Informations de base sur la modélisation BISM Avant d'aborder de façon approfondie les différences entre la modélisation multidimensionnelle et la modélisation tabulaire, commençons par une brève présentation des expériences de modélisation BISM fournies par SQL Server 2012 Analysis Services.
Modélisation multidimensionnelle Globalement, la modélisation multidimensionnelle crée des cubes composés de mesures et de dimensions basées sur les données contenues dans une base de données relationnelle. Pour utiliser ce paradigme, le serveur Analysis Services doit être configuré pour s'exécuter en mode multidimensionnel, sa valeur par défaut. Dans ce mode, le moteur OLAP utilise le modèle multidimensionnel pour préagréger d'importants volumes de données et garantir un temps de réponse à la requête rapide. Le moteur OLAP peut stocker ces agrégations sur un disque avec stockage OLAP multidimensionnel (MOLAP) ou dans la base de données relationnelle avec stockage OLAP relationnel (ROLAP).
Les principales caractéristiques de la modélisation multidimensionnelle sont les suivantes :
Modèle de données enrichies - Le modèle multidimensionnel de SQL Server 2012 Analysis Services est à sa sixième version et fournit des fonctionnalités étendues aux mesures et aux dimensions à partir des datasets simples et complexes généralement disponibles dans les entrepôts de données de l'entreprise. Les datasets complexes comprennent généralement des fonctionnalités avancées telles que les relations plusieurs à plusieurs, les hiérarchies parent-enfant, et la localisation. Le modèle multidimensionnel fournit cette fonctionnalité prête à l'emploi.
Analyse complexe - Le modèle multidimensionnel fournit également un calcul avancé et un langage de requête appelé MDX (Multidimensional Expressions). Avec MDX, vous pouvez créer une logique métier et des calculs complexes utilisables n'importe où dans l'espace multidimensionnel pour élaborer des dotations financières, des calculs de série chronologique, ou des mesures semi-additives.
Bien qu'une modélisation des données complète et une analyse complexe constituent des avantages importants en matière de modélisation multidimensionnelle, elles comportent généralement des cycles de développement plus longs et peuvent être un obstacle lorsqu'il faut s'adapter rapidement à la conjoncture professionnelle. En outre, l'expérience multidimensionnelle tend à exiger des compétences de modélisation et MDX avancées.
Modélisation tabulaire La modélisation tabulaire organise les données dans des tables associées. Si vous souhaitez utiliser la modélisation tabulaire, Analysis Services doit être configuré pour s'exécuter en mode tabulaire. En mode tabulaire, vous pouvez utiliser le moteur en mémoire (In-Memory) xVelocity (anciennement Vertipaq) pour charger les données tabulaires en mémoire et accélérer la réponse aux requêtes, ou vous pouvez utiliser DirectQuery pour passer les requêtes à la base de données source et exploiter les fonctions de traitement des requêtes.
Les principales caractéristiques de la modélisation tabulaire sont les suivantes :
Familiarité - Les données tabulaires sont familières à de nombreux publics qui utilisent régulièrement des tables stockées dans des bases de données relationnelles, Excel, ou Access. En outre, les calculs sont écrits en DAX (Data Analysis Expressions), un langage de formule considéré comme une extension du langage de formule Excel. De ce fait, les compétences nécessaires pour créer des modèles tabulaires sont davantage répandues ou plus faciles à acquérir par rapport aux compétences requises pour créer des modèles multidimensionnels.
Souplesse - Étant donné que les données ne sont pas organisées de façon rigide dans des mesures et des dimensions, la modélisation tabulaire peut accélérer les cycles de développement, car elle nécessite moins de préparation des données en amont et moins de rigueur de conception que les modèles multidimensionnels. Cette architecture permet également de s'adapter plus facilement aux changements apportés à la modélisation des données, lorsqu'il faut mettre à jour les relations et les calculs en fonction des nouveaux besoins.
Si la familiarité et la souplesse de la modélisation tabulaire sont des facteurs clés, elles présentent également des inconvénients. Par exemple, la modélisation tabulaire peut ne pas convenir pour les solutions comportant des datasets très complexes ou qui requièrent une logique métier sophistiquée. Les utilisateurs du langage DAX peuvent généralement créer des formules DAX pour fournir les fonctionnalités analytiques absentes dans le modèle tabulaire. Dans ces cas, toutefois, il peut être plus approprié et efficace d'utiliser les capacités avancées natives fournies par la modélisation multidimensionnelle.
|