Bases de Données OLAP

Bases de Données OLAP
Hiver 2013/2014
Melanie Herschel
melanie.herschel@lri.fr
Université Paris Sud, Groupe Bases de Données, LRI
Systèmes Opérationnels vs. Entrepôts de Données

Requêtes
Requêtes
• Requêtes transactionnelles UPDATE Order

SET amount = amount + 1
BD • INSERT, UPDATE, DELETE, SELECT WHERE OrderID = 1
opérationnelles Requêtes portant sur quelques tuples
• AND BookID = 204
• Optimisation de requêtes “classique”
Jahr
• Requêtes analytiques
Entrepôt de • Bulk-Insert et SELECT
2007
2006
Region
données
2005
• Requêtes typiques (drill down, slice, dice, ...) 2004
2003 ...
North America
• Techniques d’optimisation de requêtes spécialisées

Asia
2002 Europe
Books CDs DVDs ...
Produktgruppe
2
Bases de Données OLAP | Hiver 2013/14 | Melanie Herschel | Université Paris Sud
Donné un Modèle Multidimensionnel
Exemple d’un modèle multidimensionnel (cube et hiérarchies dimensionnelles)
Cube hiérarchies
(granularité la plus fine) dimensionnelles
Temps
Produit
2 2 ...
BlueRay
Produit année
2 2 3 3 2 ...
DVD
CD 5 3 5 4 4 ... type trimestre Lieu

Lieu
sciences 2 2 2 2 2 ...
... catégorie mois ville
enfants 2 2 3 3 2 ... Lyon
Paris
romans 5 3 5 4 4 ... Stuttgart
Berlin
.
rs
fev
jan
Temps
ma
...
r
ma
av
3
Objectif: Répondre à des Requêtes Analytiques

• Rappel: Le DW intègre des données pour obtenir une vue d’ensemble
des processus d’entreprise faisant l’objet d’analyses.
• Contrairement aux requêtes sur des données relationnelles “classiques”,

les requêtes analytiques suivent souvent un même schéma.
• On distingue ainsi entre des requêtes OLTP (Online Transaction

Processing) posées à des systèmes opérationnels et des requêtes
OLAP (Online Analytical Processing) posées à des entrepôts de
données.
4
Exemples de Requêtes OLAP
• Navigation dans un cube
“Nombre de livres d’enfants vendu en janvier, indépendamment du lieu”
• Navigation à travers les niveaux de différente granularité

“CD par type de produit (musique, film, ...) par trimestre et ville”
• Navigation à travers plusieurs cubes corrélés

“Ventes totales en magasin et en ligne”, partant de deux cubes (Produit/
Temps/Lieu) et(Produit/Temps/Client).
• Requêtes de ranking
“Les 10 livres les plus populaires en 2009 par pays”.
• Dans ce chapitre, nous allons discuter les schémas typiques de

requêtes OLAP et les langages développés afin de les spécifier.
5
Chapitre 4
Requêtes OLAP
Opérateurs OLAP
•Dans un cube
•Sur plusieurs cubes
Extensions SQL
MDX
6
Hypothèses
• Nous admettons dans cette première partie du chapitre qu’il n’existe qu’un
seul cube dans l’entrepôt de données (plus précisément dans sa BD
dispositive).
• Pour une représentation simplifiée, nous montrons uniquement des cubes à

trois dimensions maximum. Les concepts présentés s’appliquent néanmoins
à des cubes de dimensionnalité quelle conque.
• Pour une représentation simplifiée, nous n’utilisons qu’une seule mesure. En

général, un nombre de mesures plus élevé peut exister.
7
Vue d’Ensemble des Requêtes OLAP

• Les requêtes abordées dans cette partie du chapitre permettent la
navigation dans le modèle multidimensionnel (MDDM – multi-dimensional
data model).
• Roll-up / Consolidate: naviguer vers une granularité plus grossière
• Drill-down: naviguer vers une granularité plus fine
• Drill-out / Split: ajouter une ou plusieurs dimension
• Drill-in / Merge: réduire le cube d’une ou de plusieurs dimensions
• Slice: sélectionner des données en appliquant un critère de sélection à

une dimension.
• Dice: sélectionner des données en appliquant une sélection à plusieurs

dimensions.
8
Roll-Up
Définition
Roll-Up (aussi: consolidate)

Soit un cube à n dimensions C = (DS, M) = ({D1, ..., Dn}, {M1, ..., Mp}) ayant pour granularité des
dimensions G = {l1, l2, ...,ln}, où le niveau li du schéma {D1, ..., Dm, TopD; ➝} appartient à la dimension
Di,1 ≤ li ≤ m+1.
Une opération roll-up (nommée également consolidate) navigue d’un ensemble DSup ⊆ DS vers une
granularité plus grossière, c.a.d.
∀ Di ∈ DSup, Dj ∈ DS, i = j, j < m + 1: lj < li ≤ m+1
et
∀ Di ∉ DSup, Dj ∈ DS, i = j: li = lj
• Un roll-up correspond donc à un zoom-out du cube actuel, ce qui entraine un résultat de

granularité réduite.
Par exemple roll-up du cube (catégorie/ mois/ ville) vers(type/ mois/ ville).
• Cette opération peut porter sur une ou plusieurs dimensions à la fois

Par exemple roll-up du cube (catégorie / mois / ville) vers (type/ trimestre/ ville).
• Il est également possible de naviguer vers la racine TopD d’une ou de plusieurs dimensions.
Appliquée à toutes les dimensions, cette opération résulte en un cube n’ayant plus qu’un
seul fait.
9
Roll-Up
Exemple- Roll-up d’une seule dimension
Roll-up d’une seule dimension
Produit
(catégorie)
BlueRay 2 2 ...
DVD 2 2 3 3 2 ...
CD 5 3 5 4 4 ... Lieu Roll-Up de la dimension Produit:

sciences 2 2 2 2 2 ...
(ville) (catégorie/ mois/ ville)
... ➔ (type/ mois / ville)
Paris
Berlin
Temps
Produit
.
rs
fev
jan
(mois)
ma
...
r
ma
av
(type) Lieu
(ville)
...
médias Lyon
Paris
livres Stuttgart
Berlin
Temps
.
rs
fev
jan
i
ma
...
r
ma
av
(mois)
10
Roll-Up
Exemple- Roll-up de plusieurs dimensions
Roll-up de plusieurs dimensions
Produit
(catégorie)
BlueRay 2 2 ...
DVD 2 2 3 3 2 ... Roll-Up des dimensions Produit

