Académique Documents
Professionnel Documents
Culture Documents
Mes remerciements s’adressent aussi aux membres de jury qui ont accepté de
juger mon travail et à tout le corps enseignant de la MISA pour avoir partagé ses
compétences qui m’ont été d’une grande utilité durant tous ces temps passés en
entreprise.
Généralités ..................................................................................................................................................... 10
Implémentation ............................................................................................................................................. 37
Modèle en flocons....................................................................................................................... 25
Slicing .......................................................................................................................................... 29
Dicing........................................................................................................................................... 30
Roll-up ......................................................................................................................................... 30
Drill-down.................................................................................................................................... 31
Pivot ............................................................................................................................................ 32
Exemple de rapport..................................................................................................................... 42
BD Base de Données.
BI Business Intelligence.
OV Ordre de Validation.
PG Prestation GasyNet.
Que ce soit pour une importation ou une exportation, toute personne physique ou
morale doit déclarer sa marchandise à la douane malagasy avant de pouvoir exécuter son
opération dans tout le pays. Auparavant, les déclarations en détails de ces marchandises
étaient faites par écrit impliquant la lenteur de la procédure de dédouanement. Mais en 2007,
le Gouvernement malagasy et la SGS-Société Générale de Surveillance S.A. ont signé un
partenariat public-privé et ont créé la société Malagasy Community Network Services S.A. ou
GasyNet afin de faciliter le commerce extérieur et d’accélérer le processus de dédouanement.
Pour ce faire, la société a besoin d’outils qui offrent une vue d’ensemble des différentes
transactions qui ont eu lieu au fil du temps de manière à diminuer le délai de dédouanement.
Les données traitées jusqu’à présent sont énormes, du coup les outils traditionnels utilisés par
les salariés actuels nécessitent beaucoup de temps surtout au niveau des créations et émissions
des rapports.
D’où le besoin de concevoir et mettre en place un Data Warehouse qui sera le principal
objectif de ce projet. Bref, ce travail va contribuer à l’accélération du mécanisme de
traitement des déclarations des marchandises à la douane malagasy au sein de la société
GasyNet.
Généralités
GasyNet - Malagasy Community Network Services S.A. - est une société de droit
malgache née d'un partenariat public privé entre le gouvernement malagasy et la société SGS
- Société Générale de Surveillance dont les activités sont axées sur une utilisation poussée des
technologies de l'information. Avec le déploiement de la plateforme TradeNet, GasyNet
apporte non seulement une simple solution technologique mais une solution complète de
facilitation du commerce international.
1.1.2. La MISA
Avant d’entamer la partie conception d’un Data Warehouse, il serait judicieux de définir
quelques concepts clés autour du décisionnel puisque la construction d’un Data Warehouse
conduit à la mise en place d’un système décisionnel dans une entreprise. Dans cette partie, on
fait appel au Business Intelligence.
1.2.1 La place du décisionnel dans l’entreprise
Elle est mise en place pour aider à analyser les données, pour obtenir des informations
sur les différents canaux d’affaires et de les utiliser pour identifier les opportunités et à
améliorer l’efficacité.
Les points les plus importants du processus restent les mêmes quelque soient les entreprises :
Andriniaina Andriamanoelison 11
1.2.2 Systèmes décisionnels vs systèmes transactionnels
L’entrepôt rassemble les données issues de plusieurs sources, ces données sont
fusionnées. Après que l’entrepôt soit fini d’être confectionné, les données qui ont été
transformés sont extraites dans des serveurs d’analyse ou serveurs OLAP sous forme de cubes
de données pour être analysées. Finalement, des générateurs d’états sont exploités pour
montrer l’étude aux utilisateurs finaux ou décideurs.
Les systèmes OLTP aussi nommés systèmes opérationnels sont dédiés aux travaux de
l’entreprise pour les aider dans leurs tâches de gestion journalières et donc directement
opérationnels. Dans un système OLTP, les données ne sont conservées que sur une courte
période ; elles sont détaillées, personnelles, identifiées et représentent généralement en termes
de quantité quelques centaines de mégaoctets, voir certains giga-octets.
