Ce module s'appuie sur les fondements 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 veillant à respecter les principes de normalisation, en particulier en visant la 3e forme normale. 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. En outre, vous aurez 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. À la fin de ce module, nous nous attendons à ce que les étudiants soient à l'aise avec la conception de bases de données, ce qui est essentiel pour la mise en œuvre d'un système OLTP.

Ce module propose une introduction aux concepts de l'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.

Ce module poursuit l'introduction aux concepts de l'Entrepôt de données. Nous examinerons comment les différents aspects des données sont catégorisés en faits, mesures et dimensions. Les dimensions telles que le produit, le temps et le client sont organisées de manière hiérarchique dans 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". Des concepts clés tels que la granularité, le schéma des dimensions et les hiérarchies de membres sont essentiels pour comprendre comment les données sont structurées et analysées dans les modèles multidimensionnels. En outre, des principes tels que la disjonction, l'exhaustivité et l'exactitude garantissent 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