MTI820 Entrepôts de données et intelligence d’affaires · La modélisation dimensionnelle • Définition: – Technique de conception logiquepermettant de structurer les données

MTI820 −Entrepôtsdedonnéesetintelligenced’affaires

Modélisationdimensionnelle

1Département degénielogicieletdesTI MTI820Hiver2011– ©S.Chafki,C.Desrosiers

Lecycledevied’unprojetenBI• Diagrammedefluxdetravail:

2

Planificationdeprojet/programme

Définitiondes

besoinsd’affaires

Conception del’architecturetechnique

Modélisationdesdonnées

Conception desapplicationde

BI

Sélectionetinstallationdes

produits

Conceptionphysique

Conception etdéveloppementdusystèmeETL

Développementdesapplications

deBI

Déploiement

Croissance

Maintenance

Gestiondeprojet/programme

Département degénielogicieletdesTI MTI820Hiver2011– ©S.Chafki,C.Desrosiers

Processusdeconception1. Choisirleprocessusd'affaires:– Sebasesurlamatriceenbusdedonnéesetlediagrammede

priorisation;– Doitimpliquerlescadressupérieurs.

2. Définirlegrain:– Question:"àquoicorrespondunelignedelatabledefaits?";– Dépenddesréalitésphysiquesdessourcesdedonnées.

3. Identifierlesdimensions:– Découledirectementdeladéfinitiondugrain;– Colonnesservantàrestreindrel'analyse.

4. Identifierlesfaits:– Colonnesreprésentantdesvaleursnumériquesdemesure.

Département degénielogicieletdesTI MTI820Hiver2011– ©S.Chafki,C.Desrosiers 3

Questions• Quel serait legrain,lesdimensions etlesfaits

correspondant auxprocessus d’affaires suivants d’uneentreprise detélécommunications?1. Facturation clients2. Gestion dutrafficd’appel3. Inventaire4. Serviceà laclientèle


Questions• À quoicorrespondlamodélisation dimensionnelle?• Quels sont lesavantages dumodèle dimensionnel par

rapportaumodèle ER?


ModèledimensionnelvsER• Modèleentité-relation(ER):

– Représentelesdonnéessouslaformed'entités(tables)etderelations(référencesoutables);

– Normalisationduschéma(ex:3FN).

• Modèledimensionnel:– Représentelesdonnéescommedesfaitsetdesdimensions;– Lesdimensionsnesontpasnormalisées.

• Avantagesdumodèledimensionnel:– Compréhensibilité:

• Lesdonnéessontregroupéesselondescatégoriesd'affairesquiontunsenspourlesutilisateursd'affaires;

– Performance:• Ladénormalisation évitelesjointurescoûteuses;• Autresoptimisations(ex:indexdejointureenétoile).


Lamodélisationdimensionnelle• Définition:– Techniquedeconceptionlogique permettantdestructurerlesdonnéesdemanièreàlesrendreintuitives auxutilisateurd'affairesetoffrirune bonneperformance auxrequêtes.

• Caractéristiques:– Diviselesdonnéesenfaits etdimensions;– Lesfaits(mesures)sontgénéralementdesvaleursnumériquesprovenantdesprocessusd'affaires;

– Lesdimensionsfournissentlecontexte(qui,quoi,quand,où,pourquoietcomment)desfaits;

– Schémaenétoile:unetabledefaitsentouréedeplusieurstablesdedimension(normalemententre8et15).


Exempledeschémaenétoile (manufacturier)


Commande

idDateCommande (FK)

idDateEnvoiDemandée (FK)

idProduit (FK)

idClientVenduÀ (FK)

idClientExpediéÀ (FK)

idClientChargéÀ (FK)

idReprésentantVente (FK)

idTypeCommande (FK)

idTypeEnvoi (FK)

noCommande (DD)

noLigneCommande (DD)

quantitéCommandée

totalBrut

totalNet

ReprésentantVente

ClientExpediéÀ

TypeCommande

ClientChargéÀ

ClientVenduÀ

Produit

DateEnvoiDemandée

DateCommande

TypeEnvoi

Tables dedimensionTables dedimension

Tables defaits

mesures

Tablesdefaits• Correspondentnormalementàunseulprocessusd'affaires:

– 1tabledefaits=1processus.

• Stockentdesmesuresgénéréesparlesévénementsduprocessus;– Ex:réceptiond'unecommande,envoid'unecommande,etc.– Lesfaits"prennentleurvaleur"aumomentoùl'évènementd'affairessurvient(aspecttemporelimportant).

