Les entrepôts de données :

DataWarehouse

Akram Khemiri
Les SI décisionnels
 Objectif :
– Améliorer les fonctions de prise de décision
 Moyens :
– Répondre aux requêtes d’analyse des décideurs
 Comment faire ?
– Extraire de la connaissance et de l’information
synthétique à partir de données disséminées dans
le système d’information opérationnel
Les SI décisionnels
 Exemples Requêtes type du décisionnel :
 Qui sont mes clients ? Pourquoi sont-ils mes
clients ? Comment les conserver ou les faire
revenir ? Ces clients sont-ils intéressants pour moi
?
 Où placer ce produit dans les rayons ? Comment
cibler plus précisément le mailing concernant ce
produit ?
 Etc.
Problématique des SI décisionnel
 Une masse importante de données :
– Distribuée
– Hétérogène
– Très détaillée par rapport aux besoins d’analyse
 Traitement de ces données :
– Synthétiser
– Visualiser
– Analyser
 Les utilisateurs :
– Experts et analystes par métier
– Non informaticiens
Le DataWarehouse
 Un système d’information dédié aux
systèmes de décision
 Préalable :
– Des BD de production (Système
d’Information opérationnel)
 Résultat :
– Prise de décision
OLTP versus OLAP
 OLTP = On Line Transaction
Processing
– Systèmes de gestion de données dédiés
aux SI opérationnels
 OLAP = On Line Analysis Processing
– Systèmes de gestion de données dédiés
aux SI décisionnels
OLTP versus OLAP
Raports
&
Appli.
Appli. OLAP Analyses
Applicationsi.

ETL
DW
OLTPP

DM Aides à
la décision
OLTP versus OLAP
Bases de Entrepôt de
Production Données
(OLTP) (DW)
Atomiques Résumés
Données Orientées Orientées sujet
applications Historisées
À jour Statiques
Dynamiques

Employés de Analystes
Utilisateurs bureau Peu nombreux
Nombreux Non concurrents
Concurrents Interrogations
Mises à jour Requêtes
Requêtes spécifiques
prédéfinies Réponses moins
Réponses rapides
immédiates Accès à bcp
Accès à peu de d’information
données
 Evolution du marché de l’OLAP
18
16
14
CA en Milliards de $

12
10
8
6
4
2
0
1994 1995 1996 1997 1998 1999 2000 2001
Années
Motivations des entreprises
 Besoin des entreprises
– accéder à toutes les données de l’entreprise
– regrouper les informations disséminées
– analyser et prendre des décisions rapidement (OLAP)
 Exemples d'applications concernées
– Grande distribution : marketing, maintenance, ...
• produits à succès, modes, habitudes d’achat
• préférences par secteurs géographiques
– Bancaire : suivi des clients, gestion de portefeuilles
• mailing ciblés pour le marketing
– Télécommunications : pannes, fraudes, mobiles, ...
• classification des clients, détection fraudes, fuites de clients
Définition d’un entrepôt de
données
 Entrepôt de données
– Ensemble de données historisées variant dans le
temps, organisé par sujets, consolidé dans une
base de données unique, géré dans un
environnement de stockage particulier, aidant à la
prise de décision dans l’entreprise.
 Trois fonctions essentielles :
– collecte de données de bases existantes et
chargement
– gestion des données dans l’entrepôt
– analyse de données pour la prise de décision
Schéma de la suite décisionnelle
DataMart (Magazin de données)
 sous-ensemble de données [extrait du DW] et
ciblé sur un sujet unique
Bases
Data Warehouse multidimensionnelles

Bases de
production

Data Marts
SGBD
relationnel

Outils
Bases
d’alimentation
Bases externes relationnelles
 Architecture fonctionnelle
exploration
analyse

Niveau BD
fusion Entrepôt
Médiateur

Transformation, fusion
Ni-
Moniteur/Adaptateur Moniteur/Adaptateur Moniteur/Adaptateur veau
Ex-
BD source trac-
Source BD source
tion
Données BD légataires Données
externes opérationnelles
Niveau extraction de données
 Réalisé par un moniteur
– Approche push : détecte les m-a-j sur les
bases sources et les envoie vers l ’entrepôt
(triggers, etc.)
– Approche pull : activé périodiquement
Niveau fusion
 Intégration des données provenant de
sources éventuellement hétérogène
 Respect de la modélisation par sujet
 Chargement initial de l ’entrepôt
 Rafraîchissement de l’entrepôt
Niveau exploitation de données
 Analyse et exploration des données
entreposées
 Formulation de requêtes complexes
 extrapolation
 découverte de connaissances
 utilisation d ’outils graphiques
 Fichiers Moniteur Adaptateur Médiateur

