définie par Inmon[3]comme suit :

Figure I.3: Structure des données d‟un Data Warehouse.

Données détaillées : ce sont les données qui reflètent les événements les plus récents,
fréquemment consultées, généralement volumineuses car elles sont d‟un niveau détaillé.
Données détaillées archivées : anciennes données rarement sollicitées, généralement
stockées dans un disque de stockage de masse, peu coûteux, à un même niveau de détail que
les données détaillées.

7
 CHAPITRE I : Base de données et Les entrepôts de données

Données agrégées : données agrégées à partir des données détaillées.

Données fortement agrégées : données agrégées à partir des données détaillées, à un niveau
d‟agrégation plus élevé que les données agrégées.
Meta données : ce sont les informations relatives à la structure des données, les méthodes
d‟agrégation et le lien entre les données opérationnelles et celles du Data Warehouse.

II.5. Les éléments d’un Data Warehouse

L‟environnement du Data Warehouse est constitué essentiellement de quatre composantes :

II.5.1. Les applications opérationnelles

Ce sont les applications du système opérationnel de l‟entreprise et dont la priorité est
d‟assurer le fonctionnement de ce dernier et sa performance. Ces applications sont extérieures
au Data Warehouse.

II.5.2. Préparation des données

La préparation englobe tout ce qu‟il y a entre les applications opérationnelles et la
présentation des données. Elle est constituée d‟un ensemble de processus appelé ETL,
« Extract, transform and Load », les données sont extraites et stockées pour subir les
transformations nécessaires avant leur chargement.

II.5.3. Présentation des données

C‟est l‟entrepôt où les données sont organisées et stockées. Si les données de la zone de
préparation sont interdites aux utilisateurs, la zone de présentation est tout ce que l‟utilisateur
voit et touche par le biais des outils d‟accès.

L‟entrepôt de données est constitué d‟un ensemble de Data Mart. Ce dernier est défini comme
étant une miniaturisation d‟un Data Warehouse, construit autour d‟un sujet précis d‟analyse
ou consacré à un niveau départemental.
Cette différence de construction, autour d‟un sujet ou au niveau départemental, définit la
façon d‟implémentation du Data Mart au niveau de l‟entrepôt. On distingue, en effet, deux
architectures internes du Data Warehouse :

8
 CHAPITRE I : Base de données et Les entrepôts de données

1. Data Mart indépendant

Les Data Mart sont des versions miniaturisées du Data Warehouse au niveau départemental,
alimentées par le Data Warehouse et basées sur les besoins départementaux en informations.[3]

Figure I.4 : les Data Mart dans un entrepôt de données selon l‟architecture Entreprise Data
Warehouse (E.D.W). [3]

2. Data Mart interconnectés

Les Data Mart sont construits autour de sujets, interconnectés grâce aux tables des faits
contenues dans le Data Warehouse, ce dernier se compose alors des Data Mart et ces tables
des faits, appelées bus.

Figure I.5 : les Data Mart dans un entrepôt de données selon l‟architecture bus de données. [4]

9
 CHAPITRE I : Base de données et Les entrepôts de données

II.5.4. Zone d’outils d’accès

C‟est l‟ensemble des moyens fournis aux utilisateurs du Data Warehouse pour exploiter la
zone de présentation des données en vue de la prise de décision. Ces outils varient des simples
requêtes ad hoc aux outils permettant l‟application de forage de données plus complexes.
Environ 80 à 90% des utilisateurs sont desservis par des applications d‟analyses
préfabriquées, consistant essentiellement en des requêtes préétablies.

II.6. Architecture d’un Data Warehouse

Après avoir exposé et défini chacun des éléments constituant l‟environnement d‟un Data
Warehouse, il serait intéressant de connaitre le positionnement de ces éléments dans une
architecture globale d‟un Data Warehouse :

Figure I.6:Architecture globale d‟un Data Warehouse

II.7. Modélisation des données de l’entrepôt

II.7.1. La modélisation dimensionnelle et ses concepts
Les Data Warehouse sont destinés à la mise en place de systèmes décisionnels. Ces
systèmes, devant répondre à des objectifs différents des systèmes transactionnels, ont fait
ressortir très vite la nécessité de recourir à un modèle de données simplifié et aisément
compréhensible. La modélisation dimensionnelle permet cela. Elle consiste à considérer un
sujet d‟analyse comme un cube à plusieurs dimensions, offrant des vues en tranches ou des
analyses selon différents axes.

10
 CHAPITRE I : Base de données et Les entrepôts de données

Figure I.7 : Considération d‟un sujet d‟analyse comme un cube à plusieurs dimensions.

La nomination « schéma des jointures en étoile »a longtemps été adoptée pour décrire un
modèle dimensionnel. Cette nomination est due au fait que le diagramme qui représente un
modèle dimensionnel ressemble à une étoile, avec une grande table centrale et un jeu de
petites tables auxiliaires disposées en étoile autour de la table centrale. Celle-ci est appelée
table de faits et les autres tables sont appelées tables de dimensions. La figure suivante
illustre untel modèle :

Figure I.8 : Un modèle dimensionnel typique [4]

II.7.1.1. Concept de fait

Une table de faits est la table centrale d‟un modèle dimensionnel, où les mesures de
performances sont stockées. Une ligne d‟une table de faits correspond à une mesure. Ces
mesures sont généralement des valeurs numériques, additives ; cependant des mesures
textuelles peuvent exister mais sont rares. Le concepteur doit faire son possible pour faire des

11
 CHAPITRE I : Base de données et Les entrepôts de données

mesures textuelles des dimensions, car elles peuvent êtres corrélées efficacement avec les
autres attributs textuels de dimensions.

II.7.1.2. Concept de dimension

Les tables de dimension sont les tables qui raccompagnent une table de faits, elles contiennent
les descriptions textuelles de l‟activité. Une table de dimension est constituée de nombreuses
colonnes qui décrivent une ligne. C‟est grâce à cette table que l‟entrepôt de données est
compréhensible et utilisable; elles permettent des analyses en tranches et en dés.
Une dimension est généralement constituée : d‟une clé artificielle, une clé naturelle et des
attributs.« Une table de dimension établit l‟interface homme / entrepôt, elle comporte une clé
primaire ». [4]

II.7.1.3. Comparatif entre les tables de faits et les tables de dimensions

Le tableau suivant récapitule les différences au niveau des données de ces tables :

Tableau I.1 : Tableau comparatif entre les tables de faits et les tables de dimensions

II.7.2. Différents modèles de la modélisation dimensionnelle

II.7.2.1. Modèle en étoile
Le modèle en étoile est basé sur des faits qui ont lieux dans le temps et qui ne se modifie
pas.Il est important de les gérer en lecture seule peuimporte la manière de les traiter. Les
données de la table de dimension contiennent généralement des informations textuelles qui
servent de contrainte dans les requêtes. Les informations de la table de faits doivent être des
nombres qui s‟additionnent pour permettre l‟agrégation des données.
Les données dans un modèle en étoile sont dénormalisées pour permettre une meilleure
performance des requêtes.

