IV.3. MODELISATION
MULTIDIMENSIONNELLE DE DATAMART
Pour construire un entrepôt global d'une entreprise
il ya des méthodes :
· Top down : c'est la
méthode la plus lourde, la plus contraignante et la plus complète
en même temps elle consiste en la conception de tout l'entrepôt,
puis la réalisation de ce dernier.
· Bottom-up : c'est
l'approche inverse, elle consiste à créer les étoiles,
puis les regrouper par des niveaux intermédiaires jusqu'à
l'obtention d'un véritable entrepôt pyramidal avec une vision
d'entreprise.
· Middle-Out : c'est
l'approche hybride, et conseillée par les professionnels du business
intelligence. Cette méthodes consiste en la conception totale de
l'entrepôt des données c-à-dire concevoir toutes
dimensions, tous les faits, toutes les relations, puis créer des
divisions plus petites et plus gérables et les mettre en oeuvre.
Pour notre étude nous avons construit un DataMart
représentant une étoile pour la banque FINCA qui est un DataMart
sur la performance du personnel au département des ressources
humaines.
IV.4. IMPLEMENTATION
IV.4.1. Conception d'un Data Mart
Etape 1 : Définir le processus
à analyser
La procédure ou fonction fait
référence au sujet de notre mini entrepôt des
données. Nous déterminons le processus métier de la
banque FINCA concernant notre étude « la performance des
agents » dont voici la modélisation de la base de
données de l'entrepôt de données
Etape 2 : Déterminer le niveau de
granularité des données
Choisir le grain signifie décider exactement de ce
que représente un enregistrement d'une table de faits par exemple
l'entité performance représente les faits relatifs à
chaque performance et devient la table de faits du schéma en
étoile de la performance du personnel.
Par conséquent, le grain de la table de faits
performance est une performance réalisé au département des
ressources humaines.
A prés avoir choisi le grain de la table de faits
nous allons commencer à identifier les dimensions de la tables de
faits.
A titre d'illustration, l'entité personnel servira
de références aux données concernant la performance et
deviendra la table de dimension du schéma en étoile de la
performance.
Nous ajoutons aussi le Temps comme dimension principale,
car il est toujours présent dans le schéma en
étoile.
Etape 3 : choisir les
dimensions
Les dimensions déterminent le contexte dans lequel
nous pourrons poser des questions à propos des faits établis dans
la table de faits .Un ensemble de dimensions de dimensions bien
constitué rend le mini entrepôt de données
compréhensible et en simplifie l'utilisation.
Nous identifions les dimensions avec suffisance de
détails, pour décrire des choses telles que les clients et les
propriétés avec granularité correcte.
Etape 4 : identifier les métriques
(faits)
Pour notre cas le fait est la performance. Les
métriques sont les données numériques nombre de
familiarisation des clients par des agents, nombre des agents qui sont faible
en marketing, nombre des clients perdus, nombre des agents qui sont
démissionnés et nombre de zone perdu par les agents.
Notons que les autres étapes qui suivent
exclusivement pour la construction d'un entrepôt des données mais
pour notre travail nous construisons un DataMart donc un sous ensemble d'un
entrepôt des données donc nous estimons que nous pouvons nous
arrêter a ce point.
Ø Mesures
Dans l'exemple présenté ci-haut, les mesures
sont définies par la table performance et sont les
suivantes :
Nombre des agents qui sont faible en
marketing ;
Nombre des clients perdus ;
Nombre des agents qui sont démissionnés et
Nombre de zone perdu par les agents
Ø Dimensions
Nous allons effectuer des analyses selon divers axes
d'observation suivantes :
· Axe temps
Idtemps
Année
Mois
Jours
· Axe personnel
Idpersonnel ;
Matricule ;
Nomperson
NiveauEtude ;
Direction ;
Fonction ;
Province ;
Sexe ;
Catégorie.
| 