Andriniaina Andriamanoelison 12
1.2.2 Systèmes décisionnels vs systèmes transactionnels
Les systèmes décisionnels autant connus par systèmes OLAP sont consacrés au
management de l’entreprise pour le soutenir au pilotage de l’activité, et dès lors par quelques
chemins détournés opérationnels, proposant au décideur une vision transversale de
l’entreprise. Les données sont historisées et peuvent être agrégées, anonymes. Les
informations entreposées dans un DW sont dites statiques et ne sont pas faites pour être
changées. Ceci est fondamental pour la simple et bonne raison que ces informations sont
utilisées pour analyser l’organisation, ce qui reste dur à faire si l’information stockée continue
de changer. La base peut atteindre des volumes immenses.
Une autre différence entre système décisionnel et transactionnel est que les utilisateurs
des DW sont des utilisateurs tels que des analystes et des gestionnaires [1] contrairement à
ceux des BD transactionnels qui peuvent être des simples employés au sein d’un département.
Andriniaina Andriamanoelison 13
1.3 Le Data Warehouse
Andriniaina Andriamanoelison 14
1.3.1 Introduction
1.3.1. Introduction
Définition : Bill Inmon, l’un des pionniers du domaine définit le DW dans son livre
« Building the Data Warehouse » comme suit : « Un entrepôt de données est une collection de
données orientées sujet, intégrées, non volatiles et historisées, organisées pour le support d’un
processus d’aide à la décision. »
Orienté sujet : le DW est organisé autour des sujets majeurs de l’entreprise. Les
données dans un système opérationnel sont essentiellement destinées à satisfaire un
processus fonctionnel et obéissent à des règles de gestion, tandis que celles d’un DW
sont destinées à un processus analytique.
Intégrées : les données proviennent de différentes sources, de la plupart ou la totalité
des applications de l’organisation.
Evolutif dans le temps : les différentes modifications apportées aux données dans la
base sont suivies et enregistrées, cela permet les comparaisons et le suivi de
l’évolution des valeurs dans le temps.
Non volatile : une donnée dans un environnement DW ne peut être mise à jour ou
supprimée contrairement à celle d’un environnement opérationnel.
C’est une vision regroupée et universelle de toutes les informations de l'entreprise, une
structure qui a pour objectif, à l’inverse des bases de données, de regrouper les données de
l'entreprise pour des fins analytiques et pour permettre d’avoir des bonnes décisions
stratégiques. Pour résumé, c'est une grande quantité d'informations épurées, organisées,
historisées et provenant d’une multitude de sources de données, servant aux analyses et
support à la décision.
C’est une étape clé pour la construction d’une architecture technologique informatisée
au service du processus de prise de décision dans l’entreprise.
Andriniaina Andriamanoelison 15
1.3.2 Architecture d’un Data Warehouse
Andriniaina Andriamanoelison 16
1.3.3 Les différentes notions liées à l’entreposage de données
Voici quelques définitions sur les termes qui entourent un Data Warehouse.
1.2.3.1. Datamart
Andriniaina Andriamanoelison 17
1.3.3 Les différentes notions liées à l’entreposage de données
Datamart commercial
Datamart RH
Datamart financier
Les Datamarts sont généralement plus petits et moins complexes que les entrepôts de
données ; par conséquent, ils sont généralement plus faciles à construire et à entretenir. Le
tableau suivant récapitule les différences de base entre un DW et un Datamart :
Un Datamart indépendant est créé sans l’utilisation d’un entrepôt de données centralisé.
Sa création est souvent motivée par la nécessité de trouver une solution dans un délai plus
court. C’est pour les petits groupes au sein d’une organisation.
Andriniaina Andriamanoelison 18
1.3.3 Les différentes notions liées à l’entreposage de données
Identifier le bon sous-ensemble de données Gérer tous les aspects du processus ETL
correspondant au sujet du Datamart dans comme pour faire un DW central mais
l’entrepôt central déjà construit et faire une concentré sur un seul sujet
copie
Un Datamart hybride permet de combiner les entrées provenant de sources autres qu’un
entrepôt de données. Il combine simplement les problèmes des deux autres types de
Datamarts évoqués ci-dessus.
Définition : Une dimension est une structure qui classe les faits et les mesures afin de
permettre aux utilisateurs de répondre à des questions professionnelles [6]. Dans l’entrepôt de
données, elle est une collection d’information de référence sur un évènement mesurable.
Une table de dimension est une table qui contient les axes d’analyse selon lesquels on
veut étudier des données observables qui, soumises à une analyse multidimensionnelle,
donnent aux utilisateurs des renseignements nécessaires à la prise de décision. Elle contient
les détails sur les faits, les informations descriptives des valeurs numériques de la table de
faits.
