Système d’Information Décisionnel

Ce devoir surveillé porte sur le Système d’Information Décisionnel et évalue les connaissances théoriques ainsi que la capacité à modéliser un entrepôt de données à partir d’un cas pratique. Il teste la compréhension des architectures de data warehouse, la pertinence de leur mise en place, la gestion des dimensions, et la conception d’un modèle décisionnel adapté aux besoins métier.

Questions de réflexion

Question 1

Il est demandé d’expliquer brièvement la différence entre l’architecture R. Kimball et celle de B. Inmon.

Ralph Kimball propose une approche bottom-up pour la conception d’un entrepôt de données. Son architecture est centrée sur la construction de data marts thématiques, orientés métier, qui sont ensuite intégrés pour former un data warehouse complet. Cette méthode privilégie la simplicité et la rapidité de mise en œuvre, avec des modèles en étoile (star schema) pour faciliter l’analyse.

Bill Inmon, quant à lui, adopte une approche top-down. Il conçoit d’abord un entrepôt de données centralisé, intégré et normalisé, qui sert de source unique pour tous les besoins décisionnels. Les data marts sont ensuite extraits de cet entrepôt. Cette méthode met l’accent sur la qualité, la cohérence et la centralisation des données.

En résumé, Kimball privilégie une construction par data marts intégrés (bottom-up), tandis qu’Inmon préconise un entrepôt centralisé d’abord (top-down).

Question 2

Donner deux exemples de systèmes d’information où la mise en place d’un entrepôt de données n’est pas conseillée, avec justification.

Un entrepôt de données n’est pas toujours adapté, notamment dans les cas suivants :

• Systèmes transactionnels en temps réel : Par exemple, un système de gestion des stocks ou de caisse enregistreuse qui nécessite une mise à jour instantanée et une haute performance transactionnelle. La latence induite par l’alimentation d’un entrepôt n’est pas compatible avec ces besoins.
• Systèmes avec peu de besoins analytiques : Par exemple, un système de gestion documentaire ou un système de messagerie interne où les analyses décisionnelles sont peu pertinentes, et où la complexité et le coût d’un entrepôt ne sont pas justifiés.

Ces systèmes ne bénéficient pas d’un entrepôt de données car leurs besoins ne sont pas analytiques ou décisionnels.

Question 3

Quelle est la différence entre une dimension à évolution lente et une dimension à évolution rapide ? Donner un exemple de chacune.

Une dimension à évolution lente (Slowly Changing Dimension, SCD) est une dimension dont les attributs changent peu fréquemment dans le temps. Par exemple, la dimension « Client » où le changement d’adresse ou de catégorie socioprofessionnelle est rare.

Une dimension à évolution rapide est une dimension dont les attributs changent fréquemment, parfois même à chaque transaction. Par exemple, la dimension « Localisation géographique » d’un commerçant qui peut varier souvent si le commerçant change de point de vente.

En résumé, la différence réside dans la fréquence des changements des attributs : lente pour les SCD, rapide pour les dimensions volatiles.

Étude de cas

Présentation du cas

La Poste Tunisienne souhaite mettre en place un Data Warehouse pour suivre les paiements effectués via ses cartes de paiement Golden et Silver. Les paiements peuvent se faire via Internet, TPE ou retrait aux DAB. Le but est de générer des tableaux de bord pour analyser les paiements individuels et globaux.

Les données collectées incluent des informations sur le paiement (montant, date, numéro de carte), le commerçant (identité, secteur, localisation, banque), la nature de la prestation pour les paiements Internet, et la localisation des DAB pour les retraits. Les informations clients sont également disponibles (nom, zone d’habitation, catégorie socioprofessionnelle, etc.).

Le responsable marketing souhaite utiliser ces données pour mieux cibler les offres et campagnes promotionnelles.

Modélisation proposée de l’entrepôt de données

Il est demandé de proposer une modélisation adaptée permettant de recueillir les informations suivantes :

• Chiffre d’affaires des prestataires de télécommunications par mois et zone géographique
• Chiffre d’affaires de la chaîne Carrefour et Carrefour Express par région et semaine
• Répartition des achats en prêt-à-porter dans la région de la Soukra
• Nombre de retraits en espèces auprès des banques proches de l’agence domiciliataire pour les cartes Gold
• Consommation mensuelle moyenne des hauts cadres et professions libérales de la région El Mourouj en produits pharmaceutiques
• Structure du budget dépensé par les professions libérales de la zone d’El Manazeh
• Proportion des dépenses en espèces des clients de la région du Bardo, répartie par catégorie de clients

Étapes de modélisation

1. Identification des faits :

• Les paiements effectués (via TPE, Internet)
• Les retraits d’argent aux DAB

Chaque fait contiendra des mesures quantitatives comme le montant payé, le nombre de retraits, etc.