• Contiennenttypiquementuntrèsgrandnombredelignes:– Jusqu'àplusieursmilliardsdelignes;– Souventplusde90%desdonnéesdumodèle.


Tablesdefaits• Comprennentdeuxtypesdecolonnes:– Clésétrangèresversdestablesdedimension;– Valeursnumériquessouventadditives(mesures).

• Modélisentdesrelationsdetypeplusieurs-à-plusieurs(tabledejointureenrelationnel)


Tablesdefaits• Exemple:


Commande

idDateCommande (FK)

idDateEnvoiDemandée (FK)

idProduit (FK)

idClientVenduÀ (FK)

idClientExpediéÀ (FK)

idClientChargéÀ (FK)

idReprésentantVente (FK)

idTypeCommande (FK)

idTypeEnvoi (FK)

noCommande (DD)


quantitéCommandée

totalBrut

totalNet

mesures

Clés étrangères

???

Question• Une mesure doit-elle toujours être une valeur

numérique?• Une mesure peut-elle toujours être additionnée sur

plusieurs lignes?


Typesdemesure• Mesuresadditives:– Peuventêtreagrégéesselonn'importequelledimension;– Ex:montantdevente,quantitécommandée,etc.

• Mesuressemi-additives:– Peuventêtreagrégéesseloncertainesdimensionsseulement;

– Ex:soldedecompteagrégeable selonlesclients,pasletemps.

• Mesuresnon-additives:– Valeursnumériquesnepouvantêtreagrégéesselonaucunedimension;

– Ex:pourcentagesouratios.


Question• Mesure additive,semi-additiveou non-additive?

1. Quantité eninventaire2. Pourcentage deprofit:100*(vente – coût)/vente3. Nombre d’items vendus4. Produit envente (valeur binaire)


Question• Commentpeut-ondifférencier une mesure d’unattribut

dedimension?1. Coût unitaire duproduit (provient dufournisseur)2. Dimensionsduproduit3. Prixdevente duproduit4. Produit envente (valeur binaire)


Mesuresversusattributsdedimension

• Mesures:– Dépendentd'unévénementd'affaires;– Ontsouventdesvaleurscontinues(ouungrandnombredevaleursdiscrètespossibles);

– Serventdanslecalculd’indicateursdeperformance;– Ex:montanttotaletquantitéd'unecommande.

• Attributs(numériques)dedimension:– Indépendantsdesévénementsd'affaires;– Ontsouventdesvaleursdiscrètes;– Serventàfiltrerouétiqueterlesfaits;– Ex:jouretheured'unetransaction,âged'unclient,etc.


Clésd’unetabledefaits• Clésprimaires:– Lacléprimaireesttypiquementuneclécomposée,forméed'unsous-ensembledesclésétrangèresverslestablesdedimension:• Ex:(idDateTransaction,idClient,idProduit).

• Clésétrangères:– Lesclésétrangèresnedevraientjamaisêtrenulles

• Sinononpeutviolerleprinciped'intégritéréférentielle;• Utiliserplutôtunevaleurspécialedanslatablededimension;

• Ex:uneligne"Aucunspécial"dansladimensionRabaisSpécial sileclientn'aeudroitàaucunrabaislorsd'unetransaction)


Graind’unetabledefaits• Legrain estladéfinitiondel'événementd'affaires

produisantleslignesdelatabledefaits;• Toutesleslignesdelatabledoiventavoirlemêmegrain;

• Doitêtreleplusfinpossible (atomique)pourleprocessusd'affaires:– Permetdefairedesrequêtesplusprécisesetimprévues;– Déterminéparlesréalitésphysiquesdessourcesdedonnées.

• Déterminelesdimensionsdumodèle.


Questions• Que renferme une tablededimension?• À quoiservent lesattributs d’une dimension?


Tablesdedimension• Ensemblehautementcorréléd'attributs(jusqu'àplusieurs

dizaines)regroupésselonlesobjetsclésd'uneentreprise:– Ex:produits,clients,employés,installations,etc.

• Propriétésdesattributs:– Descriptif(ex:chaînesdecaractères);– Dequalité(ex:aucunevaleurmanquante,obsolète,erronée,etc.);– Principalementdesvaleursdiscrètes(ex:jour,âged'unclient);

• Rôlesdesattributs:– Filtrer/restreindrelesrequêtes(ex:ville,catégorieproduit,etc.);– Étiqueterlesrésultats(ex:champsdescripteurs).

