Datawarehouse & Business Intelligence 

Datawarehouse & Business Intelligence

Enseignant:

Email:

Durée totale du cours: 22.5 H

Semestre : 5   Ingénierie des Services Télécom (IST)

Nombre de crédits : 1

Modules spécialisés	Modules de base	Sciences et techniques de l’ingénierie	Préparation à la carrière professionnelle
		X

 

La TélédetectionNombre d’heures		Activités hors classe
22.5		18
cours	TD		TP
16.5	6

 

Code

: GTI5L07

Datawarehouse & Business Intelligence

Objectifs d’apprentissage et compétences visées

• Analyser les limites des applications décisionnelles
• Étudier l’architecture des entrepôts
• Comprendre les concepts du modèle multidimensionnel
• Interroger un modèle multidimensionnel
• Connaître les notions fondamentales de la fouille de données

Contenu du  cours

Semaine 1-2: Introduction à Data Warehouse et Business Intelligence

• Introduction aux concepts de base de Data Warehouse (DW) et Business Intelligence (BI)
• Compréhension des besoins de BI dans les télécommunications
• Architecture et composants d’un système de Data Warehouse
• Modèles de données multidimensionnels et en étoile

Semaine 3-4: Conception de Data Warehouse

• Processus de conception de Data Warehouse
• Modélisation dimensionnelle : faits, dimensions, hiérarchies
• Conception physique et logique du Data Warehouse
• Intégration de données provenant de sources hétérogènes

Semaine 5-6: Extraction, Transformation et Chargement (ETL)

• Rôle et importance de l’ETL dans le processus BI
• Extraction de données à partir de sources variées (bases de données, fichiers, API)
• Transformation des données : nettoyage, enrichissement, agrégation
• Chargement des données dans le Data Warehouse

Semaine 7-8: Modélisation de données en étoile et en flocon

• Compréhension avancée des schémas en étoile et en flocon
• Avantages et inconvénients de chaque modèle
• Implémentation pratique de schémas en étoile et en flocon

Semaine 9-10: Outils de requêtage et de reporting

• Introduction aux outils de requêtage et de reporting BI
• Création de requêtes multidimensionnelles (MDX)
• Génération de rapports statiques et dynamiques
• Visualisation de données pour les télécommunications

Semaine 11-12: Data Mining et Analyse prédictive

• Introduction au Data Mining et à l’analyse prédictive
• Techniques de Data Mining : clustering, classification, régression
• Application de l’analyse prédictive aux données des télécommunications
• Utilisation d’outils et de langages (ex. : R, Python) pour l’analyse prédictive

Semaine 13-14: Business Intelligence avancée

• Business Intelligence en temps réel pour les télécommunications
• Analyse avancée des données : OLAP, cube, drill-down, roll-up
• Tableaux de bord et visualisations interactives
• Intégration de la BI avec d’autres systèmes télécoms

Semaine 15-16: Cas pratiques et Projets

• Analyse de cas réels de BI dans les télécommunications
• Projets en équipe : conception, implémentation et présentation d’un Data Warehouse
• Intégration de solutions de BI pour résoudre des problèmes télécoms spécifiques

Méthodes d’enseignement et d’apprentissage

 Enseignement frontal (magistral) avec des exemples à résoudre en commun.  Travaux pratiques (laboratoire)  Travaux à faire à domicile (mini-projet, exposé, compte-rendu, …)

Connaissances et compétences pré-requises

Bases de données. SGBD & Administration de bases de données.

Références bibliographiques

Un polycopié (Notes du cours) de l’enseignant sera disponible. Autres références sous forme de tutoriaux, manuels ou documents à télécharger relatives aux éléments de contenu. Cuneyt Yilmaz, “Oracle Business  Intelligence  11g  R1  Cookbook”, Packt Publishing,    2013, ISBN:   978-1-84968-600-6, Pages: 364, http://it-ebooks.info/book/3018/ Reza   Rad,   “Microsoft   SQL   Server   2014   Business   Intelligence   Development”,   Packt Publishing, 2014, ISBN: 978-1-849-68888-8, Pages: 350, http://it-ebooks.info/book/3624/ Dan Clark, “Beginning Power BI with Excel 2013”, Apress, 2014, ISBN: 978-1-4302-6445-3, Pages: 324, http://it-ebooks.info/book/4324/ Kimball,   Ralph,   Margy  Ross,   “The  Data  Warehouse  Toolkit:   The   Definitive   Guide to Dimensional Modeling”, 3ème édition, Wiley, 2013.

