57
4.1 Modélisation de la base de données
Figure 4.5 — Les entrepôts de données
Pour faciliter l’analyse des données, une représentation dite multi-dimensionnelle, sous forme de « cubes », s’est développée. Il s’agit de présenter les indicateurs
chiffrés (données de ventes, quantités, prix, ratios, etc.), qu’on appelle aussi mesures, en les regroupant sur des axes d’analyse multiples, nommés dimensions. Les
agrégations (regroupements) sont effectuées à travers ces dimensions. On peut par
exemple vouloir afficher les données de ventes par mois, par types de produits, sur les
magasins d’un département donné, pour un fournisseur. Le modèle relationnel normalisé n’est pas optimal pour cette forme de requêtes sur des volumes très importants
de données. De cette constatation, deux modèles principaux propres à l’OLAP se
sont développés : le modèle en étoile et le modèle en flocon.
Le modèle en étoile (star schema, figure 4.6), fortement dénormalisé, présente
une table centrale des indicateurs (une table de faits, ou fact table), qui contient
outre les mesures les identifiants de liaison à chaque dimension. Les tables de dimensions « entourent » la table de faits. Elles peuvent contenir des colonnes fortement
redondantes. On peut par exemple, dans une dimension client, trouver des colonnes
Ville et Pays qui contiennent les noms de lieu en toutes lettres, dupliqués des dizaines ou des centaines de milliers de fois. Les erreurs de saisie ne peuvent pas se produire, puisque ces tables sont alimentées exclusivement par des processus
automatiques, et les lectures en masse sont facilitées par l’élimination de la nécessité
de suivre les jointures. La volumétrie n’est pas non plus un problème, ces systèmes
étant bâtis autour de solutions de stockage adaptées.
4.1 Modélisation de la base de données
Figure 4.5 — Les entrepôts de données
Pour faciliter l’analyse des données, une représentation dite multi-dimensionnelle, sous forme de « cubes », s’est développée. Il s’agit de présenter les indicateurs
chiffrés (données de ventes, quantités, prix, ratios, etc.), qu’on appelle aussi mesures, en les regroupant sur des axes d’analyse multiples, nommés dimensions. Les
agrégations (regroupements) sont effectuées à travers ces dimensions. On peut par
exemple vouloir afficher les données de ventes par mois, par types de produits, sur les
magasins d’un département donné, pour un fournisseur. Le modèle relationnel normalisé n’est pas optimal pour cette forme de requêtes sur des volumes très importants
de données. De cette constatation, deux modèles principaux propres à l’OLAP se
sont développés : le modèle en étoile et le modèle en flocon.
Le modèle en étoile (star schema, figure 4.6), fortement dénormalisé, présente
une table centrale des indicateurs (une table de faits, ou fact table), qui contient
outre les mesures les identifiants de liaison à chaque dimension. Les tables de dimensions « entourent » la table de faits. Elles peuvent contenir des colonnes fortement
redondantes. On peut par exemple, dans une dimension client, trouver des colonnes
Ville et Pays qui contiennent les noms de lieu en toutes lettres, dupliqués des dizaines ou des centaines de milliers de fois. Les erreurs de saisie ne peuvent pas se produire, puisque ces tables sont alimentées exclusivement par des processus
automatiques, et les lectures en masse sont facilitées par l’élimination de la nécessité
de suivre les jointures. La volumétrie n’est pas non plus un problème, ces systèmes
étant bâtis autour de solutions de stockage adaptées.