BD de production

BD externe
Moniteur de source (Source
Monitor)
 Composant capable de détecter les
mises-à-jour effectuées suer la source
et de repérer les données à envoyer à
l ’entrepôt pour sa mise à niveau
ultérieure.
– Utilisation des triggers
– Interrogations périodiques
Adaptateur de source (source
wrapper)
 Composant capable de traduire les
requêtes et les données depuis le
modèle d ’une source locale vers le
modèle de l ’entrepôt et vice versa.
Le médiateur
 Logiciel capable de donner une vision
intégrée des différentes sources de
données de l ’entreprise et d ’extraire
par des requêtes des parties de cette
vue intégrée.
 2. Concevoir le DW
 Export de données des sources
– Hétérogènes et variées
– Fichiers, BD patrimoniales, Web, …
– Définition des vues exportées
 Définition d'un schéma global
– Intègre les données utiles
– S'appuie sur le modèle relationnel
 Nécessité d'une gestion de méta-données
– Description des sources
– Description des vues exportées
– Description du schéma global

Conception DW
Modélisation par sujet
Applications
Sujets
Production
Production Client

Gestion
Gestion
de
destocks
stocks Vendeur

Facturation
Facturation
Produit
Livraison
Livraison
 Organisation par sujet
 Les données sont organisées par sujets majeurs:
– Clients, produits, ventes, …
 Sujet = faits + dimensions
– Collecte les données utiles sur un sujet
• Exemple: ventes
– Synthétise une vue simple des événements à analyser
• Exemple: Ventes (N°, produit, période, magasin, )
– Détaille la vue selon les dimensions
• Exemple: Produits(IDprod, description, couleur, taille, …)
• Magasins(IDmag, nom, ville, dept, pays)
• Periodes(IDper, année, trimestre, mois, jour)

Conception DW
 Schémas en étoile
 Une table de faits encadrées par N tables de
dimensions
Produits
IDprod
Periodes Table de faits “ventes” description
couleur
IDper taille
année periode
fournisseur
trimestre produit
mois Magasins
magasin
jour
IDmag
unités_vendues nom
montant_ventes ville
département
taxes_ventes pays
Conception DW
 Schémas en flocons
 Raffinement du schéma étoile avec des tables
normalisées par dimensions
Produits Fournisseurs
IDprod IDfour
description description
couleur type
taille Adresse
Ventes IDfour
 Avantages
– Évite les redondances
– Conduit aux constellations (plusieurs tables de faits à
dimensions partagées)

Conception DW
 Conception du schéma intégré
 Isoler les faits à étudier
– Schéma des tables de faits
 Définir les dimensions
– Axes d'analyse
 Normaliser les dimensions
– Éclater en plusieurs tables liés par contraintes référentielles
 Intégrer l'ensemble
– Plusieurs tables de faits partagent quelques tables de
dimension (constellation d’étoiles)

Conception DW
 3. Alimenter le DW
 ETL = Extracteur+Intégrateur
– Extract + Transform + Load
 Extraction
– Depuis les bases sources ou les journaux
– Différentes techniques
• Push = règles (triggers)
• Pull = requêtes (queries)
– Périodique et répétée
• Dater ou marquer les données envoyées
– Difficulté
• Ne pas perturber les applications OLTP

L'alimentation
 Transformation
 Accès unifiés aux données
– Unification des modèles
• Traduction de fichiers, BD réseaux, annuaires en tables
• Evolution vers XML (modèle d'échange) plus riche
– Unification des accès
• Rowset, SQL limité, SQL complet, …
 Mapping plus ou moins sophistiqué
– Unification des noms
• Appeler pareil les mêmes choses et différemment les choses différentes
• Application des "business rules"
– Elimination des doubles
– Jointure, projection, agrégation (SUM, AVG)
 Cleaning des données

L'alimentation
 Data Cleaning
 Valeurs manquantes (nulles)
– Ignorer le tuple
– Remplacer par une valeur fixe ou par la moyenne
 Valeurs erronées ou inconsistantes
– Générées en présence de bruits
– Détecter par une analyse de voisinage
• Écart par rapport à la moyenne
• Factorisation en groupes (outliers)
– Remplacer par une valeur fixe ou par la moyenne
 Inspection manuelle de certaines données
possible

L'alimentation
 Chargement
 Pas de mise à jour
– Insertion de nouvelles données
– Archivage de données anciennes
 De gros volumes
– Périodicité parfois longue
– Chargement en blocs (bulk load)
– Mise à jour des index et résumés
 Problèmes
– Cohabitation avec l'OLAP ?
– Procédures de reprises ?

