784572849-Cours- Desktop BI-Support.pptx

Business Intelligence
Un processus technologique pour une prise de décision efficace

Agile SCRUM 2 jours =12 heures
17/12/2024
Mouhame
d Anouar
FARSI

PLAN:
Introductio
n
Conclusio
n

Contexte
• Toutes les entreprises accumulent de grandes quantités de données au travers de
leurs systèmes d’informations.
- Données opérationnelles (de production) réparties sur plusieurs systèmes (bases
de données relationnelles , Fichiers, …)
- Distribuées : systèmes dispersés
- Hétérogènes : systèmes et structures de données différents
- Détaillées : organisation de données selon les processus fonctionnels
- Peu/pas adaptées à l’analyse : des requêtes lourdes peuvent bloquer
le système transactionnel
- Volatiles : pas d’historisation systématique, données fréquemment
modifiées
• Ces données ne deviennent des informations pertinentes pour les décideurs que
lorsqu’elles permettent de répondre à des questions sur la rentabilité de l’entreprise
et sur son évolution.

Constat
Données
stockées
Outils
d’analyse
personnel
Différent
s
niveaux
Information
non
consolidée

Pourquoi la prise de décision est si difficile?
Processus de la décision humaine :
Je suis en train de transpirer:
● s'il fait chaud dehors==> c'est normal ==> je vais me mettre au frais
● s'il ne fait pas chaud==> j'ai de la fièvre ==> je vais chez le médecin
Processus de la décision dans une entreprise :
> Evaluer un chiffre par rapport à un objectif spécifique.
> Surveiller le progrès d'un indicateur au fil du temps.
> Agréger des données provenant de divers systèmes pour obtenir une information à valeur
ajoutée.
une information isolée possède peu de valeur, elle n'aura de sens que
comparée à d'autres informations

Contexte
• Exemple:
- Un catalogue de produits sera conçu pour permettre de trouver facilement un
produit en fonction de caractéristiques précises, de faire des mises à jour
rapides et fiables, de gérer des stocks...
Mais un décideur souhaitera :
- connaître l'organisation des produits selon certaines caractéristiques et
regroupements qui ne sont pas forcément pris en considération dans la gestion
quotidienne;
- croiser le catalogue des produits avec les transactions des ventes...

Contexte
• Pour être aidés dans leurs choix, les décideurs ont besoin de mesurer l’activité de
l’entreprise à l’aide d’indicateurs de performance.
• Il est donc nécessaire de transformer la masse de données en provenance des
multiples sources opérationnelles en informations pertinentes pour la prise de
décision.
• On développe des analyses de performances à partir de données transformées à
destinations de chef des ventes, de manager sur le terrain.
Business intelligence (BI)

Qu'est-ce que le Business intelligence (BI)?
Business Intelligence
Le BI est un ensemble de moyens, méthodes,
outils permettant de collecter, consolider,
modéliser, restituer les données d’une
entreprise, en vue d’offrir une aide à la décision

Business Intelligence : Définitions
1. BI : “Terme générique qui englobe les applications, l'infrastructure, les outils et les meilleures
pratiques permettant l'accès et l'analyse de l'information afin d'améliorer et d'optimiser les
décisions et les performances.” Howard Dresner
2. BI : “Un ensemble de stratégies et de technologies utilisées par les entreprises pour l'analyse
des données d'informations commerciales.” Wikipedia
3. BI : “Un processus axé sur la technologie pour analyser les données et fournir des
informations exploitables qui aident les cadres, les gestionnaires et les travailleurs à prendre
des décisions commerciales éclairées”. TechTarget

Evolution de l’informatique dans les entreprises
Informatique
Décisionnelle
(BI)
Informatique
opérationnelle
décentralisée
Informatique
opérationnelle
centralisée
Informatique
de Gestion
Années
2000
Années
90
Années
80
Années
70

• Domaines d’utilisation de la BI :
- Finance, avec le Reporting financiers et budgétaires.
- Vente et commercial, avec l’analyse des points de vente, l’analyse de la
profitabilité.
- Marketing, avec la segmentation clients, les analyses comportementales.
- Logistique, avec l’optimisation de la gestion de stock, le suivi des
livraisons.
- Ressources humaines, avec l’optimisation de l’allocation des ressources.

• La problématique du BI porte sur des questions de genre:
- Comment se portent les ventes ?
- Quels sont les produits qui se vendent le mieux ?
- Mes employés sont-ils efficaces ?
- Quels sont mes points de vente qui rapportent le plus à ma société ?
• Pour répondre à ces questions, il faut collecter les données à partir des
applications métiers tel que ERP ,CRM, SAP etc... et stocker les généralement dans
ce que l'on appelle un entrepôt de données.
• L'Objectif de la BI est d'analyser le passé et d'anticiper le futur.
 Pour y arriver , Il faut exploiter les données et mettre en place un suivi de la
performance grâce à des indicateurs de performance [en anglais : KPI =Key
Performance Indicators].

Les objectifs d’un processus BI
Analyse
concurrentiell
e
Collaboration
et partage
des
information
Prise de
décision
éclairée
Amélioration
de la
performance
financière
Planification
et
prévisions
Suivi des
indicateurs
clés de
performance
Objectif
s

(a) Qualité des données :
Les données doivent être exactes, complètes, cohérentes et fiables pour garantir des
résultats précis et pertinents
(b) Intégration des données :
L'enjeu consiste à intégrer ces données provenant de diverses sources, telles que les bases
de données, les fichiers plats, les applications cloud, etc.
(c) Confidentialité des données :
Le BI implique la manipulation et l'analyse de données sensibles et stratégiques pour une
entreprise
Les enjeux d’un processus BI

(d) Scalabilité et performance :
Le volume de données utilisées dans les initiatives de BI peut être très important, ce qui
pose des défis en termes de scalabilité et de performance.
(e) Évolution technologique :
Le domaine du BI est en constante évolution, avec de nouvelles technologies, des
tendances émergentes et des innovations constantes.
(f) Complexité des données :
Les données utilisées dans le cadre du BI peuvent être complexes et variées.
Les enjeux d’un process BI

Les rôles dans le BI
• Initialement, les outils BI étaient principalement utilisés par les analystes de données
et les professionnels informatiques qui se chargeaient d’analyser les données et de
produire des rapports.
• Aujourd’hui, de plus en plus les exécutifs et les employés utilisent eux-mêmes les
logiciels BI, notamment grâce à l’essor du self-service BI et des outils de découverte
de données.
Non-Informaticien
Informaticien