12
 CHAPITRE I : Base de données et Les entrepôts de données

Figure I.9 : Modèle en étoile

La force de ce type de modélisation est sa lisibilité et sa performance.

II.7.2.2. Modèle en flocon

Identique au modèle en étoile, sauf que ses branches sont éclatées en hiérarchies. Cette
modélisation est généralement justifiée par l‟économie d‟espace de stockage, cependant elle
peut s‟avérer moins compréhensible pour l‟utilisateur final, et très couteux en termes de
performances.
Le modèle en flocon permet aux dimensions d‟avoir des dimensions. Ce qui permet au
modèle d‟être normalisé. Le modèle en flocon est simplement une version différence du
modèle en étoile.

Exemple de base de données avec plusieurs dimensions et tables de faits :

13
 CHAPITRE I : Base de données et Les entrepôts de données

Figure I.10 : Modèle en flocon

II.7.2.3. Modèle en constellation

Ce schéma est une extension du schéma en étoile. Il consiste à fusionner plusieurs schémas en
étoile qui utilisent des dimensions communes. Un schéma en constellation comprend donc
plusieurs faits reliés à un ensemble de dimensions qui peuvent être partagées.
Ce schéma présente l‟avantage de pouvoir corréler les sujets d‟analyse tels que la
comparaison des montants des locations réalisées dans les différentes agences par rapport aux
chiffres d‟affaires réalisés par son personnel. En outre, le partage des dimensions par
plusieurs faits permet d‟éviter de les définir plusieurs fois.

Dimension Dimension Dimension

Dimension

Fact Fact Table

Dimension Dimension Dimension
Dimension
Table

Dimension Dimension Dimension

Dimension

Fact Table

Figure I.11 : Modèle en constellation

14
 CHAPITRE I : Base de données et Les entrepôts de données

II.8. Conclusion
Le concept « Data Warehouse » est apparu comme une réponse à des besoins
grandissants dans le domaine décisionnel. Son adaptabilité et sa capacité de fournir les
données nécessaires à une bonne analyse, ont fait de lui un atout majeur et incontournable
pour toute entreprise soucieuse du suivi de ces performances.

Afin de mettre en place ce genre de système, il est nécessaire de choisir et d‟adopter

une démarche précise qui doit tenir compte des réalités de l‟entreprise et des contraintes du
projet. La modélisation de l‟entrepôt se fait dans tous les cas grâce à la modélisation
dimensionnelle. L‟alimentation en données constitue l‟étape à laquelle il faut accorder le plus
d‟attention et de temps. En effet, elle est le garant de contenance de l‟entrepôt en données
fiables et correctes. Une fois l‟alimentation terminée, l‟exploitation des données peut alors
sefaire par différentes méthodes.

L‟utilisation d‟outil OLAP reste, cependant, l‟aspect le plus intéressant dans cette
exploitation permettant la navigation dans les données de l‟entrepôt à la demande.

15
 CAPITRE II
Informatique décisionnelleet la technique OLAP
 CHAPITRE II : Informatique décisionnelleet la technique OLAP

I. Introduction
Toutes les entreprises du monde disposent d‟une masse de données plus ou moins
considérable.
Ces informations proviennent soit de sources internes (générées par leurs systèmes
opérationnels au fil des activités journalières),ou bien de sources externes (web,
partenaire, .. etc.).
Cette surabondance de données, et l‟impossibilité des systèmes opérationnels de les
exploiter à des fins d‟analyse conduit, inévitablement, l‟entreprise à se tourner vers une
nouvelle informatique dite décisionnelle qui met l‟accent sur la compréhension de
l‟environnement de l‟entreprise et l‟exploitation de ces données à bon escient.
En effet, les décideurs de l‟entreprise ont besoin d‟avoir une meilleure vision de leur
environnement et de son évolution, ainsi, que des informations auxquelles ils peuvent se fier.
Cela ne peut se faire qu‟en mettant en place des indicateurs « business » clairs et
pertinents permettant la sauvegarde, l‟utilisation de la mémoire de l‟entreprise et offrant à ses
décideurs la possibilité de se reporter à ces indicateurs pour une bonne prise de décision.

16
 CHAPITRE II : Informatique décisionnelleet la technique OLAP

II. Le processus décisionnel

Le processus décisionnel consiste à transformer le capitale de données d‟une entreprise en
informations pertinentes à partir desquelles les décideurs peuvent tirer des connaissances afin
d‟aboutir à de bonnes décisions touchant tous les niveaux de l‟entreprise.
1- Donnée
Désigne une description élémentaire, souvent codée, d‟une chose, d‟une transaction
d‟affaires, d‟un événement, etc. Les données peuvent être conservées et classées sous
différentes formes :papier, numérique, alphabétique, image, son, etc.
2- Information
L‟information est un ensemble de données formatées et structurées.
3- Connaissance
La connaissance est une capacité d‟apprentissage et une capacité cognitive, la propriété
essentielle de la connaissance est de pouvoir par elle-même engendrer de nouvelles
connaissances, la connaissance est composée non seulement d‟informations à caractère
public, mais aussi du savoir-faire inexprimable formellement et donc difficilement
transférables, ils sont incorporés dans les individus et les organisations.
4- Décision
La décision est un acte par lequel un décideur opère un choix entre plusieurs options
permettant d‟apporter une solution satisfaisante à un problème donné ou l‟exécution d‟une
action ou d‟un projet avec toutes les conséquences que cette décision pourrait engendrer.[5]

III. Informatique décisionnelle

III.1. Définition
L‟informatique décisionnelle (Management du système d‟information, en anglais : DSSou
encore B.I.) désigne les moyens, les outils et les 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 aux responsables de la stratégie
d‟entreprise d‟avoir une vue d‟ensemble de l‟activité traitée.

Ce type d‟application utilise en règle générale un DataWarehouse (ou entrepôt de

données) pour stocker des données transverses provenant de plusieurs sources hétérogènes et
fait appel à des traitements lourds de type "batch" pour la collecte de ces informations.

