Le Data Warehouse, finalité et principes
- Les enjeux stratégiques d'un SI décisionnel.
- Les raisons techniques et culturelles qui conduisent au Data Warehouse.
- Définition du Data Warehouse selon Bill Inmon.
- Les solutions apportées par l'architecture technique et fonctionnelle du Data Warehouse.
- Caractéristiques des données du SI décisionnel.
- L'Infocentre et le SI décisionnel.
- Présentation des différentes approches Data Warehouse et Infocentre, leurs avantages et inconvénients.
L'architecture d'un SI décisionnel d'entreprise
- Les différentes couches de l'organisation d'un Data Warehouse.
- La collecte et l'intégration des données.
- L'Operational Data Store et la Data Staging area.
- La couche de présentation, le portail décisionnel.
- Les moteurs d'analyse OLAP : (MOLAP) et/ou relationnel OLAP (ROLAP).
- Les techniques d'analyse "data mining" : méthodes prédictives, méthodes descriptives.
- Croissance du volume et de la nature des données, les enjeux du Big Data.
- La documentation des données du DW : notions de référentiel de données.
- Comment le DW fiabilise la gestion du référentiel de données (MDM)?
- La gestion des flux : la capture des données sources, les règles de transformation.
Exemple
Présentation d'exemples de projets d'analyse décisionnelle divers.
Les principes de la modélisation Data Warehouse
- Les modèles relationnels opérationnels et dénormalisés.
- Les modèles hybrides.
- Les modèles génériques.
- Comprendre le modèle en étoile, sa finalité.
- Comprendre les notions de faits et d'analyse. Les hiérarchies d'axe d'analyse.
- Le modèle en flocon.
- La problématique des dimensions à évolution.
- Gestion des agrégats et de la stabilité du périmètre fonctionnel.
- Quelle approche favorise les informations de détail ou les agrégats ? Bonnes pratiques, questions à poser au métier.
Réflexion collective
Construction collective et enrichissement d'un modèle de données en étoile, suivant plusieurs études de cas données. Elaboration du questionnement à proposer pour recueillir le besoin utilisateur.
La démarche de construction d'un Data Warehouse
- Identifier le périmètre fonctionnel candidat. Déterminer l'objectif et les événements de gestion à suivre.
- Estimer la volumétrie du périmètre.
- Analyse fonctionnelle, recueil des besoins utilisateurs.
- Conception de l'architecture technique détaillée.
- Etablir une démarche générique de mise en œuvre.
- Les apports d'une démarche itérative, le contenu d'une itération.
- Première itération ou projet pilote, bien le choisir. Rôle du sponsor, de la MOA, de la MOE, impact sur l'organisation.
- L'administration et le suivi de la solution opérationnelle.
Echanges
Présentation de la démarche de conception d'un périmètre fonctionnel du Data Warehouse.
Organisation du projet, les acteurs et les livrables
- Le rôle fondamental du sponsor ou promoteur.
- Le comité de pilotage.
- Le rôle de l'équipe fonctionnelle, du groupe de projet utilisateurs : valider le design de l'environnement utilisateur.
- Le transfert de compétences vers les utilisateurs finaux par l'équipe fonctionnelle : formation et documentation.
- L'équipe technique, les architectes.
- Les principaux livrables d'un projet décisionnel.
Echanges
Présentation des livrables et de leur responsable suivant les étapes de la démarche.
Les outils dans le domaine du décisionnel
- Les dernières évolutions techniques des SGBDR dans le domaine du décisionnel.
- Panorama et typologie des solutions BI du marché. Les offres en mode SaaS.
- Les solutions de reporting : SSRS, IBM Cognos, SAS, BusinessObjects... La mise en œuvre des outils de requête.
- Les outils d'analyse OLAP côté serveur et côté client : utilisation, évolutivité, approche DataMart, temps de réponse.
- Les solutions d'analyse data mining : SAS Enterprise Miner, IBM, OBI data mining. Exigences et points forts.
- Les solutions ETL : IBM, Informatica, Oracle, SAP, Talend...
- Les outils de modélisation relationnelle : possibilités et limites.
Exemple
Présentation des possibilités de divers outils BI.
Synthèse
- Les tendances d'évolution des systèmes décisionnels.
- Bonnes pratiques pour la modélisation.
- Recommandations pour l'organisation du projet Data Warehouse.
3j
- 21h 