1. « The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling » by Ralph Kimball and Margy Ross.
2. « Data Warehousing in the Age of Big Data » by Krish Krishnan.
3. « Business Intelligence Guidebook: From Data Integration to Analytics » by Rick Sherman.
4. « Business Intelligence Roadmap: The Complete Project Lifecycle for Decision-Support Applications » by Larissa T. Moss and Shaku Atre.
5. « Agile Data Warehouse Design: Collaborative Dimensional Modeling, from Whiteboard to Star Schema » by Lawrence Corr and Jim Stagnitto.
6. « Building the Data Warehouse » by W.H. Inmon.
7. « Mastering Data Warehouse Aggregates: Solutions for Star Schema Performance » by Christopher Adamson.
8. « Data Warehouse Design: Modern Principles and Methodologies » by Matteo Golfarelli, Stefano Rizzi, and Alberto Abelló.
9. « Business Intelligence: A Managerial Approach » by Efraim Turban, Ramesh Sharda, and Dursun Delen.
10. « Competing on Analytics: The New Science of Winning » by Thomas H. Davenport and Jeanne G. Harris.

Modalité d’évaluation

40% Contrôle continu (Test + Travail individuel avec présentation orale, Devoir surveillé, …) 60% Examen semestriel

Résultats d’apprentissage

Après avoir réussi l’examen du cours « Datawarehouse & Business Intelligence » en diplôme d’ingénieur en Génie des Télécommunications, les étudiants devraient acquérir un ensemble de compétences techniques et autres qui les prépareront à travailler dans le domaine de la gestion de données, de la Business Intelligence (BI) et des télécommunications. Voici quelques-unes de ces compétences : Compétences Techniques :

• Conception de Datawarehouse : Les étudiants devraient être capables de concevoir des structures de datawarehouse efficaces en tenant compte des besoins spécifiques de l’entreprise, de l’intégration de données à partir de sources diverses et de la modélisation dimensionnelle.
• Extraction, Transformation et Chargement (ETL) : Les étudiants devraient maîtriser les concepts et les outils d’ETL pour extraire, transformer et charger les données à partir de diverses sources vers le datawarehouse.
• Modélisation de Données : Les étudiants devraient être en mesure de créer des modèles de données relationnels et multidimensionnels pour prendre en charge les besoins de reporting et d’analyse.
• Langages de requête : Les compétences dans des langages de requête tels que SQL sont essentielles pour récupérer et manipuler les données stockées dans le datawarehouse.
• Analyse de Données : Les étudiants devraient être capables d’utiliser des outils d’analyse de données pour extraire des informations significatives à partir du datawarehouse, identifier des tendances et prendre des décisions éclairées.
• Visualisation de Données : La création de visualisations efficaces à l’aide d’outils tels que Tableau, Power BI ou d’autres logiciels similaires devrait être maîtrisée afin de présenter les résultats d’analyse de manière compréhensible.
• Solutions de Business Intelligence : Les étudiants devraient être en mesure de mettre en œuvre des solutions de Business Intelligence pour fournir des rapports et des tableaux de bord aux parties prenantes de l’entreprise.
• Sécurité des Données : Comprendre les aspects de sécurité liés à la gestion et à l’accès aux données dans un environnement de datawarehouse est crucial pour protéger les informations sensibles.

Compétences Autres :

• Pensée Analytique : Les étudiants devraient développer la capacité de comprendre les besoins de l’entreprise, de formuler des questions analytiques pertinentes et de traduire ces questions en actions techniques.
• Résolution de Problèmes : Face à des défis liés à la gestion des données et à l’analyse, les étudiants devraient être en mesure de résoudre efficacement les problèmes en utilisant des approches créatives.
• Collaboration et Communication : La capacité de travailler en équipe, de communiquer efficacement avec des collègues techniques et non techniques et de présenter des résultats de manière claire est essentielle.
• Gestion de Projet : Comprendre les concepts de base de la gestion de projet pour planifier, organiser et exécuter des projets liés à la BI et au datawarehouse.
• Adaptabilité : Étant donné l’évolution constante des technologies et des besoins commerciaux, les étudiants doivent être prêts à s’adapter et à apprendre de nouvelles compétences au fil du temps.
• Éthique : Comprendre et respecter les implications éthiques liées à la manipulation et à l’utilisation des données.

7. Veille Technologique : Rester informé des tendances émergentes dans le domaine de la BI, des télécommunications et des technologies de datawarehouse.