17
 CHAPITRE II : Informatique décisionnelleet la technique OLAP

Les applications classiques d‟une organisation permettent

de stocker, restituer, modifier les données des différents services opérationnels de
l‟entreprise. Ces différents services possèdent chacun une ou plusieurs applications propres, et
les données y sont rarement structurées ou codifiées de la même manière que dans les autres
services. Chaque service dispose le plus souvent de ses propres tableaux de bord et il est rare
que les indicateurs (par exemple : le chiffre d‟affaires sur un segment de clientèle donné)
soient mesurés partout de la même manière, selon les mêmes règles et sur le même périmètre
même s‟il est possible d‟évaluer l‟entreprise. Pour pouvoir obtenir une vision synthétique de
chaque service ou de l‟ensemble de l‟entreprise, il convient donc que ces données
soient filtrées, croisées et reclassées dans un entrepôt de données central. Cet entrepôt de
données va permettre aux responsables de l‟entreprise et aux analystes de prendre
connaissance des données à un niveau global et ainsi prendre des décisions plus pertinentes,
d‟où le nom d‟informatique décisionnelle.[18]

III.2. Historique de l’informatique décisionnelle

Les systèmes décisionnels ont connu une certaine évolution. Dans ce qui suit, nous présentons
un petit aperçu sur l‟évolution de l‟informatique décisionnelle :
Années 70-80 l‟infocentre : l‟infocentre nait pour répondre au besoin de stockage de données.
Pour faire des analyses, les informaticiens suivant un processus qui consiste à se poser des
questions sur une situation, et la réponse à cette question induit à une autre jusqu‟à obtenir un
rapport d‟analyse de cette situation.
Années 90 „EIS‟ (Exécutive Information System) proposent les premiers tableaux de bord
mais malgré ça, les systèmes se retrouvent surchargés et ne satisfont pas les besoins des
décideurs en matière d‟informations pertinentes.
Fin des années 90 : le système décisionnel est devenu basé sur l‟utilisation :
- Des entrepôts de données.
- Des bases de données multidimensionnelles OLAP.
Et jusqu‟à nos jours, cette informatique ne cesse de se développer afin de répondre à d‟autres
besoins que les décideurs expriment.

18
 CHAPITRE II : Informatique décisionnelleet la technique OLAP

III.3. Pourquoi a-t-on besoin de l'informatique décisionnelle ?

Le but de l'informatique décisionnelle est d'aider à la prise de décision et de permettre
des analyses précises, complexes et de grandes envergures dans les entreprises.
Les systèmes décisionnels permettent de générer de la connaissance à partir des données
produites par les systèmes opérationnels (bases de données relationnelles).
L'informatique décisionnelle permet de connaître les tendances des clients pour ainsi bien
anticiper les réactions de ses derniers. [5]

IV. Les systèmes décisionnels

La raison d‟être d‟un entrepôt de données, comme évoqué précédemment, est la mise
en place d‟une informatique décisionnelle au sein de l‟entreprise.

 « Le Décisionnel est le processus visant à transformer les données en informations et,

par l'intermédiaire d'interrogations successives, transformer ces informations en
connaissances.». [6]

IV.1. La place du décisionnel dans l’entreprise

Figure II.1 : Le décisionnel au sein du Système d‟information

19
 CHAPITRE II : Informatique décisionnelleet la technique OLAP

La figure ci-dessus illustre parfaitement la place qui revient au décisionnel au sein d‟une
entreprise. Cette place, comprend plusieurs fonctions clés de l‟entreprise. Les finalités
décisionnelles, étant différentes selon le poste et la fonction occupée, ont pour but
d‟engendrer plusieurs composantes.

IV.2. Les différentes composantes du décisionnel

En relation étroite avec les nouvelles technologies de l‟information et des
télécommunications, le système décisionnel se manifeste à différents niveaux selon leurs
utilités et leurs missions principales, comme illustré dans la figure suivante :

Figure II.2: Les différentes composantes du décisionnel

IV.3. Liste des phases d’un projet décisionnel

Un projet décisionnel est composé de 4 phases clés :

 La phase de collecte
 La phase d‟intégration
 La phase d‟organisation
 La phase de restitution

20
 CHAPITRE II : Informatique décisionnelleet la technique OLAP

Schéma global
Processus global de traitement des données d’un système décisionnel

Figure II.3 : schéma global de traitementdes données d’un système décisionnel

IV.4. L’architecture d’un système décisionnel

Un système décisionnel est mis en place à partir de sources de données. Ces sources
de données, extérieures au système décisionnel, correspondent aux bases de données et
fichiers présents pour l‟essentiel dans le système d‟information de l‟organisation. Il est
possible cependant d‟alimenter le système décisionnel à partir de sources externes (filiales et
partenaires, institutions gouvernementales, Web…).[18]

L‟architecture d‟un système décisionnel comporte deux parties essentielles :

- la préparation des données ou les données extraites des sources sont transformées en
données décisionnelles,

- l‟exploitation des données ou les utilisateurs accèdent aux données décisionnelles au travers
d‟interfaces graphiques et d‟outils d‟analyse. Le terme décideurs désigne les utilisateurs du
système chargés d‟analyser les données décisionnelles pour le pilotage de l‟organisation. Ils
exploitent les données au travers d‟interfaces fournies par des outils d‟interrogation, d‟analyse
et de restitution.

21
 CHAPITRE II : Informatique décisionnelleet la technique OLAP

Figure II.4 : Architecture d‟un système décisionnel.

Un système décisionnel repose donc sur deux catégories d‟espaces de stockage [7] : l‟entrepôt
de données et les magasins de données.
L‟organisation des données au sein de l‟entrepôt de données et des magasins de données est
dirigée par des objectifs antinomiques [8] : l‟entrepôt de données suit une organisation assurant
la gestion efficace des données tandis que les magasins de données sont structures afin que
l‟interrogation et l‟exploitation décisionnelle des données soient améliorées.

IV.5. Objectifs de système d’information décisionnel SID

Les raisons pour lesquelles les entreprises recourent à un système décisionnel sont
communes malgré la variété de leurs domaines d‟activités, les objectifs d‟un système
décisionnel sont :
- Accessibilité facile et rapide aux informations.
- Cohérence des informations : les données du système sont crédibles et de qualité.
- Adaptation aux changements : les données existantes doivent généralement rester
inchangées.
- Présentation des informations à temps : les informations doivent être disponibles au
bon moment afin de réagir rapidement.
- Protection et sécurisation des informations : le système doit permettre le contrôle
d‟accès à ces informations confidentielles.
- Conversion de la masse de données en une valeur métier : le système, à travers les
outils d‟analyse, permet de dégager une valeur qui aide dans la prise de décision.