CD 5 3 5 4 4 ... Lieu et Temps:
sciences 2 2 2 2 2 ...
(ville) (catégorie / mois / ville)
... ➔ (type/ trimestre / ville)
Paris
Berlin
Temps
.
rs
Produit
fev
jan
(mois)
ma
...
r
ma
av
(type) Lieu
(ville)
...
Medien Lyon
Paris
Bücher Stuttgart
Berlin
Temps
Q1
Q2
(trimestre)
11
Roll-Up
Exemple- Roll-up vers la racine de toutes les dimensionen
Roll-up vers la racine de toutes les dimensions
Produit
(catégorie)
BlueRay 2 2 ...
DVD 2 2 3 3 2 ... Roll-Up vers la racine de

CD 5 3 5 4 4 ... Lieu toutes les dimensions:
sciences 2 2 2 2 2 ...
(ville) (catégorie/ mois / ville)
... ➔ (Produit / Temps / Lieu)
Paris
Berlin
Temps
.
Produit
rs
fev
jan
(mois)
ma
...
r
ma
av
(Produit) Lieu
(Lieu)
Produit Lieu
Temps Temps
(Temps)
12
Roll-Up
Valeurs de Mesures
• Rappel:
• Une mesure appartient à un fait, et ce fait possède une certaine granularité.
• Deux propriétés d’une mesure:
• Valeur numérique
• Fonction pouvant dériver la mesure á partir d’autres mesures.
• Lors d’une opération roll-up, nous passons d’une granularité G1 des faits vers une
granularité plus grossière des faits, dénotée G2.
• La fonction définie pour les faits de granularité G2 (si celle-ci est définie) est utilisée pour
calculer la valeur de la mesure de granularité G2.
• Cependant, il faut prendre en compte la propriété de l’additivité de la mesure (additive,

semi-additive ou non-additive).
• Dans le cas d’une mesure semi-additive ou non-additive, il se peut que la valeur de la

mesure ne soit calculable qu’à partir des mesures des données à plus fine granularité
(de toutes les dimensions).
13
Roll-Up
Valeurs de mesures
Dérivez les valeurs des mesures du résultat de l’opération roll-up représentée ci-dessous (en utilisant les
valeurs montrées uniquement)
Produit
(catégorie)
BlueRay 2 2 ... Roll-up des dimensions

DVD 2 2 3 3 2 ... Produit et Temps:
CD 5 3 5 4 4 ... Lieu (catégorie / mois / ville)
(ville)
sciences 2 2 2 2 2 ... ➔ (type/ trimestre / ville)
...
Paris
Berlin
Produit
Temps
(type) Lieu
.
rs
fev
jan
(mois)
ma
...
r
ma
av
(ville)
...
médias
Medien Lyon
Paris
Bücher
livres Stuttgart
Berlin
Temps
Q1
Q2
(trimestre)
14
Drill-Down
• Drill-down est l’opération inverse de Roll-Up.
• Rend possible la navigation d’une granularité donnée vers une granularité plus fine
pour une ou plusieurs dimensions (zoom-in).
• Par exemple de (type / trimestre / ville) vers (catégorie / mois / ville).
Drill-down
Soit un cube à n dimensions C = (DS, M) = ({D1, ..., Dn}, {M1, ..., Mp}) ayant les granularités G
= {l1, l2, ...,ln}, où li correspond au niveau du schéma {D1, ..., Dm, TopD; ➝} de la dimension Di,
1 ≤ li ≤ m+1.
Une opération drill-down navigue, pour un ensemble de dimensions DSDOWN ⊆ DS vers une
granularité plus fine, c.a.d.
∀ Di ∈ DSDOWN, Dj ∈ DS, i = j: li < lj
et
∀ Di ∉ DSDOWN, Dj ∈ DS, i = j: li = lj
15
Drill-Down
Exemple - Drill-down de plusieurs dimensions
Drill-down de plusieurs dimensions
Produit
(type) Lieu
(ville)
...
Medien Lyon
Paris
Bücher Stuttgart
Berlin
Temps
Q1
Q2
(trimestre)
Produit
(catégorie)
BlueRay 2 2 ...
DVD 2 2 3 3 2 ...
Lieu
Drill-Down des dimensions CD 5 3 5 4 4 ...
(ville)
Produit et Temps: sciences 2 2 2 2 2 ...
...
(type/ trimestre / ville) enfants 2 2 3 3 2 ... Lyon
Paris
➔ (catégorie / mois / ville) romans 5 3 5 4 4 ...
Berlin
Stuttgart
Temps
.
rs
fev
jan
(mois)
ma
...
r
ma
av
16
Récapitulatif Roll-Up / Drill-Down
• Opérateurs servant à naviguer entre différentes granularités d’une ou de
plusieurs dimensions.
• Roll-up: moins de détails
• Drill-down: plus de détails
• Détermination des mesures (lorsque le cube résultat n’est pas matérialisé):
• Roll-Up: possibilité de calcul à partir du cube d’entrée.
• Drill-down: utilisation des mesures des faits de plus fine granularité (et qui
sont matérialisés).
• Dans le deux cas, le nombre de dimensions du cube reste inchangée,

c.a.d. l’application d’un roll-up / drill-down sur un cube n-dimensionnel
résulte en un cube n-dimensionnel.
• Exception: navigation vers / depuis la racine d’au moins une dimension.

17
Drill-Out / Split
• Lors d’un drill-out (aussi nommé split) un cube à n dimensions est
complété par k dimensions de granularité plus fine que TopD,
où k >= 1.
➔ Le résultat est un cube à (n+k) dimensions
• Comme drill-down, drill-out navigue vers des données plus

détaillées.
• Contrairement à drill-down, le détail n’est pas augmenté par

l’augmentation de la granularité d’une dimension existante, mais par
l’ajout de nouvelles informations d’une nouvelle dimension.
18
Drill-Out / Split
Drill-out d’un cube à une dimension (catégorie) vers un cube 2D (catégorie / trimestre)
Produit Produit
Drill-out de la (catégorie)
(catégorie)
dimension temps
BlueRay 30 BlueRay 5 5 10 10
(trimestre)
DVD 40 DVD 10 15 5 10
CD 20 CD 3 3 10 4
sciences 15 sciences 5 4 3 3
enfants 20 enfants 5 5 5 5
romans 50 romans 10 20 10 10
Temps
Q1
Q2
Q4
Q3
(trimestre)
19
Drill-In / Merge
• Opération inverse de drill-out.
• Un drill-in (nommé également merge) efface k dimensions d’un

cube n-dimensionnel, où k < n.
➔ Le résultat est un cube à (n-k) dimensions.
• Comme pour roll-up, les données résultant d’un drill-in sont moins
détaillées que les données d’entrée de l’opération.
• Contrairement au roll-up, le degré de détail n’est pas réduit par

réduction de la granularité, mais par l'élimination de dimensions.
20
Drill-In / Merge
Drill-in du cube 2D (catégorie / trimestre) vers le cube à une dimension (catégorie)
Produit Produit
(catégorie) (catégorie)
BlueRay 5 5 10 10 Drill-in de la dimension BlueRay 30
DVD 10 15 5 10 Temps DVD 40
CD 3 3 4 4 14
CD
sciences 5 4 3 3 15
sciences
enfants 5 5 5 5 20
enfants
romans 10 20 20 10 60
romans
Temps
Q1
Q2
Q4
Q3
(trimestre)
21
Slice
• Permet l’obtention d’un extrait des informations représentées par un cube
en fonction des termes définis pour une dimension.
• Le paramètre de l’opérateur slice est un critère de sélection (range query,

point query) portant sur une dimension.
• Critère de sélection avec AND, OR et NOT.

