OLAP PAR L'EXEMPLE
OLAP PAR L'EXEMPLE
Database Construction, Sales Analysis, OLAP · course
Fiche de révisionFiche de cours
Rédigée à partir de ce document, puis vérifiée avant publication.
Ce document présente une introduction progressive à la conception et à l'utilisation d'une base de données OLAP (Online Analytical Processing) à travers l'exemple d'une société de vente de chaussures. Destiné aux étudiants et professionnels souhaitant comprendre les principes fondamentaux de l'OLAP, il détaille les étapes clés pour modéliser, analyser et exploiter des données multidimensionnelles dans un contexte commercial.
La société Au bon pied, située à Bonneuil, souhaite suivre l'évolution de ses ventes de chaussures par modèle et par mois. La première étape consiste à construire une base de données relationnelle classique, avec une table Vente composée de colonnes telles que :
Dans la réalité, les différents types de chaussures sont stockés dans une table Modèle, et la table Vente ne contient que la clé correspondante. La société s'agrandit et possède plusieurs magasins, ce qui complexifie l'analyse. La table Vente intègre alors une colonne Magasin (avec une clé liée à une table Magasin contenant nom, adresse, etc.).
La représentation tabulaire classique est limitée à deux dimensions, ce qui complique les analyses multi-critères. Par exemple, pour étudier les performances d'un magasin ou d'un mois donné, il faut effectuer des sélections successives sur les données.
Six types de reportings sont possibles :
Ces reportings peuvent être doublés en pivotant les axes. La société souhaite aussi analyser les ventes selon d'autres critères (genre, pointure, couleur, etc.), ce qui augmente considérablement la taille des tableaux. Pour gérer ces données efficacement, un schéma en étoile est utilisé :
Les dimensions principales pour suivre les ventes sont :
Les mesures suivies sont :
La base devient ainsi multidimensionnelle, avec un schéma en étoile structuré comme suit :
| Table | Attributs |
|---|---|
| MAGASIN | idMag, descMag, adresseMag |
| MODELE | idMod, descMod, pointure, descPointure, couleur, descCouleur |
| MOIS | idMois, descMois |
| VENTE | idMag, idMod, idMois, Nombre, PrixHT |
La dimension Temps est rebaptisée pour inclure plusieurs niveaux d'analyse :
Exemple de hiérarchie 1 (5 niveaux) :
idTps → jour → mois (nomMois) → trimestre → année
Exemple de hiérarchie 2 (4 niveaux) :
idTps → jour → semaine → année
Pour la dimension Magasin, la hiérarchie comprend 5 niveaux :
idMag (descMag) → ville → département → région → pays
Pour la dimension Modèle, trois hiérarchies à deux niveaux sont définies :
Le modèle relationnel devient un schéma en flocons. Les mesures Nombre et Total HT sont dimensionnées selon Temps, Modèle et Magasin. Les données quotidiennes fournies par chaque magasin sont consolidées automatiquement par la base OLAP, grâce à des fonctions intégrées permettant des sommes rapides et simples.
La base OLAP contient deux mesures stockées :
Il est possible de créer des mesures calculées dynamiquement, non stockées, mais calculées à la demande :
Prix moyen = Total HT / Nombre
Les dimensions des variables utilisées dans un calcul peuvent différer. Par exemple :
Total TTC = Total HT * 1,196
Pour gérer un taux de TVA variable dans le temps, on crée une variable TVA dimensionnée uniquement sur la dimension Temps :
Total TTC = Total HT * (100 + TVA) / 100
Si le taux de TVA varie selon les produits, la variable TVA est dimensionnée sur Temps et Produit, ce qui correspond graphiquement à un plan plutôt qu'à une ligne.
Pour affiner l'analyse, la dimension Modèle est remplacée par la dimension Référence, qui identifie précisément chaque modèle vendu :
Des attributs sont définis pour chaque référence :
Si les références varient selon la pointure, celle-ci devient un attribut ; sinon, elle peut être une nouvelle dimension.
La base OLAP permet désormais de répondre à des questions complexes telles que :
Schéma des tables après intégration des attributs :
| Table | Attributs |
|---|---|
| TEMPS | idTps, jour, mois, trimestre, année, descMois, AllTps |
| VENTE | idMag, idRef, idTps, Nombre, PrixHT, TVA |
| REFERENCE | idRef, descRef, semaine, catégorie, descCateg, descPoint, pointure, descCoul, couleur, AllRef |
| MAGASIN | idMag, descMag, ville, département, région, pays, AllMag |
Les calculs simples ne suffisent plus pour répondre aux besoins de la société. Il est nécessaire d'étudier l'évolution des données archivées et de prévoir leur tendance future. Les bases OLAP offrent des fonctions pour manipuler les informations temporelles.
Exemples de questions traitées par des formules temporelles :
Ces calculs seraient très complexes à réaliser dans une base relationnelle classique, nécessitant des programmes lourds et longs à exécuter.
La société Au bon pied dispose désormais d'un catalogue très large :
Le volume potentiel de données est énorme : 12 000 références × 500 magasins × 365 jours = plus de 2 milliards de cellules potentielles pour la variable Nombre.
Cependant, chaque magasin ne propose qu'environ 600 références, et est ouvert environ 250 jours par an, ce qui réduit la taille réelle des données à :
600 × 500 × 250 = 75 millions de cellules remplies
Les données ne sont pas réparties aléatoirement : par exemple, le magasin "Paris Bastille" ne vend jamais la référence "23154", donc la variable Nombre sera vide pour cette combinaison.
Les dimensions d'une variable n'ont pas toutes la même importance. Pour optimiser l'espace disque et l'accès aux données, il est nécessaire d'indiquer au moteur OLAP les caractéristiques des variables (dense, éparse, dimension composite, dimension conjointe, etc.).