Les rôles dans le BI
• Pour réussir l’analyse de données, Microsoft décrit 5 rôles dans le BI
- Un administrateur de base de données surveille et gère la santé globale d'une base de
données et du matériel sur lequel elle réside
- Les scientifiques des données effectuent des analyses avancées pour extraire la valeur
des données
- Les principales responsabilités des ingénieurs de données incluent l'utilisation des
services et des outils de données sur site et dans le cloud pour ingérer,
sortir et transformer des données provenant de plusieurs sources.
- Les analystes de données sont responsables du profilage, du nettoyage et de la
transformation des données, de la conception et de la création de modèles de
données évolutifs et performants, ainsi que de l'activation et de la mise en
œuvre des capacités d'analyse avancées dans les rapports d'analyse.
- Un analyste commercial est le plus proche de l'entreprise elle-même et est un spécialiste
de l'interprétation des données issues de la visualisation

Les indicateurs de performance (KPI)
• Instrument d’analyse à la fois illustratif, représentatif,
significatif, permettant de mesurer l’atteinte des objectifs.
• Indicateurs d’efficacité
• Indicateurs de capacité
• Indicateurs de productivité
• Indicateurs de qualité
• Indicateurs de rentabilité
• Ils sont définis à partir de ce que l'on appelle les business drivers

Les indicateurs de performance (KPI)
• Les Business drivers sont des pilotes de croissance qui vont
permettre
l'amélioration des performances. Il en existe 3 types:
- Stratégique
exemples : part de marché , la force concurrentielle, etc.
- Organisationnel
exemples : formation , développement, etc.
- Opérationnel
exemples: productivité , excellence des produits, etc.
• Le driver le plus commun est la rentabilité.
• Pour créer ces KPI et les rapports détaillant ces KPI il faut analyser
les données.

Les étapes d’un projet
BI
03

Les étapes d’un projet BI
01
02
03
04
La collecte
des
données
La restitution
des données
L’intégration
des
données
L’analyse des
données

1. Collecte des données
>Compréhension des besoins : La collecte des données commence par une étape
de compréhension des besoins. Il est crucial de collaborer avec les parties prenantes et
les utilisateurs finaux pour comprendre leurs objectifs, leurs exigences et les questions
auxquelles ils cherchent à répondre
>Identification des sources de données : Une fois que les besoins ont été
identifiés, il est nécessaire de déterminer les sources de données pertinentes. Les
sources de données peuvent être variées, telles que des bases de données
transactionnelles, des fichiers plats, des applications métier, des médias sociaux, des
capteurs, etc
>Évaluation de la qualité des données : Avant d’intégrer les données, il est
essentiel d'évaluer leur qualité. Cela implique de vérifier la fiabilité, la précision et la
cohérence des données.

2. Intégration des données : ETL
Après l'extraction des
est souvent
données, il
nécessaire
transformer
rendre cohérentes
de les
pour
le
s
et
exploitables
Une fois que les données
sont transformées, elles
doivent être chargées
dans une base de
données ou un entrepôt
de données dédié
Une fois que les sources
de données sont
identifiées, il
faut
extraire les données de
ces sources.
E
0xtr
1act
Tr
0ans
2form
0Lo
3ad

3. Restitution des données
● Même s’il demande un fort engagement métier, un projet BI reste un projet de
développement (i.e : Analyse, Conception & Réalisation).
● La phase d’analyse est primordiale Souvent précédée d’une phase d’audit
● Le livrable est la modélisation d’un DataWarehouse C’est l’élément clé de la solution
Description des Faits (ce que j’analyse) et des Dimensions (sur quels axes)

Data WareHouse (DWH)
Data WareHouse = Entrepôt de données = Base de données décisionnelles
Définition – Bill Inmonn –
● Le Data Warehouse est une collection de données orientées sujet, intégrées, non volatiles
et historisées, organisées pour la prise de décision.
● C'est est une vision centralisée et universelle de toutes les informations de l'entreprise. C'est
une structure (comme une base de données) qui a pour but, contrairement aux bases de
données, de regrouper les données de l'entreprise pour des fins analytiques et pour aider
à la décision stratégique.

4. Analyse des données
ANALYSE
DES
DONNÉES
Prescriptive
Predictive
Diagnostique
Cognitive
Descriptive
Que?
Passé
Pourquoi?
Que?
Future
Comment?
Quel?
Action

Analyse des données
32
• On peut définir 5 types d’analyses répondant à 5 questions
- L'analyse descriptive aide à répondre au question que c'est-il passé, sur la base
de données historiques. Cette technique résume de grands ensembles de
données pour décrire les résultats aux parties prenantes. Ceci en développant
des KPI, permettent d’aider à suivre le succès ou l'échec des objectifs clés.
- L'analyse diagnostique aide à répondre au question pourquoi les choses se sont
produites. Cette technique complète l'analyse descriptive qui est plus basique.
Elle utilise les résultats de l'analyse descriptive et creuse plus profondément pour
trouver la cause. Les indicateurs de performance sont étudiés plus en détail pour
découvrir pourquoi ils se sont améliorés ou détériorés.

33
- L'analyse prédictive aide à répondre au question que se va se passer dans le
futur. Cette technique utilise des données historiques pour identifier les
tendances et déterminer si elles sont susceptibles de se reproduire. Elle fournit
des informations précieuses sur ce qui pourrait se produire à l'avenir. L’analyse
prédictive comprend une variété de techniques statistiques et d'apprentissage
automatique telles que les réseaux de neurones, les arbres de décision et la
régression.
- L'analyse prescriptive aide à répondre au question quels actions à entreprendre
pour atteindre un objectif ou une cible. Cette technique permet aux entreprises
de prendre des décisions éclairées face à l'incertitude. Les techniques d'analyse
prescriptive s'appuient sur des stratégies d'apprentissage automatique pour
trouver des modèles dans de grands ensembles de données. En analysant les
décisions et les événements passés, la probabilité de résultats différents peut
être estimée.

34
- L'analyse cognitive tente de tirer des conclusions à partir des données et des
modèles existants, de tirer des conclusions basées sur des bases de
connaissances existantes, puis d'ajouter ces résultats dans la base de
connaissances pour de futures inférences. L'analyse cognitive aide à savoir ce qui
pourrait arriver si les circonstances changent et comment gérer ces situations.