Par exemple (mois > fev.) AND (mois <= nov.) AND (mois NOT avr)
• Critère de sélection sur un ou plusieurs niveaux d’une même dimension

Par exemple pays = DE AND code_postal= 10179
• Notation Slice(p, D): sélectionne les “tranches” le long de la dimension D,

qui satisfont le critère de sélection p.
22
Slice
Slice avec critère de sélection simple (mois = fev.)
Produit
(catégorie)
BlueRay 2 2 ...
DVD 2 2 3 3 2 ...
CD 5 3 5 4 4 ... Lieu
(ville)
sciences 2 2 2 2 2 ...
...
enfants 2 2 3 3 2 ... Lyon Produit
Paris
5 3 5 4 4 ... Stuttgart (catégorie)
romans Berlin
Temps BlueRay 2 2 ...
.
rs
fev
jan
(mois)
ma
...
r
ma
2 2 ...
av
DVD 2 3 3
CD 5 3 5 4 4 ... Lieu
(ville)
Slice(mois = fev., Temps) sciences 2 2 2 2 2 ...
...
Paris
Berlin
Temps
.
rs
fev
jan
i
(mois)
ma
...
r
ma
av 23
Slice
Slice avec critère de sélection contenant une disjonction (mois = fev. OR mois = avr)
Produit
(catégorie)
BlueRay 2 2 ...
DVD 2 2 3 3 2 ...
CD 5 3 5 4 4 ... Lieu
(ville)
sciences 2 2 2 2 2 ...
... Produit
Paris
(catégorie)
Berlin BlueRay 2 2 ...
Temps
2 2 3 3 2 ...
.
rs
fev
jan
DVD
i
(mois)
ma
...
r
ma
av
CD 5 3 5 4 4 ... Lieu
(ville)
Slice(mois = fev. sciences 2 2 2 2 2 ...
...
OR mois = avr, enfants 2 2 3 3 2 ... Lyon
Paris
Temps) romans 5 3 5 4 4 ...
Berlin
Stuttgart
Temps
.
rs
fev
jan
(mois)
ma
...
r
ma
av
24
Slice
Slice portant sur la dimension Temps, qui se compose de deux hiérarchies
Temps
Produit année bilan année
(catégorie)
trimestre_bilan trimestre
BlueRay 2 2 ...
mois
DVD 2 2 3 3 2 ...
CD 5 3 5 4 4 ... Lieu jours

(ville)
sciences 2 2 2 2 2 ...
... Produit
Paris (catégorie)
Berlin
BlueRay 2 2 ...
Temps
.
rs
2 2 ...
fev
2 3 3
jan
(mois)
ma
...
DVD
r
ma
av
CD 5 3 5 4 4 ... Lieu
Slice( (ville)
sciences 2 2 2 2 2 ...
année= 2011 ...
AND (trimestre = Q1 enfants 2 2 3 3 2 ... Lyon
Paris
OR trimestre_bilan = Q2) romans 5 3 5 4 4 ... Stuttgart
Berlin
, Temps)
Temps
.
rs
fev
jan
i
(mois)
ma
...
r
ma
av
25
Dice
• Application de l’opérateur slice à plusieurs dimensions
• Par exemple slice(mois = jan, Temps) AND slice(ville = Berlin, Lieu)
• Slice ne peut produire que des tranches du cube, du fait qu’une sélection
n’est possible que sur une dimension.
• Dice peut produire des sous-cubes arbitraires.
26
Dice
Dice appliqué à deux dimensions
Produit
(catégorie)
BlueRay 2 2 ...
DVD 2 2 3 3 2 ...
CD 5 3 5 4 4 ... Lieu
(ville)
sciences 2 2 2 2 2 ...
...
Paris
romans 5 3 5 4 4 ... Stuttgart (catégorie)
Berlin
.
rs
fev
jan
(mois)
ma
...
r
ma
av
DVD 2 2 3 3 2 ...
CD 5 3 5 4 4 ... Lieu
(ville)
Slice(mois = avril, Temps) sciences 2 2 2 2 2 ...
...
AND enfants 2 2 3 3 2 ... Lyon
Paris
Slice(ville = Berlin, Lieu) romans 5 3 5 4 4 ...
Berlin
Stuttgart
Temps
.
rs
fev
jan
i
(mois)
ma
...
r
ma
av
27
Dice
Dice appliqué à trois dimensions
Produit
(catégorie)
BlueRay 2 2 ...
DVD 2 2 3 3 2 ...
CD 5 3 5 4 4 ... Lieu
(ville)
sciences 2 2 2 2 2 ...
...
Paris
romans 5 3 5 4 4 ... Stuttgart (catégorie)
Berlin
.
rs
fev
jan
(mois)
ma
...
r
ma
av
DVD 2 2 3 3 2 ...
CD 5 3 5 4 4 ... Lieu
(ville)
sciences 2 2 2 2 2 ...
Slice(trimestre= Q1 OR month = avr., Temps)
...
AND enfants 2 2 3 3 2 ... Lyon
Slice(type = médias, Produit) Paris
5 3 5 4 4 ... Stuttgart
AND romans Berlin
Slice(ville= Berlin OR ville = Stuttgart, Lieu) Temps
.
rs
fev
jan
(mois)
ma
...
r
ma
av
28
Chapitre 4
Requêtes OLAP
Opérateurs OLAP
•Dans un cube
Extensions SQL
MDX
29
Cubes Corrélés
• Jusqu’à présent, nous avons considéré des opérateurs appliqués à un seul
cube.
• Dans un DW sont typiquement stockés plusieurs cubes, par exemple:
• Un cube ayant les dimensions (Temps, Produit, Lieu) stockant le nombre

de ventes par période, produit et magasin;
• Un cube ayant les dimensions (Temps, Produit, Client) stockant le nombre

de ventes en ligne par client et par période.
Pourquoi pas un cube (Temps, Produit, Lieu, Client)?
30
Cubes Corrélés
• Des cubes corrélés se partagent une ou plusieurs dimensions
concordantes.
Dimensions concordantes
Deux dimensions D et D’ sont concordantes si, pour leurs domaines de valeurs, il´est vrai que
dom(D) ⊆ dom(D’) ou dom(D’) ⊆ dom(D).
Exemples de dimensions concordantes et non-concordantes

concordantes
produits produits produits
livres médias livres médias livres médias
enfants romans CD DVD enfants romans sciences CD DVD
non-concordantes
produits produits
livres médias livres médias
enfants romans CD DVD sciences romans CD DVD

