OLAP par l'exemple


Page précédente

Retour à l'étape 1

Page suivante

Etape 1 : Les propriétés de la table Vente

Dans cette première étape, nous allons tenter de construire progressivement une base de données tout à fait classique, avec des tables constituées de colonnes. Nous verrons alors que, malgré l'intérêt indiscutable des bases de données relationnelles, cette approche n'est peut-être pas toujours la meilleure.

La société Au bon pied, installée à Bonneuil, désire construire une base de données pour suivre l'évolution de ses ventes de chaussures, par modèle et par mois. Jusque là, pas de problème. On peut imaginer une table Vente :

Mois

Modèle

Nombre

Total HT

Janvier 2000

Escarpin

5

1 700 F

Janvier 2000

Ville

300

65 000 F

..........

 

 

 

En réalité, les différents types de chaussure sont stockés dans une table modèle, et on ne met dans la table vente que la clé correspondante.

Pour analyser ces données, on peut par exemple placer les mois en ligne et le type en colonne, on obtient deux tableaux Nombre et Total HT sur lesquels on peut effectuer toutes les simulations et les graphes que l'on veut. Cela constitue deux états simples en terme de reporting : l'un présente le nombre de paires de chaussure par mois et par modèle, l'autre présente la valeur HT selon les mêmes critères.

La chaussure marchant bien (bon d'accord, on a fait mieux), notre société s'agrandit et dispose maintenant de plusieurs commerces. Il faut donc faire évoluer notre table vente :

Mois

Modèle

Magasin

Nombre

Total HT

Avril 2000

Botte

Champigny

10

1 500 F

Avril 2000

Tennis

Paris Bastille

850

260 000 F

..........

 

 

 

 

Ici aussi, une base relationnelle disposera d'une table magasin, avec un nom et une clé, plus d'autres caractéristiques telles que l'adresse.

L'analyse s'avère déjà un peu plus complexe, car une feuille de papier (ou un document d'un tableur) ne possède que deux dimensions. Si l'on veut étudier les performances d'un magasin, il faut faire une sélection sur celui-ci. Mais si on s'intéresse ensuite à ce qui s'est passé en février sur tous les magasins, il faut repartir des données de départ et faire une autre sélection.

A ce niveau, six états simples sont déjà possibles :

Ces six états peuvent encore être multipliés par deux si l'on fait pivoter les axes des abscisses et des ordonnées.

On peut maintenant imaginer que la société désire aussi étudier la répartition de ses ventes suivant d'autres critères, comme Genre (Homme/Femme/Enfant), Pointure, ou encore Couleur.

Premier problème, tout le monde doit passer en résolution 1280x1024 pour voir la représentation de notre table vente. Comme ça n'a pas grand intérêt, contentons-nous de l'imaginer. Cette table est devenue très importante, à la fois en nombre de colonnes et de lignes. Pour analyser ces données, il faut faire des sommes sur des regroupements, avec des temps de traitement pas toujours envoûtants, il faut donc gérer des index, etc.

La structure de données relationnelle que nous venons de construire est parfois appelée schéma en étoile, en référence à l'apparence du modèle conceptuel correspondant : le centre de l'étoile est la table vente, tandis que les branches sont les tables magasin, modèle, couleur, etc. Ces branches correspondent à des axes d'analyses, c'est à dire à des critères qu'il est pertinent d'utiliser pour l'analyse des données. Avez-vous repéré l'étoile à quatre branches dans le MCD et le MPD ci-dessous ?

MCD

MPD


Page précédente

Retour à l'étape 1

Page suivante


N'hésitez pas à me faire par de vos remarques sur ce site ou son contenu.

Les statistiques du site sont fournies par