22
 CHAPITRE II : Informatique décisionnelleet la technique OLAP

IV.6. Le Système Opérationnel Vs Le Système Décisionnel

Le système opérationnel représente les tâches quotidiennes, répétitives et atomiques
(insertion, modification, suppression) qui sont effectuées par les employés de l‟entreprise
pour permettre à cette dernière d‟avoir une activité et donc de survivre.

Les systèmes d‟information opérationnels OLTP (OnLineTransactionalProcessing)

sont des systèmes de gestion ou de production faits pour assister les opérations d‟une
entreprise.

Avec l‟accroissement de volume des données, les systèmes opérationnels se trouvent

limités devant les besoins des dirigeants qui veulent des informations synthétisées pour
l‟analyse et la prise de décisions l‟ou la naissance des systèmes d‟information de type OLAP
(On-Line AnlyticalProcessing).

IV.6.1. Tableau comparatif entre les systèmes opérationnels et décisionnels

Système opérationnel (OLTP) Système décisionnel (OLAP)
Utilisateur Grand public : ils sont destinés à Petit nombre d‟utilisateurs : quelques
toutes personnes participant à la personnes dans l‟entreprise (décideurs).
vie quotidienne de l‟entreprise.
Le niveau de besoins analytiques Le niveau de besoins analytiques est haut
est bas
Une seule vision métier Plusieurs visions métiers

Données Données atomiques : on manipule Données générales : les décideurs veulent

un produit, une ligne de voir l‟ensemble de l‟activité.
commande, une facture.
BDD normalisée (3eme forme BDD dénormalisée
normale)
Petite volumétrie des données : les Gros volumes de données : les SID doivent
systèmes de gestion gèrent des regrouper toutes les données de
giga Octets de données3 l‟entreprise.
Lecture, écriture et modification Données en lecture seule
des données

23
 CHAPITRE II : Informatique décisionnelleet la technique OLAP

Hétérogènes : Les systèmes OLTP Homogènes

sont souvent disparates en termes
de technologie utilisée.
A besoin des informations A besoin de garder l‟historique des
récentes. transactions.
Système Extrêmement rapides Plus c‟est rapide, mieux c‟est.
Fermés : on ne laisse pas la place à Ouverts : les environnements d‟un SID
l‟improvisation dans les OLTP, les doivent permettre d‟accéder le plus
choix sont restreints, les simplement possible aux données.
utilisateurs sont guidés dans le
processus.
Transactionnels : les OLTP Non transactionnels : L‟utilisateur doit
fonctionnent en utilisant le pouvoir commencer une analyse, revenir en
principe de transaction. arrière..
Fragmentés : ou décentralisés Sauf Centralisés : toutes les données sont
dans le cas des ERP. regroupées en une même source.

Tableau II.1 : Tableau de comparatif entre les systèmes opérationnels et décisionnels

IV.7. Les domaines d’application du décisionnel

 La gestion de la relation client (CRM) est l‟un des premiers champs d‟application de
la Business Intelligence.
 Le contrôle de gestion pour l‟analyse des coûts, l‟analyse de la rentabilité,
l‟élaboration budgétaire, les indicateurs de performance…
 La direction marketing pour le ciblage, le pilotage de gamme, les applications de
géomarketing, de fidélisation clients…
 La direction commerciale pour le pilotage des réseaux, les prévisions des ventes,
l‟optimisation des territoires…
 Les ressources humaines pour la gestion des carrières,
 La direction de la production pour l‟analyse qualité, la prévision des stocks, la gestion
des flux, la fiabilité industrielle…
 La direction générale pour les tableaux de bord, indicateurs de pilotage, gestion
d‟alertes…[18]

24
 CHAPITRE II : Informatique décisionnelleet la technique OLAP

L'analyse multidimensionnelle est la capacité à analyser des données qui ont été agrégées
suivant plusieurs dimensions. On veut donc accéder à des données déjà agrégés selon les
besoins de l'utilisateur, de façon simple est rapide. Nous utilisons pour cela des hypercubes
OLAP.

V. Le concept OLAP
Le terme OLAP (On-Line AnalyticalProcessing) désigne une classe de technologies
conçue pour l‟accès aux données et pour une analyse instantanée de ces dernières, dans le but
de répondre aux besoins de Reporting et d‟analyse.

Le concept « OLAP » est définit comme «Activité globale de requêtage et de

présentation de données textuelles et numériques contenues dans l‟entrepôt de données; Style
d‟interrogation spécifiquement dimensionnel ». [9]

OLAP propose une approche multidimensionnelle ce qui nous amène à la notion

d‟(hyper)cube. Un cube représente un ensemble de mesures organisées selon un ensemble de
dimensions. Une dimension est un axe d‟analyse c‟est-a-dire une base sur laquelle seront
analysées les données.

Les bases de données OLAP, auxquelles on réfère souvent via le terme « Cubes
OLAP » permettent de regrouper les données par « dimensions ». Les analyses, les rapports et
les tableaux de bord conçus à partir de bases de données OLAP permettent aux utilisateurs de
répondre à plusieurs questions à partir d‟une seule composante (graphique, tableau, etc.), en
sélectionnant les dimensions voulues. Elles offrent donc de la performance et de la flexibilité.

Dans les bases de données OLAP, on parle de « mesures » lorsqu‟on réfère à des items
mesurables (montants ou quantités) et on parle de « dimensions », lorsqu‟on réfère à
un regroupement de mesures. Une « dimension » peut, par surcroît, comprendre une
hiérarchie ou de multiples hiérarchies, ce qui permet le forage éventuel des données.

Par exemple, on pourrait chercher à obtenir le nombre total d‟employés, et ensuite

obtenir le résultat par année d‟embauche, par trimestre, par mois ou carrément par journée. La
séquence de« Années » à « Trimestres » à « Mois » à « Jour » est une hiérarchie de la

25
 CHAPITRE II : Informatique décisionnelleet la technique OLAP

dimension date d‟embauche et « Années » est un membre de la dimension date

d‟embauche.[10]

V.1. Un cube OLAP

Un cube OLAP est une base de données à plusieurs dimensions, optimisée pour les
applications d'entrepôt de données et de traitement analytique en ligne (OLAP,
OnLineAnalyticalProcessing).

Un cube OLAP est une méthode de stockage de données sous forme

multidimensionnelle, généralement à des fins de génération de rapports. Dans les cubes
OLAP, les données (ou mesures) sont classées par dimensions. Les cubes OLAP sont souvent
pré-synthétisés entre les dimensions, ceci afin d'accélérer considérablement l'interrogation par
rapport aux bases des données relationnelles.