Dimension Temps
Dimension Client
Dimension Produit
Définition : Une hiérarchie est une organisation logique des membres d’une dimension
de manière hiérarchique.
Par exemple, une hiérarchie pour la dimension Temps : le plus haut niveau serait
l’année, contiendrait le mois, puis la semaine, puis le jour et ainsi de suite.
Andriniaina Andriamanoelison 19
1.3.3 Les différentes notions liées à l’entreposage de données
Définition : Les faits sont le sujet de l’analyse. Ils représentent des tables qui
contiennent des informations opérationnelles et qui retracent la vie de l’entreprise.
Les faits dans un entrepôt de données doivent être quantitatifs. Il peut s’agir du montant
des ventes, du nombre d’unités vendues d’un produit.
Une table de faits contient les valeurs numériques de ce qu’on désire mesurer, les clés
associées aux dimensions.
Définition : Une mesure est un indicateur numérique représentant une grandeur. C’est
un calcul analytique exécuté sur des données stockées afin de produire des résultats pouvant
être lus sous la forme d’états ou analysés pour faciliter la prise de décision.
Les dimensions, hiérarchies, faits et mesures sont utilisés dans la modélisation d’un DW
ou un Datamart comme la montre la figure ci-dessous :
Andriniaina Andriamanoelison 20
1.3.3 Les différentes notions liées à l’entreposage de données
Andriniaina Andriamanoelison 21
Chapitre 2
La conception des modèles de données dans un DW est une étape importante qui
nécessite une approche différente de celle utilisée lors de la conception de systèmes
opérationnels. Il est aussi important de savoir comment naviguer dans l’entrepôt et comment
l’alimenter.
Les deux méthodes les plus connues dans la conception d’un entrepôt de données sont
les approches introduites par Bill Inmon « top-down » et Ralph Kimball « bottom-up ».
Inmon est reconnu par beaucoup comme étant le père du Data Warehouse, il a contribué
à la définition de ses fondements. Selon son point de vue, le DW sera déterminé en fonction
des besoins de l’utilisateur final. Concevoir un modèle de données normalisé en premier et
ensuite créer à partir de cet entrepôt les données dimensionnelles qui contiennent les données
requises pour les processus métiers spécifiques aux départements.
Ralph Kimball est un informaticien et chef d’entreprise américain qui a écrit plusieurs
ouvrages informatiques, notamment concernant les sujets liés au décisionnel. Son approche
pour la conception d’un DW s’oppose à celle d’Inmon, un DW doit être rapide et
compréhensible. Le contenu du DW est déterminé selon les sources de données [3].
Inmon Kimball
Architecture composée d’un staging area Architecture qui consiste en un staging area
permanent, d’un DW et de Datamarts et de Datamarts, le DW physique n’existe
dépendants pas
Le DW contient les données atomiques ; les Les Datamarts peuvent fournir une vue
Datamarts et les données agrégées entreprise ou processus
Il existe aussi une approche hybride qui combine ces deux approches. Elle consiste à
concevoir un modèle de données de l’entreprise en même temps que les modèles spécifiques.
Les approches citées ne sont ni parfaites, ni applicable à tous les cas. La meilleure
approche dépend des activités de l’entreprise et de ses objectifs.
Un modèle dimensionnel est le résultat d’une analyse des besoins et d’une analyse des
données disponibles. Il définisse le grain, les dimensions et les faits correspondants aux
processus d’affaires de la société.
Andriniaina Andriamanoelison 23
2.1 Conception et modélisation
Le modèle en étoile
Le modèle en flocon de neige
Le modèle en étoile doit son nom à sa forme comme une étoile dont le centre est la table des
faits et les branches sont les tables de dimension. Les dimensions sont directement reliées à un
fait. Les dimensions sont dé-normalisées afin de concentrer toutes les informations en une
seule table. Cela implique que certaines colonnes aient plusieurs fois les mêmes valeurs.
S’il y a plusieurs modèles en étoile liés entre eux par des dimensions communes, le nouveau
modèle constitué sera appelé modèle en constellation.
Andriniaina Andriamanoelison 24
2.1 Conception et modélisation
Le modèle en flocon est une variante du modèle en étoile, plus adapté pour des usages bien
spécifiques. Il existe des hiérarchies de dimensions et elles sont reliées à un fait. Dans le
modèle en flocon, les dimensions sont normalisées. Au lieu de tout concentrer en une seule
table, on a plusieurs tables liées en une arborescence, chaque niveau de la hiérarchie donnant
lieu à une table.
