OLAP PAR L'EXEMPLE

magasin, avec un nom et une clé, plus d'autres caractéristiques telles que l'adresse.

ETAPE 1 : LES PROPRIÉTÉS DE LA TABLE VENTE (4)

 L'analyse s'avère déjà un peu plus complexe… la

représentation tabulaire ne possède que deux dimensions.

 Si l'on veut étudier les performances d'un magasin, il faut

faire une sélection sur celui -ci.

 Mais si on s'intéresse ensuite à ce qui s'est passé en février sur tous les magasins, il faut repartir des données de départ et faire une autre sélection.

ETAPE 1 : LES PROPRIÉTÉS DE LA TABLE VENTE (5)

 6 types de reportings possibles :

▪ Pour chaque magasin ou pour le total des magasins, les deux reportings

précédents (nombre de paires de chaussures ou valeur HT avec les modèles en ligne et les mois en colonne),

▪ Pour chaque modèle de chaussure ou pour le total, deux reportings avec

les mois en ligne et les magasins en colonne,

▪ Pour chaque mois ou pour l'année, deux reportings avec les magasins en

ligne et les modèles en colonne.

 Ces six peuvent encore être multipliés par deux si l'on fait

pivoter les axes des abscisses et des ordonnées.

ETAPE 1 : LES PROPRIÉTÉS DE LA TABLE VENTE (6)

 La société désire aussi étudier la répartition de ses ventes

suivant d'autres critères, comme ▪ Genre (Homme/Femme/Enfant), ▪ Pointure, ▪ Couleur, ▪ …

 Le tableau de reporting est devenu très important, à la fois en

nombre de colonnes et de lignes.

 Pour analyser ces données, il faut faire des sommes sur des regroupements, avec des temps de traitement pas toujours envoûtants, il faut donc gérer des index, etc.

ETAPE 1 : LES PROPRIÉTÉS DE LA TABLE VENTE (7)

Structure de données relationnelle construite :

schéma en étoile ▪ centre de l'étoile = table vente, ▪ branches = tables magasin, modèle, couleur, etc.

= axes d'analyses

ETAPE 1 : LES PROPRIÉTÉS DE LA TABLE VENTE (8)

ETAPE 2 : LES TROIS DIMENSIONS DU NOMBRE (1)

 la société Au bon pied désire donc suivre l'évolution de ses ventes de chaussures, par exemple en fonction des mois, modèle et magasin. ▪ -> nos dimensions

 Les deux indicateurs suivis par les responsables de la société sont le nombre de chaussures vendues et les prix de vente hors taxe. ▪ -> nos mesures

 Notre base de données est devenue multidimensionnelle.

ETAPE 2 : LES TROIS DIMENSIONS DU NOMBRE (2)

ETAPE 2 : LES TROIS DIMENSIONS DU NOMBRE (3)

 Schéma en étoile

MAGASIN

idMag descMag adresseMag

MODELE

idMod descMod pointure descPointure couleur descCouleur

VENTE

idMag idMod idMois Nombre PrixHT

MOIS

idMois descMois

ETAPE 3 : LES HIÉRARCHIES SUR LA DIMENSION TEMPS (1)

 L'étude des ventes mois par mois est certes utile, mais elle

reste restrictive.

 Nous allons donc rebaptiser la dimension mois, et l'appeler

par exemple Temps.

 Les positions de la dimension Temps peuvent être

▪ des mois, ▪ mais aussi des jours, ▪ des trimestres ▪ ou des années.

 Ainsi, les responsables des ventes pourront analyser les

résultats des dif férents magasins sur des niveaux plus ou moins précis.

ETAPE 3 : LES HIÉRARCHIES SUR LA DIMENSION TEMPS (2)

 Pour la dimension Magasin, nous avons une hiérarchie à 5

niveaux : idMag (descMag), ville, département, région et pays.

 Pour la dimension Temps, nous avons 2 hiérarchies :

▪ La 1ère à 5 niveaux : idTps, jour, mois (nomMois), trimestre, année. ▪ On pourra alors tout naturellement rattacher le 18/05/00 à mai 2000,

puis à 2ème trimestre 2000, puis à 2000.

