Contactez nos conseillers formation : 05 40 05 33 23

SQL Server BI : Analysis Services (AS 187)

AccueilINFORMATIQUEBISQL Server BI : Analysis Services (AS 187)
Post Image

Tarif : 2 220 €Session : Se déroule sur 4 jours.

DESCRIPTION :

Déployer Analysis Services pour créer des solutions d’analyse décisionnelle (BI).

Créer des cubes à intégrer dans votre système décisionnel.

Étendre les hiérarchies et exploiter les relations de dimension avancées.

Créer des solutions personnalisées avec MDX, mettre en œuvre les KPI.

Prendre de meilleures décisions métier avec le data mining.

PUBLIC :

À ceux qui conçoivent, créent ou développement des cubes d’analyse à partir d’une base de données.

PRÉREQUIS :

Vous devez posséder une connaissance élémentaire des systèmes de gestion de bases de données relationnelles et du langage SQL. Une expérience préalable de Microsoft SQL server est utile mais pas nécessaire pour suivre cette formation. Vous devez également avoir quelques connaissances des concepts de base de la programmation mais une connaissance spécifique d’un langage particulier n’est pas requise.

PROGRAMME :

Durant cette formation les stagiaires aborderont les points suivants :

Concevoir un modèle dimensionnel unifié (UDM)

  • Identifier les mesures et leur granularité appropriée
  • Ajouter de nouveaux groupes de mesures et créer des mesures personnalisées

Créer les dimensions

  • Mettre en œuvre les schémas en étoile et en flocon
  • Identifier les dimensions à jeux de rôle
  • Ajouter des attributs et propriétés dimensionnels

Créer des hiérarchies

  • Création de hiérarchies naturelles
  • Créer des relations d’attributs
  • Hiérarchies équilibrées vs hiérarchies déséquilibrées
  • Discrétiser les valeurs d’attributs avec les algorithmes Clusters et zones égales

Relations de type parent-enfant

  • Définir le parent et les attributs clés
  • Générer des niveaux de légende avec la fonctionnalité Modèle de nom
  • Supprimer les entrées répétées avec la propriété MembersWithData

Stocker les données dimensionnelles dans des tables de faits

  • Créer une dimension dégénérée
  • Configurer des relations de faits

Économiser de l’espace avec les relations dimensionnelles référencées

  • Identifier les candidats pour des relations référencées
  • Utiliser l’onglet Dimension Usage pour configurer les relations référencées

Inclure des dimensions avec des relations plusieurs à plusieurs

  • Mettre en œuvre des groupes de mesures et des dimensions intermédiaires
  • Faire un rapport sur les dimensions plusieurs à plusieurs sans double comptage

Mettre en oeuvre une base de modèle tabulaire

  • Analyses perspicaces avec xVelocity et Power Pivot
  • Comparer DAX et MDX
  • Définir le rôle de SharePoint

Concevoir le stockage et les agrégations

  • Modes de stockage ROLAP, MOLAP et HOLAP
  • Partitionnement du cube pour de meilleures performances
  • Concevoir des agrégations avec l’assistant Conception d’agrégation
  • Exploiter l’assistant Optimisation basée sur l’utilisation

Automatiser le traitement

  • Exploiter les scripts XMLA et SSIS
  • Réactualiser les cubes avec la mise en cache proactive

Navigation dans les données complexes

  • Déchiffrage des structures de données
  • Identification des relations entre données

Collecte des données appropriées

  • Fusion des données à partir de tables multiples
  • Construction de requêtes d’entreprise

Récupérer des données avec MDX

  • Définir les tuples, les ensembles et les membres calculés
  • Exécuter des requêtes sur les cubes avec MDX
  • Utiliser les fonctions des ensembles

Surveiller les performances métier avec les KPI

  • Créer un statut des objectifs et des expressions de tendance
  • Utiliser PARALLEL PERIOD

Créer des calculs avec MDX

  • Ajouter des calculs d’exécution au cube
  • Comparer les calculs MDX avec les colonnes calculées

Déterminer quel est le bon modèle

  • Identifier les tâches métier pour l’exploration de données
  • Apprentissage et test des algorithmes d’exploration de données
  • Comparer les algorithmes au graphique de précision et à la matrice de classification
  • Optimiser les retours avec le graphique des bénéfices

Réaliser des prédictions réalistes

  • Classement avec les arbres de décision, le réseau neuronal et l’algorithme MNB (Microsoft Naive Bayes)
  • Prédiction avec l’algorithme MTS (Microsoft Time Séries)