31
Cubes corrélés
Cubes corrélés
Deux cubes DC = (DS, M) et DC’ = (DS’, M’) sont corrélés, si au moins une paire de
dimensions (Di, Dj), avec Di ∈ DS, Dj ∈ DS’ est concordante.
Soit CD l’ensemble de toutes les paires
{(Di, Dj) | Di ∈ DS, Dj ∈ DS’, Di concordante avec Dj}.
Exemple de deux cubes corrélés ayant CD = {(Produit, Produit), (Temps, Temps)}
Produit Produit
(catégorie) (catégorie)
BlueRay 2 2 ...
DVD 2 2 3 3 2 ...
5 3 5 4 4 ... Lieu
CD
(ville) Stock
sciences 2 2 2 2 2 ... sciences
... ...
enfants 2 2 3 3 2 ... Lyon enfants Lyon
Paris Paris
romans 5 3 5 4 4 ... Stuttgart romans Stuttgart
Berlin Berlin
Temps
.b.
.
n.
.
rs
Zeit
rrsz
fev
(mois)
jan
i
Jjaan
ril
ma
...
Maai
r
...
fFeev
ma
Maä
Aapvr
av
(Monat)
m
32
Drill-Across
• Drill-across est appliqué à plusieurs cubes corrélés.
• Il sert à combiner les mesures des faits de différents cuber corrélés pour effectuer
une analyse plus globale.
• Hypothèse: la combinaison des mesures est raisonnable!
• On peut par exemple déterminer les produits les plus populaires (nombres de
ventes les plus élevés) en faisant la somme des mesures des deux cubes
corrélés (Temps, Produit, Lieu) et (Temps, Produit, Client).
• Le cube produit par une opération drill-across appliquée aux cubes DC = (DS, M)
et DC’ = (DS’, M’) consiste en
• L’ensemble des dimensions concordantes avec le moins de détails

{Di | (Di, Dj) ∈ CD AND Di ⊆ Dj} (voir transparent 32 pour la définition de CD)
• L’ensemble des mesures M ∪ M’ ou des mesures dérivées.

33
Drill-Across
Drill-across exemple 1: Ventes totales (en magasin + en ligne) de produits par période
Produit
(catégorie)
BlueRay
DVD Produit
CD Lieu (catégorie)
(ville)
sciences BlueRay
...
enfants Lyon
Paris DVD
romans Stuttgart
Berlin
CD
Temps
rs
fev
jan
i
ril
ma
...
sciences
ma
(mois)
av
enfants
Produit
(catégorie) romans
BlueRay
Temps
rs
fev
jan
i
ma
...
r
ma
av
DVD (mois)
CD
sciences
Client Calcul des mesures:
enfants Gold
Platin ventes(m,k) =
romans
Silver
Standard ∑si ∈ ville ventes(m,k,si) +
Nouveau
∑ki ∈ client ventes (m,k,ki)
Temps
rs
fev
jan
i
ma
...
r
ma
av
(mois)
34
Drill-Across
Drill-across exemple 2: Pour quels produit le stock est toujours supérieur à 60% du nombre de ventes du même
produit?
ventes
Produit
(catégorie)
BlueRay
DVD
CD Lieu
(ville)
sciences
...
enfants Lyon
Paris
romans Stuttgart
Berlin
Temps
rs
fev
jan
i
ril
ma
...
ma
(mois)
av
Produit
(catégorie)
stock
stock
sciences
...
enfants Lyon
Paris
romans Stuttgart
Berlin
Temps
fFeevb.
jaJann.
rsz
ii
ril il
maär
mMaa
...
aAvpr
(mois)
M
35
Opérations OLAP
• Les opérations OLAP vu jusqu’ici s’appliquent à des cubes multidimensionnels
• Navigation dans une hiérarchie: roll-up, drill-down
• Extension / réduction de la dimensionnalité: split / merge
• Sélection: slice, dice
• Combinaison de deux cubes: drill-across
• D’autres requêtes analytique appartenant aux opérations OLAP:
• Calcul de moyenne glissante
• Analyse portant sur des séries chronologiques
• Comparaison relative de valeurs
36
Langages Implémentant des Opérations OLAP
• En général
• Mise à disposition des opérations requises
• Langages déclaratifs
• Pas de requêtes SQL embriquées , mois verbose que le standard SQL
• Deux approches
• Extensions SQL:
Requêtes portant sur des données relationnelles stockées en schéma en
étoile ou en schéma en flocon.
• Multidimensional Expressions (MDX):

S’applique directement sur un modèle multidimensionnel (cubes,
dimensions, faits, ...)
37
Chapitre 4
Requêtes OLAP
Opérateurs OLAP
•Dans un cube
Extensions SQL
MDX
38
SQL et OLAP
• Traduction d‘un modèle multidimensionnel en un schéma en étoile ou en

flocon
• Opérations avec SQL-92
• Slice / dice: jointures et sélections
• drill-down: jointures et projections
• Agrégation d‘un niveau: GROUP BY
• Extensions OLAP de SQL
• Groupement multiple ➔ dans ce cours

• Fonctions analytiques ➔ en TD
• En principe possible en SQL-92, mais difficile à exprimer et traitement
de requête inefficace.
39
Exemple
Exemple d‘un schéma en étoile
Produit Produit
PID categorie type
BlueRay
1 romans livres
DVD
2 enfants livres
CD Lieu
3 sciences livres
sciences
4 CD médias ...
enfants
ParisLyon
5 DVD médias
romans Berlin Stuttgart
6 BlueRay médias
rs
Temps
fev
jan
i
ril
ma
...
ma
av
Faits
Temps PID ZTD LID #Ventes CD
ZID mois trimestre annee 1 1 1 5 30
1 Jan10 Q1 2010 2010 1 1 2 5 37
2 Fev10 Q1 2010 2010 1 1 3 5 45
... ... ... ... 1 1 4 5 20
2 1 1 2 33
Lieu 2 1 2 2 35
LID ville 2 1 3 2 40
1 Berlin 2 1 4 2 35
2 Stuttgart ... ... ... ... ...
3 Paris 1 2 1 3 22
4 Lyon ... ... ... ... ... 40
Groupement Multiple
• Rappel de GROUP BY
• GROUP BY <att1>, <att2>, ..., <attn> forme des partitions des
données considérées par la requête en fonction des valeurs des attributs
att1 à attn.
• Si GROUP BY est utilisé, peuvent apparaitre dans la clause SELECT (i) les
attributs att1 à attn plus (ii) des valeurs agrégées d‘autres attributs.
• Agrégation avec les fonctions SUM, COUNT, AVG, MIN, MAX
Exemple d‘une requête GROUP-BY - Total du chiffre d‘affaire CD de livres par année, trimestre
et mois?
SELECT annee, trimestre, mois, SUM(CD)

