Dernière mise à jour le 04/10/2024

Modélisation en étoile, conception et mise en œuvre

Informations générales

Type de formation : Formation continue
Domaine : Décisionnel, collaboratif
Filière : Stratégie décisionnelle
Rubrique : Modèlisation & conception
Formation éligible au CPF : Non
Formation Action collective : Non

Objectifs & compétences

Conduire des interviews pour recueillir les besoins d'analyse auprès des métiers
Définir les critères de qualité d'un Data Warehouse
A partir d'un cahier des charges d'analyse, identifier les dimensions et les faits à placer dans le modèle
Concevoir et décrire un macro-modèle en étoile
Optimiser le modèle en étoile en vue de la prise en compte de la volumétrie et des problématiques de reporting
Décrire une architecture de chargement des données dans le modèle en étoile décrit

Public visé

Maîtres d'ouvrage et maîtres d'œuvre, responsables des systèmes décisionnels, responsables informatiques, responsables des études, architectes de Systèmes d'Information, chefs de projet.

Pré-requis

Connaissances de base de l'analyse décisionnelle et des SGBD relationnels.
 

Programme

Introduction et rappels
Qu'est-ce qu'un système d'information décisionnel ?
Evolution des exigences de décision dans le contexte actuel.
Infocentres, SIAD, EIS, Data Warehouse, définition et positionnement.
Comprendre la finalité de l'approche Data Warehouse.
 
Les architectures en réponse aux besoins décisionnels
Les composants principaux, Data Warehouse, ODS ou "staging area", datamarts.
Les architectures proposées par Kimball et Inmon. Avantages et inconvénients.
Positionnement du modèle en étoile dans le Data Warehouse selon l'architecture.
Les phases du cycle de vie d'un Data Warehouse.
Les critères de qualité d'un Data Warehouse.
La notion de métadonnée, de référentiel.    
                                                                                                                                           
Réflexion collective
Définition des critères de qualité d'un Data Warehouse.
 
Principes et définitions de base sur la modélisation en étoile
Rappels sur la modélisation des bases de données opérationnelles.
Différences entre OLTP et OLAP.
Entités, attributs, cardinalités, formes normales.
Le principe de la dénormalisation pour concevoir un modèle en étoile.
Comprendre les notions de fait, dimension et axe d'analyse.
Les alternatives de modélisation : modèle en flocon, en galaxie.
Les règles et bonnes pratiques de modélisation en étoile. Proposition alternative de Kortink et Moody.    
                                                              
Etude de cas
A partir d'un cahier des charges d'analyse, identifier les dimensions et faits principaux d'un modèle.
 
Conception du modèle en étoile
Organisation et synthèse des interviews utilisateur pour le recueil du besoin.
Compréhension et identification des processus métiers à modéliser.
Choix des dimensions d'analyse.
Création de hiérarchies dans les dimensions.
Identification des mesures et croisements avec les dimensions.
Définition de la granularité de l'analyse.
Définition des règles d'agrégation.
Utilisation d'outils de modélisation.
 
Exercice
A partir d'objectifs fournis par la MOA, réaliser un macro-modèle, en reliant les dimensions.
 
Optimisation fonctionnelle du modèle en étoile
Gestion de l'évolution des référentiels et du changement des nomenclatures.
Gestion des dimensions à évolution lente et rapide.
Les clés de substitution.
Gestion de la qualité, fiabilité des données.
Gestion du contexte non renseigné ou inconnu.
Les dimensions dégénérées.
 
Echanges
Décrire l'impact d'un changement donné à partir d'un modèle proposé. Optimisation du modèle pour son évolution.
 
Replacer la modélisation dans le cadre du projet décisionnel
Présentation de la méthode Kimball et Inmon pour l'organisation du projet.
Les acteurs et livrables du projet.
Recueil des besoins métier. Formalisation des exigences techniques et d'organisation.
Identification des priorités et du périmètre pilote.
Modélisation des informations.
Choix de l'infrastructure. Implémentation et recette.
Déploiement et maintenance du modèle.
Gestion des historiques.
 
Jeu de rôle
Conduite d'interview de recueil de besoin pour l'analyse.
 
Optimisation physique du modèle
Gestion de la performance des requêtes.
Estimation de l'espace disque requis pour le modèle.
Limitation de la taille occupée par une dimension.
Agrégation directe de certains éléments dans les tables.
Dimensions techniques pour assurer la traçabilité des faits.
Exercice
Estimations de volumétrie moyenne sur quelques cas d'analyse.
 
Alimentation du modèle en étoile
Contraintes des systèmes opérationnels sources.
Rôle des ODS dans l'alimentation.
L'organisation des traitements dans la DSA (Data Staging Area).
Les différents types d'alimentation (delta, stock, complète).
Les étapes, les règles et les prérequis de l'alimentation.
Gestion des rejets.
Gestion des sources différentes pour l'alimentation d'une dimension ou d'un fait.
ETL, les solutions d'alimentation disponibles sur le marché.
 
Exercice
Sur une étude de cas, proposer une architecture de chargement : ODS / Staging Area.
 
Restitution des informations d'un modèle en étoile
Les différents types d'outils au service de la restitution.
Le marché des outils de restitution.
Optimisation du modèle pour l'exploration des données.
Optimisation des index.
Utilisation du partitionnement des tables.
 
Echanges
Présentation de bonnes pratiques pour optimiser le modèle en vue du reporting.
 
