Scénario du didacticiel Analysis Services

S’applique à : SQL Server Analysis Services Azure Analysis Services Fabric/Power BI Premium

Ce didacticiel repose sur la société fictive Adventure Works Cycles. Adventure Works Cycles est une grande entreprise de fabrication multinationale qui produit et distribue des bicyclettes en métal et en composite sur les marchés commerciaux en Amérique du Nord, en Europe et en Asie. Le siège social d’Adventure Works Cycles est Bothell, Washington, où l’entreprise emploie 500 travailleurs. En outre, Adventure Works Cycles emploie plusieurs équipes commerciales régionales sur l’ensemble de son marché.

Au cours des dernières années, Adventure Works Cycles a acheté une petite usine de fabrication, Importadores Neptuno, qui est située au Mexique. Importadores Neptuno fabrique plusieurs sous-composants critiques pour la ligne de produits Adventure Works Cycles. Ces sous-composants sont livrés à Bothell pour l'assemblage du produit final. En 2005, Importadores Neptuno est devenu le seul fabricant et distributeur de bicyclettes de tourisme du groupe de produits.

Après un exercice financier réussi, Adventure Works Cycles souhaite maintenant élargir sa part de marché en ciblant la publicité à ses meilleurs clients, en étendant la disponibilité des produits par le biais d’un site Web externe et en réduisant le coût des ventes en réduisant les coûts de production.

Environnement d'analyse actuel

Pour répondre aux besoins d’analyse des données des équipes commerciales et marketing et des cadres supérieurs, l’entreprise prend actuellement des données transactionnelles de la base de données AdventureWorks2012 et des informations non transactionnelles telles que les quotas de vente à partir de feuilles de calcul, et consolide ces informations dans l’entrepôt de données relationnelles AdventureWorksDW2019 . Cependant, l'entrepôt de données relationnelles présente les problèmes suivants :

• Les rapports sont statiques. Les utilisateurs n’ont aucun moyen d’explorer de manière interactive les données contenues dans les rapports pour obtenir des informations plus détaillées, comme ils pourraient le faire avec un tableau croisé dynamique Microsoft Office Excel. Bien que les jeux de rapports prédéfinis existants répondent aux besoins de la plupart des utilisateurs, les utilisateurs plus expérimentés ont besoin d'accéder directement aux requêtes de la base de données pour utiliser des requêtes interactives et des rapports spécialisés. Toutefois, en raison de la complexité de la base de données AdventureWorksDW2019 , il faut trop de temps pour que ces utilisateurs apprennent à créer des requêtes efficaces.

• Les performances des requêtes sont aléatoires. Par exemple, certaines requêtes renvoient des résultats très rapidement, en quelques secondes seulement, tandis que d'autres renvoient les résultats au bout de plusieurs minutes.

• Les tables d'agrégation sont difficiles à gérer. Pour tenter d’améliorer les temps de réponse aux requêtes, l’équipe de l’entrepôt de données d’Adventure Works a créé plusieurs tables d’agrégation dans la base de données AdventureWorksDW2019 . Par exemple, elle a créé une table qui résume les ventes par mois. Toutefois, si ces tables d'agrégation améliorent grandement les performances des requêtes, l'infrastructure créée pour maintenir à jour ces tables au fil du temps est fragile et source d'erreurs.

• La logique de calcul complexe enfouie dans les définitions des rapports est difficile à partager entre les rapports. Étant donné que cette logique d'entreprise est générée séparément pour chaque rapport, les informations de synthèse sont parfois différentes d'un rapport à l'autre. En conséquence, la direction accorde une confiance limitée aux rapports générés à partir de l'entrepôt de données.

• Les utilisateurs des différentes divisions ont des besoins différents en termes de vues de données. Ils sont gênés par les éléments de données qui ne les concernent pas.

• La logique de calcul est particulièrement importante pour les utilisateurs qui doivent utiliser des rapports spécialisés. Étant donné que ces utilisateurs doivent définir la logique de calcul séparément pour chaque rapport, il n'existe aucun contrôle centralisé sur la façon dont cette logique est définie. Par exemple, certains utilisateurs savent qu'ils devraient utiliser des techniques de statistiques de base comme les moyennes mobiles, mais ne sachant pas comment créer ces calculs, ils ne recourent pas à ces techniques.

• Il est difficile de combiner des datasets connexes. Les requêtes spécialisées qui combinent deux datasets connexes, telles que les ventes et les quotas des ventes, sont difficiles à créer pour les utilisateurs. Les requêtes de ce type surchargeant la base de données, l'entreprise a exigé des utilisateurs qu'ils obtiennent de l'équipe chargée de l'entrepôt de données des datasets de zones de sujets croisés. En conséquence, seuls quelques rapports prédéfinis combinant des données de plusieurs zones de sujets ont été définis. Par ailleurs, les utilisateurs hésitent à modifier ces rapports en raison de leur complexité.

• Les rapports portent essentiellement sur les données commerciales propres aux États-Unis. Cela satisfait peu les utilisateurs travaillant dans les filiales situées en dehors des États-Unis qui souhaitent pouvoir afficher les rapports dans des monnaies et des langues différentes.

• Les données sont difficiles à auditer. Le service finances utilise actuellement la base de données AdventureWorksDW2019 uniquement comme source de données à partir de laquelle interroger en bloc. Il charge ensuite ces données dans des feuilles de calcul individuelles et passe beaucoup de temps à organiser les données et à manipuler les feuilles de calcul. Les rapports financiers de l'entreprise sont par conséquent difficiles à préparer, auditer et gérer au niveau de l'entreprise.

La solution

L'équipe chargée de l'entrepôt de données a récemment examiné la conception du système d'analyse actuel. Cet examen a permis d'analyser les écarts entre les problèmes présents et les demandes futures. L’équipe de l’entrepôt de données a déterminé que la base de données AdventureWorksDW2019 est une base de données dimensionnelle bien conçue avec des dimensions et des clés de substitution conformes. Les dimensions conformes permettent à une dimension d'être utilisée dans plusieurs mini-Data Warehouses, telle qu'une dimension de temps ou une dimension de produits. Les clés de substitution sont des clés artificielles qui lient les dimensions et les tables de faits et qui sont utilisées pour garantir l'unicité et améliorer les performances. En outre, l’équipe de l’entrepôt de données a déterminé qu’il n’y avait actuellement aucun problème significatif avec le chargement et la gestion des tables de base dans la base de données AdventureWorksDW2019 . L’équipe a donc décidé d’utiliser Microsoft SQL Server Analysis Services pour accomplir les tâches suivantes :

• fournir un accès unifié aux données via une couche de métadonnées communes pour le traitement analytique et les rapports ;

• simplifier les vues de données des utilisateurs, ce qui accélère le développement des requêtes interactives et prédéfinies et des rapports prédéfinis ;

• créer correctement des requêtes qui combinent des données issues de plusieurs zones de sujet ;

• gérer les agrégations ;

• stocker et réutiliser des calculs complexes ;

• permettre aux utilisateurs de l'entreprise en dehors des États-Unis d'utiliser des versions localisées.

Voir aussi

Modélisation multidimensionnelle (Tutoriel Adventure Works)