• Lapuissanceanalytiquedel'entrepôtestproportionnelleàlarichesseetlaqualitédesattributsdimensionnels


Hiérarchiesdimensionnelles• Unensembled'attributsayantunerelationhiérarchique(x est

inclusdansy);• Définissentlescheminsd'accèsdanslesdonnées(drill-down

paths);• Simples:

– Temps:année) mois) semaine) jour) heure;– Produit:famille) catégorie) marque) produit;– Lieu:pays) province) région) ville) codepostal.

• Multiples:

• Normalementdansuneseuletablededimension.Département degénielogicieletdesTI MTI820Hiver2011– ©S.Chafki,C.Desrosiers 21

année trimestre

trimestrefiscal

mois

moisfiscal

jour

année fiscale

1

1

1

1

1

1

*

*

*

*

**

Questions• Hiérarchie pourlesdimensionssuivantes?

1. Client2. Vendeur3. Canaldevente


Choixdesdimensions• Demandelejugementetl'intuitiondumodélisateur;• Plusonad'attributsnon-corrélésdansunedimension

pluslatablecorrespondanteauradelignes(explosioncombinatoire):– Ex:10,000produitsx100magasins=1,000,000delignesdansunetablededimensionProduitMagasin.

• Règles:– Lesdimensionssontobservablesauniveaudugraindelatabledefaits(fontpartiedel’évènementd’affaires);

– Lesattributsnon-corrélésvontdansdesdimensionsséparées.


Question• Vente:doitonmettreRégion commeunattributdeClient ou

unedimensionséparée?

• Enseignement:doitonmettreDépartement,Professeur etCours dansunemêmedimension?


Clésd'unetablededimension• Cléprimaire:– Lacléprimairedevraittoujoursêtreunecléartificiellecomposéed'uneseulecolonne(surrogate key);

– Ex:mécanismedeséquencedansOracle;– Avantages:

• Performance:accèsparindexetjointuresaccélérés;• Robustesse:nechangejamaiscontrairementàuneclénaturelle;

• Cohérence:permetd'identifierlamêmeentitédansdeuxtablesmêmesilestablesontdescolonnesdifférentes.


Question• Qu’est-ce qu’une dimensionconforme?• À quoiservent ces dimensions?


Dimensionsconformes• Égalementappeléesmasterdimensions oucommon

reference dimensions;• Dimensionspotentiellementpartagéespardestablesde

faitsmodélisantdesprocessusd'affairesdifférents;

• Avantages:– Cohérence:lesdifférentestablesdefaitssontfiltréesetétiquetésdemanièredecohérente;

– Intégration:permetàl'entrepôtdedonnéesd'opérercommeunseulblocuni;

– Productivité:favorisel'extensiondel'entrepôtd'uneitérationdedéveloppementàl'autre.


Question• Deux tablesdefaits peuvent-elles être reliées parune

dimensionconforme si elles n’ont paslemême grain?


Dimensionsconformes• Desdimensionspeuventêtreconformessilesattributs

d'unetablededimensionsontunsous-ensembledesattributsd'uneautretable;

• Ex:dimensionsreprésentantdesniveauxdegranularitédifférents


Dimension:Produit

idProduit (PK)

descriptionProduit

NuméroSKU

idMarque

descriptionMarque

descriptionSousCatégorie

descriptionCatégorie

couleur

taille

Dimension:Marque

idMarque(PK)

descriptionMarque

descriptionSousCatégorie

descriptionCatégorie

Faits:Vente

Faits:PrédictionVentes

Dimensiontemporelle• Centralecarlaplupartdesfaitscorrespondentàdes

événementsd'affairesdel'entreprise;

• Mettretoutescesvaleursmêmesilaplupartpeuventêtredéduitesdesautres.


Dimension:Date

idDate (PK)

date

jourDeSemaine

jourDuMois

jourDeAnnée

jourDansMoisFiscal

jourDansAnnéeFiscale

congéFérié

jourDeTravail

semaineDuMois

...

Question• Ya-t-il unproblème à définir ladimensionsuivante ?


Dimension:Date

idDate (PK)

date

jour

mois

semaine

année

heure

minute

seconde

...

Dimensiontemporelle• Avoirungraintropfindansladimensiontemporelle(ex:

tempsdujour)peutcauserl'explosiondunombrederangées:– Ex:31,000,000secondesdifférentesdansuneannée.