FROM Faits F, Temps T, Produit P Somme uniquement par mois
(association d‘un mois avec
WHERE P.PID = F.PID trimestre et année correspondant)
AND T.TID = F.TID
AND P.type = ‘livres’ Pas de total de ventes par trimestre
GROUP BY annee, trimestre, mois ou année
41
Groupement multiple
Exemple d‘une requête GROUP-BY - Total du chiffre d‘affaire CD de livres par année, trimestre et mois?
SELECT mois AS Time, SUM(CD) AS total_CD
FROM Faits F, Temps T, Produit P
WHERE P.PID = F.PID Time total_CD
AND T.TID = F.TID mois jan 2010 150
AND P.type = ‘livres’
GROUP BY mois fev 2010 300
UNION ... ...
SELECT trimestre AS Time, SUM(CD) AS total_CD dec 2010 400
FROM Faits F, Temps T, Produit P
WHERE P.PID = F.PID trimestres jan 2011 300
AND T.TID = F.TID ... ...
AND P.type = ‘livres’ Q1 2010 500
GROUP BY trimestre ... ...
UNION
Q4 2011 800
SELECT annee AS Time, SUM(CD) AS total_CD
FROM Faits F, Temps T, Produit P années 2010 2000
WHERE P.PID = F.PID 2011 2300
AND T.TID = F.TID
AND P.type = ‘livres’
GROUP BY annee
42
Groupement Multiple
Résultat désiré -Total du CD par année, Exemple 2: CD de 2010 par (i) trimestre et
trimestre et mois type de produit et (ii) par trimestre et lieu.
annee trimestre mois CD trimestre type lieu CD

2010 Q1 jan 150 Q1 2010 livres ⊥ 50
2010 Q1 fev 300 ... livres ⊥ ...
2010 Q1 mars 50 Q4 2010 livres ⊥ 70
... ... ... ... Q1 2010 médias ⊥ 40
2011 Q1 jan 300 ... médias ⊥ ...
... ... ... ... Q4 2010 médias ⊥ 60
2010 Q1 ⊥ 500 Q1 2010 ⊥ Berlin 60
... ... ... ... ... ⊥ Berlin ...
2011 Q4 ⊥ 800 Q4 2010 ⊥ Berlin 50
2010 ⊥ ⊥ 2000 Q1 2010 ⊥ Stuttgart 20
2011 ⊥ ⊥ 2300 ... ⊥ ... ...
Utilisation d‘une hiérarchie de Agrégation pour plusieurs

dimension en SQL? combinaisons de dimensions en SQL?
43
Groupement Multiple
• Extensions SQL supportant le groupement multiple en une seule

requête:
• GROUPING SETS - Spécification explicite des combinaisons

d‘attributs de groupement
• CUBE - groupement multidimensionnel

Génère toutes les combinaisons possibles des attributs spécifiés
en paramètres
• ROLLUP - groupement hiérarchique et multidimensionnel
• Combinaisons de ces clauses avec les clauses SQL connues

(GROUP BY, HAVING, CASE, ...)
44
Groupement Multiple
Grouping Sets
Grouping Sets
...
GROUP BY GROUPING SETS ((<set1_a1>, ..., <set1_am>),
(<set2_a1>, ..., <set2_an>),
...)
• Spécification explicite du groupement désiré
• Chaque séquence d‘attributs(<seti_a1>, ... ) décrit un groupe

désiré
• Equivalent à multiples requêtes GROUP BY unifiées et dont les attributs

non-commun sont comblés avec des valeurs NULL (⊥).
• Il est possible d‘identifier les attributs en fonction desquels le

groupement d‘un tuple est effectué en utilisant la fonction GROUPING():
GROUPING(<attr>) = 0 si groupement par <attr>, sinon 1.
45
Groupement Multiple
Grouping Sets
Exemple 2: CD de 2010 par (i) trimestre et

Exemple 2 en SQL en utilisant grouping sets
type de produit et (ii) par trimestre et lieu.
SELECT trimestre,
trimestre type lieu CD
type,
Q1 2010 livres ⊥ 50 lieu,
... livres ⊥ ... SUM(CD)AS CD
Q4 2010 livres ⊥ 70 FROM Faits F,
Q1 2010 médias ⊥ 40 Temps T, Produit P, Lieu L
... médias ⊥ ... WHERE P.PID = F.PID
Q4 2010 médias ⊥ 60 AND T.TID = F.TID
Q1 2010 ⊥ Berlin 60 AND L.LID = F.LID
... ⊥ Berlin ...
AND T.annee = ‘2010’
Q4 2010 ⊥ Berlin 50
GROUP BY GROUPING SETS (
Q1 2010 ⊥ Stuttgart 20 (trimestre, type),
... ⊥ ... ... (trimestre, lieu)
)
46
Groupement Multiple
Grouping Sets
Exemple 2 avec identification des attributs de groupe
trimestre type lieu CD GQ GT GL

Q1 2010 livres ⊥ 50 0 0 1
... ... ⊥ ... 0 0 1
Q1 2010 ⊥ Berlin 60 0 1 0
... ⊥ Berlin ... 0 1 0
Exemple 2 avec identification des attributs du groupe en SQL

SELECT trimestre, type, lieu, SUM(CD) AS CD
GROUPING(trimestre) AS GQ, GROUPING(type) AS GT,
GROUPING(lieu) AS GL
FROM ...
WHERE ...
GROUP BY GROUPING SETS ((trimestre, type), (trimestre, lieu))
47
Groupement Multiple
Grouping Sets
• Sémantique de groupement de la clause GROUPING SETS
• GROUP BY A, B ≣ GROUP BY GROUPING SETS ((A, B))
➔ groupe (A, B)
• GROUP BY GROUPING SETS ((A, B), (A, C), (A))

≣
GROUP BY A, GROUPING SETS ((B), (C), ( ))
➔ groupes (A) × ( (B), (C), ( )) = (A, B), (A, C), (A)
• GROUP BY GROUPING SETS ((A, B), (B, C)),

