Modélisation des tables de faits et des agrégats

1. Définition et structuration des tables de faits

Destinées aux entrepôts de données et aux cubes OLAP, les tables de faits enregistrent des événements mesurables ou des transactions qui surviennent dans une organisation (par exemple : ventes, commandes, paiements) et contiennent des mesures quantitatives souvent agrégables (ex. : montant, quantité, durée) ainsi que des clés étrangères pointant vers des tables de dimensions (ex. : date, client, produit) permettant de contextualiser les faits.

Dans un cube OLAP, la table de faits joue un rôle clé dans l’analyse multidimensionnelle. Les mesures (faits) sont agrégées à l’aide de fonctions (Sum, AVG, Count…) ventilées par des dimensions.

Exemple de navigation OLAP

Fait : montant des ventes

Dimensions : Date, Produit, Région

Dans un cube OLAP, on peut drill down pour passer du montant des ventes annuelles au montant mensuel ou quotidien.

Exemple de structuration d’une table de faits :

2. Implémentation de la dimension...

1. Faits additifs

Très utilisées dans les cubes OLAP, les mesures (ou faits) additives contiennent des mesures qui peuvent être agrégées sur toutes les dimensions (liées à cette table) sans altérer la signification de l’information.

Exemple de faits additifs :

L’exemple abordé en début de chapitre met en évidence un fait additif qui permet de sommer les mesures de cette table par rapport à toutes les dimensions de la table.

2. Faits semi-additifs

Ce type de faits permet de répondre à des problématiques de représentation de certains types d’indicateurs, notamment l’état d’une mesure à un jour donné (un stock, un portefeuille, un solde bancaire ou un effectif à une date donnée).

Exemple d’un fait semi-additif :

La mesure stock_disponible peut être agrégée par les dimensions Produit, Région ainsi que Id_Date. Cependant, l’agrégation par la dimension Date_reference doit être réalisée avec précaution.

En effet, il n’est ni logique ni possible de faire la somme des stocks disponibles des trois exemples par la dimension date_reference, ce qui nous permet de mieux comprendre la distinction entre un fait semi-additif et un fait additif.

Ce fait semi-additif permet alors de répondre aux questions suivantes en utilisant la même table :

3. Faits...

1. Pré-agrégations et cubes matérialisés

Les stratégies d’agrégation ont pour but de réduire le temps d’exécution des requêtes analytiques afin de construire des indicateurs synthétiques sur de grands volumes de données. Deux approches se distinguent : les pré-agrégations (ou matérialisation) ou alors des calculs à la volée (ou agrégation dynamique).

Lorsqu’un entrepôt de données est régulièrement interrogé, recalculer les mêmes taux, moyennes ou comptes sont calculés à chaque requête peut devenir très coûteux en temps et en ressources. Pour y remédier, la préagrégation est utilisée, elle consiste à précalculer certains résultats et à les stocker directement dans la base.

Ainsi, au lieu de recalculer les chiffres de vente d’un produit chaque fois qu’un analyste le demande, ceux-là sont déjà disponibles sous forme de « résumés » prêts à l’emploi.

Par exemple, il est possible d’agréger les ventes par mois, par produit ou par région, et de stocker ces résultats dans des tables spécifiques ou des cubes multidimensionnels.

C’est comme garder une fiche de révision à portée de main plutôt que de relire tout un manuel à chaque fois.

Il existe plusieurs types de préagrégations :

En termes de calculs, on observe des agrégats traditionnels tels que les sommes, les moyennes, les maximums et les dénombrements, qui sont fréquemment combinés selon diverses dimensions. Par exemple, on peut être intéressé par le calcul de la moyenne des ventes mensuelles selon les régions, ou encore le cumul des commandes en fonction du type de client et du trimestre.

L’un des avantages majeurs des préagrégations est le temps économisé lors...