• Solution1:mettreletempsdujour(timeofday)dansunedimensionséparée:– Dimension1:année) mois) semaine) jour;– Dimension2:heure) minute) secondes;– 86,400+365lignesVS31,000,000lignes.

• Solution2:mettreletempsdujourcommeunfait etgarderlejour,mois,annéedansunedimension;

• Lasolution2estnormalementpréférableàmoinsd’avoirdesattributssupplémentaires(ex:descripteurtexte).


Question• À quoiservent ces colonnes?• Sont elles nécessaires dans latabledefaits?


Commande

idDateCommande (FK)

...

noCommande (DD)


quantitéCommandée

...

???

Dimensionsdégénérées• Clésdelatabledefaitsn'ayantaucunattributautre

qu'elles-mêmes;• Correspondentsouventàdesidentifiantsdansles

systèmessources:– Ex:nodecommande,nodebillet,etc.

• Ilfauttoujourslaisser cescolonnesdanslatabledefaits:– Ellessontlacollequi"tientensemble"lesitemsd'unelignedelatabledefaits;

– Permettentderépondreàdesquestionsplusgénéralescomme"quelestlenombremoyendelignescorrespondantàunmêmecommande?";

– Permettentégalementderetracerlaprovenanced'uneligneàunesourcededonnées.


Question• Que fait-onsi unattribut dimensionnel change?

1. Adresse duclient2. Descriptionduproduit3. Catégorie duproduit4. Statusd’unclient


Dimensionsàévolutionlente• Slowly Changing Dimensions (SCD);• Mêmesiellessontplusstatiquesquelesfaits,les

dimensionspeuventégalementchanger:– Ex:adresse/status d'unclient,catégoried'unproduit,etc.

• Plusieursstratégiesd'historisation:– SCDType1:Écraserl'anciennevaleuraveclanouvelle;– SCDType2:Ajouterunelignedanslatablededimensionpourlanouvellevaleur;

– SCDType3:Avoirdeuxcolonnesdanslatablededimensioncorrespondantàl'ancienneetlanouvellevaleur.

– Hybride:OncombinelesTypes2et3.


Question• Quels sont lesavantages /limitations desstratégies

d’historisation SCD1,SCD2etSCD3?


Dimensionsàévolutionlente• SCDType1:

– Impossibledefairedesanalysessurl'anciennevaleur;– Àutiliserseulementpourfairedescorrectionsou lorsquel'anciennevaleurn'estpassignificativepourlesbesoinsd'affaires;

– Exigedemettreàjourlesdonnéesagrégéesavecl'anciennevaleur.


idProduit description code département

1001 'BébéLala' 'ABC999-Z' 'Éducation'

idProduit description code département

1001 'BébéLala' 'ABC999-Z' 'Stratégie'


– L'approchelaplusemployée;– Permetdefairedesanalyseshistoriques;– Demandel'ajoutd'unenouvelleligneparchangement;– Àutiliserlorsquel'anciennevaleuraunesignificationanalytiqueousilechangementestuneinformationensoi.


idProduit description code département dateEffective dateExpirée

1001 'BébéLala' 'ABC999-Z' 'Éducation' '2007-10-08' '9999-12-31'

idProduit description code département dateEffective dateExpirée

1001 'BébéLala' 'ABC999-Z' 'Éducation' '2007-10-08' '2008-10-31'

1002 'BébéLala' 'ABC999-Z' 'Stratégie' '2008-11-01' '9999-12-31'


– Moinsemployé;– Profondeurdel'historiqueestd'unseulchangement;– Àutiliserlorsqu'onveutvouloircomparerlesfaitsavecl'ancienneou lanouvellevaleur;

– Peutrajouterd'autrescolonnespouravoiruneplusgrandeprofondeur.


idProduit description code oldDépartement newDépartement dateModif

1001 'BébéLala' 'ABC999-Z' 'Éducation' 'Éducation' '9999-12-31'

idProduit description code oldDépartement newDépartement dateModif

1001 'BébéLala' 'ABC999-Z' 'Éducation' 'Stratégie' '2008-11-01'

Question• Sachant que leprofil d’unclientchangesouvent (âge,

salaire,emploi,situationfamiliale, etc.),que peut-onfairepouréviter lepluspossiblelamise à jourdelatableClient?

• Mettre dans latabledefaits ?