2. Identification des dimensions :

• Client : nom, prénom, zone d’habitation, catégorie socioprofessionnelle, employeur, numéro de téléphone, e-mail, type de carte, succursale domiciliataire, localisation géographique de la succursale
• Temps : date, semaine, mois, année
• Commerçant / Prestataire : identité, secteur d’activité, localisation géographique, banque
• Type de prestation : paiement factures (eau, électricité, télécom), achat en ligne, location de voiture, réservation hôtel, etc.
• Localisation DAB : localisation, établissement propriétaire

3. Modèle en étoile :

Le modèle en étoile est adapté ici car il facilite la lecture et l’analyse multidimensionnelle. Le fait central sera la table des paiements et retraits, reliée aux dimensions listées ci-dessus.

4. Exemple de schéma simplifié :

Table fait_paiements
- id_paiement
- montant
- date_id (clé vers dimension temps)
- carte_id (clé vers dimension client)
- commerçant_id (clé vers dimension commerçant)
- prestation_id (clé vers dimension type de prestation)

Table fait_retraits
- id_retrait
- montant
- date_id
- carte_id
- dab_id (clé vers dimension DAB)

5. Dimensions détaillées :

Dimension client
- carte_id
- nom
- prénom
- zone_habitation
- catégorie_socioprofessionnelle
- employeur
- téléphone
- e-mail
- type_carte
- succursale_id

Dimension temps
- date_id
- date
- semaine
- mois
- année

Dimension commerçant
- commerçant_id
- nom_commerçant
- secteur_activité
- localisation
- banque

Dimension prestation
- prestation_id
- type_prestation (facture eau, télécom, achat en ligne, etc.)

Dimension DAB
- dab_id
- localisation_dab
- établissement_propriétaire

Réponses aux besoins spécifiques

• Chiffre d’affaires télécommunications par mois et zone géographique : agrégation du montant dans la table fait_paiements, filtrée sur la dimension prestation « télécommunications », groupée par mois (dimension temps) et zone géographique (dimension client ou commerçant selon localisation).
• Chiffre d’affaires Carrefour par région et semaine : filtrer la table fait_paiements sur commerçant = Carrefour ou Carrefour Express, regrouper par région (dimension commerçant) et semaine (dimension temps).
• Répartition des achats prêt-à-porter dans la Soukra : filtrer sur secteur activité prêt-à-porter et localisation Soukra dans la dimension commerçant, analyser les montants par client.
• Nombre de retraits en espèces auprès des banques proches de l’agence domiciliataire pour cartes Gold : dans fait_retraits, filtrer sur type_carte = Gold (dimension client) et localisation DAB proche de la succursale domiciliataire (dimension DAB et client), compter les retraits.
• Consommation mensuelle moyenne des hauts cadres et professions libérales en produits pharmaceutiques : filtrer sur catégorie socioprofessionnelle et secteur activité pharmaceutique, calculer la moyenne mensuelle des montants.
• Structure du budget des professions libérales à El Manazeh : analyser la répartition des dépenses par type de prestation et commerçant, filtré sur catégorie socioprofessionnelle et zone géographique.
• Proportion des dépenses en espèces par clients du Bardo par catégorie : filtrer sur zone d’habitation Bardo, type de paiement espèces (retraits), regrouper par catégorie socioprofessionnelle.

Cette modélisation en étoile permet de répondre efficacement aux besoins analytiques exprimés.

Méthode

Ce devoir récompense une compréhension claire des architectures décisionnelles, la capacité à distinguer les contextes où un entrepôt est pertinent, et la maîtrise de la modélisation multidimensionnelle adaptée aux besoins métier.

Il est essentiel de :

• Respecter les définitions et terminologies du cours (ex. dimensions à évolution lente vs rapide)
• Structurer la réponse en étapes logiques (identification des faits, dimensions, mesures)
• Justifier les choix de modélisation en fonction des besoins spécifiques
• Montrer les calculs ou raisonnements pour les agrégations demandées

Les erreurs fréquentes à éviter sont :

• Confondre les architectures Kimball et Inmon
• Proposer un entrepôt dans des contextes inadaptés
• Omettre des dimensions clés ou des faits essentiels dans la modélisation
• Ne pas expliciter les liens entre données collectées et besoins analytiques

Une réponse complète et argumentée, avec un schéma clair, est valorisée.