L'alimentation
 Principaux ETL (JDNet)
Parfois citée comme
Issue du rachat d'Acta, plate-forme ETL de
cette solution se propose référence par certains Extraction standard depuis:
de rendre accessible en Acta était le fournisseur
acteurs, mais pas ceux fichiers plats (C et Cobol),
"quasi-temps réel" les historique du premier Siebel, les SGBDR, Informix,
connecteur à SAP. de la business Teradata, Oracle Financials,
données les plus
Business Objects souvent accédées. L'un Partenaire notamment de ETI intelligence, ETI.Extract PeopleSoft HRMS, SAP R3 et
Siebel, Peoplesoft et ETI.Extract fonctionne avec des BW... Librairies pour toutes les
ActaWorks des éditeurs de bases de données ci-dessous,
JDEdwards. Interfaçage librairies pour supporter
référence dans le les entrepôts de sauf Hyperion, sur systèmes
domaine de l'ETL, qui avec Cognos, Hyperion, anciens et plus récents. Plugins
Actuate et Brio. données et des plugins ETI.Accelerator pour Siebel,
s'étend sur la partie additionnels en SQL/Teradata et les
middleware en intégrant prolongement middleware MQ (IBM, Tibco...).
aussi les transactions. d'applications précises.

DataStage XE est l'offre Plus de 40 connecteurs Entrepôts de données :

traditionnelle d'Ardent natifs vers des sources de Oracle, Sybase, Teradata,
données, dont Surtout connu pour son Hyperion Essbase, MS SQL
qu'Informix a racheté
offre de portail, Server et IBM DB2. Prise en
début 2000 avant IBM/Informix, Oracle,
Hummingbird fournit
Ascential qu'Ascential ne la Sybase, Teradata et IBM également une plate-forme
charge nouvelle des
DB2. Package complet formats de données : XML,
Software reprenne à son compte
dédié à SAP et à la Hummingbird ETL et EAI du nom de Genio
mainframe, SAP en natif,
lors de sa prise Suite, assez réputée. En
DataStage XE Genio Suite 5 outre, une offre de business
binaires, versions récentes
d'indépendance, tandis collection de modules des SGBDR. En EAI: Siebel,
MySAP. Partie analytique: intelligence classique,
qu'Informix partait chez SAP, support de MQ Series.
BI/Suite prolonge le portail.
IBM avec ses entrepôts Brio, Business Objects, Le roadmap prévoit
Mais il n'est pas question de
de données. SPSS et Crystal CRM analytique. Mais Genio l'intégration prochaine à
Decisions. Miner aggrège plus de des acteurs comme Brio,
15 algorithmes de BO, Cognos et
datamining différents. MicroStrategy.
Computer Associates est
plus connu pour ses
Connecteurs en direct
offres de sécurité, de Gamme extrêmement vaste
pour extraire les données L'une des plates-formes
surveillance et de gestion d'extraction / de connecteurs spécifiques
en temps réel depuis
d'infrastructures transformation de données aux sources de données pour
SAP, PeopleSoft et des
Computer réseaux/informatiques.
systèmes mainframes. les plus complètes et consolider tous les principaux
Mais son offre ETL entrepôts de données. Pour
Associates s'avère assez complète y Accès à de nombreuses Informatica
répandues. PowerCenter à
l'échelle de l'entreprise, et citer quelques acteurs du
DecisionBase sources de données dont CRM analytique en vrac:
compris pour maintenir PowerCenter 5 PowerMart à celle du
IBM/Informix, Oracle, Siebel, Business Objects,
l'intégrité des service ou du département.
Sybase, IBM DB2, HTML Oracle, Hyperion, Crystal
métadonnées sur toute la Informatica s'est
Decisions, Brio, SAP, Cognos,
chaîne de traitement. et fichiers txt. récemment engagé sur le
Peoplesoft, Kana, Nuance,
créneau des applications
L'outil ETL s'appelle Microstrategy... ainsi que les
analytiques, mais l'offre middleware MQ pour aller
Vision:Pursuit. ETL est indépendante. plus loin.

