Modélisation décisionnelle de Ralph Kimball

Présentation de la modélisation décisionnelle ascendante de Ralph Kimball. C’est un auteur et expert reconnu dans le domaine des entrepôts de données. Il est le partisan d’une approche de la conception décisionnelle de datawarehouse du bas vers le haut. Cette méthode se nomme Bottom-Up Design en Anglais. 

Comme dans d’autres méthodes, l’approche ascendante créée des magasins de données (datamarts). Pour fournir des rapports et une capacité d’analyse dédiés à des processus métiers spécifiques. Donc plus faciles à utiliser que des entrepôts de données complexes.

Définition de la modélisation décisionnelle ascendante de Ralph Kimball

Dans la méthodologie de Ralph Kimball, le processus bottom-up est le résultat d’une première étude. Axée sur une analyse des processus fonctionnels pertinents à modéliser.

Une modélisation avec des magasins de données spécialisés

Premièrement, les magasins de données contiennent les dimensions axes d’analyses et les faits ou mesures. Les faits contiennent soit des données atomiques c’est à dire à un niveau fin, soit des données agrégées. Il modélise souvent un domaine d’activité très spécifique comme les ventes ou la production.

Ces magasins de données peuvent s’intégrer à une solution décisionnelle afin de créer un entrepôt de données complet.

Cette intégration entre différents entrepôts de données est mise en œuvre par ce que Kimball appelle une architecture d’entrepôt de données en bus. Seule une collection de dimensions conformes permet cette intégration.

Ce sont des dimensions partagées (de manière spécifique) entre deux dépôts de données ou plus. Ils permettent des analyses croisées sur plusieurs domaines métiers ou opérationnels.

La modélisation de Ralph Kimball permet le Drill Across

Deuxièmement, des dimensions conformes représentant des points d’entrée entre les data marts permettent une intégration des données transverses.

L’intégration effective de deux ou plusieurs data marts se fait alors par un processus appelé « Drill Across ». C’est un forage latéral qui regroupe des données fonctionnelles différentes mais au même niveau de granularité. Il utilise donc les mêmes dimensions.

Les dimensions souvent utilisées car transverses à l’entreprise sont par exemple les axes :

  • Temps
  • Clients
  • Produits

Maintenir une gestion précise de l’architecture de l’entrepôt de données est essentiel pour l’intégrité des données. La tâche de gestion la plus importante est de faire en sorte que les dimensions entre les data marts soient compatibles. Pour permettre des mises à jour en parallèle. 

Certains analystes estiment que la segmentation de l’entrepôt de données est un avantage de la méthode Kimball. Et ce en un certain nombre de data marts logiques et cohérents, plutôt qu’en un grand modèle centralisé et souvent complexe.

Une vision en silo connectés favorable aux itérations du projet décisionnel

Troisièmement, un autre avantage est l’analyse des données de l’entreprise dès la fin de la création des premiers magasins de données. La méthode permet aussi une approche exploratoire et itérative pour la construction de l’entrepôt.

Par exemple, capitaliser sur l’effort de développement du chargement des données pour les ventes, avec un entrepôt de données spécifique comme celui de la production et des stocks.

La suite du projet décisionnel peut continuer pour la Production, une analyse conjointe peut mettre en exergue la corrélation entre la capacité de production et les ventes quotidiennes. 

Cette vision de Ralph Kimball du monde décisionnel est donc très favorable aux itérations et permet de produire des projets décisionnels domaine par domaine.

Soyez le premier à commenter

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée.


*