Logo ÉTS
Session
Cours
Responsable(s) Martin-Pierre Dumouchel, Christian Desrosiers

Se connecter
 

Sauvegarde réussie
Echec de sauvegarde
Avertissement
École de technologie supérieure

Responsable(s) de cours : Martin-Pierre Dumouchel, Christian Desrosiers


PLAN DE COURS

Été 2024
MTI820 : Entrepôts de données et intelligence d'affaires (3 crédits)





Préalables
Aucun préalable requis




Descriptif du cours
Au terme de ce cours, l’étudiante ou l’étudiant sera en mesure :
• d’analyser les besoins d’une organisation en intelligence d’affaires;
• de spécifier les exigences d’un entrepôt de données;
• de modéliser, concevoir, réaliser, et administrer un entrepôt de données.

Revue des concepts SQL2; interface entre SQL et un programme (SQLJ, SQL-PSM, JDBC, DBMS_LOB); modélisation, conception, réalisation, réalisation et administration d’un entrepôt de donné. Éléments d’un système d’aide à la décision (Decision Support Systems - DSS). Rôle des entrepôts de données en intelligence d’affaires (Business Intelligence).

L’étudiant doit maîtriser les bases de données conventionnelles avant de prendre ce cours (ce cours n’en est pas un d’introduction aux bases de données).



Objectifs du cours

Les objectifs généraux du cours se divisent en plusieurs objectifs spécifiques :

Objectif général  Objectifs spécifiques : L’étudiant devra être en mesure de :
1 Comprendre la définition, la structure et l’utilité des entrepôts de données, des comptoirs de données ainsi que d’autres formes de stockage;
1 Définir les étapes clés de l’intégration des données et comprendre l’apport des outils spécialisés par rapport aux langages de programmation conventionnels;
1 Saisir comment les outils d’accès et d’analyse de données peuvent rendre les clients finaux autonomes dans le processus analytique;
1 Identifier clairement les différences entre les systèmes transactionnels et analytiques (intelligence d’affaires) en termes de leurs fonctions architecture et contexte d’utilisation;
2 Identifier et comprendre les différentes phases d’un projet d’intelligence d’affaires;
2 Définir les acteurs, ainsi que leurs rôles et responsabilités, dans un projet d’intelligence d’affaires;
2 Comprendre les particularités et l’importance de la gouvernance des données dans le contexte de l’intelligence d’affaires;
3 Analyser une situation, diagnostiquer le problème et définir les besoins spécifiques;
3 Concevoir la solution;
3 Énumérer et décrire les étapes de réalisation.



Stratégies pédagogiques

Les objectifs seront atteints par une combinaison de cours magistraux, de lectures individuelles, de discussions, et de travaux faits en équipe.

La participation active des étudiants et étudiantes est le premier facteur de succès de ce cours.



Utilisation d’appareils électroniques

Aucun appareil utilisé.



Horaire
Groupe Jour Heure Activité
01 Mardi 18:00 - 21:30 Activité de cours



Coordonnées du personnel enseignant le cours
Groupe Nom Activité Courriel Local Disponibilité
01 Martin-Pierre Dumouchel Activité de cours cc-MartinPierre.Dumouchel@etsmtl.ca



Cours

Note : Tous les cours sont d’une durée de 3 heures 30 minutes par semaine (incluant la pause de 30 minutes)

Cours Description Lectures (Kimball)
1 Introduction à l’intelligence d’affaires et aux entrepôts de données Intro
2 Cycle de vie d’un projet en intelligence d’affaires Ch. 1
3 Séance de travail : Travaux d'équipe  
4 Les spécifications informationnelles et l’analyse de besoins Ch. 2, 3
5 La modélisation dimensionnelle des données Ch. 6,7
6 Les architectures d’entrepôts de données Ch. 4, 5
7 Intégration des données et l’architecture de traitement ETL Ch. 9, 10
8 Implémentation et conception physique Ch. 8
9 Les applications d'intelligence d'affaires Ch. 11, 12
10 Analyse prédictive et survol forage de données / Gouvernance des données et gestion des données de référence Ch. 11
11 La gouvernance des données (métas données) Ch. 13, 14
12 Approches d'implémentation (présention des projets) -
13 Examen final -



Laboratoires et travaux pratiques

Le cours comporte trois travaux ainsi qu’un projet de cours au choix sur l’intelligence d’affaires. Les travaux et le projet de cours seront réalisés en équipes de deux à trois étudiants.