Le modèle en étoile est plus souvent choisi comme le plus performant en raison du fait
qu’il y a moins de jointures à faire que sur un modèle en flocons. Cependant, si la dimension a
de nombreux attributs, la table prendra plus d’espace pour le modèle en étoile.
Andriniaina Andriamanoelison 25
2.2 Le concept OLAP
Architecture OLAP
L’architecture du serveur OLAP qui est le noyau de son système peut être distinguée de
plusieurs manières :
MOLAP : le Multidimensionnel OLAP stocke aussi bien les données que les agrégats
dans une structure multidimensionnelle entraînant la performance des requêtes et la
réduction des temps de réponse. L’inconvénient est que le traitement de la partition est
consommateur de ressources.
ROLAP : le Relationnel OLAP stocke aussi bien les données que les agrégats dans la
base de données relationnelle source. Il est lent pour répondre aux requêtes. Le
traitement est cependant léger car moins de consommation de ressources.
HOLAP : l’Hybride OLAP stocke les données dans la base relationnelle source et les
agrégats dans une structure multidimensionnelle. Il présente un compromis entre
MOLAP et ROLAP combinant les avantages des deux architectures. Les temps de
réponse dépendent des requêtes et des données à récupérer.
Andriniaina Andriamanoelison 26
2.2 Le concept OLAP
D’autres systèmes se basent sur d’autres architectures différentes mais ce sont les
architectures évoquées ci-dessus qui sont les plus répandues et les plus adoptées par les
fournisseurs de solutions OLAP.
Andriniaina Andriamanoelison 27
2.2 Le concept OLAP
Définition : un cube OLAP est une structure de données supérieure aux bases de
données relationnelles grâce à une analyse rapide des données.
Pour naviguer dans les données de l’entrepôt, un serveur OLAP va construire un cube
multidimensionnel ou simuler ce cube selon l’architecture du serveur.
Mécanisme d’exploitation
Les outils OLAP utilisent des opérations particulières pour la navigation dans les hyper
cubes :
Slice
Dice
Drill-up
Drill-down
Pivot
Andriniaina Andriamanoelison 28
2.2 Le concept OLAP
2.2.1. Slice
Figure 9 Slicing
2.2.2. Dice
L’opération dice sélectionne des données en appliquant une sélection sur plusieurs
dimensions. Elle est semblable à slice mais fonctionne un peu différemment. En slice, le
filtrage est fait pour se concentrer sur un attribut particulier tandis qu’en dice, il est davantage
une fonction de zoom qui sélectionne un sous-ensemble pour toutes les dimensions mais pour
des valeurs spécifiques de la dimension.
Andriniaina Andriamanoelison 29
2.2 Le concept OLAP
Figure 10 Dicing
Figure 11 Roll-up
Andriniaina Andriamanoelison 30
2.2 Le concept OLAP
Figure 12 Drill-down
2.2.5. Pivot
L’opération pivot fait pivoter les axes de données pour afficher les données de
différentes perspectives.
Andriniaina Andriamanoelison 31
2.2 Le concept OLAP
Figure 13 Pivot
Toutes ces méthodes sont utilisées pour présenter les informations dans le DW de
diverses manières utiles et différentes.
Langage de requêtes
Les BD relationnels utilisent le SQL comme langage de requêtes mais les cubes OLAP
ont ses propres langages. C’est un langage de calcul avec une syntaxe similaire à celle des
tableurs.
Il n’y a pas de langage universel mais le plus utilisé est le MDX qui a été inventé par
Mosha Pasumansky au sein de Microsoft et fut présenté pour la première fois en 1997.
Andriniaina Andriamanoelison 32
2.2 Le concept OLAP
Cependant, il existe des différences majeures entre les deux langages. La principale
différence est la capacité de MDX à référencer plusieurs dimensions. MDX fournit des
commandes conçues spécifiquement pour extraire des données en tant que structures de
données multidimensionnelles avec un nombre quelconque de dimensions.
