Glossaire - Décisionnel

Petit glossaire du décisionnel

Analyse multidimensionnelle : concept qui définit les analyses effectuées par croisement de plus de trois dimensions (ou ensemble de données du même type ou encore axes).

Applications analytiques : applications décisionnelles prêtes à l´emploi (livrées avec un modèle de données, des requêtes préparamétrés, etc. pour l´analyse d´un domaine spécifique : CRM, budget, etc.

Axe d´analyse : ou dimension. Les ventes d´un produit peuvent par exemple être analysées par région (axe 1), époque (axe 2), magasin (axe 3), etc.

Balanced Scorecard : ensemble de méthodologies préconisées par Robert S. Kaplan & David Norton qui favorisent un alignement permanent de la stratégie de l´entreprise sur des objectifs financiers et non financiers. Pour en savoir plus : www.balancedscorecard.org

Cube : Structure multidimensionnelle permettant l´analyse d´informations factuelles en les segmentant sur un ensemble d´axes d´analyses.

Datamart : base de données, spécifique au monde décisionnel, orientée sujet ou métier. Un Datamart peut contenir des données dupliquées d´un Datawarehouse et/ou des données locales.
Datamining : Traitement et analyse statistiques de bases de données permettant d´établir des relations et des comportements types. Avec l´analyse multidimensionnelle classique, on sait ce que l´on cherche tandis qu´avec le datamining, on ne sait pas forcément ce que l´on cherche. On essaye plutôt d´établir des corrélations entre des données afin d´en tirer des renseignements, des indicateurs, des anomalies, des correspondances, etc. qui peuvent mettre en évidence des tendances.Datawarehouse : ou entrepôt de données. Base dans laquelle les données sont centralisées et organisées pour le support d´un processus d ´aide à la décision.

Décisionnel : Processus d´utilisation de connaissances extraites par analyse des informations et des données générées par les processus métiers de l´entreprise pour déterminer la meilleure action à entreprendre, la meilleure décision à prendre.

Dimension : ou axe. Les ventes d´un produit peuvent par exemple être analysées par région (axe 1), époque (axe 2), magasin (axe 3), etc. Il existe plusieurs type de dimension ( Dégénérée, Junk...)

Drill down (ou drill through) : mécanisme de navigation dans une structure multidimensionnelle permettant d´aller du plus global au plus détaillé à l´aide de requêtes de type hiérarchique.

ETL : Extract Transform Loading. Serveur chargé d´extraire, nettoyer et transformer les données émanant de sources diverses pour ensuite les insérer dans une base de données (datawarehouse, datamart, etc.).

Fait : Mesure, que l'on veut analyser, exemple le total des ventes. Il existe plusieurs type de faits, additive, semi-additive, de couverture...

Indicateur : statistique, suivie au fil du temps, qui présente les tendances d´une condition ou d´un phénomène, au-delà des propriétés de la statistique elle-même. Les indicateurs permettent d´obtenir de l´information supplémentaire. Ils offrent un moyen d´évaluer les progrès en vue d´un objectif. On peut concevoir toute sortes d´indicateurs : mesure de la rentabilité, des ventes, de l´évolution des clients, etc.

Meta-données : Les méta-données sont des informations qui renseignent sur la nature de certaines données. Les méta-données que l´on peut par exemple associer à un document sont : son titre, son auteur, sa date de création, etc. Dans le cadre du décisionnel, elles constituent une sorte de dictionnaire sur lequel le système s´appuie pour comprendre des données utilisées par les différentes applications qui alimentent le datawarehouse. Les intitulés "Client" d´un PGI et "nom" d´une application comptable peuvent contenir les mêmes informations mais le système ne peut le savoir que si un dictionnaire a été conçu pour lui indiquer qu´il s´agit de la même nature d´informations. Les méta-données englobent également l´ensemble des informations relatives à la provenance, à l´historique et aux traitements associés aux données d´un datawarehouse.

Modèle de données : organisation des données dans une base dans une structure de tables, colonnes, champs etc. pour l´univers relationnel, autre pour les bases OLAP dont la structure est souvent propriétaire.

Nettoyage de données : Processus visant à homogénéiser les données pour les rendre exploitables. Le nettoyage des données assure leur intégrité en éliminant les doublons, en corrigeant l´orthographe et en supprimant ou complétant les champs non renseignés. Les opérations de nettoyage peuvent également couvrir le filtrage, l´agrégation, la vérification de relations, etc.

OLAP : On-Line Analytical Processing. Procédé permettant de pré-calculer certains croisements de données afin d´optimiser les performances de l´application décisionnelle. Des variantes de l´OLAP existent.

HOLAP (OLAP Hybride) : mixte de SQL et d´OLAP, l´un passant le relais à l´autre en fonction des opérations effectuées.

Pseudo OLAP : simulation d´un modèle de données OLAP sous forme d´étoile au sein d´une base SQL qui permet d´effectuer des requêtes hiérarchiques (drill down). Avantage des performances OLAP sans la volumétrie mais n´est pas adapté à tous les types de requêtes d´analyse.

JOLAP (Java OLAP) : normalisation de l´accès aux bases multidimensionnelles en java.
« JOlap est l'équivalent pour les bases décisionnelles comme les datawarehouse (entrepôts de données), de ce que JDBC représente depuis plus longtemps vis-à-vis des bases de données relationnelles classiques. Toutes deux basées sur le langage Java multiplates-formes, ces interfaces permettent d'effectuer divers types de traitements en ligne sur les données et les métadonnées (informations décrivant une donnée). » Journal du net

DOLAP (Desktop OLAP) et ROLAP (Relational On Line Analytical Processing) : alternatives qui consistent à répartir les traitements des cubes créés par le moteur OLAP entre le serveur et le poste client.

Outil de restitution : ensemble des outils (requêteurs, tableaux de bord, etc.) permettant de restituer le résultat d´une analyse.

Qualité des données : Conformité structurelle des données à l´utilisation qu´on souhaite en faire. Améliorer la qualité peut consister par exemple en la correction des occurrences multiples d´un même objet, ou le renseignement de champs vides.

Requêteur : Un requêteur permet à l´utilisateur final d´accéder aux données de l´entreprise de manière autonome, dans un langage proche de celui de son métier, pour effectuer des analyses, croiser des données, etc. Dans la plupart des cas aujourd´hui, ces requêteurs s´appuient sur les méta-données pour proposer à l´utilisateur final des intitulés qui correspondent aux mots qu´il utilise habituellement en lieu et place des intitulés des colonnes des bases de données, le système décisionnel se chargeant de convertir ensuite les requêtes dans un langage compris par la base de données ou le datawarehouse.Segmentation : Découpage d´une population ou d´une série de données pour identifier des sous-classes homogènes ou pertinentes, à partir d´un ou plusieurs critères (géographiques, socio-démographiques, socioculturels, comportementaux...). En marketing, la segmentation permet de décliner une offre en adaptant sa forme et son contenu au profil des différents groupes cibles, tous aussi homogènes et différents entre eux que possible.

Copyright © Abdel ELOMARI 2005-2006 . Tous droits réservés.