Reste que les " cubes " sont rarement en trois dimensions, il n'est pas rare de voir des
cubes avec 4 ou 5 dimensions en plus de la table de faits. Mais comme c'est moins
visualisable par nos amis patrons, on utilise le mot cube pour dire base de données multi
dimensionnelles.

Si un cube OLAP peut stocker des informations comme le ferait une base de données
traditionnelle, sa structure est radicalement différente. Historiquement, les bases de données
sont conçues selon les exigences des systèmes informatiques qui les utilisent.

Les cubes OLAP ont les caractéristiques suivantes :

1- obtenir des informations déjà agrégées selon les besoins de l‟utilisateur.

2- simplicité et rapidité d‟accès
3- capacité à manipuler les données agrégées selon différentes dimensions
4- un cube utilise les fonctions classiques d‟agrégation : min, max, count, sum, avg, mais peut
utiliser des fonctions d‟agrégations spécifiques.[19]

V.2. Architectures des serveurs OLAP

26
 CHAPITRE II : Informatique décisionnelleet la technique OLAP

Le noyau d‟un système OLAP est son serveur. Ces serveurs sont classés selon la
politique régissant l‟architecture du serveur. Ainsi, ces architectures peuvent être distinguées
comme suit :

V.2.1. Les systèmes à architecture MOLAP

Ces systèmes MOLAP « MultidimentionalOn-line AnalyticalProcessing » sont conçus
exceptionnellement pour l‟analyse multidimensionnelle.
Ces systèmes sont « un ensemble d‟interfaces utilisateur, d‟applications et de technologies de
bases de données propriétaire dont l‟aspect dimensionnel est prépondérant ».[9]

Ainsi donc cette base adopte réellement la structure multidimensionnelle, exploitant de ce fait
ces capacités au maximum.

Figure II.5 : Principe de l‟architecture MOLAP. [11]

V.2.2. Les systèmes à architecture ROLAP

« Ensemble d‟interfaces utilisateurs et d‟applications qui donnent une vision dimensionnelle à
des bases de données relationnelles ».[9]
Les systèmes ROLAP « Relationnel On-line AnalyticalProcessing» sont en mesure de
simuler le comportement d‟une SGBD multidimensionnel en exploitant un SGBD relationnel.
L‟utilisateur aura ainsi l‟impression d‟interroger un cube multidimensionnel alors qu‟en
réalité il ne fait qu‟adresser des requêtes sur une base de données relationnelles.
ROLAP n‟agrège rien.

27
 CHAPITRE II : Informatique décisionnelleet la technique OLAP

Figure II.6 : Principe de l‟architecture ROLAP. [11]

V.2.3. Les systèmes à architecture HOLAP

Les systèmes HOLAP « Hybride On-line AnalyticalProcessing » sont une sorte de
compromis entre les différents systèmes précités. Cette combinaison donne à ce type de
système les avantages du ROLAP et du MOLAP en utilisant tour à tour l‟un ou l‟autre selon
le type de données.

V.2.4. Autres architecture OLAP

Bien que les architectures évoquées ci-dessus soient les plus répandues et les plus adoptées
par les fournisseurs de solutions OLAP, d‟autres systèmes se basent sur des architectures
différentes telles que l‟architecture OOLAP « Object On-line AnalyticalProcessing », ou
alors DOLAP« Desktop On-line AnalyticalProcessing » qui décrit une catégorie de produits
qui ne sont pas nécessairement connectés à un serveur et qui s‟appuient sur une source de
données (un cube) construites, stockées et exploitées en local sur la machine de l‟utilisateur.

V.3. Implémentations OLAP

Il existe deux critères permettant de bien différencier les implémentations OLAP :

V.3.1. La technologie de stockage des données OLAP

1- Base de données relationnelles : les données sont stockées dans un SGBD relationnel. Il
permet un stockage presque infini des données OLAP. (Rolap)

28
 CHAPITRE II : Informatique décisionnelleet la technique OLAP

2- Base de données dimensionnelle (Cube) : Les données sont stockées dans une base de
données multidimensionnelles le plus souvent propriétaires. Cependant il y‟a des limitations
quant à la quantité de données (Molap)

3- Fichiers sur le poste client : Une petite quantité de données est stockée directement sur le
poste client de l‟utilisateur (Dolap)

V.3.2. Les techniques de traitements des données OLAP

1- SQL : est utilisé pour effectuer les différents traitements sur les données OLAP

2- Serveur de traitement OLAP : Il s‟agit de l‟approche la plus adaptée aux traitements de

données OLAP. Un serveur, conjointement avec la base de données, est alors dédié à effectuer
les différents traitements de données OLAP.

3- Client de traitement OLAP :

V.4. Principes de la manipulation OLAP

V.4.1. Structure de visualisation
La représentation sous forme de tableau est la structure de visualisation qui est le plus souvent
retenue. [12] Il s‟agit d‟une vision synthétique et précise des données que les décideurs
appréhendent facilement.
Elle dérive directement de la métaphore du cube de données puisqu‟elle peut être considérée
comme la tranche du cube de données comme l‟illustre la figure suivante :

Figure II.7 : Notion de tranche du cube de données

V.4.2. Opérations de manipulation OLAP

29
 CHAPITRE II : Informatique décisionnelleet la technique OLAP

De nombreuses propositions [13] concernent la définition d‟opérations de manipulation : cube

de données, tranche du cube de données… Il n‟existe pas de consensus sur la définition d‟un
ensemble minimum d‟opérateurs assurant l‟intégralité des opérations de manipulation OLAP,
mais la plupart des propositions offrent un support partiel des différentes catégories
d‟opérations.
Parmi ces opérations, les plus emblématiques sont les opérations de forage et les opérations
de rotation qui reposent directement sur la métaphore du cube des données.

V.4.2.1. Operations de forage

Les opérations de foragefont reposer la navigation sur la structure hiérarchique des axes
d‟analyses, afin de permettre l‟analyse d‟un indicateur avec plus ou moins de précision.
Le forage vers le haut (≪ roll-up ≫) consiste a analyser les données en fonction d‟un niveau
de granularité moins détaillé tandis que le forage vers le bas (≪ drill-down ≫), à l‟inverse,
permet d‟analyser les données avec un niveau plus fin.

Figure II.8 : Principe du forage.

V.4.2.2. Operations de rotation

Les opérations de rotation réorientent une analyse. L‟opération la plus courante consiste à
changer l‟axe d‟analyse en cours d‟utilisation (rotation de dimension).