GROUPING SETS ((D, E), (D), ())
➔ groupes ( (A, B), (B, C) ) × ( (D, E), (D), ( ) )

= (A, B, D, E), (A, B, D), (A, B), (B, C, D, E), (B, C, D), (B, C)
48
Groupement Multiple
Grouping Sets
Spécifiez une requête SQL qui produit le résultat suivant
type annee ville #ventes

livres ⊥ ⊥ 50
livres 2010 Berlin 30
livres 2010 Stuttgart 20
médias ⊥ ⊥ 40
médias 2010 Berlin 30
médias 2010 Stuttgart 10
⊥ ⊥ Berlin 80
⊥ ⊥ Stuttgart 30
49
Groupement Multiple
Groupement multidimensionnel
Groupement multidimensionnel en utilisant CUBE()
...
GROUP BY CUBE (<a1>, ..., <an>)
• Forme l‘ensemble des parties de l‘ensemble spécifié en paramètre
• par exemple, CUBE(A, B, C) forme les groupes (A, B, C), (A, B), (A,
C), (B, C), (A), (B), (C), ( ))
• 2n groupes au total
• En combinaison avec une aggrégation, CUBE() est utilisé pour calculer

les valeurs agrégées de toutes les combinaisons.
50
Groupement Multiple
CD par (toutes les combinaisons de) trimestre, type de produit et lieu en 2010
trimestre type lieu total_CD

Q1 2010 livres Berlin 10
Q1 2010 livres Stuttgart 20
... ... ... ...
Q1 2010 livres ⊥ 20 Code SQL livrant ce résultat
... ... ⊥ ... SELECT trimestre, type, lieu,
Q1 2010 ⊥ Berlin 80 SUM(CD) AS total_CD
Q1 2010 ⊥ Stuttgart 50 FROM Faits F,
... ⊥ ... ... Temps T, Produit P, Lieu L
⊥ livres Berlin 50 WHERE P.PID = F.PID
⊥ livres Stuttgart 80 AND T.TID = F.TID
⊥ ... ... ...
AND L.LID = F.LID
AND T.annee = ‘2010’
Q1 2010 ⊥ ⊥ 160
GROUP BY CUBE (trimestre, type, lieu)
... ⊥ ⊥ ...
⊥ livres ⊥ 200
⊥ médias ⊥ 300
⊥ ⊥ Berlin 200
⊥ ⊥ Stuttgart 100
⊥ ⊥ ... ...
⊥ ⊥ ⊥ 1000 51
Groupement Multiple
• Sémantique de groupement de l‘opérateur CUBE

• GROUP BY CUBE(A, B, C)
≣
GROUP BY GROUPING SETS ((A,B,C), (A,B), (A,C),
(B,C), (A), (B), (C), ())
• GROUP BY CUBE(A, B), CUBE(B, C)
➔ groupes ( (A, B), (A), (B), ( ) ) × ( (B, C), (B), (C), ( ))
= ( A, B, B, C ), (A, B, B), (A, B, C), (A, B),
(A, B, C), (A, B), (A, C), (A),
(B, B, C), (B, B), (B, C), (B),
(B, C), (B), (C), ( )
= (A, B, C), (A, B), (A, B, C), (A, B), Duplicata de combinaisons
(A, B, C), (A, B), (A, C), (A), (e.g., (A, B, C), (A, B), (B), ...)
(B, C), (B), (B, C), (B), ne sont pas éliminées!
(B, C), (B), (C), ( )
• GROUP BY GROUPING SETS(CUBE(A, B), CUBE(B,C))
≣
GROUP BY GROUPING SETS ((A,B), (A), (B), (), (B,C), (B), (C), ())
52
Groupement Multiple
Spécification d‘une requête SQL utilisant l‘opérateur CUBE
Ce tableur représente le nombre de DVDs vendus le premier trimestre 2010, agrégé par les
différentes combinaisons de mois et de lieu. Spécifiéz la requête SQL produisant ce résultat.
jan fev mars Total

20 25 22 67
Berlin
10 15 17 42
Stuttgart
30 25 30 85
Paris
10 12 10 32
Lyon
Total 70 77 79 226
53
Groupement Multiple
Groupement hiérarchique multidimensionnel
Groupement multidimensionnel utilisant ROLLUP()
...
GROUP BY ROLLUP (<a1>, ..., <an>)
• En SQL-92, on peut formuler une UNION de k sous-requêtes pour aboutir

à un groupement de k niveaux d‘une dimension (voir transparent 42).
• Laborieux à spécifier, à traiter (k lectures de la table des faits) et ordre

défavorable à la présentation (et tri difficile).
• ROLLUP calcule une agrégation pour plusieurs niveaux d‘une hiérarchie

en ordre orienté favorable aux analyses.
• Attributs <a1>, ..., <an> sont issue d‘un même schéma de

dimension et sont spécifiés en ordre croissant de granularité.
54
Groupement Multiple
CD de livres par année, trimestre et mois.
annee trimestre mois total_CD

2010 Q1 jan 150 Requête SQL utilisant ROLLUP
2010 Q1 fev 300
2010 Q1 mars 50 SELECT année, trimestre, mois,
SUM(CD)AS total_CD
... ... ... ...
FROM Faits F,
2011 Q1 jan 300 Temps T, Produit P
... ... ... ... WHERE P.PID = F.PID
2010 Q1 ⊥ 500 AND T.TID = F.TID
... ... ... ... AND P.type = ‘livres’
GROUP BY ROLLUP (annee, trimestre, mois)
2011 Q4 ⊥ 800
2010 ⊥ ⊥ 2000
2011 ⊥ ⊥ 2300
⊥ ⊥ ⊥ 4300
55
Groupement Multiple
• Sémantique de groupement de l‘opérateur ROLLUP
• GROUP BY ROLLUP(A1, A2, ..., An)
≣
GROUP BY
GROUPING SETS ( (A1, ..., An-1, An), (A1, ..., An-1), ...,
(A1, A2), (A1), () )
ou s‘appliquent les dépendances fonctionnelles An ➝ An-1 ➝ ... ➝ A2 ➝ A1
• GROUP BY ROLLUP(A1, ..., An), ROLLUP(B1, ..., Bm)