I.  Travaux

Les trois travaux, ayant une pondération de 25% au total porteront sur des thèmes comme l’analyse des besoins et la modélisation dimensionnelle, la conception d’un système ETL, la conception d’une application analytique. Ces travaux seront réalisés en classe, de même qu’en dehors des périodes de cours.

II.  Projet de cours

Le projet de cours de chaque équipe portera sur un thème au choix, relié à l’intelligence d’affaires. Des exemples de sujets pouvant servir pour un projet sont les suivants :

  •     La comparaison d’outils d’intelligence d’affaires pour un problème particulier;
  •     L’application de l’intelligence d’affaires dans un contexte donné (ex : le domaine de la santé, le Web, etc.);
  •     Le développement d’une application de forage de données ou d’analyse prédictive;
  •     Une nouvelle tendance de l’intelligence d’affaires (ex : infonuagique, temps-réel, réseaux sociaux, etc.).

L’évaluation du projet est faite selon trois (3) composantes différentes :

1. Proposition de projet  (5 % de la note finale)

Au plus tard à la séance 6 du cours, chaque équipe doit remettre une proposition de projet de 5 à 10 pages comportant les éléments suivants :

  • Une présentation de la problématique et des objectifs du projet;
  • Une description détaillée de la méthodologie proposée pour le projet (ex : données utilisées, étapes de réalisation, outils envisagés, etc.);
  • Un calendrier de planification spécifiant les dates des différents jalons et la répartition des tâches;
  • Une proposition de table des matières détaillée pour le rapport final;
  • Une liste d’au moins cinq (5) références pertinentes au projet.

2. Rapport de projet  (20 % de la note finale) :

À la fin de la session, les équipes devront remettre un rapport de 20 à 30 pages décrivant le travail réalisé dans le cadre du projet. Les rapports devront présenter à nouveau la problématique et les objectifs du projet et, selon la nature du projet, pourront contenir les éléments suivants :

  • Une analyse des besoins;
  • Un modèle dimensionnel des données;
  • Un plan d’architecture haut niveau de la solution proposée;
  • Une description des technologies employées;
  • Une revue de littérature pertinente;
  • Un exemple d’utilisation de la solution développée (ex : captures d’écran, rapports, tableaux de bord, etc.);
  • Les résultats obtenus présentés sous la forme de tableaux et/ou de graphiques;
  • etc.

3. Présentation orale  (10 % de la note finale) :

Lors de la dernière séance du cours, chaque équipe devra présenter les principaux éléments de son projet aux autres élèves de la classe. Les présentations seront évaluées selon les critères suivants :

  • La qualité et la pertinence du contenu;
  • La qualité de la recherche et des références;
  • La qualité visuelle de la présentation;
  • L’intérêt suscité dans la classe.



Évaluation
Élément Valeur
Travail #1 10 %
Travail #2 5 %
Travail #3 10 %
Proposition de projet 5 %
Rapport de projet 25 %
Présentation orale 10 %
Examen final* 35 %

 



Date de l'examen final
Votre examen final aura lieu pendant la période des examens finaux, veuillez consulter l'horaire à l'adresse suivante : https://www.etsmtl.ca/programmes-et-formations/horaire-des-examens-finaux


Politique de retard des travaux
Tout travail (devoir pratique, rapport de laboratoire, rapport de projet, etc.) remis en retard sans motif valable, c’est-à-dire autre que ceux mentionnés dans le Règlement des études (1er cycle, article 7.2.5/ cycles supérieurs, article 6.5.2) se verra attribuer la note zéro, à moins que d’autres dispositions ne soient communiquées par écrit par l’enseignante ou l’enseignant dans les consignes de chaque travail à remettre ou dans le plan de cours pour l’ensemble des travaux.