http://solutions.journaldunet.com/0208/020827_bi_panorama1.shtml
 4. Gérer l'entrepôt
 Base relationnelle
– Support de larges volumes (qq 100 gigas à qq téras)
– Historisation des données (fenêtres)
– Importance des agrégats et chargements en blocs
 Base spécialisée
– Base multidimensionnelle
– Combinaison des deux
 Machine support parallèle
– Multiprocesseurs
– Mémoire partagée, cluster, bus partagé, etc.

Le multidimensionnel
 Principaux systèmes (Jdnet)
Hyperion EssBase est l'entrepôt de
données multi-
Essbase
dimensionnel de
référence sur le marché
de la business
intelligence. Possibilité de
compléter avec l'offre
analytique d'Hyperion ou
des solutions tierces.
IBM DB2/Universal DataBase
est la base de données
DB2/UDB, relationnelle d'IBM. En
Informix XPS et Red Brick
rachetant Informix et son
activité bases de
données, Big Blue a
récupéré ses entrepôts de
données multi-
dimensionnels:
                  XPS
(datawarehouse), et     entrepôt de données
Red Brick (datamart).
Microsoft La version la plus récente
de la SGBDR (base de
SQL Server 2000
données relationnelle) de
Microsoft. A enrichi ses
fonctions OLAP avec
Analysis Services. Parmi
celles-ci: l'accès direct
aux cubes via le web, et
une extension data
mining.
http://solutions.journaldunet.com/0110/011025_crm_tableau2.shtml
Ce n'est pas à la base de
données de se connecter
aux applications mais aux
applications de se
connecter à la base de
données. Les accès vers
Essbase sont nombreux. Se
reporter aux autres
catégories pour savoir qui
accède à quelles sources.
Même remarque que pour
Hyperion, en particulier
pour DB2 qui est
relativement répandue. Se
renseigner sur les solutions
qui peuvent accéder
nativement aux différents
SGBD OLAP propriétaires
d'Informix.
Même remarque que pour
Hyperion. SQL Server est
très répandue, mais
souvent encore en version
7.0 qui peut aussi être
attaquée par la plupart des
solutions du commerce qui
fonctionnent sous Windows
Entrepôt de données
multi-dimensionnel avec Les solutions qui accèdent
des extensions de divers à Teradata sont a priori
types dont des formules un peu moins
NCR de data mining. Réputé nombreuses que pour
Teradata Database notamment pour ses Hyperion Essbase,
capacités de montée en Microsoft, IBM DB2,
charge sous Unix et Oracle et Sybase.
Windows 2000.
Dernière version de la
base de données
relationnelle de
l'éditeur, Oracle 9i est
Même remarque que pour
retaillée dans une
Oracle optique qui approfondit
Hyperion et Microsoft, car
Oracle 8i est encore très
Oracle 9i les fonctions dédiées à
répandue.
la business intelligence.
Peut également
fonctionner comme
OLAP.
IQ est la version
déclinée de la base de
données relationnelle de Même remarque que pour
Sybase Sybase, pour des Hyperion, IBM DB2,
Adaptive Server IQ besoins en rapport avec Oracle et Microsoft
la business intelligence,
donc aussi le CRM
analytique.
 Le multidimensionnel
 Dimensions:  Indicateurs:
– Temps – Nombre d’unités
– Géographie vendues
– Produits – CA
– Clients – Coût
– Canaux de ventes..... – Marge.....

Le multidimensionnel
 Cube de données

0
10
Date
NumFou 2002 350 600 300

0
15
2001 300 500 400

0
12
NumPro 2000 250 200 F2
F1
P1 P2 P3

Le multidimensionnel
 Le data cube et les dimensions

Axe d'analyse: La géographie

(Pays - région - ville)

Variables analysées:
Nb unités, CA, marge...