Conclusion
Ce qu'il faut retenir.
Les pièges à éviter.
Pour aller plus loin.
 

Modalités

Modalités : en présentiel, distanciel ou mixte – Horaires de 9H à 12H30 et de 14H à 17H30 soit 7H – Intra et Inter entreprise
Pédagogie : essentiellement participative et ludique, centrée sur l’expérience, l’immersion et la mise en pratique. Alternance d’apports théoriques et d’outils pratiques.
Ressources techniques et pédagogiques : Support de formation au format PDF ou PPT Ordinateur, vidéoprojecteur, Tableau blanc, Visioconférence : Cisco Webex / Teams / Zoom
Pendant la formation : mises en situation, autodiagnostics, travail individuel ou en sous-groupe sur des cas réels
 
 

Méthodes

Fin de formation : entretien individuel
Satisfaction des participants : questionnaire de satisfaction réalisé en fin de formation
Assiduité : certificat de réalisation (validation des acquis)
Code de formation : D-AMT

Tarifs

Prix public : 1990
Tarif & financement :
Nous vous accompagnons pour trouver la meilleure solution de financement parmi les suivantes :
  • Le plan de développement des compétences de votre entreprise : rapprochez-vous de votre service RH.
  • Le dispositif FNE-Formation.
  • L’OPCO (opérateurs de compétences) de votre entreprise.
  • Pôle Emploi sous réserve de l’acceptation de votre dossier par votre conseiller Pôle Emploi.
  • CPF -MonCompteFormation
Contactez nous pour plus d’information

Lieux & Horaires

Campus : Ensemble des sites

Durée : 21 heures
Délai d'accès :
Jusqu’à 8 jours avant le début de la formation

Distanciel possible : Oui

informations :
NULL

Prochaines sessions

Cliquez sur la date choisie pour vous inscrire :

  • Inscription au 09 / 10 / 2024
    : Ensemble des sites
    : Distanciel possible
    : 21 heures
    : 3 jours
  • Inscription au 09 / 12 / 2024
    : Ensemble des sites
    : Distanciel possible
    : 21 heures
    : 3 jours
Handi-accueillante Accessible aux personnes en situations de handicap. Pour toutes demandes, contactez notre référente, Mme Rizlene Zumaglini Mail : rzumaglini@aston-ecole.com

à voir aussi dans le même domaine...

Formation continue

Stratégie décisionnelle

RMCN304

Les architectures et infrastructures pour le Bigdata

A l’issue de la formation, le stagiaire sera capable d’initier la conception d’une architecture et d’une infrastructure Big Data, en disposant d’une vue d’ensemble des différentes solutions dédiées au traitement des données de masse

14 heures de formations sur 2 Jours
En savoir plus

Formation continue

Stratégie décisionnelle

D-EDM

Systèmes d’information décisionnels – Concepts et architectures

Décisionnel, Data Warehouse, DW, DWH, Système d'Information Décisionnel, SID, Modèle en étoile, Data Marts, ETL, Reporting, Pilotage, Performance, Processus

Mesurer les enjeux et impacts d'un projet décisionnel Savoir concevoir et modéliser un entrepôt de données Découvrir le rôle des différents outils de l'informatique décisionnelle Connaître les pièges à éviter lors de la mise en oeuvre

14 heures de formations sur 2 Jours
En savoir plus

Formation continue

Stratégie décisionnelle

D-ETL

ETL : réussir son projet d’intégration

Mesurer les enjeux de l'intégration des données Identifier les fonctionnalités d'alimentation nécessaires à l'intégration des données Évaluer la capacité des outils ETL à répondre aux besoins d'intégration S'approprier la démarche de spécification d'un flux d'intégration des données  

7 heures de formations sur 1 Jours
En savoir plus

Formation continue

Stratégie décisionnelle

D-MET

Modéliser un système d’information décisionnel

Modèle en étoile, Modélisation en étoile, Décisionnel, Data Warehouse, DW, DWH, Système d'Information Décisionnel, SID, Data Marts, ETL, Reporting, Pilotage, Performance, Processus

Savoir créer une architecture de données adaptée aux besoins décisionnels et Business Intelligence des utilisateurs Être en mesure de choisir et d'harmoniser des étoiles relationnelles et cubes OLAP

14 heures de formations sur 2 Jours
En savoir plus

Formation continue

Stratégie décisionnelle

RDBN409

Talend Open Studio Data Integration : Initiation + Approfondissement

A l’issue de la formation, le stagiaire sera capable :

        • Comprendre le processus d'intégration de données
        • Maîtriser l'outil Talend Open Studio et la bibliothèque de composants
 

35 heures de formations sur 5 Jours
En savoir plus

Formation continue

Stratégie décisionnelle

RDBN410

Big Data – Concevoir et piloter un projet

A l’issue de la formation, le stagiaire sera capable : Identifier les avantages et contraintes technologiques, réglementaires, et organisationnelles d'un projet Big Data Rédiger la charte d'un projet Big Data Planifier un projet Big Data et choisir une méthodologie (Agile / traditionnelle / hybride) Identifier les ressources du projet, et choisir une plateforme (On-Premise, Cloud, ou hybride, SaaS vs PaaS vs FaaS) Exécuter un projet Big Data du développement au déploiement / monitoring Adopter une démarche d'amélioration continue.  

14 heures de formations sur 2 Jours
En savoir plus