Processus décisionnel général
1 3
2 4
ANALYSE DE BESOIN
CONCEPTION ED
ALIMENTATION ED
ANALYSE DES DONNÉES

Schéma synoptique du BI
Data Mining

Sources de données
• Les Sources de données (ou bases de données opérationnelles),
assurent la sauvegarde et le traitement des données
nécessaires au fonctionnement quotidien d’une entreprise à
travers les applications transactionnelles OLTP
• Ces sources de données peuvent être
- internes (comme les bases de production d’une entreprise)
- externes (comme les bases de partenaires)
• Les sources de données peuvent être de nature hétérogène telle
que des fichiers, des bases de données relationnelles ou
objets…

ETL
Extraction des données
pertinentes à partir des
sources opérationnelles
EXTRACTION CHARGEMENT
Chargement de données,
extraites et transformées,
dans l’entrepôt de
données
1 3
2
TRANSFORMATION
Transformation des données
pour être adéquates avec le
format destination souhaité

ETL
DONNÉES STRUCTURÉS POUR L’ANALYSE
DONNÉES NON STRUCTURÉS POUR L’ANALYSE

Entrepôt de données (DW)
Un entrepôt de données est une collection de données orientées
sujet, intégrées, non volatiles, historisées, organisées pour le
support d’un processus d’aide à la décision

• Magasin de données (Data Mart)
- Extrait de l’entrepôt
- Adapté à une classe de décideurs
- Recouvre une partie des données et problématiques
liées à un métier ou un sujet d'analyse en particulier

• Le modèle multidimensionnel consiste à considérer un sujet
d’analyse comme un point dans un espace à
plusieurs dimensions
• La modélisation multidimensionnelle a donné naissance aux
concepts de fait et de dimension (Kimball, 2002)

• Concept de fait:
- Sujet analysé
- Un
ensemble
d'attributs appelés mesures (informations
opérationnelles)
• Les ventes (chiffre d'affaire, quantités et
montants
commandés, volumes des ventes, ...)
• Les stocks (nombre d'exemplaires d'un produit en stock, ...)

• Concept de dimension:
- Une dimension (ou axe d’analyse) modélise une perspective de
l’analyse
- Chaque dimension comporte un ou plusieurs attributs /
membres
- Chaque membre de la dimension a des caractéristiques
propres et généralement textuel

• Concept de dimension:
- Hiérarchie :
• Les attributs/membres d'une dimension sont
organisés
suivant des hiérarchies
• Chaque paramètre appartient à un niveau hiérarchique (ou
niveau de granularité) particulier

• Trois principaux modèles:
- Étoile
- Flocon de neige
- Constellation

48
• Modèle en étoile
- Une table de fait centrale et des dimensions
• Un fait central
• n dimensions (n>=2)
- Les dimensions n’ont pas de liaison entre elles

49
• Modèle en flocon de neige
- Dérivé du schéma en étoile
- Représenter la table dimension par plusieurs tables
- Le fait est conservé
- Les dimensions sont éclatées conformément à leurs
niveaux
d’hiérarchie

50
• Modèle en constellation
en constellation
comprend des
dimensions (pas
forcément toutes
plusieurs faits qui
les
- Fusionner plusieurs modèles en étoile
- Un
modèle
partagent
dimensions

Méthode de Conception des DW
51
• Trois familles de méthodes:
- Ascendante ou guidée par la source de données
- Descendante ou guidée par les besoins des décideurs
- Mixte

• Méthode ascendante
• Concevoir un schéma conceptuel d’un ED à partir d’un diagramme
E/R:
- Étape 1 : Définition des faits
- Étape 2 : Construction de l’arbre des attributs
- Étape 3 : Suppression des attributs inutiles
- Étape 4 : Définition des dimensions et mesures
- Étape 5 : Définition des hiérarchies
52

53
Méthode ascendante
☺Se basent sur des représentations conceptuelles qui couvrent une
large étendue de besoins analytiques
☺Garantissent que le SI de l‘entreprise alimente les
besoins analytiques
☹Limitent la participation des utilisateurs dans la conception
☹Nécessitent une bonne connaissance des modèles des systèmes
d’information

54
Méthode Descendante
• Définir le schéma de l’entrepôt en fonction des besoins d’analyse
et supposent que les données disponibles permettront la mise
en œuvre d’un tel schéma:
- Étape1 : Collecte des données
- Étape2 : Spécification des besoins
- Étape3 : Formalisation des besoins

• Méthode Descendante
•☺Partent des besoins décisionnels
• ☺Permet d’aboutir à des modèles qui décrivent
convenablement les besoins des décideurs
•☹Nécessite une expertise au niveau de l’expression des besoins
•☹Risque de produire des modèles incohérents par rapport à la cible
• d’alimentation
55

56
Méthode Mixte
• Considère à la fois les besoins d’analyse et les données pour la
construction du schéma.
• Construire des schémas candidats à partir des données
(démarche ascendante) et de les confronter aux schémas
définis selon les besoins (démarche descendante)
- Étape 1 : Obtenir un ensemble de modèles multidimensionnels
à partir des sources de données
- Étape 2 : Affiner le modèle multidimensionnel par les
besoins des utilisateurs

57
Méthode Mixte
☺Combinent les méthodes ascendantes et descendantes
☺Elaborent le schéma conceptuel à partir du système opérationnel
et le valident par rapport aux besoins analytiques
☺Produisent des schémas qui répondent aux besoins exprimés par
les utilisateurs décisionnels
☹Nécessitent une double expertise au niveau des modèles des
systèmes opérationnels et au niveau de l’expression des besoins
analytiques.

Cube OLAP
58
• Le DW a une structure multidimensionnelle qui traite un sujet
d’analyse comme un cube à plusieurs dimensions, offrant
des vues en tranches ou des analyses selon différents axes.
• Son exploitation se fait par la technologie OLAP souvent appelée
« cube OLAP »
• Un cube OLAP est une base de données multidimensionnelle
optimisée pour les DW et les applications OLAP.
• Il s’agit d’une méthode permettant de stocker les données sous
forme multidimensionnelle, notamment pour le Reporting.

Data Mining
• Définition [Fayad et al. 96] : Le Data Mining est l’application d’algorithmes
efficaces qui identifient les motifs contenus dans une base de données
• Branche de la science des données qui recherche dans de vastes ensembles
de données, à la recherche de pépites de sagesse.
• Les différentes méthodes de fouille :
• Autres tâches : regression, détection d’outlier, etc.

Data Mining
• La classification divise les grands ensembles de données en catégories
spécifiques.
- Application : Segmentation, structuration d’un ensemble de documents
«web», déterminer des familles de protéines et des «super-familles»,
découvertes de communautés
• Le clustering amène la classification à un nouveau niveau, en détectant de
petites anomalies ou similitudes que les humains ne peuvent pas
les observer.
- Application : prédiction de la fonction d’une protéine, accorder un
crédit,
interpréter des images en astronomie, etc.
• La règle d’association révèle les relations entre les variables au fil
du temps.
- Application : mise en rayon, promotion, améliorer la structure d’un site

BI vs Data Mining
Caractéristique Data Minig BI
Objectif
Exploration et mise en forme des
données pour trouver des réponses
aux problématiques métiers
Interpréter et présenter les données
aux parties prenantes pour éclairer
les décisions fondées sur les données
Volume
Traite de petits ensembles de
données spécifiques pour une analyse
ciblée
Traite les bases de données
relationnelles pour suivre les mesures
au niveau de l'entreprise
Résultats
Ensembles de données uniques dans
un format de données utilisable
Tableaux de bord, graphiques,
diagrammes, rapports
Focusse Identification de nouveaux KPI
Démonstration de la progression des
KPI