Mini-dimensions• Sertlorsquequ'unedimensionrenfermedesattributsqui

peuventchangersouventetsontsouventanalysésensemble:– Ex:leprofildémographiquedesclients(âge,revenu,etc.).

• Solution:mettrelesattributspotentiellementvolatilesdansunedimensionséparée(mini-dimension) oùlegrainestdifférent;


Dimension:Client

idClient (PK)

nom

adresse

dateDeNaissance

sexe

...

Dim:GroupeDémographique

idGroupeDémographique(PK)

groupeAge

sexe

groupeSalaire

groupeNombreEnfants

étatCivil

mini-dimension

Dimensionsàrôlesmultiples (role playing)• Dimensionsayantdesrôleslogiquesdifférentsdansune

mêmetabledefaits;• Typiquementladimensiontemporelle:

– Ex:dateCommande,dateEnvoiDemandé,dateEnvoiRéel,etc.

• Uneseuletablephysiqueréférencéeparplusieurstableslogiques(ex:àl'aidedevuesoud'alias);– Ex:CREATEVIEWDateEnvoiRéel ASSELECT*FROMDate.


Question• Que doit-onfaireaveclesattributs quinecorrespondent

à aucune dimension(ex:flagsdivers)?1. Lesignorer?2. Lesmettre dans latabledefaits?3. Lesmettre dans une dimensionséparée (necontenant

que l’attribut correspondant)?4. Autre solution?


Dimensionspoubelles(junk dimensions)• Proviennentdesattributsnecorrespondantàaucune

dimension:– Ex:descripteurstexteouflagsdivers.

• Àéviter:– Leslaisserdanslatabledefaits:

• Latabledefaitspeutexploserentaille;– Mettrechacundansunedimensionséparée:

• Explosiondunombrededimensionsetclésétrangères;– Leséliminer:

• Peuventavoirunesignificationanalytique.

• Solution:– Créeruneseuletableregroupanttouscesattributsorphelins(junk dimension).


Tablessansfait(factless tables)• Correspondentauxévénementsd'affairesreprésentant

unerelationplusieurs-à-plusieurs, maisquin'ontpasdemesuresquantifiables:– Ex:laprésenced’unétudiantenclasse(vrai oufaux).

• Onpeutimaginerlamesured'unetelletablecommeunecolonnefictivedontlavaleuresttoujoursà1;

• Exemple:


PrésenceEnClasse

idDate (FK)

idÉtudiant (FK)

idProfesseur (FK)

idCours (FK)

colonneFicitive =1

Question• Que fairelorsqu’une transactions’étale sur plusieurs

lignes (ex:une ligne parproduit)?• Commentpeut-onéviter derépéter lesmêmes

informations pourchaque ligne delatransaction?


Tabledepont(bridgetable)• Sertnotammentàmodéliserlesdimensionsmulti-valuées;• Ex:facturesmédicalespouvantavoirplusieursdiagnostics

• LatableGroupeDiagnostic peutêtrepré-générée(sipeudecombinaisonspossibles)oupopulée aufuretàmesure.

• facteurPondération représentelacontributionrelatived’undiagnosticdanslegroupe


Faits:FacturesMédicales

idDateTraitement (FK)

idPatient (FK)

...

idGroupeDiagnostic (FK)

montantTotal

Dim:Diagnostic

idDiagnostic (PK)

description

catégorie

type

Bridge:GroupeDiagnostic

idGroupeDiagnostic (PK,FK)

idDiagnostic (PK,FK)

facteurPondération

Dim:GroupeDiagnostic

idGroupeDiagnostic(PK)

Schémaenflocon• Provientdelanormalisationdestablesdedimension;• Exemple:


Question• Quels sont lesavantages /inconvénients duschéma en

flocon parrapportauschéma enétoile?


Schémaenflocon• Avantages:– Petiteéconomied'espace;– Plusfaciledemettreàjourlesdimensionsencasdechangement.

• Désavantages:– Schémamoinsintuitifauxutilisateursd'affaires;– Dégradationdelaperformanceàcausedesjointuresadditionnelles.

• Engénéral,onpréfèrenepasnormaliserlestablesdedimension.


Exempledemodélisation• Casd'étudeentélécommunications*– Matriceenbusdedonnées:


Processus/Dimension Da

te

Client

Prod

uit

Plan

d'utilis

ation

Cana

lde

vente

Ligne

tél.