Figure II.9 : Principe de rotation.

30
 CHAPITRE II : Informatique décisionnelleet la technique OLAP

Un cas particulier de la rotation de dimension consiste à changer de perspective d‟analyse

(rotation de hiérarchie). Dans ce cas, l‟axe en cours d‟utilisation est maintenu, mais la manière
de le graduer est changée.Une autre opération apparentée à cette opération de rotation consiste
à changer le sujet de l‟analyse (rotation de fait ou ≪ drill-across ≫) dans le contexte d‟une
constellation.

V.4.2.3 Autres opérations

- Les opérations derestrictionpermettent à un utilisateur de restreindre l‟ensemble des
données analysées. La spécification d‟une tranche de cube (≪ slice ≫) consiste à exprimer
une restriction sur une des données de l‟un des axes d‟analyse. La spécification d‟un sous-
cube (≪ dice ≫) consiste à exprimer une restriction sur lesdonnées d‟un indicateur d‟analyse.

- Des opérations de transformationpermettent l‟ajout d‟attributs de dimension en tant

qu‟indicateur d‟analyse (≪ push ≫) ou de convertir un indicateur d‟analyse en paramètre
(≪ pull ≫).

- Les opérations d’ordonnancementpermettent de changer l‟ordre des valeurs (positions) des

paramètres des dimensions (≪ switch ≫) ou de réordonner les paramètres d‟une hiérarchie
(≪ nest ≫).

- Certains auteurs proposent aussi l‟emploi des opérations binaires ensemblistes (union,
différence et intersection) qui nécessitent une très forte compatibilité entre les deux structures
multidimensionnelles manipulées. Certains travaux ont aussi proposé la notion de jointure
inspirée de la jointure relationnelle, mais d‟un intérêt limite dans un environnement
multidimensionnel.

V.5. Outils OLAP : Solutions BI (OLAP)

V.5.1. Open source
Voici quelques outils open source d'informatique décisionnelle :

1- Mondrian : Mondrian est un serveur OLAP écrit en langage Java. Mondrian utilise le
langage d'interrogation MDX. Mondrian, précurseur de la décisionnelle Open source, est
désormais intégré au Projet Pentaho.

31
 CHAPITRE II : Informatique décisionnelleet la technique OLAP

2- Palo : Commercialisée par l'éditeur Jedox, Palo OLAP Server est un serveur de bases de
données multidimensionnelles de type MOLAP dédié à la gestion décisionnelle pour le
planning, l'analyse, le reporting et la consolidation des données.

3- Spago BI : est une solution de Business Intelligence open Source italienne. Spago BI
permet de faire des analyses multi-dimensionnelle comme Mondrain.

V.5.2. Propriétaires
Voici quelques outils propriétaires d'informatique décisionnelle :

1- IBM Cognos : est un logiciel intégré pour l‟élaboration des prévisions, des plans et des
budgets, permettant de piloter la performance de l'entreprise.

2- Oracle : Oracle propose, depuis la version 9i, un moteur OLAP directement intégré à sa
base de données relationnelle.

3- SQL Server (Analysis Services) : Microsoft SQL Server 2005 Analysis Services (SSAS)
fournit des fonctions OLAP (Online AnalyticalProcessing) et d'exploration de données pour
les applications décisionnelles. Analysis Services prend en charge OLAP en permettant de
concevoir, de créer et de gérer des structures multidimensionnelles qui contiennent des
données agrégées provenant d'autres sources de données, telles que des bases de données
relationnelles.

VI. Langage de requetés

Comme SQL pour les bases de données relationnelles, il existe des langages de requêtes pour
l‟utilisation des OLAP. Il s‟agit de langage de calcul avec une syntaxe similaire à celle des
tableurs. L‟inconvénient est qu‟il n‟y a pas de langage universel.

Néanmoins, on peut distinguer deux tendances :

– MDX de l‟anglais Multidimensional Expressions intégréa Microsoft SQL Server 2005.
– OLAP DML (Data Manipulation Language) intégréà Oracle 10g.

32
 CHAPITRE II : Informatique décisionnelleet la technique OLAP

Il existe de nombreux logiciels qui permettent d‟utiliser des cubes OLAP pour l‟analyse de
données. Nous fournissons ci-après une liste non-exhaustive des logiciels classes en modules
serveurs et clients.

Serveurs Clients
– SAP – Panorama Software
– SAS Business Analytics – Proclarity
– PALO OLAP Server (Open Source) – AppSource
– OlapCubesdeAderSoft – Cognos
– Oracle – Business Objects
– SQL Server Services analysis – Brio Technology
– ALG Software – Crystal Reports
– Applix – Microsoft Excel
– Microstrategy – Microsoft Reporting Services
– Descisys
– INEA/Cartesi
– Panoratio
– Whitelight
– NCR

Tableau II.2 : Tableau des logiciels qui utilise des cubes OLAP[14]

33
 CHAPITRE II : Informatique décisionnelleet la technique OLAP

VII. Conclusion
Commeconclusion en rappel les avantages et les inconvénients decette technique (OLAP)
l'OLAP permet d'avoir :
1- Des données (liées à l'activité de l'entreprise) accessibles,
2- Des données compréhensibles,
3- Des données agrégées (résumés d'informations),
4- Un mode de requêtage simple (le MDX) et souple (sans jointures),
5- Un système rapide et performant,
6- Une aide à la décision
Mais l'OLAP a également des inconvénients :
1- Des applications volumineuses,
2- Des temps de réponse parfois longs.

34
 Chapitre III
Implémentation
 Chapitre III : Implémentation

I. Introduction
Dans les parties précédentes nous avons vu les concepts fondamentaux pour les bases
de données en générale, les entrepôts, le système décisionnel et comment utiliserl‟OLAP
pour la décisionnel.
Le présent chapitre est destiné pour présenter l‟environnement de développement mis
en place ensuite nous donnons un aperçu des outils utilisés tels que le SGBD SQL Server,
Visual Studio 2013. Enfin nous expliquons l‟application réalisée.

II. Environnement de développement

L‟environnement de développement de notre projet est le système d‟exploitation Windows 7,
qui est le plus utilisé parmi les systèmes disponibles.