BI vs Data Mining
• Bien que les définitions du BI et le Data Mining soient différentes, les deux
processus fonctionnent mieux lorsqu'ils sont utilisés en tandem.
• Le Data Mining peut être considérée comme le précurseur du BI. Lors de la
collecte, les données sont souvent brutes et non structurées, ce qui rend difficile
de tirer des conclusions. Le Data Mining décode ces ensembles de données
complexes et fournit une version plus propre à l'équipe d'informatique
décisionnelle pour en tirer des informations.
• Le Data Mining peut approfondir des ensembles de données plus petits. Cela
permet aux entreprises d'identifier la cause profonde d'une tendance spécifique et
d'utiliser le BI pour suggérer des méthodes pour en tirer parti. Les analystes
utilisent le Data Mining pour recueillir des informations spécifiques dans le format
dont ils ont besoin, puis effectuent un suivi avec des outils du BI pour déterminer
et présenter pourquoi l'information est importante.
• Les entreprises utilisent le Data Mining pour comprendre le « quoi » afin de
répondre dans le BI le « comment » et le « pourquoi ». Les entreprises qui
investissent à la fois dans des outils de BI et de Data Mining peuvent effectuer,
tester et interpréter rapidement des analyses sophistiquées.

Des SI opérationnels aux SI décisionnels

Des SI opérationnels aux SI décisionnels
• Pour pouvoir réaliser un projet BI il faut passer du OLTP vers OLAP
- L’OLTP (Online transaction processing) est un traitement transactionnel en ligne
qui sert à effectuer des modifications d’informations en temps réel.
- On le retrouve essentiellement dans des opérations commerciales comme les
opérations bancaires, ou l’achat de bien divers.
- L’objectif de l’utilisation d’un tel système est de pouvoir insérer, et interpréter
pour des besoins divers, les données de la base de données, en toute sécurité.
- Trouver les informations nécessaires à la prise de décision prend du temps.
- On doit Mettre en place un Système d’information décisionnel (OLAP :
Online Analytical Processing) un système en ligne qui répond à des requêtes
analytiques multidimensionnelles telles que le Reporting financier, les prévisions.

La chaîne décisionnelle simple d’un projet BI
COLLECTE
> SGBD (Oracle, MySQL)
> Fichiers Plats (Excel, CSV,...)
> Logiciels (ERP,CRM,...)
ETL
● Talend Data Integration
● Informatica PowerCenter
● Microsoft SQL Server Integration Services
● IBM InfoSphere DataStage
● Oracle Data Integrator (ODI)
● Pentaho DI
DWH
● Oracle Database
● Microsoft SQL Server
● IBM Db2
● SAP HANA
● Snowflake
Reporting
● Tableau
● Microsoft Power BI
● QlikView
● MicroStrategy
● Looker
● SAP Crystal Reports
● IBM Cognos Analytics
0
1
0
2
0
3
0
4

Cube OLAP
68
• L’architecture d’un cube OLAP est constituée de trois parties :
- La base de données : un support de données agrégées ou
résumées possédant une structure multidimensionnelle c’est-
à-dire basée sur un SGBD multidimensionnel ou relationnel.
- Le serveur OLAP : permet la gestion de la structure
multidimensionnelle dans le SGBD et la gestion d’accès aux
données de la part des utilisateurs.
- Le module client : permet à l’utilisateur de manipuler et
d’exploiter les données, permet aussi l’affichage des données
sous formes de graphiques ou de tableau.

Cube OLAP
69
• L’architecture du serveur OLAP qui est le noyau de son système peut être
distinguée de plusieurs manières :
- MOLAP : le Multidimensionnel OLAP stocke aussi bien les données que les
agrégats dans une structure multidimensionnelle entraînant la performance des
requêtes et la réduction des temps de réponse. L’inconvénient est que le
traitement de la partition est consommateur de ressources.
- ROLAP : le Relationnel OLAP stocke aussi bien les données que les agrégats dans
la base de données relationnelle source. Il est lent pour répondre aux requêtes.
Le traitement est cependant léger car moins de consommation de ressources.
- HOLAP : l’Hybride OLAP stocke les données dans la base relationnelle source et
les agrégats dans une structure multidimensionnelle. Il présente un compromis
entre MOLAP et ROLAP combinant les avantages des deux architectures. Les
temps de réponse dépendent des requêtes et des données à récupérer.

Cube OLAP
70
• Les outils OLAP utilisent des opérations particulières pour la navigation dans
les cubes :
- Pivot (Rotate) : sélectionne le pivot d’analyse en faisant tourner le cube
- Slice : extrait une tranche du cube, c’est-à-dire, un sous-ensemble des
valeurs du cube correspondant à une certaine valeur d’une des
dimensions non-découpées
- Dice : provient de l’application de l’opération slice sur plus d’une
dimension
- Drill-down : permetde détailler les données
en descendant le niveau hiérarchique d’une dimension
- Roll-up(drill-up) : permetd’agréger les données
en augmentant le niveau hiérarchique d’une dimension

Cube OLAP
71
• Exemple de cube:
Table Vente
Clien
t
Articl
e
Customerkey ProductKey DueDateKey SalesAmount
21768 310 20110110 3578,27
28389 346 20110110 3399,99
25863 346 20110110 3399,99
21768 600 20130426 539,99
25863 578 20130807 1214,85
25863 477 20130807 4,99
25863 479 20130807 8,99
25863 480 20130807 2,29

Cube OLAP
72
• Hiérarchie du cube :
Clien
t
Article
Clien
t
Article
Clien
t
Article
Clien
t
Article
Clien
t
Article
Clien
t
Article
Clien
t
Article
Clien
t
Article
Produit
1
Produit
2 Client 1 Client
2
Clien
t
Article
Dice

Cube OLAP
73
Produit 1 Produit 2 Produit 3 …
Client 1
Client 2
Client 3
…
Produit 1 Produit 2 Produit 3 …
Date 1
Date 2
Date 3
…
Catégorie 1 Catégorie 2 Catégorie 3 …
Client 1
Client 2
Client 3
…
Produit 2
Client 1
Client 2
Client 3
…
Rotate
Slice
(dim. Produit)
Roll-up
(dim. Produit)
Drill-down
(dim. Produit)
Note: Catégorie correspond à la catégorie d’un produit (hiérarchie de la dim.
Produit)

