Discussion :

[demxav]

Bonjour a Tous

Je voudrai savoir qu'est-ce exactement ASIQ ?
On voir de tout sur le net, SGDB décisionnelle c'est quoi ?
On peut faire quoi avec ASIQ ?

Merci de vos réponses

demxav

[dbafranck]

Les très grands entrepôts de données sont devenus critiques pour les entreprises devant stocker, suivre et gérer un volume croissant de données afin notamment de répondre aux mises en conformité règlementaires (tracabilité dans le détail, historisation de mouvement, ...).
Les systèmes purement decisionnels répondent plutôt à des besoins de pilotages de l’entreprise gràce à des recoupements d’informations (Business Intelligence).

On voit donc apparaitre des nuances dans les besoins :
Besoin de type 1 : Stocker de gros volumes de données pour effectuer des recherches dans le temps.
Besoin de type 2 : Purement décisionnel de pilotage par recoupement d’informations.
Il est interessant de faire cette distinction car l’architecture la plus adaptée varie en fonction du besoin.

Concernant le SGBD pour un système décisionnel :
Un système décisionnel émet plutôt des requêtes en lecture sur de gros volumes de données. Quant aux traitements en mises à jour, il s’agit plutôt de traitements de masse en asynchrone.
Par opposition, un système transactionnel (OLTP : Online Transaction Processing) émet plutôt de nombreuses requêtes concurrentes en mise à jour et en sélection au fil de l’eau.

Le type de requête traité par le SGBD étant très différents entre un système transactionnel et un système décisionnel, et nécessitant de bonnes performances à chaque fois, le SGBD se spécialise ou acquière des fonctionnalités supplémentaires.

A un autre niveau, la modélisation des données elle-même est différente.
Pour un système transactionnel, on aura plutôt un grand nombre de tables en jointure. Ce qui peut poser des problèmes à des requêtes de type décisionnel de part le nombre de jointures et d’agrégats que contiennent ces requêtes. Des requêtes de type décisionnel et transactionnel cohabitent mal sur une même base. Pour un système décisionnel on aura plutôt un modèle dénormalisé avec redondance d’information.

Il est donc préférable de séparer les bases transactionnelles des bases décisionnelles et d’utiliser des modèles de données et des moteurs de SGBD différents.

Pour un besoin de type 1 - La solution du stockage de masse :
Les croisements varient peu et la structure de la base relationnelle peut être organisée de façon à optimiser les traitements sans avoir à augmenter considérablement la volumétrie des données comme c´est le cas avec un moteur OLAP. Le moteur SQL proposé par la base relationnelle constitue alors la meilleure solution pour traiter les requêtes décisionnelles, surtout quand il est optimisé pour ce type d´applications comme c´est le cas avec Sybase IQ.
Ce SGBD dédié aux solutions décisionnelles et aux entrepôts de données est un produit qui utilise une technologie hors des sentiers battus. Les trois caractéristiques majeures de IQ :
- Technique brevetée de compression de données.
- Gestion des données en partitionnement vertical (stockage par colonne).
- Indexation automatique complète.
IQ bénéficie d’un rapport prix/performance/volume très avantageux. L’utilisateur peut lancer n’importe quelle requête en SQL sur des volumes très importants tout en ayant d’excellents temps de réponse.
IQ tourne entre autre sur Linux.
La solution Sybase IQ (reposant sur un moteur SQL mais optimisé pour le decisionnel) est sutout adaptée aux entrepôts de données de type mises en conformité règlementaires, historisation sur de longues périodes, ... et nécessitant d’excellentes performances en réponses à des requêtes aléatoires (non prévisibles et donc non tunées) sur d’importants volumes de données.

Pour un besoin de type 2 - La solution multidimensionnelle :La structure d’une base decisionnels nécessitant des analyses croisées dynamiques aura souvent la forme d’un schéma en étoile : une table centrale (table des faits) qui contient les données numériques ayant un intérêt pour les analyses (par exemple Chiffre d’affaire, coût …) et des colonnes clef étrangères vers les autres tables du modèle. C’est à partir de ces autres tables satellites que seront construites les dimensions. Une dimension est un axe d’analyse selon lequel il convient d’analyser les indicateurs numériques de la table de fait.
Dans bien des cas, il sera préférable de stocker une telle structure dans un cube OLAP qui offre plus de flexibilité et non dans une structure relationnelle classique qui pourrait rencontrer des problèmes de performances.
Dès lors que l´on pratique l´analyse multidimensionnelle, il vaut mieux s’appuyer sur un moteur OLAP (On-Line Analytical Processing).
Microsoft et Oracle ont doté leur SGBD d’un moteur OLAP (il n’est cependant pas recommandé de faire cohabiter sur un même serveur des bases de production OLTP et un système décisionnel).
Les cubes OLAP offrent la possibilité de stocker des agrégats et croisement pré-calculés et proposent aux utilisateurs une navigation simplifiée et intuitive dans le cube (en utilisant certains outils de restitution).
Le multidimensionnel est surtout adapté aux besoins purement décisionnels et de Business Intelligence nécessitant une analyse des données et des recoupements d’informations. Par exemple, segmenter sa clientèle, établir des profiles de consommation, …

Quelle solution choisir -> La solution dépend du besoin. De plus, les solutions purement multidimensionnelles et de stockage de masse présentées ci-dessus n’entrent pas en concurrence directe. En effet, elles sont plutôt à considérer comme des solutions complémentaires. Ainsi, le SGBD hébergeant le datawarehouse relationnel peut alimenter le SGBD hébergeant les cubes avec moteur OLAP. Cette solution peut être intéressante dans le cas ou des besoins décisionnels assez divers doivent être couverts (exemple : Tracabilité dans le détail et dans le temps sur produits de grande consommation, mais aussi, analyse croisées dynamiques sur certaines données).

Au niveau de l’optimisation des temps de réponse des applications décisionnelles, il est également possible de constituer des bases spécialisées par métier appelées Datamart (magasin de données). Ainsi, quand le datawarehouse devient trop volumineux, il peut être avantageux d´extraire une partie des données pour constituer des bases plus petites.

Le datawarehouse étant voué à grossir, il faut choisir une solution suffisamment souple pour que l’augmentation du volume ne soit pas accompagnée par une baisse du service délivré à l’utilisateur. Dans ce domaine, la modélisation des données tient aussi une place très importante.

Hormis le SGBD, n’oublions pas les deux autres briques d’un système décisionnel :
L’ETL : Extract Transform Loading des données
La restitution : Frontal permettant d’exploiter les données