L'informatique décisionnelle, Business Intelligence ou Decision Support System en anglais, peut se définir comme l'ensemble des technologies permettant de traiter, valoriser et présenter les données à des fins de compréhension, d'analyse et de décision [5].

L'informatique décisionnelle s'appuie sur un système d'information décisionnel qui s'oppose ou système d'information transactionnel. Dans une entreprise, chaque service dispose en général de données "métier" dans une ou des bases de données relationnelles. Entre chaque service (logistique, marketing, finance, etc.), les données sont rarement structurées de la même façon. La prise de décision peut également nécessiter des données externes à l'entreprise, par exemple des données diffusées sur Internet. Pour obtenir une vue d'ensemble et permettre aux analystes et responsables de l'entreprise des prises de décision plus pertinentes, les données vont devoir être filtrées, croisées, transformées et reclassées dans un entrepôt de données (datawarehouse) ou un entrepôt de marché (datamart) : celui-ci est généralement généré à partir des données globales de l'entrepôt, il en représente un sous-ensemble, regroupant par exemple les données d'un métier particulier.

A noter que l'informatique décisionnelle ne vise pas à remplacer les systèmes transactionnels, elle vient plutôt les compléter pour répondre plus efficacement aux besoins d'analyses.

Comme illustré sur la Figure 1.3, un système d'informatique décisionnelle est généralement composé des quatre briques de fonctions suivantes [6] :

Les grands principes de l'informatique décisionnelle étant posés, la section suivante s'intéresse plus particulièrement aux principes de l'OLAP pour l'exploration des données stockées dans l'entrepôt.

Edgar Frank Codd introduit en 1993 le terme OLAP qui « désigne une catégorie d'applications et de technologies permettant de collecter, stocker, traiter et restituer des données multidimensionnelles à des fins d'analyse » [8]. Une définition plus générique suggérée par Nigel Pendse en 1998 se résume dans l'acronyme FASMI (Fast Analysis of Shared Multidimensional Information) : "analyse rapide d'information multidimensionnelle partagée" [9]. Codd complète sa définition du concept OLAP par douze règles de conception [6]. Cette liste originale a été complétée depuis par de nombreuses règles complémentaires mais elle constitue toujours une référence :

Un système OLAP s'intègre typiquement dans une architecture à trois niveaux : une base de données multidimensionnelle, un serveur OLAP, un client OLAP. Le serveur fournit une vue multidimensionnelle des données, il gère les données agrégées et détaillées et l'ensemble des métadonnées. Le client OLAP offre une interface utilisateur simple, sans connaissance d'un langage de requête pour explorer les données, il affiche les données sous formes de graphiques ou de tableaux.

Le concept OLAP s'accompagne d'un vocabulaire spécifique à l'approche multidimensionnelle. Celle-ci introduit tout d'abord la notion de dimension, ou axe : il s'agit d'un thème de l'analyse. La dimension modélise un des attributs sémantiques associés aux faits observés : par exemple sa date (dimension temporelle), son lieu (dimension spatiale), sa catégorie (dimension thématique). Une dimension regroupe donc des données du même type. L'hypercube est la construction multidimensionnelle formée de la conjonction de plusieurs dimensions indépendantes. Une mesure ou "population d'analyse", souvent de type numérique (prix, quantité), correspond à l'hypercube structuré par plusieurs dimensions choisies : pour une mesure à trois dimensions, on peut donc représenter l'hypercube par un cube (Figure 1.4). Une position représente la valeur d'une dimension. Le croisement des positions sur chacun des axes d'étude sélectionne une unique cellule, ou fait.

L'agrégation des données est une notion fondamentale de l'OLAP : afin d'optimiser les temps de calcul, les membres d'une même dimension peuvent être organisés en une hiérarchie de relations 1-n, arborescence comparable aux arbres logiques. Les opérations d'agrégation les plus fréquentes sont la somme et la moyenne, elles permettent de calculer rapidement les valeurs associées aux positions parents. Par exemple, on peut décomposer le temps suivant une hiérarchie à trois niveaux : les années au niveau 1, les trimestres au niveau 2, les mois au niveau 3 (voir Figure 1.4). A noter qu'une dimension peut se décomposer suivant plusieurs hiérarchies : l'année pourrait se décomposer en mois puis en jours. L'agrégation des données multidimensionnelles permet de mémoriser le résultat des calculs dans la base et d'augmenter ainsi les performances lors de l'interrogation. En contrepartie, l'agrégation nécessite un espace de stockage conséquent. Par opposition, la notion de formule correspond à un calcul effectué à la volée, le résultat n'est pas stocké en base.