Andriniaina Andriamanoelison 33
2.3 Alimentation du Data Warehouse
Clause SELECT Pour définir la disposition des Pour définir les axes
colonnes pour une requête
Clause WHERE Pour filtrer les données Pour fournir une tranche des
renvoyées par une requête données renvoyées par une requête
L’intégration des données d’un DW est capitale pour une entreprise en raison que si les
données entreposées dans le DW ne sont pas correctes ou non mises à jour, les décisions
prises par la société seront fausses. L’intégration des données définit le processus
d’alimentation du DW.
L’extraction consiste à extraire des données des systèmes sources de l’organisation pour
les utiliser ultérieurement dans l’entrepôt. C’est la première étape du processus ETL.
Andriniaina Andriamanoelison 34
2.3 Alimentation du Data Warehouse
La conception et la création du processus d’extraction est souvent l’une des tâches les
plus fastidieuses du processus ETL et, en fait, de tout le processus d’entreposage de données.
Les systèmes sources peuvent être très complexes et peu documentés, ce qui rend
difficile la détermination des données à extraire.
Les données doivent être extraites normalement non seulement une fois, mais plusieurs
fois de manière périodique pour fournir toutes les données modifiées à l’entrepôt et le
maintenir à jour. De plus, les systèmes sources ne peuvent généralement pas être modifiés et
ses performances ou ses disponibilités ne peuvent pas être ajustées pour répondre aux besoins
du processus d’extraction du DW.
L’extraction des données dépend fortement des systèmes sources et aussi des besoins de
l’entreprise.
Après l’extraction, les données sont transformées avant d’être stockées dans le DW.
Elle consiste à convertir des données d’un format ou d’une structure dans un autre format ou
une autre structure.
C’est la dernière phase du processus ETL qui consiste à charger les données nettoyées
durant la phase précédente dans le DW. Elle dépend en grande partie de l’utilisation finale des
données une fois chargées dans l’entrepôt.
Le processus ETL met à jour le magasin de données avec les nouveaux enregistrements
dans les bases de données sources.
Andriniaina Andriamanoelison 35
2.3 Alimentation du Data Warehouse
Andriniaina Andriamanoelison 36
Chapitre 3
Implémentation
Après une étude comparative, le choix a été porté sur « Talend open studio » un outil
ETL 100% Open Source et gratuit. C’est un outil facile à prendre en main. L’inter-
connectivité entre toute source de données existante (des SGBD ou des fichiers plats, …)
représente un avantage non négligeable. De plus Talend offre une grande souplesse
d’utilisation fonctionnant sur du Java et on peut ajouter nos propres codes.
TIBCO Jaspersoft Studio est un logiciel qui aide à concevoir et à exécuter des modèles
de rapport ; écrire des expressions complexes ; mettre en page des composants visuels tels que
des graphiques, cartes, tableaux, tableaux croisés [7].
TIBCO JasperReports Server est un serveur de reporting qui fournit des rapports et des
analyses pouvant être intégrés à une application Web ou mobile. JasperReports Server est
optimisé pour partager, sécuriser et gérer de manière centralisée les rapports Jaspersoft et les
vues analytiques [8]. Elle contient un moteur ROLAP « Mondrian » pour implémenter les
cubes conçus pour l’analyse multidimensionnelle.
3.2 Implémentation
Talend et Jasper possèdent tous les deux une plateforme communautaire pour les
développeurs améliorant leur capacité à collaborer, obtenir une assistance technique, partager
leur expertise.
NetBeans est un environnement de développement intégré (ou IDE en anglais), open source
permettant de développer des applications avec plusieurs langage de programmation. L’IDE
est orientée pour supporter plusieurs projets simultanément.
3.2. Implémentation
Le DW est construit pour répondre aux attentes des utilisateurs. Cela ne peut,
évidemment, se faire sans une étude approfondie de leurs besoins.
La société possède sept (7) départements qui utilisent les données venantes du guichet
unique électronique, l’analyse des besoins s’est donc faite sur ces différents départements de
la société.
Andriniaina Andriamanoelison 38
3.2 Implémentation
Profiler Evaluation des risques sur les données anticipées des marchandises et
suggestion d’un canal de dédouanement adéquat de manière à atténuer les
risques tout en facilitant le commerce légitime
Chaque entretien a grandement aidé à l’identification des exigences des utilisateurs mais
les usagers ne peuvent pas savoir tous leurs besoins. Néanmoins l’étude des rapports déjà
existants a contribué à la détection des besoins.
L’étape ETL
La base de données du DW a été implémenté sous le SGBD Oracle. Cette SGBD est
connue pour ses performances par rapports aux bases de données volumineuses.