Axe d'analyse: Les produits

(classe, produit)

Axes d'analyse: dimensions

Axe d'analyse: Le temps Variables analysées: indicateurs
(Année, trimestre, mois, semaine)
Le multidimensionnel
 La granularité des dimensions

Temps Jours Mois Trimestres Années

Géographie Villes Régions Pays

Produits Numéros Types Gammes Marques

Le multidimensionnel
 Exemple
 Montant des ventes fonction de (Mois, région,
Produit)
Granularité des dimensions :
on
gi

Type Région Année

Ré

Catégorie Pays Trimestre

Produit

Produit Ville Mois Semaine

Magasin Jour

Mois
Le multidimensionnel
 La navigation multidimensionnelle

Projection en 2 dimensions Coupe d ’un cube

Produits Produits
pour une région donnée
CA CA

Région
Temps en semaines
Réduction selon 1 dimension
Produits Zoom selon une dimension
France

CA Est Sud Ouest

Temps en mois Lyon Marseille Nice

Le multidimensionnel
 L'algèbre des cubes
 Roll up :
– Agréger selon une dimension
• Semaine  Mois
 Drill down :
– Détailler selon une dimension
• Mois  Semaine
 Slice et Dice:
– Sélection et projection selon 1 axe
• Mois = 04-2003 ; Projeter(Région, Produit)
 Pivot :
– Tourne le cube pour visualiser une face
• (Région,Produit)(Région, Mois)

Le multidimensionnel
 Les vues d'un cube
 Partant d'un cube 3D, il est possible d'agréger selon
une dimension tournante
 On obtient un treillis de vues (calculable en SQL)

NumPro, NumFou, Date

NumPro, NumFouNumPro, DateNumFou, Date

NumPro NumFou Date

Le multidimensionnel
 Bilan Gestion
 La modélisation
multidimensionnelle est adaptée
à l ’analyse de données
 Le datacube est au centre du
processus décisionnel
– transformation et visualisation 3D
– une algèbre du cube
– De multiples techniques
d'optimisation
 Questions ?
– Combien de datacubes à partir de
N variables ?

Le multidimensionnel
 5. Implémentation
 Multidimensional OLAP (MOLAP)
– implémentent les cubes comme des matrices en
mémoire
 Relational OLAP (ROLAP)
– implémentent les cubes comme des tables
relationnelles
 Hybrid systems (HOLAP ou MROLAP)
– certaines données en matrices en mémoires,
d'autres en tables sur disques

Implémentation
 ROLAP versus MOLAP
SQL+Cube SQL+Cube
Opérateurs Cache Cube
décisionnels
Analyseur
SQL
Optimiseur
Analyseur
Opérateurs Optimiseur
Opérateurs décisionnels
relationnels Opérateurs
Cache SGBD relationnels Cache SGBD

Implémentation
 Evolution des SGBD
 Utilisation intensive des calculs
d'agrégats
– Optimisation, concrétisation
 Nouvelles fonctions de SQL
– Fonctions agrégats
• Rank, Moving Average, Rollup, Cube, ...
– Fonctions statistiques:
• Pivot, Standard déviation, Covariance,
Corrélation …

Implémentation
 Vues Concrètes
 CREATE MATERIALIZED VIEW <Table>
(column_list) AS
SELECT …
 La vue est pré-calculée par le SGBD
– Pré-calcul des agrégats et jointures
 Elle est maintenue lors des mises à jour
 Les requêtes sont reformulées contre la vue
d'une manière transparente pour l'usager

Implémentation
 Exemple

 Table:
Emp(#emp, job, salary)
 Définition de la vue:
CREATE MATERIALIZEDVIEW  
job_avg_sal
AS select job, avg(sal) avg_sal  
FROM emp  
GROUP BY job;
 Interrogation de la vue:
SELECT job FROM job_avg_sal
WHERE avg_sal > 10000

Implémentation
 Extension de SQL
 ROLLUP:  CUBE:
– SELECT <column list> – SELECT <column list>
– FROM <table…> – FROM <table…>
– GROUP BY – GROUP BY
ROLLUP(column_list); CUBE(column_list);
 Crée des agrégats à  Crée 2n combinaisons
n+1 niveaux, n étant le d'agrégats, n étant le
nombre de colonne de nombre de colonne de
groupage groupage
– n, n-1, n-2,…0 colonnes