L'hypercube permet donc d'organiser le stockage agrégé des données selon une granularité (un niveau de détails) plus ou moins importante. Le concept OLAP propose des mécanismes dits "opérateurs", pour naviguer dans les hiérarchies. Grâce à leur facilité d'utilisation et leur rapidité, l'utilisateur se concentre sur son analyse et non sur les moyens utilisés à cette fin. Les principaux opérateurs permettent de :

L'architecture d'un système OLAP distingue des approches différentes suivant la technologie employée à son implantation : les approches sans serveur OLAP (bases de données relationnelles), ROLAP (Relational OLAP), MOLAP (Multidimensional OLAP) et HOLAP (Hybrid OLAP, combinaison optimisée des deux premières). Dans le cas de l'approche ROLAP, toutes les données, qu'elles soient détaillées ou agrégées, sont stockées dans une base de données relationnelle. Celle-ci doit alors être structurée selon des modèles particuliers : un modèle en flocon, un modèle en étoile, un modèle dit mixte ou un modèle en constellation (voir l'annexe "Structure des bases ROLAP"). Le serveur extrait alors les données par des requêtes SQL avant de les interpréter en vue multidimensionnelle pour les présenter au module client. Même si les performances de l'architecture MOLAP sont supérieures aux trois autres, ces dernières offrent des performances qui dépassent grandement celles des systèmes transactionnels pour des requêtes de nature décisionnelle [4]. Le Tableau 1.1 compare ces différentes approches.

Tableau 1.1. Comparaison des différentes architectures OLAP

Caractéristiques	Architecture sans serveur OLAP	Architecture Relationnelle-OLAP	Architecture Multidimensionnelle-OLAP
Coût	Coût moindre, car aucun serveur OLAP requis	Nécessite l'achat d'un serveur ROLAP	Nécessite l'achat d'un système de gestion de base de données multidimensionnel et un serveur MOLAP
Structure de données	Simule une structure multidimensionnelle	Simule une structure multidimensionnelle	Supporte une structure multidimensionnelle physique
Préparation des données agrégées	Nécessite plusieurs manipulations et des connaissances particulières	Le serveur se charge de produire les données agrégées	Le serveur se charge de produire les données agrégées
Stockage des agrégations	Nécessite le pré-calcule complet des données	Optimisation des données calculées à la volée des données pré-calculées	Optimisation des données calculées à la volée des données pré-calculées
Optimisation	Aucune. Requiert beaucoup d'espace disque et de temps de pré-calcul	Optimise le temps de pré-calcul, mais peut nécessiter plus d'espace que le MOLAP	Optimise l'espace disque et le temps de pré-calcul

Selon C. Franklin (1992), « environ 80% des données contenues dans les entrepôts de données disposent d'une composante spatiale » [10]. Si les outils OLAP proposent traditionnellement des tableaux et diagrammes pour explorer les données multidimensionnelles d'un entrepôt, de nombreux constructeurs réalisent la valeur ajoutée de proposer en plus une visualisation cartographique. Si par exemple l'utilisateur cherche à considérer un facteur de proximité (ventes en fonction du code postal des clients), la représentation de ces données sur une carte lui fournit une réponse immédiate. La tâche serait ardue dans un tableau. La carte fournit à l'utilisateur une représentation logique et intuitive des données, elle favorise sa compréhension des phénomènes et facilite son processus de pensée et ses découvertes de connaissances. L'utilité de l'intégration de la cartographie au sein des outils d'analyse OLAP est reconnue par un nombre grandissant d'entreprises [11]. La mise en oeuvre efficace et optimisée d'un tel bénéfice est l'objectif de l'approche SOLAP.