Cube OLAP
74
• Clause CUBE (SQL99):
Clien
t
Article
Clien
t
Article
Clien
t
Article
Clien
t
Article
SELECT Customerkey, ProductKey, sum(SalesAmount)
FROM InternetSales
GROUP BY CUBE (Customerkey, ProductKey)
Customerkey ProductKey
346
28389
28389
25863
25863
25863
25863
25863
25863
21768
21768
21768
578
480
479
477
346
600
310
600
578
480
479
477
346
310
SUM(SalesAmount)
3399,99
3399,99
1214,85
2,29
8,99
4,99
3399,99
4631,11
539,99
3578,27
4118,26
539,99
1214,85
2,29
8,99
4,99
6799,98
3578,27
12149,36

Cube OLAP
75
• Clause ROLLUP (SQL99):
SELECT Customerkey, ProductKey, sum(SalesAmount)
FROM InternetSales
GROUP BY ROLLUP (Customerkey, ProductKey)
Clien
t
Article
Clien
t
Article
Clien
t
Article
Customerkey ProductKey SUM(SalesAmount)
28389 346 3399,99
28389 3399,99
25863 578 1214,85
25863 480 2,29
25863 479 8,99
25863 477 4,99
25863 346 3399,99
25863 4631,11
21768 600 539,99
21768 310 3578,27
21768 4118,26
12149,36

Cube OLAP
76
• Clause GROUPING SETS (SQL99):
SELECT DueDateKey, Customerkey, ProductKey,
sum(SalesAmount)
FROM InternetSales
GROUP BY GROUPING SETS
((DueDateKey,Customerkey),
(DueDateKey,ProductKey))
DueDateKey Customerkey ProductKey SUM(salesamount)
20130807 25863 1231,12
20130807 578 1214,85
20130807 480 2,29
20130807 479 8,99
20130807 477 4,99
20130426 21768 539,99
20130426 600 539,99
20110110 28389 3399,99
20110110 25863 3399,99
20110110 21768 3578,27
20110110 346 6799,98
20110110 310 3578,27
SELECT DueDateKey, Customerkey, ProductKey,
sum(SalesAmount)
FROM InternetSales
GROUP BY GROUPING SETS
((DueDateKey,Customerk
ey),
(DueDateKey,ProductKey
),())
DueDateKey Customerkey ProductKey SUM(salesamount)
20130807 25863 1231,12
20130807 578 1214,85
20130807 480 2,29
20130807 479 8,99
20130807 477 4,99
20130426 21768 539,99
20130426 600 539,99
20110110 28389 3399,99
20110110 25863 3399,99
20110110 21768 3578,27
20110110 346 6799,98
20110110 310 3578,27
12149,36

Cube OLAP
77
• Exemple de cube
implémenté sous
SSAS

MDX
78
• Langage de requête conçu pour rechercher et manipuler l'information dans
les cubes OLAP;
• Proposé par Microsoft en 1997 dans leur BD OLE ;
• Standardisé dans la norme XML Analytique (XMLA);
• Employé dans différents produits:
- Microsoft SQL Server;
- SAP Netweaver BI;
- Hyperion Essbase;
- SAS OLAP Server;
- etc.
• Attention: Ne pas confondre avec SQL, même si certains
éléments syntaxiques sont similaires.

MDX
79
• Syntaxe générale d’une requête MDX :
SELECT [< spécification d ’un axe>
[ , < spécification d ’un axe > . . . ] ]
FROM [< spécification d ’un cube >]
[WHERE [< spécification d ’un filtre ( slicer ) > ] ]
• Parenthèses en MDX :
- { } : Ensemble des éléments servant à la création d’une dimension du résultat de
la requête
- ( ) : Sélection de tuples dans la clause WHERE
- [ ] : Représentation d’espaces, de caractères spéciaux et d’interprétation non
numérique de chiffres.
• NB: [ ] : optionnels, sauf si le nom contient des caractères espace, des chiffres, ou
est un mot-clé MDX

MDX
80
• Exemple : Cette requête renvoie un jeu de résultats comprenant les
montants des ventes pour 2003 et 2002 de magasins dans l'État
de Californie.
SELECT { [Measures].[Store Sales] } ON COLUMNS,
{ [Date].[2002], [Date].[2003] } ON ROWS
FROM Sales
WHERE ( [Store].[USA].[CA] )
• La clause SELECT définit les axes de la requête.
• Ce sont le montant des ventes en magasin (Store Sales Amount) ainsi que
les dates 2002 et 2003.
• La clause FROM indique que la requête utilise le cube "Sales" comme source
de données.
• La clause WHERE définit le membre "California" de la dimension "Store" en
tant qu'axe de transition.

SQL Server BI
82
• SQL Server Integration Services (SSIS)
- SSIS est un composant du logiciel de base de données Microsoft SQL Server qui
peut être utilisé pour exécuter un large éventail de tâches de migration de
données. SSIS est un outil d'entreposage de données rapide et flexible utilisé
pour l'extraction, le chargement et la transformation de données (nettoyage,
agrégation, fusion de données, …).
- Il facilite le déplacement des données d'une base de données vers une autre.
SSIS peut extraire des données d'une grande variété de sources comme les
bases de données SQL Server, les fichiers Excel, les bases de données Oracle et
DB2, etc.
- SSIS comprend également des outils graphiques et des assistants pour effectuer
des fonctions de flux de travail comme l'envoi d'e-mails, les opérations FTP, les
sources de données et les destinations.

SQL Server BI
• Voici les principales raisons d'utiliser l'outil SSIS:
- Il aide à fusionner les données de divers sources de données.
- IL automatise les fonctions administratives et le chargement des données.
- Il remplit Data Marts & Data Warehouses.
- Il vous aide à nettoyer et standardiser les données.
- Il aide à intégrer la BI dans un processus de transformation des données.
- Il contient une interface graphique qui aide les utilisateurs à
transformer facilement les données plutôt que d'écrire de gros programmes.
- Il peut charger des millions de lignes d'une source de données à une autre en
quelques minutes.
- Il permet l'identification, capture et traitement des modifications de données.
- Il permet la coordination de la maintenance, du traitement ou de l'analyse des
données.
- IL offre une gestion robuste des erreurs et des événements. 61

SQL Server BI
84
• les composants de l'architecture SSIS
- Flux de contrôle (stocke les conteneurs et les tâches)
- Flux de données (source, destination, transformations)
- Gestionnaire d'événements (envoi de messages, e-mails)
- Explorateur de packages (offre une vue unique pour tous dans le package)
- Paramètres (interaction avec l'utilisateur)
- Gestionnaire des connexions

SQL Server BI
85
• SQL Server Analysis Services ( SSAS)
- Le service d'analyse SQL Server (SSAS) est un serveur OLAP multidimensionnel
ainsi qu'un moteur d'analyse qui vous permet de découper de gros volumes de
données.
- Il fait partie de Microsoft SQL Server et permet d'effectuer une analyse à l'aide
de différentes dimensions.
- Il a 2 variantes multidimensionnelles et tabulaires.
- La vue architecturale de SSAS est basée sur une architecture à trois niveaux, qui
se compose de:
- SGBDR : Les données de différentes sources comme Excel, base de données,
texte, d'autres peuvent être extraites à l'aide de l'outil ETL dans le SGBDR.
- SSAS : Les données agrégées du SGBDR sont transférées dans des cubes
SSAS à l'aide de projets de services d'analyse. Les cubes créeront une base de données
d'analyse et une fois que la base de données d'analyse sera prête, elle pourra être utilisée à
de nombreuses fins.
- Client : Les clients peuvent accéder aux données à l'aide de tableaux de bord.

