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.
- "The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling" by Ralph Kimball and Margy Ross.
- "Data Warehousing in the Age of Big Data" by Krish Krishnan.
- "Business Intelligence Guidebook: From Data Integration to Analytics" by Rick Sherman.
- "Business Intelligence Roadmap: The Complete Project Lifecycle for Decision-Support Applications" by Larissa T. Moss and Shaku Atre.
- "Agile Data Warehouse Design: Collaborative Dimensional Modeling, from Whiteboard to Star Schema" by Lawrence Corr and Jim Stagnitto.
- "Building the Data Warehouse" by W.H. Inmon.
- "Mastering Data Warehouse Aggregates: Solutions for Star Schema Performance" by Christopher Adamson.
- "Data Warehouse Design: Modern Principles and Methodologies" by Matteo Golfarelli, Stefano Rizzi, and Alberto Abelló.
- "Business Intelligence: A Managerial Approach" by Efraim Turban, Ramesh Sharda, and Dursun Delen.
- "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.
- Veille Technologique : Rester informé des tendances émergentes dans le domaine de la BI, des télécommunications et des technologies de datawarehouse.
[lifterlms_course_continue_button]