Devoir Entrepôt de données Classe 2AI SIAD

Durée : 01 h 15'
Le 08/03/2017

Exercices Note

Exercice 01 /5.5

Exercice 02 /6.5

Exercice 03 /4

Exercice 04 /4

Total /20
Exercice01 (5.5 pts): Renseignez chaque pointillé par la ou les lettes correspondants.
01. Quelle est la première étape dans la conception d’un entrepôt de données?...........
A • Choisir le processus métier.
B • Choisir les dimensions.
C • Choisir les mesures de la table de fait. 
02. Lequel ou lesquels des énoncés suivants n'est pas correct?.........................
A • Les surrogatekey atténuent la taille des tables de faits.
B • Les surrogate key rendent le DW indépendant des changements opérationnels.
C • Les surrogatekey contiennent des «renseignements» qui sont utiles pour l'analyse
des données.
D • Les surrogate key sont nécessaires pour mettre en œuvre des dimensions qui
changent lentement.
03. La zone opérationnelle de données (ODS), dans une architecture d’un entrepôt de
données, est utilisée pour……………….
A • interroger l’entrepôt de données.
B • opérer des transformations et le nettoyage de données.
C • indexer les dimensions.
04. Une architecture d’un entrepôt de données désignée par « HUB and SPOKE », est la
résultante d’une………………..
A. Approche de conception top-down
B. Approche de conception bottom-up
C. Approche de conception hybride (pratique)
05. L'usage des dimensions partagées est principalement prôné pour………………………
A • la conception de data marts pouvant être intégrés
B • augmenter la performance des requêtes
C • décomposer le processus de développement en petits morceaux
06. L’architecture d’un entrepôt de données permettant de relier les magasins de données
par des dimensions conformes est désignée par …………
A. Magasins de données indépendants 
B. Bus de magasins de données 
C. Hub-and-spoke 
D. Entrepôt de données centralisé 
E. Architecture fédérée 
07. La granularité est déterminée par……………..
A. le nombre de clés artificielles constituant la clé d’une table de fait.
B. la granularité de ces clés artificielles.
C. A et B.
D. aucune de ces réponses.
08.. …………………………….de données signifie que les attributs au sein d'une entité
donnée dépendent entièrement de la clé primaire de l'entité.
A. Additivité.
B. Granularité.
C. Dépendance fonctionnelle.
D. Dimensionnalité.

09. Les métadonnées d’un entrepôt de données contiennent au moins…………………..

A. les structures des données.
B. les algorithmes utilisés pour l’agrégation et la transformation.
C. les correspondances de données entre l'environnement opérationnel et l'entrepôt de
données.
D. Tout ce qui précède.
10. Soit une table de fait R (A, B, C, M) où A, B et C sont les dimensions et M est la mesure.
Supposons que les attributs A, B, C prennent chacun deux valeurs différentes, et que toutes
les combinaisons de valeurs sont présentes dans la table de faits. Combien de cuboïdes
comportera le treillis de cubes correspondant……………. A) 8 ; B) 25 ; C) 50 ; D)4.
Exercice 02 (6.5 pts): Faites correspondre chacune des descriptions mentionnées ci-
dessous dans la colonne A, du tableau indiqué en bas, au terme le plus approprié indiqué
dans lacolonne B.

A B
1. Métadonnées…………………………..….
2. Besoin du drill-down ……………………...
3. Transformation de données………………
4. Source de données ……………….………
5. Vieillissement de données………………..
6. Possibilités d’analyse complexe………..
7. Requête simple et concurrence…………
8. Volume de données……………………..
9. Métadonnées d’affaires ……………….
10 Approche Top-down ……………….…….
11. Dimension à rôle multiple………..……
12. Factless table ………………….
A. Dont la nature détermine les modalités d’extraction de
données
B. Fournit par OLAP
C. a pour but de réaliser un “Enterprise data warehouse”
D. Influence la gestion du chargement de données
E. Gestion des requêtes dans le SGBD
F. Au vu de la granularité faible de données, il est
possible d’approfondir ….
H. décrivent les données contenues dans un entrepôt de
données, etc.
I. Besoin de rafraichissement
J. Préparation de la zone opérationnelle de données
(data staging design)
K. Décrit le contenu de l’entrepôt dans des termes 
compréhensibles par les utilisateurs d’affaires
.N. On ne peut pas utiliser sum (il n'y a rien à sommer),
on utilise count (on analyse le nombre de faits
enregistrés).
O. Utilisée principalement pour distinguer les dimensions
liées aux dates

Exercice 03( 04 pts ) :

On dispose d’un outil OLAP pour analyser les salaires selon l’âge et le niveau d’étude des personnes et
la situation géographique des entreprises. L’analyse selon l’âge peut se faire par année ou par décade
(tranches de 10 années à partir de 14 ans et jusqu’à 73 ans). L’analyse du niveau d’étude peut se faire
par le niveau d’enseignement atteint en fin d’études (primaire, secondaire, supérieur) ou par le dernier
diplôme obtenu (certificat de fin d’étude primaire, BEPC, Bac, Licence, Master). L’analyse de la
situation géographique peut se faire par ville, département, région ou pays. Tenir compte de l’existence
éventuelle de villes synonymes dans plusieurs régions ou pays
- Question 01: Quel est le schéma en étoile le plus approprié pour cette analyse ? Pour chaque
relation, donner son nom et ceux de ses attributs, souligner les attributs de la clé. Rmq :
Nommer un attribut clé étrangère avec le même nom que l’attribut clé correspondant.

Réponse
Exercice 04( 04 pts ) :

Soit la table Ventes contenant le montant des ventes par produit, fournisseur et client : VENTES(nocli,
noprod, nofour, montant). Voici trois requêtes écrites avec SQL OLAP. Donnez leur équivalent sans les
spécificités OLAP (GROUPING SETS, ROLLUP, CUBE) :

a) SELECT nocli, noprod, SUM(montant)

FROM ventes
GROUP BY GROUPING SETS ((nocli),(noprod));

b) SELECT nocli, noprod, SUM(montant)

FROM ventes
GROUP BY ROLLUP(nocli,noprod);

a) SELECT nocli, noprod, nofour, SUM(montant)

FROM ventes
GROUP BY CUBE (nocli, noprod, nofour);
Bon courage