SQL Server BI
86
• SQL Server Reporting Services (SSRS)
- SSRS est un logiciel de génération de rapports qui vous permet de produire des
rapports formatés avec des tableaux sous forme de données, de graphiques et
d'images. Ces rapports sont hébergés sur un serveur qui peut être exécuté à
tout moment à l'aide de paramètres définis par les utilisateurs. Il fait partie de la
suite Microsoft SQL Server Services.
- Trois types de services de rapport SSRS sont:
- Services d'intégration Microsoft SQL Server qui intègrent des données
provenant de différentes sources.
- Service analytique Microsoft SQL Server qui aide à l'analyse des données
- Le service Microsoft SQL Server Reporting permet de générer un rapport
visuel des données.

SQL Server BI
87
• SSRS est un outil amélioré par rapport à Crystal Reports.
• Quelques avantages du SSRS :
- Un Traitement plus rapide des rapports sur les données
relationnelles et multidimensionnelles.
- Un mécanisme de prise de décision meilleur et plus précis pour les utilisateurs.
- Une interaction des utilisateurs avec les informations sans
impliquer les
professionnelles de l'informatique.
- Un déploiement de rapports relativement facile car il fournit une connexion
internet et donc les rapport sont accessibles sur internet.
- Une certaine flexibilité du partage des rapports dans différents formats. On peut
envoyer des rapports SSRS par e-mail.
- Une multitude de fonctionnalités de sécurité, qui aident à contrôler les accès au
rapport.

SQL Server BI
88
• Comment fonctionne SSRS?
- Les utilisateurs du rapport sont les personnes qui travaillent avec les données et
souhaitent obtenir des informations à partir des données.
- Ils envoient une requête au serveur SSRS
- Le serveur SSRS trouve les métadonnées du rapport et envoie une demande de
données aux sources de données.
- Les données renvoyées par la source de données sont fusionnées
avec la
définition de rapport dans un rapport.
- Lorsque le rapport est généré, il est renvoyé au client.

SQL Server BI
89
POURQUOI
UNE
PLATEFORME
SQL SERVER BI
COÛT
FONCTIONS
ANALYTIQUES
AVANCÉES IN-
DATABASE
ECOSYSTÈME
MICROSOFT
UNE BI MOBILE
DE BOUT EN
BOUT SUR TOUS
LES APPAREILS
HAUTE
PERFORMANCE

Power BI
90
• Microsoft Power BI est un ensemble de services logiciels, d'applications et de
connecteurs qui fonctionnent ensemble pour transformer vos données
en informations interactives.

Power BI
91
• Il vise à fournir des visualisations interactives et des
de business intelligence avec
une
suffisamment simple
pour que les
capacités
interface
utilisateurs finaux puissent créer leurs propres
rapports et tableaux de bord.

Power BI
93
• La préparation des données est le processus qui consiste à prendre des données brutes et à les
transformer en informations fiables et compréhensibles. Il s'agit, entre autres, de s'assurer de
l'intégrité des données, de corriger des données erronées ou inexactes, d'identifier des données
manquantes, de convertir des données d'une structure à une autre ou d'un type à un autre.
• La modélisation des données est le processus qui consiste à déterminer comment les tables sont
liées les unes aux autres. Cela se fait en définissant et en créant des relations entre les tables. À
partir de là, on peut améliorer le modèle en définissant des métriques et en ajoutant des calculs
personnalisés pour enrichir les données.
• L'objectif de la visualisation est de résoudre les problèmes de l'entreprise. Cette tâche permet de
donner vie aux données. Un rapport bien conçu doit raconter une histoire convaincante et
percutante sur ces données, permettant aux décideurs d'obtenir rapidement les informations
nécessaires. En utilisant des visualisations et des interactions appropriées, un rapport efficace guide
le lecteur à travers le contenu rapidement et efficacement, permettant au lecteur de suivre un récit
dans les données.
• La tâche d'analyse est une étape importante pour la compréhension et l'interprétation des
informations affichées sur le rapport.
• Il existe de nombreux composants dans Power BI, notamment des rapports, des tableaux de bord,
des espaces de travail, des jeux de données, etc. La gestion du contenu contribue à favoriser la
collaboration entre les équipes et les individus.

Power BI
95
• Power BI se compose de trois éléments principaux qui fonctionnent ensemble pour vous permettre
de créer, d'interagir avec, de partager et de consommer vos données comme vous le souhaitez.
- Power BI Desktop : Version autonome “Standalone” du produit Microsoft Business Intelligence
- Créer des modèles relationnels afin de réunir les données de différentes sources de données
- Faire des calculs complexes en utilisant le langage DAX ( Data Analysis Expressions)
- Visualiser les données et créer des tableaux de bords interactifs
- Power BI Service : Une plateforme cloud de partage et de consultation des tableaux de bords
- Publication et partage des rapports via l’application ou des sites web.
- Analyse et visualisation plus approfondie des données
- Programmation de mises à jour périodiques
- Création d’alertes sur l’évolution de certaines données
- Power BI mobile : Une application mobile pour tous les appareils
- Consultez et affichez en toute sécurité les rapports et tableaux de bord Power
BI en temps réel sur l’appareil de votre choix, avec des applications natives et mobiles BI
pour Windows, iOS et Android

Power BI
96
Par utilisateur
Power BI Pro Power BI Premium
Par utilisateur Par capacité
8,40 €
Par utilisateur/mois
- Réaliser des analyses modernes en
libre-service.
- Visualiser des données à l’aide de
tableaux de bord et de rapports en
direct.
- Partager les informations dans toute
l’organisation.
16,90 €
Par utilisateur/mois
- Accélérer rapidement à des
insights fournis par l’IA avancée
- Débloquer la préparation des
données en libre-service pour les
Big Data
- Simplifier la gestion et l’accès aux
données à l’échelle de l’entreprise.
à partir de 4 212,30 €
Par capacité/mois
- Simplifier la gestion et l’accès aux
données à l’échelle de l’entreprise,
sans licence par utilisateur pour les
consommateurs de contenu.

