Professional Documents
Culture Documents
informatique dcisionnelle
(1)
2009 Bernard ESPINASSE
Professeur l'Universit d'Aix-Marseille
P la n
1. Introduction l!informatique dcisionnelle 2. Problmatique de l!informatique dcisionnelle 3. Les outils de l!informatique dcisionnelle (ID) 4. Un exemple de l!ID dans l!entreprise : la relation client 5. Organisation du cours
Introduction l!informatique dcisionnelle Problmatique de l!informatique dcisionnelle Les outils de l!informatique dcisionnelle (ID) Un exemple de l!ID dans l!entreprise : la relation client Organisation du cours 1
Contexte informationnel :
! ! ! ! ! ! ! ! !
Introduction l!informatique dcisionnelle - Bernard ESPINASSE -
Dcentralisation des donnes vers les utilisateurs Difficult d'accs l'information qui est en trop grande quantit Un enjeu stratgique d!entreprise Les informations, une source de revenu et de comptitivit Puissance de calcul croissante Capacit de stockage croissante Bases de donnes de plus en plus importantes SGBD de plus en plus performants (paralllisme, ) Ouverture sur le Web, 6
Contexte informatique :
! le pilotage ncessite l!usage de diffrents outils informatiss spcifiques relevant de l!informatique dcisionnelle
Warehouse)
! de nombreux algorithmes, souvent issus des statistiques et de l!IA, permettant d'extraire des informations partir de donnes brutes sont arrivs maturit ! ces algorithmes sont regroups dans des logiciels de fouille de donnes (Data Mining) et permettent la recherche d'informations nouvelles ou caches partir de donnes ! De plus en plus ces donnes sont issues du Web, aussi la recherche d!information et la fouille de donnes sur le Web ou Web Mining sont de plus en plus d!actualit
Systmes en gnral mal intgrs au systme d'information oprationnel, et devant tre dvelopps par des informaticiens.
Introduction l!informatique dcisionnelle - Bernard ESPINASSE -
10
Termes franais
Systmes d!aide la dcision (SIAD) Intelligence Economique (IE) Entrept de donnes (ED) Analyse en ligne de donnes Extraction de Connaissances dans les donnes fouille de donnes, orpaillage Gestion de la Relation Client
11
12
13
14
Nouveaux besoins
Nouveaux besoins pour l!aide la dcision :
Pour prendre de bonnes dcisions , on doit pouvoir accder en temps rel aux donnes de l'entreprise, traiter ces donnes, extraire l'information pertinente de ces donnes, par exemple pour savoir :
! Quels sont les rsultats des ventes par gamme de produit et par rgion pour l'anne dernire ? ! Quelle est l'volution des chiffres d'affaires par type de magasin et par priode ? ! Comment qualifier les acheteurs de mon produit X ? Nouvelles attentes des systmes d!information :
! Considrer des quantits de donnes historises trs importantes ! Donnes organises selon diffrentes dimensions (temps, espace gographique, gammes de produit, ) ! Du traitement en ligne des donnes l!analyse en ligne de ces donnes selon diffrentes dimensions
15
16
19
20
Information
21
22
23
24
25
26
Modlisation multidimensionnelle
! Les donnes stockes dans un entrept (ou un magasin) organises selon plusieurs dimensions d'analyses refltant la vision des gestionnaires analystes ! La structuration de ces donnes est base sur une modlisation multidimensionnelle ! La modlisation multidimensionnelle repose sur : ! un fait contenant les mesures analyser et ! des dimensions contenant les paramtres de l'analyse (temps, espace, ) ! Pour chaque dimension, les paramtres sont hirarchiss selon des niveaux de dtail (temps : annes, mois, jour )
27
28
Traitements
Utilisateurs
Relationnelle Actualises, mises jour Taille 100 Mo/Go Unit de travail Transaction simple Accs Lecture/criture Nb de tuples accds Dizaines Mtrique Dbit de transactions Utilisateur Agent oprationnel Nombre d!utilisateurs Milliers
30
Architecture multi-niveau
0 1 Sources externes Entrept BD SGBDR Fichiers HTML Fichiers plats 2 OLAP BD Relationnelle BD Multidimensionnelle Combinaison des 2 3 Front-ends tableur Data Mining (fouille de donnes) Outils statistiques
31
32
33
34
35
36
37
38
39
40
41
42
5 Organisation du cours
43
44
45
46