Académique Documents
Professionnel Documents
Culture Documents
La Conception physique
des données
Pr. I.Salhi
i.salhi@emsi.ma
Conception de Sélection et
l’architecture installationdes Croissance
technique produits
Définition
Planification Conception et
des Modélisation Conception
de projet / développement Déploiement
besoins des données physique
programme du système ETL
d’affaires
Locations Product
• NA (North America) •Computer Component
• Euro • Modems
• Asia •Wireless Mouse
•Africa •Other Components
26 174 100
• CellPhones
Time •Radar Detector
80 • 2000
100
• Q1, Q2,Q3,Q4
52
• 2001
28
• Q1, Q2,Q3,Q4
33 80 • 2002
• Q1, Q2,Q3,Q4
• 2003
•Q1, Q2,Q3,Q4
-18-
Data Warehouse
Slice
Product =« wireless Mouse »
28 52
80
Dice for
Product=« Cellphones » And
Location=« NA » And
Year=« 2000 »
26 174 100
100 80
28 52
33 80
Computer
components 28 100 80 52
Other
59 254 100
components 26 174 100
28 52 100 80
33 80 28 52
33 80
L’opérateur pivot
● Changement d’axes
Roll-up
Slice
(dim. Produit)
(dim. Produit) Drill-down
(dim. Produit)
Produit 2 Catégorie 1 Catégorie 2 Catégorie 3 …
Client 1 Client 1
Client 2 Client 2
Client 3 Client 3
… …
SELECT noClient,noArticle,SUM(montant)
FROM Vente
GROUP BY CUBE(noClient,noArticle)
Article
NOCLIENT NOARTICLE SUM(MONTANT)
1 10 500
1 20 200
Client
1 40 100
1 50 200
1 60 200
1 1200
2 10 700
2 20 300
2 60 400
Article
Article
2 1400
3 10 1000
3 20 400
3 40 100
3 50 200 Client Client
3 1700
4 10 300
4 60 500
4 800
10 2500
20 900
40 200
Article
50 400
60 1100
5100
Client
15
Data Warehouse
10 20 40 50 60 total
16
Data Warehouse
Requêtes analytiques
■ Exemple:
– 300 magasins;
– 40,000 produits;
– 80 marques (500 produits par marque);
– Environ une vente à chaque semaine, pour chaque produit, dans
chaque magasin.
■ Requête sur 1 produit, 1 magasin, 1 semaine:
– Agrégation de 1 ligne de la table de faits.
■ Requête sur 1 produit, tous les magasins, 1 semaine:
– Agrégation de 300 lignes de la table de faits.
■ Requête sur 1 marque, tous les magasins, 1 année:
– Agrégation de 7,800,000 lignes de la tables de faits.
18
Data Warehouse
Stratégie d'agrégation
Approches d’agrégations
• Relational OLAP (ROLAP):
– Utilise les BD relationnelles standards (ex: vues
matérialisées).
• Multidimensional OLAP (MOLAP):
– BD multidimensionnelles (cubes de données);
– Technologie différente des BD relationnelles (ex:
tableaux compressés).
• Approche hybride(HOLAP):
– Combine les avantages du MOLAP et ROLAP;
– Implémentée dans la plupart des produits
commerciaux.
© 2022 Pr, I Salhi
20
Data Warehouse
Agrégation par vues matérialisées
(ROLAP)
BD multi-dimensionnelles (MOLAP)
• Exemple de cube OLAP:
BD (Hybrid-OLAP)
BD (Hybrid-OLAP)
BD (Hybrid-OLAP)
BD (Hybrid-OLAP)
Exercice d’application
La société Chausséria, installée dans la région Rhône-Alpes, désire construire un entrepôt de
données pour suivre l'évolution de ses ventes de chaussures. L’entreprise Chausséria dispose de
deux magasins « Chauss_Lyon » et « Chauss_Bron » et vend plusieurs modèles de chaussures. Soit
la représentation relationnelle du data Mart Chausseria_01_02.
Exercice d’application
Exercice d’application
2. Calculer l’opérateur CUBE sur le data mart Chausseria_01_02 avec l’approche MOLAP.
3. Calculer l’opérateur CUBE sur le data mart Chausseria_01_02 avec l’approche ROLAP.