Power BI
97
Fonctionnalité Power BI Pro Power BI Premium
Par utilisateur
Power BI Premium
Par capacité
Collaboration et analyse
Accès aux applications mobiles X X X
Publication de rapports à partager et collaboration X X
Rapports paginés (RDL) X X
Consommation du contenu sans licence par utilisateur X
Création locale de rapports Power BI Report Server X
Préparation, modélisation et visualisation des données
Limite de taille des modèles 1 Go 100 Go 400 Go
Fréquence d’actualisation 8/jour 48/jour 48/jour
Connexion à plus de 100 sources de données X X X
Créez des rapports et des visualisations avec Power BI Desktop X X X
Intégration d’API et de contrôles X X X
Visuels par IA X X X
IA avancée (analyse de texte, détection d’image, Machine Learning
automatisé)
X X
Connectivité en lecture/écriture du point de terminaison XMLA X X
Dataflows (requête directe, entités liées et calculées, moteur de calcul
amélioré)
X X
Gouvernance et administration
Sécurité et chiffrement des données X X X
Mesures pour la création, la consommation et la publication de contenu X X X
Gestion du cycle de vie des applications X X
Gestion du déploiement dans plusieurs zones géographiques X
Bring Your Own Key (BYOK) X
Disponibilité du module complémentaire de mise à l’échelle
automatique
X
Stockage maximal 10 Go/utilisateur 100 To 100 To

Cube Tabulaire
98
• Dans Analysis Services, les modèles tabulaires sont des bases de données qui
s’exécutent en mémoire ou en mode DirectQuery, en se connectant
aux données à partir de sources de données relationnelles principales.
• En utilisant des algorithmes de compression de pointe et un processeur de
requêtes multithread, le moteur d’analyse Analysis Services (VertiPaq)
offre un accès rapide aux objets de modèle tabulaire et aux données en
reportant des applications clientes telles que Power BI et Excel.
• Les tables s’organisent d’une manière équivalent aux bases de données
relationnelles.

Cube Tabulaire
99
Dimensions
Fait
• L’avantage d’un modèle tabulaire est qu’il est beaucoup moins dépaysant car son interface ressemble
beaucoup à Excel et repose sur le langage M et le langage DAX.

Cube Tabulaire
100
MULTIDIMENSIONNEL VS TABULAIRE
• Approche différente pour le stockage/analyse/exposition des données DWH.
• Ces deux modèles ont le même objectif : fournir une couche sémantique au-
dessus de votre entrepôt de données avec des capacités de
haute performance qui permettent aux utilisateurs finaux d'explorer les
données.
• Les deux produits sont différents avec deux approches de
conception
totalement
totalement différentes et des architectures de données
différentes

Cube Tabulaire
101
Multidimensionnel Tabulaire
Données pré-agrégées sur disque Technologie de calcul In-Memory ( X-Velocity
engine )
Supporte une très grande quantité de données
( 5TB+ )
Supporte une grande quantité de données (<5TB)
Row-Based storage Column-Based storage
Taux de compression 3X Taux de compression 10X
Marche seulement avec les modèles à
Fait/Dimensions
Marche avec tout type de structure de données
MDX DAX

Multidimensionnel Tabulaire
Pros
•Technologie mature
•Technologie évolutive capable de
gérer un très grand volume de
données
•Capable de faire face aux exigences
avancées de modélisation / calcul
•Plus performant dans la majorité des cas
•Plus facile à développer
•La technologie pour l’avenir
•Intégration avec Power Pivot ( Excel/PBI )
Cons
•Difficile à construire/utiliser/maintenir
•Aucune innovation majeure à attendre
dans ce produit à l’avenir
•Complexité supérieure à celle du
Tabulaire
•Relativement nouveau produit donc encore
des améliorations à venir
•Limité à la RAM disponible (= projet de
taille moyenne)
•Il manque quelques calculs avancés
disponibles
Cube Tabulaire
102

Position de DAX dans l’outil Power BI
103
Source de données
• CSV
• Bases
• Excel
Extraction des
données utiles
• Transformation
• Jointures, Fusion
Modélisation des
données
• Cardinalité, sens
• Mesures et
colonnes calculées,
Jointures
Présentation des
données et diffusion
• Visuels menus
et dataflows
• Gestion des
droits
Power
Query
Power
BI
Modèle
de
données
BI
Service
DAX
M

Langage M
• Le langage M (M pour Mash-up) est une solution ETL (Extracting,
Transforming, Loading) utilisée par Power Query (Excel et Power BI).
Le langage M est utilisé pour:
- (E) automatiser le processus d’exportation de données de différentes
sources et d’importation dans Excel ou Power BI
- (T) transformer les données ainsi importées afin qu’elles
puissent convenir aux besoins d’analyse
- (L) charger ces données dans une ou des tables,
qui seront éventuellement utilisées par un modèle de données
• M est un langage de programmation structuré, étape par étape. Ses
transformations permettent de créer, filtrer et combiner des données
de sources très différentes. Pour en savoir plus : https://radacad.com/basics-of-m-
power- query-formula-language
82

Langage M
105
• Penser en M est sensible à la casse et complexe :
= let
x = 1,
y = 2,
z = x + y in
x + y + z
Commentaire M: « // » sur une seule ligne ou combiné comme ci-dessous avec
une étoile en multiligne de commentaires
/*
Commentaire ligne 1
Commentaire ligne 2
*/
« Let » permet de lancer un calcul M et de le placer dans un résultat « in »
Il faut une virgule à la fin de chaque ligne d’étape sauf la dernière avant « in »
#table( {"A", "B"}, { {1, 2}, {3, 4} } ) peut se coller dans l’éditeur avancé pour créer une table

Langage M
106
• Il permet de nettoyer les données avant les calculs
- Supprimer des lignes, supprimer ou remplacer les erreurs
- Recopier vers le bas les sources mal structurées (tableau croisé XL)
- Fort dans les transformations de texte : Remplacer des caractères ligne
à ligne, et changer les formats
- Nettoyer les données : text.Proper (Retourne le résultat de la mise en
majuscules de la première lettre uniquement de chaque
mot dans la valeur de texte), text.Upper (passage en
majuscule), Text.Clean (caractères non imprimables)
- Supprimer les doublons : Table.Distinct (fonction native du ruban)
- Remplacer les erreurs : Table.ReplaceErrorValues (idem)

Langage DAX
107
• DAX (Data Analysis Expression) est un langage de formules utilisé
outils de Business Intelligence et de visuels
dans les
• C'est un langage de fonctions : le code est tenu à l'intérieur de la
fonction. Il y a plus de 250 fonctions
• C'est à l’origine le langage de SSAS 2012 Tabulaire et de Power Pivot
(Excel) : un moyen d’aggréger
• Penser en DAX réclame une nouvelle attitude
- Quand on vient d'Excel, on doit oublier ses réflexes de formules
- Prérequis : On doit penser à un bon modèle de donnée avant tout DAX