➔ groupes ( (A1, ..., An), ..., (A1, A2), (A1), ( ) )
×
( (B1, ..., Bn), ..., (B1, B2), (B1), ( ) )
56
Groupement Multiple
Spécifiez une requête SQL utilisant ROLLUP
La requête SQL calcule le nombre de ventes en année mois categorie ville ventes
décembre de produits de type médias regroupé par
2010 dec CD - 200
année, mois, catégorie et ville.
Le résultat est représenté ci-contre. 2010 dec DVD - 150
2010 dec BlueRay - 50
2010 dec - - 400
2011 dec - - 450
2010 - - - 2000
2011 - - - 3000
- - - - 5000
2010 - - Berlin 1000
2010 - - Stuttgart 300
2010 - - ... ...
2011 - - Berlin 1500
2011 - - ... ...
- - - Berlin 4000
- - - Stuttgart 2000
- - - ... ...
57
Chapitre 4
Requêtes OLAP
Opérateurs OLAP
•Dans un cube
Extensions SQL
MDX
58
MDX
• MDX = Multidimensional Expressions:
Proposition de Microsoft “OLE DB for OLAP”
• Langage de requête s‘appliquant sur le MDDM
• Standard sans sémantique fixe (définie par des exemples)

• Concepts MDDM (dimensions, mesures) manipulés directement
• Requêtes plus compacte que les requêtes SQL équivalentes
• Syntaxe similaire à SQL (mais sémantique différente)
• Langage très complexe et puissant
• Création des objets à manipuler (DDL) se fait par d‘autres moyens:
DSO Interface (Decision Support Objects) de SQL Server
• Est utilisé par beaucoup d‘outils commerciaux pour communiquer avec des BD
OLAP.
d‘après [Ulf Leser, cours Data Warehouses und Data Mining, SS 2007]
59
MDX Principe de Base et Structure
• Une requête MDX retourne un rapport à plusieurs dimensions

• par exemple un tableur 2D
• par exemple plusieurs tableurs 2D pour représenter trois dimensions
• La structure d‘une requête MDX est identique à la structure des clauses

SELECT-FROM-WHERE en SQL
• Mais la sémantique est différente!
Structure générale d‘une requête MDX
SELECT <axis-spec1>, <axis-spec2>, ...

FROM <cube-spec1>, <cube-spec2>, ...
WHERE ( <selection-specification> )
60
MDX Principe de Base et Structure
Exemple simple d‘une requête MDX (cube & dimensions voir transparent 3)
SELECT { Berlin, Stuttgart } ON ROWS
{ [1er trimestre], [2nd trimestre].CHILDREN } ON COLUMNS

Aggregation de la mesure
FROM CubeVentes (measure) ventes en utilisant
fonction prédefinie (e.g., SUM)
WHERE ( Measures.Ventes, Sélection sur la dimension Temps

Temps.[2010], (uniquement la période 2010)
Produit.Produit )
Sélection des produits, ici, le
niveau TopD est sélectionné
1er trimestre 2010 avril 2010 mai 2010 juin 2010

Berlin
valeurs numériques
Stuttgart
61
Parenthèses et SELECT
• Parenthèses en MDX
• {} - Ensemble des éléments servant à la création d‘une dimension du résultat
de la requête
• [] - Représentation d‘espaces, de caractères spéciaux et d‘interpretation non
numérique de chiffres.
• () - Sélection de tuples dans la clause WHERE
• SELECT - description des axes du cube résultat
• Chaque dimension du résultat est associé à un rôle correspondant à sa
représentation dans le tableur retourné par la requête MDX
ON COLUMNS, ON ROWS, ON PAGES, ON SECTIONS, ON CHAPTERS
• Une dimension du résultat correspond à une (sélection sur une) dimension du
MDDM sur un ou plusieurs niveaux de la hiérarchie.
{Berlin, Stuttgart} de la dimension Lieu, niveau Ville
{[1er trimestre], [2nd trimestre].CHILDREN} de la dimension
Temps, niveaux trimestre et mois.
62
FROM et WHERE
• FROM - Spécification du cube
• Ensemble de cubes étant nécessaire à la création du cube résultat.
• Si plusieurs cubes y sont spécifiés, la simantique implique une jointure

multidimensionnelle. Dans ce cas, chaque paire de cubes doit posséder
au moins une dimension concordante.
• WHERE - Restriction
• Restrictions appliquées sur les cubes spécifiés dans la clause FROM.
• Spécification des restrictions par une liste de noeuds de la hiérarchie

d‘une dimension nommée slicer-dimension.
• Les mesures sont des éléments „normaux“ de la dimension spéciale des
mesures nommée Measures (celli-ci peut être utilisée dans les clauses
WHERE et FROM).
63
Expressions de Collections
• Enumération de noeuds d‘une hiérarchie dimensionnelle
• Des noeuds individuels ne proviennent pas nécessairement du même niveau
• Par exemple, {romans, enfants, [médias]} retourne des catégories et

un type de la dimension Produit.
• Expressions donnant un ensemble de noeuds
• CHILDREN: enfants d‘un noeud de la hiérarchie

e.g.,[2nd trimestre].CHILDREN = {avril, mai, juin}
• MEMBERS: noeuds d‘un niveau

e.g., Temps.Trimestre.MEMBERS = {[1er trimestre], ... , [4ème trimestrel]}
• PARENT: Parent d‘un noeud

e.g., romans.PARENT = {livres}
• ...
64
• Emboitage de collections avec CROSSJOIN
• Projection de deux dimensions en une seule

• Sémantique: produit Cartésien
Exemple CROSSJOIN
SELECT CROSSJOIN({Berlin, Stuttgart}

{kiosque, [grande surface]}) ON ROWS
{ 2010.CHILDREN } ON COLUMNS
FROM CubeVentes
WHERE ( Measures.Ventes, Temps.[2010], Produit.[médias] )
1er trimestre 2nd trimestre 3ème trimestre 4ème trimestre

2010 2010 2010 2010
kiosque
Berlin
grande surface valeurs numériques (nombre de ventes de produits
Stuttgart
kiosque de type médias en 2010)
grande surface
65
• Sélection relative par rapport à la position d‘un noeud de l‘instance d‘une

dimension
• LASTCHILD - dernier enfant d‘un noeud

e.g. livres.LASTCHILD = {sciences}
• NEXTMEMBER - prochain voisin (à droite) au même niveau

e.g. [1er trimestre 2010].NEXTMEMBER = {[2nd trimestre 2010]}
• LEAD(x) - voisin à distance x positive (à droite) au même niveau

e.g. [novembre 2010].LEAD(2) = {[janvier 2011]}
• [x]:[y] - Restriction du domaine entre x et y

e.g. [1992]:[2002] restreint la période à considérer aux années 1992 à
2002.
66
• Fonctions appliquées au schéma d‘une dimension exploitant l‘ordre défini de

cette structure.
• LEVEL - identification du niveau schématique

e.g. romans.LEVEL = {[catégorie]},
[médias].LEVEL = {type}
• LEVELS(x) - exploitation de la numérotation interne des niveaux du

schéma de la dimension pour accéder au niveau x
e.g. Temps.LEVELS(1) = {[année]}
67
Conditions de Production du Résultat
• Construction du cube résultat en fonction de résultats calculés par la requête.
• Requêtes top-k
• TOPCOUNT
• TOPRECENT
• TOPSUM
• Filtre
• FILTER
68
Conditions de Production du Résultat
Exemple de la fonction TOPCOUNT
Totaux des ventes des cinq régions françaises ayant vendu le plus en 2010 (Hypothèse:
hiérarchie Pays-Région-Ville)
SELECT {Measures.Ventes} ON COLUMNS

