TechDays : Découverte d'Analysis Services 2005

 Dans mes centres d'intérêt, on trouve en plus de SharePoint 2007, la plateforme décisionnelle de Microsoft. Celle-ci est représentée par l'Offre autour de la platforme SQL Server 2005 qui regroupe :

• SQL Server 2005 DataBase Engine (moteur relationnel - OLTP)
• SQL Server 2005 Integration Services (moteur d'intégration - ETL)
• SQL Server 2005 Analysis Services (moteur d'analyses multidimensionnelles - OLAP)
• SQL Server 2005 Reporting Services (moteur de reporting)
• ...

 

Présentation des fonctionnalités du moteur Analysis Services (DataMining, KPIs, Scripts MDX, Pro-active Caching, ...). Augmentation de la puissance et de la performance des options (Gestion de très grosse bases d'alimentation, requête MDX, ...). Extensibilité du moteur avec le développement .NET (ADOMD.NET).

Schéma de présentation des architecture SSAS :

• DataWareHouse
• SSAS avec des dimensions et cubes d'analyse
• Connexion d'utilisateur au travers d'applications :
• Office (Excel)
• Client Spécialisé (proclarity)
• Développements spécifiques (ADOMD)
• Reporting Services

Présentation du concept de l'UDM (Modèle dimensionnel Unifié - Unified Dimensional Model), les composants sont les suivant :

• Base de données relationnelles
• DataSource View
• Modèle multidimensionnel (cubes et dimensions)
• Règles de stockage (ROLAP, MOLAP ou HOLAP) et de caching
• Modèle utilisateurs (traduction, actions, indicateurs clé, ...)
• Sécurité d'accès des données

Il y a une différence entre la DataSource [DS] (SQL Server, Oracle, DB2, TerraData, Provider OLEDB, ...)  et la DataSource View [DSV], il n'y a pas de relation 1:1 entre les DSV et les DS, on peut joindre des données entre deux DS dans une DSV.

Les modèles Muti-dimensionnels :

• Modèle en étoile (plus facile a maintenir et plus puissant en terme de performance)
• Modèle en flocon (Relation hiérarchique entre les dimensions, relation par référence, plus difficile à maintenir)

Construction d'un UDM :

• Modèle utilisateur
• Indicateur clé (KPI)
• Perspective (adaptation suivant la fonction utilisateur - HR, Finance, ...)
• Traduction (adaptation au langage de l'utilisateur - au niveau des données ou méta-données)

Les KPI :

• Valeur courante
• Valeur à atteindre
• Valeur entre -1 (mauvais) et +1 (excellent)
• Tendance : donne l'évolution

Microsoft BI pour les KPI :

• SSAS : Moteur de KPI
• Performance Point
• Excel client ou Proclarity

Démonstration avec la base AdventureWorks (vente de Vélos) :

• Vision de tout développement de BI dans Visual Studio .NET 2005
• Création d'une DataSource sur AdventureWorksDW
• Création de la DSV (sélection des tables nécessaires)
• Visualisation du schéma avec les contraintes si existantes dans la base (sinon faire manuelement les correspondances)
• Création des dimensions selon ses besoins (modification des dimensions pour personnalisation)
• Création du cube
• Déploiement du cube sur le serveur de destination
• Visualisation des résultats dans Excel 2007
• Création d'un KPI dans le projet SSAS
• Ajout de la table des objectifs (Quota) dans la DSV
• Ajout de la table quota dans le cube
• Définition du KPI : quota
• Statut : Ventes par rapport à un objectif ((Vente de la période courante - Vente à la date précédente)/Vente à la date précédente)
• Tendance (Trend) : ((Vente de la période courante - Vente à la date précédente)/Vente de la période courante)
• Process du cube

Analyse Temps réel (action de l'ordre de quelques secondes) dans SSAS repectant l'ordre :

1. Modification des données par l'utilisateur
2. Source de données
3. ETL
4. Base de travail
5. DataWareHouse
6. SSAS
7. Utilisateurs

Présentation rapide du DataMining et des concepts autour de cette partie.

Conclusion sur la conférence.

Cette introduction est adaptée pour des personnes ne connaissant pas la plateforme et voulant se faire une idée des possibilités de la plateforme, elle nécessite un approfondissement pour bien conprendre les fonctionnements et les implications en terme d'infrastructure et de conceptualisation.

Elle peut servir à la mise en place d'un Proof Of Concept (POC) sur des données provenant de sa propre structure.

Romelard Fabrice [MVP]