Data Warehouse

Ce cours introduit les étudiants du Master Génie Logiciel à l’informatique décisionnelle (Business Intelligence) et à la conception d’entrepôts de données (data warehouses). Les organisations nigériennes — banques, opérateurs de télécommunications et de mobile money, administrations engagées dans l’e-gouvernement, établissements d’enseignement — accumulent des volumes croissants de données transactionnelles. Les exploiter pour piloter l’activité suppose une architecture dédiée : extraction depuis les systèmes opérationnels, intégration, historisation, modélisation dimensionnelle et restitution via des outils OLAP et des tableaux de bord. Le cours adopte un point de vue d’ingénieur logiciel : choix d’architecture, estimation de volumétrie, conception de schémas, écriture de requêtes SQL analytiques et industrialisation des traitements.

Objectifs d’apprentissage

• Distinguer systèmes transactionnels (OLTP) et décisionnels (OLAP) et justifier le recours à un entrepôt de données.
• Comparer les approches d’architecture d’Inmon et de Kimball et situer entrepôt, magasins de données et lac de données.
• Concevoir un modèle dimensionnel (schéma en étoile ou en flocon) à partir d’un besoin métier, en fixant la granularité et le traitement de l’historique (dimensions à évolution lente).
• Spécifier et dimensionner un processus ETL, y compris le chargement incrémental et le contrôle de la qualité des données.
• Exploiter un cube OLAP (roll-up, drill-down, slice, dice, pivot) et écrire des requêtes analytiques SQL (ROLLUP, CUBE, fonctions de fenêtrage).
• Définir des indicateurs clés et concevoir un tableau de bord utile à la décision.

Prérequis

Bases de données relationnelles (modèle relationnel, normalisation, SQL : jointures, agrégations, sous-requêtes), notions de modélisation (Merise, UML) et de programmation.

Plan du cours

1. Leçon 1 — Informatique décisionnelle et architecture d’un entrepôt de données
2. Leçon 2 — Modélisation dimensionnelle : faits, dimensions, étoile et flocon
3. Leçon 3 — Alimentation de l’entrepôt : le processus ETL et la qualité des données
4. Leçon 4 — Analyse OLAP, cubes et restitution par tableaux de bord

Modalités d’évaluation

Volume horaire : 20 h de cours magistral (CM), 10 h de travaux dirigés (TD), 0 h de TP, 30 h de travail personnel de l’étudiant (TPE), soit 60 h pour 3 crédits. Évaluation : contrôle continu (TD notés, mini-projet de conception d’un entrepôt pour un cas nigérien, 40 %) et examen terminal écrit (60 %).

Bibliographie

• Ralph Kimball, Margy Ross, The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling, 3^e éd., Wiley, 2013.
• W. H. Inmon, Building the Data Warehouse, 4^e éd., Wiley, 2005.
• Ralph Kimball, Joe Caserta, The Data Warehouse ETL Toolkit, Wiley, 2004.
• Jiawei Han, Micheline Kamber, Jian Pei, Data Mining: Concepts and Techniques, 3^e éd., Morgan Kaufmann, 2011.
• DAMA International, DAMA-DMBOK: Data Management Body of Knowledge, 2^e éd., Technics Publications, 2017.