data warehouse

Oasis de la connaissance institute Maroc vous propose une formation continue data warehouse, formation pour les particuliers et les entreprises en individuel ou en groupe, la formation data warehouse se déroule sous forme des ateliers réels et des projets en web, à la fin de la formation vous serez capable de créer des Projet en data warehouse

S’inscrire à la Formation data warehouse

Objectifs de formation data warehouse

Comprendre les enjeux stratégiques d’un SI décisionnel et ses avantages
Repérer les différentes couches de l’organisation d’un système décisionnel
Modéliser Data Warehouse au cœur du système décisionnel
Identifier les étapes essentielles dans la démarche de construction d’un Data Warehouse
Maîtriser les rôles et les livrables sur un projet de construction de Data Warehouse
Avoir une vue complète et synthétique des solutions BI du marché

Plan de formation

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 œuvre.
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.
Le 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 œuvre 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 data mining. Exigences et points forts.
Les solutions ETL : IBM, Informatica, Oracle, SAP, Talend…
Les outils de modélisation relationnelle : possibilités et limites.

Synthèse