Implémentation
 Exemple CUBE

An i ma l Li e u Qu a n t i t e An i ma l Li e u Qu a n t i t e
Ch i e n Pa r i s 12 Ch a t Pa r i s 18
Ch a t Pa r i s 18 Ch a t Na p l e s 9
To r t u e Ro me 4 Ch a t - 27
Ch i e n Ro me 14 Ch i e n Pa r i s 12
Ch a t Na p l e s 9 Ch i e n Na p l e s 5
Ch i e n Na p l e s 5 Ch i e n Ro me 14
To r t u e Na p l e s 1 Ch i e n - 31
 SELECT Animal, Lieu, To r t u e Na p l e s 1
SUM(Quantite) as Quantite To r t u e Ro me 4
FROM Animaux  To r t u e - 5
GROUP BY Animal, Magasin  - - 63
WITH CUBE - Pa r i s 30
- Na p l e s 15
- Ro me 18
Implémentation
 Exemple ROLLUP

An i ma l Li e u Qu a n t i t e
An i ma l Li e u Qu a n t i t e
Ch i e n Pa r i s 12 Ch a t Pa r i s 18
Ch a t Pa r i s 18 Ch a t Na p l e s 9
To r t u e Ro me 4
Ch a t - 27
Ch i e n Ro me 14
Ch a t Na p l e s 9
Ch i e n Pa r i s 12
Ch i e n Na p l e s 5 Ch i e n Na p l e s 5
To r t u e Na p l e s 1 Ch i e n Ro me 14
 SELECT Animal, Lieu, Ch i e n - 31
SUM(Quantite) as Quantite To r t u e Na p l e s 1
FROM Animaux  To r t u e Ro me 4
GROUP BY Animal,Magasin  To r t u e - 5
WITH ROLLUP - - 63

Implémentation
 Méta-données
 Standard en émergence
CWM
MOF
– Common Warehouse Meta-
Méta-méta-modèle
model
 Basé sur le méta-modèle
objet de l'OMG (MOF)
– Constructions de base:
classe (attribut, operation), Méta-modèle UML CWM EJB
association, package, type
de données, contraintes
– Extensions: métaclasses, Modèle Vente
numv Méta-données
métarelations numpro
quantité
prixtot
 Défini en UML
 Echangé en XML (XMi)
Instance Objet

Implémentation
 Les Packages CWM

Management Warehouse Warehouse

Process Operation

Analysis Transformation OLAP

Data Information Business
Mining Visualization Nomenclature
Object-
Resources Relational
Record- Multi
XML
Oriented
Oriented Dimensional
(ObjectModel)

Foundation Business Data Keys Type Software

Expressions
InformationTypes Index Mapping Deployment

ObjectModel
(Core, Behavioral, Relationships, Instance)

Chaque package est défini en UML ...

Implémentation
 Quelques outils OLAP
 Oracle  Cognos
– OLAP API = Datacube – Impromptu = Reporting
– Express = Analyse – Powerplay = Datacube
– Report = Reporting
– Query = Requêtage
 Business Object  Hyperion
– BusinessQuery =
Requêtage – ESS Base = Base
– BusinessObject = MOLAP
Requêtage + Analyse + – ESS Analysis= Analyse +
Reporting Datacube
– WebIntelligence =
Datacube

Implémentation
 6. Le marché du BI
BI= Business Intelligence

Data PRO Users Survey

Conclusion
Pliage et dépliage (3)
 Dépliage (Drilldown) :
– Extension d ’une dimension du cube en la
remplaçant par une dimension à grain plus
fins, donc en allant du global vers le détail.
 Exemple : Cube(Fournisseurs, Année, Pays)
– Drilldown(Année Mois), Drilldown (Année Mois
Jours);
– Drilldown(Fournisseurs Produits).
Pliage et dépliage (4)
 Pliage (Rollup) :
– Réduction d ’une dimension du cube en la
remplaçant par une dimension à grain plus
large, donc en allant du détail vers le global.
 Exemple : Cube(Produits, Date, Ville)
– Rollup(Année Mois), Rollup(Année);
– Rollup(Pays Région), Rollup(Pays)
– Rollup(Fournisseurs)
Coupe du cube (slice)
 Sélection de tranches du cube par des
prédicats selon une dimension.
 Exemple : Cube (Produits, Date, Ville)

Axe des dates : slice(10-02-98), slice(>1998

And < 1999)
Axe des produits : Slice(« Ordinateurs »);
Combinaison des opérateurs
 Il est possible de combiner les
opérateurs de pliage, dépliage et coupe.
 Exemple :

Slice(« Paris »)
[Drilldown (Ville)
[Rollup (Année, mois)
[slice(> 1998 AND <1999) [Cube]]]].