Langage DAX
108
• Accès Desktop : Rapport -> Clic droit
sur la table -> Nouvelle
Mesure (mesure rapide ou
colonne)
• On écrit directement
nomdelamesure := formule
• Exemple : Coût moyen
Coût moyen :=average ('Table_tâches'[Coût])
Fonction Syntaxe de la
fonction
‘nomdelatable’
[nomdecolonne]

Langage DAX
109
• NOM DE LA MESURE=
- Saisie du début de la formule (insensible à la casse) -> aide au choix
- Si ontape « ‘ » on va chercher directement les tables
sinon c’est
alphabétique (idem pour « [ » et les mesures ou colonnes)
- Entrer : permet de valider un morceau de la syntaxe : table, etc…
- Séparateur est présenté : ici virgule pour version
internationale, versus point virgule en FR pur et dur
En bleu : expression
et mesure

Langage DAX
110
• Les agrégats simples
SUM
AVERAGE MAX
MIN COUNTROWS
DISTINCTCOUNT…
• Les agrégats d’expression
SUMX
AVERAGEX
MAXX
MINX
COUNTX…
Exemples d’agrégats

Langage DAX
111
• Principe
- L’utilisateur filtre sur une dimension ou +
- Tous les calculs reposent sur des
données filtrées sur ces dimensions, même
si chaque ligne est liée à une autre dimension
- Grosse différence avec les formules XL
- Le contexte de filtre vient de :
- Segment
- Filtre du panneau de Filtre (visuel,
page)
- Sélection d’un item d’un visuel
- Extraction (Drill down)
- Hiérarchie
rapport,
- Donne l’intelligence et le dynamisme
• Exemple : SUM
Contexte de filtre

Langage DAX
112
• Principe
- C’est la ligne « courante »
- Le contexte de ligne vient de :
- chaque ligne de la table
- Un calcul
- C’est utilisé notamment par toutes les fonctions itératives (SUMX)
- car elles parcourent ligne à ligne pour donner le calcul (l’expression) lié à la
ligne
- Il ne faut pas
- Créer une colonne SUM, car cela ignore le
uniquement
contexte de ligne, il faut en faire une mesure
- C’est utilisé aussi avec les nouvelles colonnes calculées
Contexte de Ligne
• Exemple : SUMX
Marge=
SUMX(Dim_Produits, ([Prix unitaire]-[Coût
unitaire]) * [Qté])
Marge=
([Prix unitaire] - [Coût unitaire] ) *
[Qté]

Langage DAX
113
Les mesures Les colonnes
•Globales à l’ensemble des tables
•Fait pour les calculs d’agrégation
•Utilisent très bien le contexte de ligne ou de filtre
•Universelles : Différentes des formules Excel
•Peuvent être regroupées dans une table
spécifique ou placées sur une table de fait ou de
dimension
•Mesures sont calculées au moment de la requête
et non stockée (sauf si préparées dans Dataware
House ou SSAS)
•Ne prend pas de place sur le volume de données
chargé
•Le calcul se fait sur demande du visuel , La
•Dépendante d’une table
•Idéal pour des dates, ou du texte
•Doivent varier d’une ligne à l’autre (sinon redondance
de
la donnée)
•Proches des formules Excel
•Rattachées à la table dont elles précisent l’objet
•Indispensable sur des fonctions de date basiques
(#semaine)
•Les colonnes sont calculées au moment du refresh :
impact sur le temps de mise à jour
•IMPACT le temps de refresh et sur la RAM
•Stockée dans les tables
MESURE VS COLONNE

Langage DAX
114
• Table toute simple de dimension TEMPS
• But : manipuler les périodes
• Outils de table – Nouvelle table
ici table en dur
– Calendrier = CALENDAR
(DATE(2011,1,1), DATE(2021,12,31))
• Outils de table – Marquer comme table
de date
– But : faire fonctionner les visuels et les
formules de temps correctement
• Formatter la date en date
pour se débarrasser des heures
• Autre Table
• Table de date relative
CalendrierRelatif = CALENDAR (DATE(2011,1,1),
NOW()+365)
• Power BI récupère et met en forme les
noms et valeurs de colonnes selon la langue
du modèle. Si la table est du DAX, ou de la
dimension temps Time Inteligence, elle
pourra s’afficher selon la langue de
l’utilisateur. Si c’est du M ou du SQL sans
Time Intelligence, il n’y aura aucune
conversion en langue locale.
Créer une table de temps
Qu’est-ce qu’une table de date ? Une table de date est une
table dédiée qui contient un unique enregistrement pour
chaque jour entre deux dates. Cette table peut inclure tout
attribut utile à l’utilisateur : l’année, le mois, la semaine, le fait
que le jour soit férié ou pas.

Langage DAX
115
YTD
• Est relatif à une année : c’est le cumul à date pour le contexte d’une année
• Exemple
- CumulAnnuelàDate_MandatsC =
TOTALYTD(SUM('FACT_COD_MANDATS'[nb_mandats_c]),DIMENSION_TEMPS[Date])

Langage DAX
116
Calculate
• Utiliser CALCULATE quand on a besoin de changer le contexte de filtre
CALCULATE(<expression>,<filter1>,<filter2>…)
• Exemple :
- La définition de mesure pour la table Sales suivante produit un résultat
sous
forme de chiffre d’affaires, mais uniquement pour les produits bleus
Blue Revenue =
CALCULATE( SUM(Sales[Sales Amount]), 'Product'[Color] =
"Blue")

Conclusion
B
I
KP
I
BIG DATA
Data
Mart
OLA
P
Cube I
A

Les annexes
 Intelligence Artificielle (AI)
• Référence aux outils modernes utilisant l’IA.
 Wikipédia
• Définition et concepts de base de la BI et de l’IA.
 Polytechnique de Sousse
• Contribution académique et exemples de projets.
 Source complémentaire :
 Documentation Microsoft Power BI :
https://docs.microsoft.com/power-bi
 Outils de l'IA en BI : Exemples d'IA en BI

Remerciements
Chers participants,
Je tiens à vous remercier chaleureusement pour votre participation active et votre
engagement tout au long de cette formation. Vos échanges enrichissants et votre
implication ont largement contribué à la réussite de ces journées d'apprentissage.
J’espère que les compétences acquises vous seront bénéfiques dans vos projets
futurs et vous aideront à relever de nouveaux défis.
N’hésitez pas à me contacter pour toute question, demande d’accompagnement
ou pour approfondir certains aspects abordés durant cette session.
Formateur :
M. Mouhamed Anouar Farsi
Email : mouhamed.anouar@gmail.com / mouhamed_anouar@live.fr
Téléphone : +216 54000546 / +216 93232423

784572849-Cours- Desktop BI-Support.pptx

Contenu connexe

Similaire à 784572849-Cours- Desktop BI-Support.pptx

Plus de Mouhamed Anouar Fersi

Dernier

784572849-Cours- Desktop BI-Support.pptx