Ce cours, construit autour de nombreux cas pratiques, vous donnera une idée précise de la démarche de modélisation en étoile dans le cadre du projet Data Warehouse. Vous verrez pourquoi elle est l’expression même du besoin de la maîtrise d’ouvrage et comment elle permet de faire converger la vision des opérationnels, des analystes et des pilotes sur les activités de l’entreprise.
Description
Durée : 28 heures
Modalités techniques d’évaluation : Évaluation des connaissances par QCM, évaluation des compétences au travers de travaux pratiques et de cas d’études. Contrôle de l’acquisition des connaissances et des compétences pendant la formation par le formateur.
Moyens pédagogiques : Apports théoriques réalisés en classe et complétés par de nombreux travaux pratiques permettent aux participants de disposer d’une expérience concrète. A l’issue des sessions magistrales, réalisation de cas d’études tutorés.
Objectifs pédagogiques
À l’issue de la formation, le participant sera en mesure de :
- Conduire des interviews pour recueillir les besoins d’analyse auprès des métiers
- Définir les critères de qualité d’un Data Warehouse
- A partir d’un cahier des charges d’analyse, identifier les dimensions et les faits à placer dans le modèle
- Concevoir et décrire un macro-modèle en étoile
- Optimiser le modèle en étoile en vue de la prise en compte de la volumétrie et des problématiques de reporting
- Décrire une architecture de chargement des données dans le modèle en étoile décrit
Introduction et rappels
- Qu’est-ce qu’un système d’information décisionnel ?
- Evolution des exigences de décision dans le contexte actuel.
- Infocentres, SIAD, EIS, Data Warehouse, définition et positionnement.
- Comprendre la finalité de l’approche Data Warehouse.
Les architectures en réponse aux besoins décisionnels
- Les composants principaux, Data Warehouse, ODS ou « staging area », datamarts.
- Les architectures proposées par Kimball et Inmon. Avantages et inconvénients.
- Positionnement du modèle en étoile dans le Data Warehouse selon l’architecture.
- Les phases du cycle de vie d’un Data Warehouse.
- Les critères de qualité d’un Data Warehouse.
- La notion de métadonnée, de référentiel.
Réflexion collective
Définition des critères de qualité d’un Data Warehouse.
Principes et définitions de base sur la modélisation en étoile
- Rappels sur la modélisation des bases de données opérationnelles.
- Différences entre OLTP et OLAP.
- Entités, attributs, cardinalités, formes normales.
- Le principe de la dénormalisation pour concevoir un modèle en étoile.
- Comprendre les notions de fait, dimension et axe d’analyse.
- Les alternatives de modélisation : modèle en flocon, en galaxie.
- Les règles et bonnes pratiques de modélisation en étoile. Proposition alternative de Kortink et Moody.
Etude de cas
A partir d’un cahier des charges d’analyse, identifier les dimensions et faits principaux d’un modèle.
Conception du modèle en étoile
- Organisation et synthèse des interviews utilisateur pour le recueil du besoin.
- Compréhension et identification des processus métiers à modéliser.
- Choix des dimensions d’analyse.
- Création de hiérarchies dans les dimensions.
- Identification des mesures et croisements avec les dimensions.
- Définition de la granularité de l’analyse.
- Définition des règles d’agrégation.
- Utilisation d’outils de modélisation.
Exercice
A partir d’objectifs fournis par la MOA, réaliser un macro-modèle, en reliant les dimensions.
Optimisation fonctionnelle du modèle en étoile
- Gestion de l’évolution des référentiels et du changement des nomenclatures.
- Gestion des dimensions à évolution lente et rapide.
- Les clés de substitution.
- Gestion de la qualité, fiabilité des données.
- Gestion du contexte non renseigné ou inconnu.
- Les dimensions dégénérées.
Echanges
Décrire l’impact d’un changement donné à partir d’un modèle proposé. Optimisation du modèle pour son évolution.
Replacer la modélisation dans le cadre du projet décisionnel
- Présentation de la méthode Kimball et Inmon pour l’organisation du projet.
- Les acteurs et livrables du projet.
- Recueil des besoins métier. Formalisation des exigences techniques et d’organisation.
- Identification des priorités et du périmètre pilote.
- Modélisation des informations.
- Choix de l’infrastructure. Implémentation et recette.
- Déploiement et maintenance du modèle.
- Gestion des historiques.
Jeu de rôle
Conduite d’interview de recueil de besoin pour l’analyse.
Optimisation physique du modèle
- Gestion de la performance des requêtes.
- Estimation de l’espace disque requis pour le modèle.
- Limitation de la taille occupée par une dimension.
- Agrégation directe de certains éléments dans les tables.
- Dimensions techniques pour assurer la traçabilité des faits.
Exercice
Estimations de volumétrie moyenne sur quelques cas d’analyse.
Alimentation du modèle en étoile
- Contraintes des systèmes opérationnels sources.
- Rôle des ODS dans l’alimentation.
- L’organisation des traitements dans la DSA (Data Staging Area).
- Les différents types d’alimentation (delta, stock, complète).
- Les étapes, les règles et les prérequis de l’alimentation.
- Gestion des rejets.
- Gestion des sources différentes pour l’alimentation d’une dimension ou d’un fait.
- ETL, les solutions d’alimentation disponibles sur le marché.
Exercice
Sur une étude de cas, proposer une architecture de chargement : ODS / Staging Area.
Restitution des informations d’un modèle en étoile
- Les différents types d’outils au service de la restitution.
- Le marché des outils de restitution.
- Optimisation du modèle pour l’exploration des données.
- Optimisation des index.
- Utilisation du partitionnement des tables.
Echanges
Présentation de bonnes pratiques pour optimiser le modèle en vue du reporting.
