Construire un DataWarehouse
Formation
À Paris
Avez-vous besoin d'un coach de formation?
Il vous aidera à comparer différents cours et à trouver la solution la plus abordable.
Description
-
Typologie
Formation intensive
-
Niveau
Niveau intermédiaire
-
Lieu
Paris
-
Heures de classe
21h
-
Durée
3 Jours
Ce stage vous permettra de découvrir les meilleures métodes
et outils pour élaborer un entrepôt de données, à partir des besoins métier et de comprendre les rôles clés dans ce type de projet, et quel est l’impact sur l’architecture SI et
la qualité du référentiel de données d’entreprise
Les sites et dates disponibles
Lieu
Date de début
Date de début
À propos de cette formation
Responsables informatiques, responsables des études,
architectes de systèmes d’information, chefs de projets
fonctionnels et techniques.
Maîtrise gestion de bases de données. Connaissances de base
en analyse décisionnelle
Nous vous répondrons sous un délai de 24/48 heures
Les Avis
Professeurs
xxx xxx
xxx
Le programme
Le Data Warehouse, finalité et principes
Les enjeux stratégiques d’un SI décisionnel
Les raisons techniques et culturelles qui
conduisent au Data Warehouse.
Définition du Data Warehouse selon Bill
Inmon.
Les solutions apportées par l’architecture
technique et fonctionnelle du Data Warehouse.
Caractéristiques des données du SI
décisionnel
L’Infocentre et le SI décisionnel.
Présentation des différentes approches Data
Warehouse et Infocentre, leurs avantages et
inconvénients.
L’architecture d’un SI décisionnel d’entreprise
Les différentes couches de l’organisation d’un
Data Warehouse.
La collecte et l’intégration des données.
L’operational Data Store et la Data Staging
area.
La couche de présentation, le portail
décisionnel.
Les moteurs d’analyse OLAP : (MOLAP) et/ou
relationnel OLAP (ROLAP).
Les techniques d’analyse «Data Mining» :
méthodes prédictives, méthodes descriptives.
Croissance du volume et de la nature des
données, les enjeux du Big Data.
La documentation des données du DW :
notions de référentiel de données.
Comment le DW fiabilise la gestion du
référentiel de données (MDM).
La gestion des flux : la capture des données
sources, les règles de transformation.
Les principes de la modélisation Data Warehouse
Les modèles relationnels opérationnels et
dénormalisés.
Les modèles hybrides.
Les modèles génériques.
Comprendre le modèle en étoile, sa finalité.
Comprendre les notions de faits et d’analyse.
Les hiérarchies d’axe d’analyse.
Le modèle en flocon.
La problématique des dimensions à évolution.
Gestion des agrégats et de la stabilité du
périmètre fonctionnel.
Quelle approche favorise les informations de
détail ou les agrégats ? Bonnes pratiques,
questions à poser au métier.
La démarche de construction d’un Data Warehouse
Identifier le périmètre fonctionnel candidat.
Déterminer l’objectif et les événements de
gestion à suivre.
Estimer la volumétrie du périmètre.
Analyse fonctionnelle, recueil des besoins
utilisateurs.
Conception de l’architecture technique
détaillée.
Etablir une démarche générique de mise en
oeuvre.
Les apports d’une démarche itérative, le
contenu d’une itération.
Première itération ou projet pilote, bien
le choisir. Rôle du sponsor, de la MOA,
de la MOE, impact sur l’organisation.
L’administration et le suivi de la solution
opérationnelle.
Organisation du projet, les acteurs et les livrables
Le rôle fondamental du sponsor ou promoteur.
Le comité de pilotage.
Rôle de l’équipe fonctionnelle, du groupe
de projet utilisateurs : valider le design de
l’environnement utilisateur.
Le transfert de compétences vers les
utilisateurs finaux par l’équipe fonctionnelle :
formation et documentation.
L’équipe technique, les architectes.
Les principaux livrables d’un projet décisionnel.
Les outils dans le domaine du décisionnel
Les dernières évolutions techniques des
SGBDR dans le domaine du décisionnel.
Panorama et typologie des solutions BI du
marché. Les offres en mode Saas.
Les solutions de Reporting : SSRS, IBM
Cognos, SAS, BusinessObjects... La mise en
oeuvre des outils de requête.
Les outils d’analyse OLAP côté serveur et
côté client : Utilisation, évolutivité, approche
DataMart, temps de réponse.
Les solutions d’analyse Data Mining : SAS
Enterprise Miner, IBM, OBI Datamining.
Exigences et points forts.
Les solutions ETL : IBM, Informatica, Oracle,
SAP, Talend..
Les outils de modélisation relationnelle :
possibilités et limites.
Synthèse
Les tendances d’évolution des systèmes
décisionnels.
Bonnes pratiques pour la modélisation.
Recommandations pour l’organisation du
projet Data Warehouse.
Avez-vous besoin d'un coach de formation?
Il vous aidera à comparer différents cours et à trouver la solution la plus abordable.
Construire un DataWarehouse