Concevoir et déployer un data warehouse

Une approche centrée sur le cycle de vie dimensionnel

Le marché du data warehouse a dépassé le stade des balbutiements. Rien qu’aux
États-Unis, plus d’un millier d’entrepôts de données de toutes sortes sont
opérationnels et en perpétuelle évolution, pour répondre aux besoins des
organisations qu'ils servent. L'approche en cycle de vie dimensionnel remplace
la perspective statique qui prévalait il y a quelques années. Cet ouvrage
aborde de façon approfondie les techniques de modélisation dimensionnelle et
l'architecture en bus décisionnel qui permettent de répondre aux besoins
d'évolutivité des data warehouses aujourd'hui.

Conduire un projet de data warehouse

Véritable "guide de terrain" alimenté par les 25 années d'expertise de Ralph
Kimball dans le domaine du data warehouse, cet ouvrage met à la disposition
des décideurs tout un ensemble d'outils et de techniques pour concevoir,
développer et déployer un data warehouse au sein d’une grande entreprise. Avec
une approche résolument pratique, Ralph Kimball livre dans cet ouvrage toutes
les clés d’un déploiement réussi. Chacune des étapes, de l’analyse au
déploiement effectif, en passant par la modélisation et la conduite de
changement, s'inscrit dans le cadre d'une méthodologie claire et détaillée.

A qui s’adresse ce livre ?

* Aux décideurs qui souhaitent avoir une vision globale du data warehouse, de ses enjeux et des solutions disponibles ;
* Aux fonctionnels, informaticiens et chefs de projets impliqués dans la mise en place de solutions de data warehouse

Au sommaire

* Le cycle de vie dimensionnel
* Évolution du cycle de vie
* Approche par le cycle de vie
* Guide d’exploitation du cycle de vie dimensionnel
* Gestion et planification du projet, définition des besoins
* Définir le projet et planifier le projet
* Préparation et conduite d'entretiens
* Analyser les résultats
* Initiation à la modélisation dimensionnelle
* Assemblage des modèles dimensionnels : l’architecture en bus décisionnel
* Modélisation dimensionnelle : techniques de base
* Cours avancé de modélisation dimensionnelle
* Tables dimensionnelles étendues
* Table des faits étendues
* Requêtes et états ROLAP avancés
* Construction de modèles dimensionnels
* La méthode matricielle
* Gérer le projet de modélisation dimensionnelle
* Architecture technique des outils d’arrière-plan (back room)
* Magasins de données de la zone de construction (back room)
* Services des outils d’arrière-plan (back room)
* Architecture du portail de restitution (front room)
* Magasins de données du portail de restitution (front room)
* Services d’accès aux données du portail de restitution (front room)
* Infrastructure et métadonnées
* Métadonnées et catalogue des métadonnées
* Cours avancé sur l’Internet et la sécurité
* Architecture en composants logiciels
* Gérer la sécurité dans un environnement de data warehouse
* Cours avancé sur les agrégats
* Développer le plan des tables d’agrégats
* Créer les agrégats
* Administrer les agrégats
* Algorithme de navigation dans les agrégats
* Mise au point de la conception physique
* Définir des conventions
* Développer le modèle physique des données
* Élaborer le plan d’indexation initial
* Concevoir et construire la base de données
* Développer la structure de stockage physique
* Mettre en place un système de surveillance de l’utilisation
* Préparation des données (data staging)
* Vue d’ensemble de la préparation des données
* Préparation des tables dimensionnelles
* Chargements de tables des faits et opérations sur le data warehouse
* Qualité et nettoyage des données
* Construction des applications utilisateur
* Rôle de l’application utilisateur
* Spécification des applications utilisateur
* Développement des applications utilisateur
* Planification du déploiement
* Aptitude à l’installation des postes de travail
* Développer la stratégie de formation des utilisateurs
* Développer une stratégie d’assistance aux utilisateurs
* Développer la structure de déploiement
Documenter la stratégie de déploiement

* Maintenance et croissance du data warehouse
* Gérer l’environnement de data warehouse existant
* Préparation de la croissance et de l’évolution du data warehouse
* Hiérarchiser les priorités des opportunités de croissance et d’évolution