Dispositions additionnelles

Politique des retards et qualité de la langue

  • Retard de moins de 24 heures : perte de 10 %;
  • Retard de plus de 24 heures mais moins de 48 heures : perte de 20 %;
  • Retard de plus de 48 heures mais moins de 72 heures : perte de 30 %;
  • Retard de plus de 72 heures : perte de 100 %;
  • La qualité du français peut faire perdre jusqu’à 15 % des points

 



Absence à une évaluation
Dans les cinq (5) jours ouvrables suivants, la tenue de son examen, l’étudiante ou l’étudiant devra justifier son absence d’un examen durant le trimestre auprès de la coordonnatrice ou du coordonnateur – Affaires académiques qui en référera à la personne assurant la direction du département. Pour un examen final, l’étudiante ou l’étudiant devra justifier son absence auprès du Bureau de la registraire. Dans tous les cas, l’étudiante ou l’étudiant doit effectuer sa demande en complétant le formulaire de demande d’examen de compensation qui se trouve dans son portail Mon ÉTS/Formulaires. Toute absence non justifiée par un motif majeur (maladie certifiée par un billet de médecin, décès d’un parent immédiat, activité compétitive d’une étudiante ou d’un étudiant appartenant à un club scientifique ou un club sportif d’élite de l’ÉTS ou au programme « Alliance sport étude » ou autre) à un examen entraînera l’attribution de la note zéro (0).



Infractions de nature académique
Les clauses du « Règlement sur les infractions de nature académique de l’ÉTS » s’appliquent dans ce cours ainsi que dans tous les cours du département. Les étudiantes et les étudiants doivent consulter le Règlement sur les infractions de nature académique (www.etsmtl.ca/a-propos/gouvernance/secretariat-general/cadre-reglementaire/reglement-sur-les-infractions-de-nature-academique) pour identifier les actes considérés comme étant des infractions de nature académique ainsi que prendre connaissance des sanctions prévues à cet effet. À l’ÉTS, le respect de la propriété intellectuelle est une valeur essentielle et tous les membres de la communauté étudiante sont invités à consulter la page Citer, pas plagier ! (www.etsmtl.ca/Etudiants-actuels/Baccalaureat/Citer-pas-plagier).

Systèmes d’intelligence artificielle générative (SIAG)
L’utilisation des systèmes d’intelligence artificielle générative (SIAG) dans les activités d’évaluation constitue une infraction de nature académique au sens du Règlement sur les infractions de nature académique, sauf si elle est explicitement autorisée par l’enseignante ou l’enseignant du cours.



Documentation obligatoire
  • Ralph Kimball, Laura Reeves, Margy Ross, Warren Thornthwaite (2006). The Data Warehouse Lifecycle Toolkit, 3nd Edition, Wiley.



Ouvrages de références
  • Ralph Kimball, Margy Ross (2002). The Data Warehouse Toolkit: The Complete Guide to Dimensional Modeling, 2nd Edition, Wiley.
  • Ralph Kimball, Joe Caserta (2004). The Data Warehouse ETL Toolkit, Practical Techniques for Extracting, Cleaning, Conforming and Delivering Data, Wiley.
  • Efraim Turban, Ramesh Sharda, Dursun Delen, David King (2010). Business Intelligence: A Managerial Approach, 2nd Edition, Prentice Hall.
  • Paulraj Ponniah (2010). Data Warehousing Fundamentals for IT Professionnals, 2nd Edition, Wiley.
  • Cindi Howson (2006). Business Objects XI: The complete Reference, 2nd Edition, Mc Graw Hill.
  • Gloria J.Miller, Dagmar Brautigam, Stefanie V. Gerlach (2006). Business Intelligence Competency Centers, Wiley.
  • Jiawei Han, Micheline Kamber (2006). Data Mining Concepts and Techniques, 2nd Edition, Morgan Kaufmann.



Adresse internet du site de cours et autres liens utiles
  • https://cours.etsmtl.ca/mti820/