Relai

Représen

tant

deven

te

Employ

é

Appe

lservice

Facturationclient X X X X X X

Gestiondutraficd'appels

X X X X X X X

Inventaire X X X

Serviceàlaclientèle X X X X X X X

...

*:TirédulivreTheDataWarehouseToolkit 2ème édition

Exempledemodélisation• Choixduprocessusd'affaires:

– Lagestiondutraficd'appelspermetdesanalysestrèsdétaillées(niveauappel),maiscomporteuneplusgrandecomplexitétechnologique(ETL,stockage,etc.);

– Processusretenu:Facturationclient.


Facturation Trafic d'appels

Évènement d'affaires: Envoidefactureunefoisparmois

Appelfaitparunclient

Potentielanalytique: Bon Excellent

Complexité: Moyenne Grande

Exempledemodélisation• Modèlepréliminaire:


Faits:Facturation

noFacture (FK)

noClient (FK)

noVendeur (FK)

codePlan (FK)

nbAppels

totalMinutes

minutesLongueDistance

minutesSoir

minutesWeekend

fraisService

fraisServiceCumulatifs

fraisLongueDistance

taxes

total

Dim:ReprésentantVente

noVendeur (PKnaturelle)

nomVendeur

idDépartement (FK)

Dim:Client

noClient (PKnaturelle)

nomClient

ville

province

codePostal

datePremierService

...

Dim:Facture

noFacture (PKnaturelle)

dateFacturation

noLigne (FK)

Dim:LigneTél

noLigne (PK naturelle)

codeRégional

dateActivation

Dim:PlanUtilisation

codePlan(PK naturelle)

abbréviationPlan

minutesSemaine

minutesSoir

minutesWeekend

...

Dim:Département

idDépartement (PK)

directeur

...

Exempledemodélisation• Problèmesaveclemodèlepréliminaire:

1. Granularité:• Legrainleplusfincorrespondréellementàlafacturationd'uneligne d'unclient;

• Solution:– MettrelaclédeladimensionLigne danslatabledefaits.

2. Clésprimairesdesdimensions:• Lesclésprimairesdesdimensionsdoiventêtreartificielles(surrogate keys);

• Solution:– Remplacerlesclésprimairespardesclésartificielles;– Lorsquenécessaire,mettrelesclésnaturellesdanslatabledefaitscommedimensionsdégénérées(DD).



3. Dimensiontemporelle:• LadatedefacturationestmodéliséecommeunattributdeFacture aulieud'êtreunedimensionconforme;

• Solution:– CréerunedimensionàrôlesmultiplesDateFacturation,baséesurladimensionconformedeDate.

4. Dimensionsnormalisées:• LahiérarchieReprésentantVente – Département estnormalisée,causantdesjointuresinutiles;

• Solution:– MettrelesattributsdeDépartementdirectementdansReprésentantVente(i.e.,dénormaliser).



5. Attributsnon-descriptifs:• Certainesdimensionsontdesattributspeuinformatifs(ex:abbréviationPlan);

• Solution:– Rajouterdesattributsdescriptifspourrendrelesdonnéespluscompréhensiblesauxutilisateursd'affaires.

6. Faitsnon-additifs:• LefaitfraisServiceCumulatifs n'estpasadditif;• Solution:

– Retirercettecolonnedelatabledefaitetcalculerlesvaleurscumulativessurdemande.


Exempledemodélisation• Nouveaumodèle:


Faits:Facturation

idDateFacture (FK)

idLigne (FK)

idClient (FK)

idVendeur (FK)

idPlan (FK)

noFacture (DD)

nbAppels

totalMinutes

minutesLongueDistance

minutesSoir

minutesWeekend

fraisService

fraisLongueDistance

taxes

total

Dim:ReprésentantVente

idVendeur (PK)

noVendeur

nomVendeur

idDépartement

nomDépartement

directeurDépartement

Dim:Client

idClient (PK)

noClient

nomClient

ville

province

codePostal

datePremierService

...

Dim:DateFacturation

idDateFacture (PK)

dateFacture

mois

année

...

Dim:LigneTél

idLigne (PK)

noLigne

codeRégional

dateActivationDim:PlanUtilisation

idPlan (PK)

codePlan

abbréviationPlan

descriptionPlan

minutesSemaine

minutesSoir

minutesWeekend

...

MTI820 Entrepôts de données et intelligence d’affaires · La modélisation dimensionnelle • Définition: – Technique de conception logiquepermettant de structurer les données

Documents