Ce module s'appuie sur les bases de la conception de bases de données du module précédent, en se concentrant sur la modélisation des bases de données relationnelles, la normalisation et le langage SQL. Les lectures vous guideront dans la traduction d'un diagramme conceptuel EER en un modèle relationnel, en assurant l'adhésion aux principes de normalisation et en visant la Troisième Forme Normale (3NF). Nous mettrons également l'accent sur la compréhension des clés primaires et des clés étrangères pour maintenir l'intégrité des données et établir les relations entre les tables. Vous aurez également l'occasion de créer et de critiquer des modèles relationnels. Nous explorerons ensuite les bases du langage SQL, couvrant la syntaxe (SELECT, INSERT, UPDATE, DELETE), les techniques d'interrogation (WHERE, ORDER BY, JOIN), et les opérations impliquant des fonctions et des agrégats (COUNT, SUM, AVG, MIN, MAX), qui sont fondamentales dans l'interrogation et la gestion des bases de données.

Ce module propose une introduction aux concepts d'entrepôt de données. Les entrepôts de données sont basés sur un modèle multidimensionnel. Nous examinerons de près le modèle multidimensionnel et sa représentation sous forme de cubes de données (également connus sous le nom d'hypercubes). Nous examinerons comment les différents aspects des données sont classés en faits, mesures et dimensions. Les dimensions telles que le produit, le temps et le client sont organisées de manière hiérarchique au sein d'un cube, ce qui permet d'analyser les données à différents niveaux de détail. Les mesures telles que la quantité et le montant des ventes sont stockées dans ces cubes, et les analystes peuvent naviguer à travers différents niveaux de détail en utilisant les techniques de "rolling up" et de "drilling down". Nous explorerons également des concepts clés tels que la granularité, le schéma de dimension et les hiérarchies de membres, qui sont essentiels pour comprendre comment les données sont structurées et analysées dans les modèles multidimensionnels. Enfin, nous apprendrons à utiliser des techniques telles que la disjonction, l'exhaustivité et l'exactitude pour garantir l'exactitude et l'intégrité des données lors de l'agrégation des données dans les cubes de données, ce que l'on appelle collectivement la résumabilité.

Dans ce module, nous allons explorer la modélisation conceptuelle avec des modèles multidimensionnels, visualisés à l'aide de MultiDim. Cette approche nous aide à organiser les données en faits et dimensions et à comprendre les relations entre eux, ce qui est essentiel pour concevoir des entrepôts de données. Nous explorerons plus en détail des sujets tels que les dimensions (par exemple, la date, le client) et les mesures (par exemple, la quantité, les ventes totales). Nous étudierons également la différence entre les événements primaires et les événements secondaires et apprendrons comment ils sont utilisés. Enfin, nous examinerons une autre catégorisation des mesures en flux : les mesures de niveau et les mesures unitaires.

Dans ce module, nous allons nous plonger dans la modélisation conceptuelle des hiérarchies au sein des entrepôts de données, en explorant leurs définitions, leurs caractéristiques et leur importance. Les hiérarchies équilibrées ont une structure uniforme où chaque enfant a un parent et où toutes les branches ont la même longueur, ce qui rend l'analyse des données cohérente et efficace. En revanche, les hiérarchies déséquilibrées présentent des longueurs de branches variables et des niveaux d'agrégation manquants, ce qui permet de modéliser avec souplesse des scénarios réels tels que les catégories de produits et les hiérarchies géographiques. Vous découvrirez également les hiérarchies généralisées, qui impliquent des relations "is-a" entre les super-types et les sous-types, permettant une représentation détaillée des données mais exigeant une gestion minutieuse de l'agrégation et de la spécialisation. Nous explorerons également des hiérarchies alternatives, présentant différentes façons d'organiser la même dimension, telles que les vues calendaires et fiscales du temps. Enfin, nous étudierons les hiérarchies parallèles, indépendantes et dépendantes, en tant qu'outils d'analyse des données à partir de perspectives multiples, représentant des structures organisationnelles complexes. La compréhension de ces types de hiérarchie est cruciale pour une gestion et une analyse efficaces des données dans l'Entrepôt de données.

Dans ce module, vous explorerez la modélisation logique dans l'Entrepôt de données, qui est le processus de conception d'une représentation structurée et abstraite des données à stocker, en mettant l'accent sur la façon dont les données sont organisées, liées et optimisées pour une interrogation et une analyse efficaces. En vous appuyant sur ce que vous avez appris dans les modules précédents, vous passerez à l'étape suivante de la conception d'un entrepôt de données : la traduction d'un modèle conceptuel en un modèle logique à mettre en œuvre. Le module se concentrera sur la représentation relationnelle des entrepôts de données, y compris l'étude de diverses implémentations de schémas : étoile, flocon de neige, flocon étoilé et constellation. Vous examinerez également les règles de mise en correspondance d'un modèle conceptuel multidimensionnel avec un modèle relationnel, en soulignant le rôle et l'importance des différents types de clés dans ce processus. Nous aborderons également les stratégies de maintien de la cohérence dans un entrepôt de données. Enfin, vous découvrirez comment pré-remplir certaines dimensions, comme le temps, afin de rationaliser les opérations et d'améliorer les performances des requêtes.

La modélisation d'un entrepôt de données est un processus complexe qui nécessite de passer de modèles conceptuels de haut niveau à des modèles logiques détaillés. Cette transition est essentielle car elle permet de combler le fossé entre la compréhension des besoins de l'entreprise et leur traduction dans un cadre technique qui prend efficacement en charge ces besoins. Dans ce module, vous développerez le processus de modélisation logique abordé dans le module précédent, en vous concentrant plus particulièrement sur la conception de modèles dimensionnels et sur les subtilités de la modélisation hiérarchique. Au fur et à mesure que vous approfondirez vos connaissances, vous découvrirez la modélisation logique pour des concepts avancés tels que les dimensions de plusieurs à plusieurs, les liens entre les faits et les faits à granularités multiples. Nous explorerons également le concept des dimensions à changement lent (SCD), qui sont essentielles pour la gestion des données historiques dans votre entrepôt. Vous apprendrez à mettre en œuvre différents types de SCD pour suivre et gérer avec précision les changements dans les données de dimension au fil du temps. Enfin, nous aborderons SQL pour OLAP, en nous concentrant sur des concepts avancés tels que l'agrégation et les fonctions de fenêtre, et vous apprendrez à utiliser SQL pour interroger et analyser les entrepôts de données.