III. Outils utilisés de développement

III.1. Visual Studio 2013
Visual Studio 2013 est un environnement de développement intégré riche pour créer des
applications pour Windows, Android et IOS, ainsi que des applications Web et des services
de Cloud modernes.
Il est caractérisé par :
- Orienté vers le développement rapide.
- Boite à outils prédéfinit riche.
- Bien compatible avec SQL Server (développé par Microsoft)

III.2. SQL Server 2014 Management Studio (SSMS)

III.2.1. Qu'est-ce que SQL Server Management Studio?
SQL Server Management Studio (SSMS) est la console d'administration principale
pour SQL Server.SSMS permet de créer des objets de base de données (telles que les bases de
données, tables, procédures stockées, vues, etc.), afficher les données dans votre base de
données, de configurer des comptes d'utilisateurs, d'effectuer des sauvegardes, la réplication
des données de transfert entre les bases de données, et plus encore.
SQL Server Management Studio est une interface utilisateur graphique, de sorte que
de nombreuses tâches sont "pointer et cliquer". Il est également l'interface qui permet
d'exécuter des scripts SQL, donc il y a aussi des tâches qui nécessitent une programmation /
scripts.

35
 Chapitre III : Implémentation

III.2.2. Qu'est-ce que SSMS Look Like?

Lorsque SQL Server Management Studio démarre, on est invité à se connecter à SQL Server
avec un écran de connexion qui ressemble à la capture d'écran suivante. Les paramètres
d'authentification peuvent être par défaut ou modifiés :

Figure III.1 : Fenêtre Connecté SQL Server 2014 Management Studio

Voici ce que SQL Server Management Studio ressemble une fois connecté (et ouvert une
nouvelle requête)[15]:

III.3. SQL Server Data Tools pour Visual Studio 2013

Outils de données SQL Server (SSDT) est un ensemble d'outils qui fournit un
environnement intégré pour les développeurs de bases de données pour mener à bien leur
travail de conception de base de données pour toute plate-forme SQL dans Visual Studio.
Les développeurs de bases de données peuvent utiliser l'Explorateur d'objets SQL
Server dans VS pour créer facilement ou des objets et des données de base de données de
modifier ou d'exécuter des requêtes.[16]

IV. Entrepôts de données

Soit Adventure Works est un exemple d‟entrepôts de données qui contient les tables
suivantes :
1. Tables individuels et magasins
2. Tableaux de produits

36
 Chapitre III : Implémentation

3. Tables Fournisseurs et achats

4. Tableaux de fabrication
V. Le développement d’un Cube OLAP
Pour la création de cube OLAP dans SQL Server Data Tools for Visual Studio 2013, suivez
les étapes faciles indiquées ci-dessous [17] :

Etape 1: Démarrer SQL Server Data Tools for Visual Studio 2013
Cliquez sur Menu Démarrer ->tous les Programmes Microsoft -> Microsoft SQL Server
2014 -> Cliquez sur SQL Server Data Tools for Visual Studio 2013.

Etape 2 : Démarrage du Analyse Service Multidimensional et Data Mining….Business

Intelligence
Cliquez sur File -> New -> Project -> Business Intelligence -> sélectionnez Analyse
Service Multidimensional And Data Mining….Business Intelligence -> Attribuer
projet Name -> Cliquez sur OK

Etape 3: Création d'une nouvelle source de données

3.1 Dans l‟Explorateur de solutions, cliquez droit sur la DataSource -> Cliquez sur New
Data Source

37
 Chapitre III : Implémentation

3.2 Cliquez sur Next

3.3 Cliquez sur New Bouton

3.4 Créer Nouvelle connexion

1. Indiquez votre SQL Server Name où votre entrepôt de données a été créé
2. Sélectionnez le bouton radio en fonction de votre authentification du serveur
SQL en mode
3. Indiquez vos informations d’identification à l‟aide que vous pouvez connecter à
votre SQL Server.
4. Sélectionnez la base de données Adventure Works.
5. Cliquez sur Tester la connexion et de vérifier son succès
6. Cliquez sur OK.

3.5 Sélectionnez Connexion créé en connexions de données -> Cliquez sur Next

38
 Chapitre III : Implémentation

3.6 Sélectionner une option Hériter

3.7Affecter source de données Nom -> Cliquez sur Finish

Etape 4 : Création d'une nouvelle source de données View

4.1 Dans l'Explorateur de solutions, Clic droit sur la source de données View -> Cliquez
sur New Data Source View

39
 Chapitre III : Implémentation

4.2 Cliquez sur Next

4.3 Sélectionnez Relational Data Source, nous avons créé précédemment (Adventure
Works) ->Cliquez sur Next

4.4 Sélectionnez tous les TableFact -> Cliquez sur le bouton fléché pour déplacer l'objet
sélectionné pour volet de droite

40
 Chapitre III : Implémentation

4.5 Maintenant, pour ajouter des dimensions qui sont liées à votre Table de faits, suivez
les étapes indiquées :
1. Sélectionnez Table de faits dans le volet droit -> Cliquez sur AddRelated Tables

2. Cliquez sur Next

4.6 Affecter Nom (Adventure Works)-> Cliquez sur Finish

4.7 maintenant de source de données est prêt à être utiliser.

41
 Chapitre III : Implémentation

Etape 5: Création New Cube

1. Dans l‟Explorateur de solutions -> Clic droit sur Cube-> Cliquez New Cube

2. Cliquez sur Next

3. Sélectionnez l‟option Use existing tables -> Cliquez sur Next

4. Sélectionnez tous les tables Fact-> Cliquez sur Next

42
 Chapitre III : Implémentation

5. Choisissez des mesures de la liste que vous souhaitez placer dans votre Cube -> Cliquez
sur Next

6. Cliquez Next
7. Saisie le Nom deCube-> Cliquez sur Finish

8. Maintenant, votre Cube est prêt, vous pouvez voir le cube et les dimensions nouvellement
créé ajoutée dans votre explorateur de solution.

43
 Chapitre III : Implémentation

Etape 6: Dimension Modification

Dans l'Explorateur de solutions, double - cliquez sur la dimension Dim Employee.dim -
> Drag and Drop FirstName du tableau dans Data Source View et Ajouter dans l'attribut
Pane au côté gauche.