▪ La 2ème à 4 niveaux : idTps, jour, semaine et année.

▪ Ici, le 18/05/00 est rattaché à semaine 19 2000, puis à 2000.  Pour la dimension Modèle, nous avons 3 hiérarchies :

▪ La 1ère à 2 niveaux : idMod (descMod) et genre ▪ La 2ème à 2 niveaux : idMod (descMod) et couleur ▪ La 3ème à 2 niveaux : idMod (descMod) et pointure

 Le nouveau modèle relationnel associé est un "schéma en

flocons".

ETAPE 3 : LES HIÉRARCHIES SUR LA DIMENSION TEMPS (4)

 Les mesures Nombre et Total HT sont maintenant dimensionnées sur Temps, Modèle et Magasin.

 Chaque magasin fournit ses données quotidiennement, et la base de données OLAP se charge de consolider ces données sur les dif férentes hiérarchies.

 Lorsque cette consolidation consiste à ef fectuer des sommes, comme c'est le cas ici, des fonctions intégrées permettent de faire cette opération très rapidement et très simplement.

ETAPE 3 (5)

TEMPS

VENTE

idMag idMod idTps Nombre PrixHT

descMois

idTps

jour

mois

trimestre

année

AllTps

MODELE

descMod

idMod

semaine

genre descGenre

descPoint

pointure

descCoul

couleur

AllMod

MAGASIN

descMag

idMag

ville

département

région

pays

AllMag

ETAPE 4 : LES CALCULS À LA VOLÉE (1)

 Notre base OLAP dispose pour l'instant de deux mesures :

▪ nombre de chaussures vendues ▪ prix total hors taxe.

 Ces mesures sont dimensionnées par Temps, Modèle et

Magasin.

 A partir de ces deux mesures, nous pouvons en créer d'autres, qui cette fois ne seront pas stockées dans la base de données mais calculées dynamiquement lorsqu'un utilisateur désire y accéder.

ETAPE 4 : LES CALCULS À LA VOLÉE (2)

 Du point de vue de l'utilisateur, il n'y a aucune dif férence entre

une mesure stockée et une mesure calculée.

 Prix moyen est dimensionnée suivant Temps, Modèle et Magasin

et est de type décimal. ▪ Prix moyen = Total HT / Nombre

 Il n'est pas nécessaire que tous les éléments du calcul soient

dimensionnés de la même façon. ▪ Total TTC = Total HT * 1,196

 Comme ce taux change (trop) souvent, il est possible de créer une nouvelle variable, T VA, dimensionnée seulement sur le temps. ▪ Cette variable indiquera le taux de TVA à appliquer pour chaque position

de la dimension Temps.

▪ Total TTC = Total HT * (100+TVA)/100

ETAPE 4 : LES CALCULS À LA VOLÉE (3)

 De même, si le taux de T VA est dif férent suivant les produits vendus,

alor s les dimensions de la variable T VA doivent être Temps et Produit. Graphiquement, cette variable ne sera plus représentée par une ligne mais par un plan.

ETAPE 5 : LES ATTRIBUTS (1)

 Savoir combien de chaussures ont été vendues, c'est bien, mais trouver celles qui se vendent le mieux, voilà qui va permettre à la société Au bon pied de prospérer.

 Les dif férents magasins vont devoir fournir des données plus précises sur leur ventes, en indiquant chaque jour le nombre de modèles vendus dans chaque référence disponible.

 Nous allons donc remplacer la dimension Modèle par la

dimension Référence. ▪ le magasin Paris Bastille a vendu 7 paires de chaussures de

référence 215431324 le 18 Août 1998.

ETAPE 5 : LES ATTRIBUTS (2)

 Par contre, pour se rendre compte de l'état du marché, c'est

plus dif ficile.

 Il suf fit de définir des attributs pour chaque référence de

chaussure. ▪ Couleur (bleu, blanc, rouge), ▪ Matière (cuir, toile, synthétique), ▪ Catégorie (homme, femme, enfant).