Andriniaina Andriamanoelison 39
3.2 Implémentation
Pour garder l’entrepôt à jour, le processus ETL est planifié à intervalles réguliers. Le
transfert des données des bases de données de production vers le DW a lieu toutes les nuits où
il n’y a pas de transaction.
Chaque département aura son propre cube pour effectuer ses analyses. Le tableau
suivant donne le détail de la conception des cubes :
Afin de pouvoir spécifier au serveur quels sont les dimensions et les faits (parce que les
cubes utilisés ont une architecture ROLAP), on a utilisé jaspersoft schéma workbench pour la
création des schémas des cubes.
Andriniaina Andriamanoelison 40
3.2 Implémentation
Une fois les cubes conçus, l’interface utilisateur Jaspersoft OLAP intégrée dans
JasperReports Server associe les schémas, la source de données et les requêtes MDX dans des
vues d’analyse interactives, offrant aux utilisateurs finaux les rapports et les analyses dont ils
ont besoin pour prendre de meilleures décisions [10].
L’élaboration du rapport est facile et intuitive, tout comme la navigation dans le cube de
données. Grâce à Jaspersoft OLAP on peut accéder rapidement et facilement aux données via
une interface Web. Explorer les données en pivotant, en filtrant, en visualisant et en
définissant des alertes en fonction des valeurs des données. Prendre des décisions
commerciales éclairées en identifiant les tendances, les anomalies et les corrélations dans les
données.
Andriniaina Andriamanoelison 41
3.3 Le suivi des rapports
Les chefs des départements utilisent les reporting pour superviser les actions et résultats
de l’organisation que ce soit en interne ou en externe. Ces rapports sont définis selon un
format prédéterminé et sont publiés et diffusés périodiquement suivant la demande des
utilisateurs.
Pour cela, on a développé une application web pour gérer ces demandes et aussi avoir
une traçabilité.
Andriniaina Andriamanoelison 42
3.3 Le suivi des rapports
L’application
L’utilisateur de cette application peut créer, modifier, envoyer et annuler une demande.
Pour créer une demande, l’utilisateur remplisse les informations sur le rapport (titre,
description, champs demandé) grâce à un formulaire. Les colonnes demandeur et date de la
demande sont remplis automatiquement par le login de l'utilisateur et la date d’enregistrement
de cette demande.
Après avoir créé une demande, cette dernière sera stockée dans une base de données
avec un statut vide. Les actions Envoyer et Annuler sont en fonction de ce statut :
décide d’envoyer sa demande (en cliquant sur , l’équipe responsable des données
reçoivent un mail automatique à propos de la demande.
1
Un Framework désigne un ensemble cohérent de composants logiciels structurels, qui sert à créer les
fondations ainsi que les grandes lignes de tout ou d’une partie d’un logiciel.
Andriniaina Andriamanoelison 43
3.3 Le suivi des rapports
sa demande (en cliquant sur , l’équipe responsable des données reçoivent un mail
automatique indiquant que l’utilisateur a annulé sa demande.
Dès qu’une personne de l’équipe a fini de traité la demande, elle va alerter les autres membres
avec l’application (en cliquant sur ). Le statut de la demande sera alors « terminé » et
aucune action ne pourra plus lui être faite.
Andriniaina Andriamanoelison 44
3.3 Le suivi des rapports
Andriniaina Andriamanoelison 45
Conclusion
La société GasyNet utilise beaucoup de données qui sont dispersées sur plusieurs bases
de données. L’intégration de ces données dans un Data Warehouse a permis de les regrouper
et de les rendre homogènes après quelques transformations. Ces données sont intégrées dans
l’entrepôt à l’aide du logiciel Talend. Les informations sont présentées de manière intuitive
grâce à l’interface web de JasperReports Server.
BIBLIOGRAPHIE
[1] B. Azvine, Z. Cui, D; D. Nauck, Towards real-time business intelligence, BT Technology Journal,
23(3), 2005.
WEBOGRAPHIE
Ce travail a donc pour vocation la réalisation de cet entrepôt à travers des analyses et études
approfondies.
Abstract
For GasyNet, the data used during the clearance process in Madagascar needs to be
centralized and standardized to speed up this process. This need leads to the setting up of a
Data Warehouse. This new system will meet the needs of users to have the right information
at the right time.
This work is therefore aimed at the realization of this warehouse through in-depth analyzes
and studies.