Etape 7:Clique sur Star pour attache notre cube dans l‟SQL server

VI. Réalisation l’Application

Pour réaliser notre application il faut explique comment créer les Tableaux de Bord par
Visual Studio 2013 :
1. Premièrement installé la bibliothèque DevExpress
2. Lance le Visual Studio 2013 Cliquez sur File -> New -> Project ->Visual C#->
Windows, et sélectionner DevExpress v15.2 Template Gallery puis taper le nom de
fichier et Cliquez sur Ok

3. En choisie l‟option RibbonBased Application etCliquez sur Create Project

44
 Chapitre III : Implémentation

4. On utilise le Bar ToolBox et choisir l‟option DashboardDesigner et cela pour créer le

Table de Bord designer

Après Cliquer sur Star s‟affiche cette fenêtre, et Cliquer sur New et choisir OLAP puis
Cliquer sur Next

Sélectionner le catalog et Cube Name et Cliquer sur Finish

45
 Chapitre III : Implémentation

Dans cette table,on choisit les Boutons Pivot, Pies et rempli les valeurs de chaque Bouton par
les TablesMeasures et Table de Dimension dans les champs Values, Argument et Series.
Maintenant le Tableau de Bord désigné est terminé alors sauvegarder le fichier .XML,
cefichier utilise dans le Table de Bord Viewer.

5. On utilise le Bar ToolBox et onchoisit l‟option DashboardViewer et cela pour créer

le Tableau de Bord comme il sera vu par les Décideurs. Pour réaliser cette fenêtre
suivre les étapes suivantes :

a. Dans cette fenêtre en crée le fichier Dashboards qui contient les fichiers .XML
b. Créer les Boutons pour cette fenêtre par exemple Bouton Produits les plus Vendus et
écrire les commandes comme suite :
DevExpress.DashboardCommon.Dashboard d =
newDevExpress.DashboardCommon.Dashboard();

46
 Chapitre III : Implémentation

d.LoadFromXml(".\\Dashboards\\Produits plus vendue.xml");

dashboardViewer1.Dashboard = d;
dashboardViewer1.Update();
c. Crée les autres Boutons et programmer chaque Bouton.
d. Clique sur Start

e. Lorsqu‟on clique sur n‟importe quel bouton par exemple le Bouton pour les Ventes
par employée, on obtient le résultat comme suit :

47
 Chapitre III : Implémentation

f. Si on clique sur le Bouton les produits les plus vendus, le résultat est comme suit :

g. Si on clique sur l‟angle Clients puis clique sur le Bouton Meilleur client, le résultat
est :

48
 Chapitre III : Implémentation

h. Clique sur le Bouton Ventes par ans le résultat sont comme suit :

VII. Conclusion

Dans ce chapitre, nous avons pu mettre une application qui permet de répondre aux questions
des décideurs de l‟entreprise et rendre facile la prise de décision par méthode simple.

49
 Conclusion générale

Conclusion générale
Notre projet de fin d‟étude traite les problèmes posés par les décideurs dans les entreprises
qui utilisent les grands volumes de données. Pour cela, nous avons introduit une méthode qui peut
accéder à toutes les données dans l‟entreprise par une vue multidimensionnelle.
Le travail que nous avons réalisé est appliquésur un exemple d‟entrepriseAdventure Works qui
possède un entrepôt de données.

Ce présent travail nous a permis de cerner les notions principales à savoir :

 Généralité sur les bases de données et l‟importance des entrepôts de données.

 Création d‟une Cube à partir de l‟entrepôt de données qui donne une vue multidimensionnelle
selon les besoins des décideurs.

 Répondre aux besoins décisionnels associés à des outils d‟analyse On Line Analytical
Processing OLAP et appliqués sur cube pour extraction des données en forme
multidimensionnelle.

 Naviguer dans le cube multidimensionnel, visualiser les mesures pour desensembles de

membres à des niveaux de granularité sélectionnés par l‟utilisateur et acquérir des interfaces
orientées navigation (tableau de bord).

Comme résultat finale la méthode OLAP représente une solution efficace pour l‟informatique
décisionnelle.

50
 Référence Bibliographie

Référence Bibliographie
Livre :
[2] Dr. Brahim BELATTAR - LISA - Dpt d‟informatique –Université de Batna -
[3] Inmon W. H., "Building the Data Warehouse". John Wiley& Sons, deuxièmeédition, ISBN
04771-14161-5, 1996.
[4]Ralph Kimball et Margy Ross. Entrepôts de données – Guide pratique de
modélisationdimensionnelle.
[10]Codd E. F., Codd S.B., Salley C.T., "Providing OLAP (On Line AnalyticalProcessing) to Users-
Analysts: An IT Mondate", Rapport technique, E.F. Codd and Associates, 1993.
[11] W. Lehner, Modelling Large Scale OLAP Scenarios, 6th International Conference on
Extending Database Technology (EDBT‟98), pp.153-167, Valencia (Spain),Mars 1998.
[12] R. Agrawal, A. Gupta, S. Sarawagi, Modeling MultidimensionalDatabases, 13th International
Conference on Data Engineering (ICDE‟97), pp.232-243,Birmingham (U.K), Avril 1997.
M. Gyssens, L.V.S. Lakshmanan, A Foundation for Multi-dimensional
Databases, 23rd International Conference on Very Large Data Bases (VLDB‟97), pp.106-
115, Aout 1997, Athens (Greece).
[13] M. Rafanelli Operators for Multidimensional Aggregate Data, ChapitreV, Multidimensional
Databases: Problems and Solutions, IGI Publishing Group, ISBN 1-59140-053-8, p.116–165,
2003.

@ Web :
[1] Http://fr.wikipedia.org/wiki/ Base de données multidimensionnels - Schématisation.htm
[5] Http://www.piloter.org/business-intelligence/principe-olap.htm
[6] Http://igm.univ-mlv.fr/~dr/XPOSE2009/informatique_decisionnelle_olap/pp.html
[14]Http://fr.wikipedia.org/wiki/Traitement_analytique_en_ligne
[15]Http://www.quackit.com/sql_server/sql_server_2014/tutorial/create_a_database.cfm
[16] Http://www.codeproject.com/Articles/462206/Introduction-to-SSDT-SQL-Server-Data-Tools
[17] Http://www.creat OLAP/Create First OLAP Cube in SQL Server Analysis Services -
CodeProject.html
[18] Http://www.Qu'est-ce que l'informatique décisionnelle _ - Michaël Tranchant.html
[19] Http://www.OLAP.html

51
Mémoire :
[7] Olivier Teste. Modélisation et manipulation des systèmes OLAP : de l'integration des
Documents à l'usager. Interface homme-machine [cs.HC]. Universite Paul Sabatier –
Toulouse III, 2009.
[8] Faiza GHOZZI JEDIDI« CONCEPTION ET MANIPULATION DE BASES DE DONNEES
DIMENSIONNELLES À CONTRAINTES », Mémoire de fin d‟études
[9] Filaliabderrahmane, Kedjnanesofiane, « Conception et réalisation d‟un Data Warehouse pour la
mise en place d‟unsystème décisionnel », écolenationale supérieur de l‟informatique, Mémoire de fin
d‟étude.

52