{TOPCOUNT(France.CHILDREN, 5, Measures.Ventes)}
ON ROWS
FROM CubeVentes
WHERE ( Measures.Ventes,[2010])
Exemple de la fonction Filter
Totaux des ventes de produits de type médias des régions dont le total des ventes de 2002
est supérieur à celui de 2001. Ici, le total des ventes est retourné par trimestre de 2002.
SELECT {FILTER(France.CHILDREN,
([2002], Ventes) > ([2001], Ventes) ) } ON COLUMNS
{trimestre.MEMBERS } ON ROWS
FROM CubeVentes
WHERE ( Ventes, [2002], Produit.[médias] )
69
Evaluation Temporelle
• Fonctions sur l‘axe du temps
• PERIODSTODATE(k, d)
Tous les noeuds le la classe k jusqu'à la date d
e.g., PERIODSTODATE(trimestre, [15/11/2002]) = 1/10/2002 - 15/11/2002
• LASTPERIODS(k, d)
k derniers laps de temps précédant la date d (k et d au même niveau).
e.g., LASTPERIODS(3, [sept. 2002]) =
{[juin 2002], [juillet 2002], [août 2002]}
• PARALLELPERIOD(k, n, d)
e.g., PARALLELPERIOD([Année], 3, [sept. 2002]) = {[sept. 1999]}
70
Autres Fonctions
• Autres fonctions
• Covariance
• Corrélation
• Moyenne glissante
• ...
71
Récapitulatif
• Opérations OLAP
• Navigation dans les dimensions: Roll-Up, Drill-Down
• Augmentation / réduction de la dimensionalité: Split / Merge
• Selection: Slice, Dice
• Combinaison de cubes corrélés: Drill-Across
• Langages OLAP
• MDX - concepts du MDDM et de tableurs
• Extensions SQL: GROUPING SETS, CUBE, ROLLUP
72

Bases de Données OLAP

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Bases de Données OLAP

Transféré par

Droits d'auteur :

Formats disponibles

Bases de Données OLAP

Université Paris Sud, Groupe Bases de Données, LRI

Systèmes Opérationnels vs. Entrepôts de Données

• Requêtes transactionnelles UPDATE Order

• Optimisation de requêtes “classique”

• Requêtes typiques (drill down, slice, dice, ...) 2004

• Techniques d’optimisation de requêtes spécialisées

CD 5 3 5 4 4 ... type trimestre Lieu

Objectif: Répondre à des Requêtes Analytiques

• Contrairement aux requêtes sur des données relationnelles “classiques”,

• On distingue ainsi entre des requêtes OLTP (Online Transaction

• Navigation à travers les niveaux de différente granularité

• Navigation à travers plusieurs cubes corrélés

• Dans ce chapitre, nous allons discuter les schémas typiques de

•Sur plusieurs cubes

• Pour une représentation simplifiée, nous montrons uniquement des cubes à

• Pour une représentation simplifiée, nous n’utilisons qu’une seule mesure. En

Vue d’Ensemble des Requêtes OLAP

• Roll-up / Consolidate: naviguer vers une granularité plus grossière

• Drill-down: naviguer vers une granularité plus fine

• Drill-out / Split: ajouter une ou plusieurs dimension

• Drill-in / Merge: réduire le cube d’une ou de plusieurs dimensions

• Slice: sélectionner des données en appliquant un critère de sélection à

• Dice: sélectionner des données en appliquant une sélection à plusieurs

Roll-Up (aussi: consolidate)

• Un roll-up correspond donc à un zoom-out du cube actuel, ce qui entraine un résultat de

• Cette opération peut porter sur une ou plusieurs dimensions à la fois

CD 5 3 5 4 4 ... Lieu Roll-Up de la dimension Produit:

DVD 2 2 3 3 2 ... Roll-Up des dimensions Produit

DVD 2 2 3 3 2 ... Roll-Up vers la racine de

• Une mesure appartient à un fait, et ce fait possède une certaine granularité.

• Deux propriétés d’une mesure:

• Fonction pouvant dériver la mesure á partir d’autres mesures.

• Cependant, il faut prendre en compte la propriété de l’additivité de la mesure (additive,

• Dans le cas d’une mesure semi-additive ou non-additive, il se peut que la valeur de la

BlueRay 2 2 ... Roll-up des dimensions

• Par exemple de (type / trimestre / ville) vers (catégorie / mois / ville).

• Roll-up: moins de détails

• Drill-down: plus de détails

• Détermination des mesures (lorsque le cube résultat n’est pas matérialisé):

• Roll-Up: possibilité de calcul à partir du cube d’entrée.

• Dans le deux cas, le nombre de dimensions du cube reste inchangée,

• Exception: navigation vers / depuis la racine d’au moins une dimension.

➔ Le résultat est un cube à (n+k) dimensions

• Comme drill-down, drill-out navigue vers des données plus

• Contrairement à drill-down, le détail n’est pas augmenté par

• Un drill-in (nommé également merge) efface k dimensions d’un

➔ Le résultat est un cube à (n-k) dimensions.

• Contrairement au roll-up, le degré de détail n’est pas réduit par

Drill-in du cube 2D (catégorie / trimestre) vers le cube à une dimension (catégorie)

DVD 10 15 5 10 Temps DVD 40

• Le paramètre de l’opérateur slice est un critère de sélection (range query,

• Critère de sélection avec AND, OR et NOT.

• Critère de sélection sur un ou plusieurs niveaux d’une même dimension

• Notation Slice(p, D): sélectionne les “tranches” le long de la dimension D,

CD 5 3 5 4 4 ... Lieu jours

• Par exemple slice(mois = jan, Temps) AND slice(ville = Berlin, Lieu)

• Dice peut produire des sous-cubes arbitraires.

•Sur plusieurs cubes

• Dans un DW sont typiquement stockés plusieurs cubes, par exemple:

• Un cube ayant les dimensions (Temps, Produit, Lieu) stockant le nombre

• Un cube ayant les dimensions (Temps, Produit, Client) stockant le nombre

Exemples de dimensions concordantes et non-concordantes

livres médias livres médias livres médias