Titre du cours : Intelligence d’affaires et gestion des

entrepôts de données
Examen final
(BI et Data Warehousing)
Code officiel : 420-BD5-BB
Programme d’études : Big Data
Session visée par le cours : session 2
Discipline : informatique
Professeure Soraya Ferdenache
Examen Final
20%
Pondération l’autre 20% viendra de la pratique faite
dans le TP
Durée 2h
Date 12/04/2021
Documents autorisés NON

(1 pt par Nom Kharrat Ahmed

question) Note

1
A. VRAI / FAUX
Pour toutes les questions, vous devez justifier votre réponse
1. Le langage de programmation utilisé pour les requêtes sur SSAS est le
même que celui utilisé sur un DW Vrai Faux

Justifier :

SAS utilise SQL; DW utilise DAX ou MDX .

2. L’avantage principal des cubes OLAP, versus les data mart est que les Vrai Faux
cubes exécutent les calculs d’agrégats plus rapidement.
Justifier:

Data Mart est une collection de données d'un processus métier spécifique. Peu importe comment les
données sont stockées. Un cube dans OLTP stocke les données d'une manière spéciale, en plusieurs
dimensions, contrairement à une table avec ligne et colonne. Le cube permet d’agréger les données. Donc
quand la base de donnes est crée les agrégations sont déjà présentes et c’est inutile de le calculer.

3. La compression des données présente plus d’avantages pour les data Vrai Faux
mart que les BDs OLTP
Justifier:

A chaque mise à jour, les données dans les systèmes OLTP doivent être décompressées et compressées à
nouveau

4. On peut avoir une seule DSV dans un projet SSAS. Elle contiendra le Vrai Faux
méta de tout le DW
Justifier:

5. Un index non cluster est plus performant qu’un index cluster Vrai Faux

Justifier:

Non cluster : la table et l’index sont séparés. Alors que dans l’index Cluster c’est l’inverse. Les donnés sont
triés souvent par rapport a la PK ( primary key ), ce qui le rend plus rapide et requiert moins de mémoire
pour les opérations

2
B. Questions à développement
1. Compléter la légende du schéma suivant :

1) Indiquer c’est
quoi dimensions
2) C’est quoi et Attribut : Un attribut de dimension est une colonne
quel est dans une table de dimension. Chaque attribut décrit
l’intérêt les dimensions. Les attributs de dimension décrivent
les éléments de dimension en termes familiers aux
utilisateurs.

3) C’est quoi, Mesures : Elle représente une colonne qui contient

intérêt et des données quantifiables, généralement

3
donner un numériques, qui peuvent être agrégées. Comme la
exemple somme ou la moyennes des livres au US en
Décembre 2017.

4
2. Soit l’image suivante :

a. Indiquer la signification des Relations entre les tables

différentes lignes entre les 2
entités.
b. À quel cas de modélisation ça tabulaire
correspond ?
c. Pourquoi certaines lignes
sont pointillées et d’autres
non ?
3. Faites correspondre les étapes de création d’un cube et celles de la mise
en place d’une solution tabulaire (à chaque étape donner son
équivalent, s’il y a des étapes qui n’ont pas d’équivalent, l’indiquer.
Solution OLAP Solution tabulaire
Créer une source de donnees Créer une source de donnees

Créer une vue de source de données
Créer et configurer les dimensions
Créer et configurer les cubes
Créer une vue de source de données
Créer et gérer des relations
Créer des colonnes calculées
Créer des mesures
Créer des hiérarchies
Créer des indicateurs de performance clés (KPI)
Déployer

Déployer le cube
Traiter le cube

5
4. Il existe au moins 2 manières qui permettent d’aplatir le modèle de
données (selon Kimball) avant de les exploiter dans la création de cubes.
Indiquer ces 2 manières et résumer les avantages et les inconvénients
de chacune d’elles.
dimension dégénérée
Dans un entrepôt de données, une dimension dégénérée est une clé de
dimension dans la table de faits qui n'a pas sa propre table de dimension,
car tous les attributs intéressants ont été placés dans des dimensions
analytiques. Donc c’est une Clé de la table de faits n'ayant aucun attribut
autre qu'elles-mêmes;

Avantage :
Évitez une jointure entre deux tables avec une relation un-à-plusieurs

Inconvénient : Augmenter la taille de la table des faits

Utiliser une table pont (bridge table) entre les dimension qui ont une
Relation Many to Many :

*- eviter les doublons