 Si les références sont dif férentes pour chaque pointure d'un modèle, alors Pointure peut aussi être un attribut, sinon ce sera une nouvelle dimension.

ETAPE 5 : LES ATTRIBUTS (3)

 notre base OLAP permet maintenant de répondre à des

questions plus complexe comme : ▪ Quelle couleur de chaussure se vend le plus en Août 1998 ? ▪ Combien le magasin Paris Bastille a-t-il vendu de chaussures femme

en cuir en 1998 ?

▪ Quelle est la part de chaussures homme, femme et enfants chez Au

bon pied ?

ETAPE 5 (4)

TEMPS

VENTE

idMag idRef idTps Nombre PrixHT TVA

descMois

idTps

jour

mois

trimestre

année

AllTps

REFERENCE

descRef

idRef

semaine

catégorie

descCateg

descPoint

pointure

descCoul

couleur

AllRef

MAGASIN

descMag

idMag

ville

département

région

pays

AllMag

ETAPE 6 : LES CALCULS TEMPORELS (1)

 Les exemples de calculs proposés dans les étapes

précédentes ne suf fisent plus à la société Au bon pied.

 Pour mieux cibler les actions à entreprendre, il faut en ef fet pouvoir étudier l'évolution des données déjà archivées, et si possible prévoir leur évolution dans le futur.

 Les bases OLAP sont tout à fait adaptées pour cela, elles disposent toujours de fonctions plus ou moins évoluées permettant de manipuler des informations temporelles.

ETAPE 6 : LES CALCULS TEMPORELS (2)

 Par l'écriture de petits programmes simples, nous pouvons

maintenant définir des formules répondant aux questions de ce type : ▪ Quelle est l'évolution de mon bénéfice net par rapport au même mois

de l'année précédente.

▪ Quelle est l'évolution de mon chiffre d'affaire par rapport à la

moyenne des trois derniers mois.

▪ Quelle sera la tendance des 12 prochains mois suivant telle ou telle

règle d'extrapolation.

 Pour répondre à des questions de ce type à l'aide d'une base relationnelle, il faudrait certainement écrire des programmes très complexes, ayant tellement de traitements et de données à analyser que l'utilisateur n'obtiendrait peut -être jamais sa réponse...

ETAPE 7 : LES DONNÉES ÉPARSES (1)

 Ca y est ! La société Au bon pied, grâce à sa gestion rigoureuse, est maintenant très bien implantée, elle dispose en outre d'un choix de chaussures absolument impressionant. ▪ Pas moins de 12000 références sont disponibles, ▪ et plus de 500 commerces ont ouvert leurs portes à travers le pays. ▪ Chacun d'eux envoie quotidiennement ses chiffres de vente au siège de

la société, qui est resté à Bonneuil.

▪ Au bout d'un an, on obtient donc 12000*500*365, soit plus de 2

milliard de cellules potentielles pour la variable "Nombre".

 Cependant, chaque magasin ne propose pas l'ensemble du

catalogue à la clientèle. ▪ En moyenne, environ 600 références sont disponibles dans chaque

échope, qui n'est ouverte que 250 jours par an. I

▪ l n'y aura donc réellement que 600*500*250 cellules remplies, c'est à

dire 75 millions de cellules (25 fois moins que la taille potentielle).

ETAPE 7 : LES DONNÉES ÉPARSES (2)

 Les données ne sont pas réparties de manière aléatoire au

sein des variables définies dans notre base OLAP. ▪ Par exemple, le magasin "Paris Bastille" ne vend jamais de

chaussure référencée "23154". Quelque soit le jour de l'année, la variable "Nombre" sera donc vide pour ce magasin et cette référence.

 Toutes les dimensions d'une variable n'ont donc pas la même

importance.

 Afin d'optimiser la gestion de l'espace disque et l'accès aux données, il convient donc d'indiquer au moteur OLAP quelles sont les caractéristiques d'une variable (dense, éparse, … -> dimension composite, dimension conjointe, …).

EXEMPLE

 Exemple.xls