http://www-adele.imag.fr/~donsez/cours Systèmes d’information décisionnels (Data Warehouse / Data Mining) E. GRISLIN-LE STRUGEON Université de Valenciennes, ISTV Emmanuelle.Grislin@univ-valenciennes.fr D. DONSEZ Université Joseph Fourier, IMA Didier.Donsez@imag.fr 1996-2006
Plan 1. Introduction » Problématique- Le Système d’Information - La Suite Décisionnelle 2. L’Entrepôt de Données » Extraction des données - Constitution de l’entrepôt - Modélisation 3. Les Bases Multidimensionnelles » Analyse multidimensionnelle - OLAP - Data Marts 4. La Restitution des Informations » Data Mining 5. La Gestion de Projet Data Warehouse 6. Les outils 7. Perspectives du Data Warehouse 8. Conclusion et Bibliographie 222 <#>
1. Introduction - Problématique Objectif » Améliorer les performances décisionnelles de l'entreprise Comment ? » en répondant aux demandes d’analyse des décideurs Exemple » clientèle : Qui sont mes clients ? Pourquoi sont-ils mes clients ? Comment les conserver ou les faire revenir ? Ces clients sont-ils intéressants pour moi ? » marketing, actions commerciales : Où placer ce produit dans les rayons ? Comment cibler plus précisément le mailing concernant ce produit ? » ... 333 <#>
1. Introduction - Problématique Une grande masse de données : » Distribuée » Hétérogène » Très Détaillée A traiter : » Synthétiser / Résumer » Visualiser » Analyser Pour une utilisation par : » des experts et des analystes d'un métier » NON informaticiens » NON statisticiens 444 <#>
1. Introduction - Le système d’information Moyen d’atteindre ces objectifs : Le Data Warehouse, un système d’information dédié aux applications décisionnelles En Aval des bases de production (ie bases opérationnelles) En Amont des prises de décision » basé sur des indicateurs (Key Business Indicators (KBI)) 555 <#>
1. Introduction - La Suite Décisionnelle Prise de Décision Bases de Entrepôt Base Production de Données MultiDimensionnelle Prédiction (Data Warehouse) / Simulation 666 <#>
1. Introduction - Utilisation Mailing » amélioration du taux de réponse Banque, Assurance » déterminer les profils client Risque d'un Prêt, Prime plus précise Commerce » ciblage de clientèle » déterminer les promotions » aménagement des rayons (2 produits en corrélation) 777 <#>
1. Introduction - Utilisation Logistique » adéquation demande / production Santé » épidémiologie (VIH, Amiante, ...) Econométrie » prédiction de trafic autoroutier Ressources Humaines » adéquation activité / personnel 888 <#>
Déclinaisons métiers du Décisionnel SPM (Strategic Performance Management) » Déterminer et contrôler les indicateurs clé de la performance de l’entreprise FI (Finance Intelligence) » Planifier, analyse et diffuser l’information financière. Mesurer et gérer les risques. HCM (Human Capital Management) » Aligner les stratégies RH, les processus et les technologies. Modéliser la carte des RH (Ressources Humaines) CRM (Customer Relationship Management) » Améliorer la connaissance client, Identifier et prévoir la rentabilité client. Accroître l’efficacité du marketing client. SRM (Supplier Relationship Management) » Classifier et évaluer l’ensemble des fournisseurs. Planifier et piloter la stratégie Achat. 999 <#>
1. Introduction - RSI D’après une enquête de l’IDC auprès de 45 organisations ayant un Data Warehouse en fonctionnement (fin 1995-1996) : » 90% des entreprises ont un RSI au moins égal à 40% » 50% ont un RSI supérieur à 160% » 25% ont un RSI supérieur à 600% ≥1000 500−999 200−499 Retour sur investissement du 100−199 datawarehousing (%) 50−99 3−49 RSI moyen = 401% Retour sur investissement 0 5 10 15 20 RSI médian = 167% Organisations (%) 101010 <#>
1. Introduction - Rentabilisation Durée de rentabilisation du data warehouse ≥5 1−3 (années)1−2 0−1 Période de rentabilisation 0 10 20 30 40 Organisations (%) 111111 <#>
1. Introduction - Rentabilisation Constat: orientation marché (client, techno, produit) » Stratégies proactive meilleur que des stratégies réactives » Cf livre de David Gotteland 121212 <#>
2. L'Entrepôt de Données (Data Warehouse) Définition de Bill Inmon (1996) «Le Data Warehouse est une collection de données orientées sujet, intégrées, non volatiles et historisées, organisées pour le support d’un processus d’aide à la décision.» Principe » Base de Données utilisée à des fins d’analyse. » Caractéristiques : orientation sujets («métiers») données intégrées données non volatiles données datées 131313 <#>
2. L'Entrepôt de Données (Data Warehouse) Objectif » Retrouver une information historique et transversale à l’entreprise Données réparties Service Service Service Vue «au-jour-le- Commercial Financier Livraison jour» BD Prod BD Prod BD Prod Comment Clientèle »Fédérer/Regrouper l'ensemble des données de l'entreprise Data Warehouse Clientèle Historique Recoupements d’informations Vue sur l’évolution des informations 141414 <#>
2. DW - OLTP versus DW Bases de Production Entrepôt de Données ( OLTP ) (DW) •atomiques •résumés •orienté application •orienté sujet •à jour •historiques Données •dynamiques •statiques •employés de bureau •analystes •nombreux •peu •concurrents •non concurrents •mises à jour •interrogations Utilisateurs •requêtes prédéfinies •requêtes " one-use" •réponses immédiates •réponses moins rapides •accès à peu de données •accès à beaucoup d’information 151515 <#>
2. DW - OLTP DW Données de production : Objectif d’obtention » SGBD et supports physiques de données : hétérogènes » centralisées » Qualité inégale des données » fiables » Représentations hétérogènes » interprétables 161616 <#>
2. DW - Alimentation (ETL) du DW Extraction Transformation filtrer trier homogénéiser nettoyer ... Chargement (Loading) 171717 <#>
2. DW - Transformations intégration m,f des données 1,0 m,f male, female FRF USD EUR EUR char(10) dec(13,2) numeric(10) numeric(7) 181818 <#>
DW - Transformation Existence de plusieurs sources non conformité des représentations découpages géographiques différents Secteur Secteur Secteur Nord Ouest Est Secteur codage des couleurs Sud Prune identification des produits différents Violet produits en vrac difficulté de comparaison des sources de données Mise en conformité nécessaire 191919 <#>
2. DW - Constitution de l'entrepôt Extraction des données » Besoin d’outils spécifiques pour : accéder aux bases de production (requêtes sur des BD hétérogènes) améliorer la qualité des données : «nettoyer», filtrer, ... transformer les données : intégrer, homogénéiser dater systématiquement les données Référentiel » La métabase contient des métadonnées : des données sur les données du D.W. quelles sont les données «entreposées», leur format, leur signification, leur degré d’exactitude les processus de récupération/extraction dans les bases sources la date du dernier chargement de l’entrepôt l’historique des données sources et de celles de l’entrepôt Méthodologie : sera vu plus loin 202020 <#>
Die ersten 20 Seiten werden angezeigt. Laden Sie das Dokument herunter, um alles zu sehen.
Noch keine Kommentare. Seien Sie der Erste!
Kommentare (0)
Noch keine Kommentare. Seien Sie der Erste!