IV.4.2. Schéma en
étoile de l'entrepôt de données sous SQL serveur2008R2
a. Vue de la source de données
Figure IV.1. Schéma en
étoile de performance du personnel
b. Les dimensions
1. Dimension Personnel
Figure IV.2. Dimension personnel
2. Dimension Temps
Figure IV.3.Dimension Temps
3. Dimension Clients
Figure IV.4. Dimension Clients
4. Dimension Crédit
Figure IV.5. Dimension Crédit
5. Dimension Zone Géographique
Figure IV.5. Dimension Zone Géographique
c. Modèle en étoile de DataMart
Nous présenterons le modèle en étoile
de notre DataMart
Figure IV.6. Modèle en étoile de Data
Mart
d. Déploiement du Cube
OLAP
Figure IV.7. Déploiement du Cube OLAP
e. Analyse Olap
1. Détermination de nombre des agents qui
sont faibles en marketing.
Figure IV.8. Détermination de nombre des agents qui
sont faibles en marketing
L'analyse nous montre sur 148 personnels, il y a 58 soit
39,18919 % personnels qui sont faible en marketing.
2. Détermination de nombre des zones perdues par
les agents au cours d'une année ?
Figure IV.9. Détermination de nombre des zones
perdues au cours d'une année
L'analyse nous montre sur 148 personnels, il y a 30 soit
20,27027 % personnels qui ont perdu une zone, 29 soit 19,59459 % personnels
qui ont perdu deux zones, 30 soit 20,27027 % personnels qui ont perdu trois
zones, 30 soit 20,27027 % personnels qui ont perdu quatre zones et 29 soit
19,59459 % personnels qui ont perdu cinq zones.
IV.4.3. Module de Datamining
Dans ce module de datamining,
nous nous servir de l'arbre de décision en utilisant le logiciel SQL
server 2008 R2 pour nous faciliter d'interpréter les résultats
obtenus. Nous avons importé vers un fichier Excel le résultat
d'une requête sur notre DataMart à partir de là, nous avons
réalisé l'arbre de décision. Dans cet arbre les noeuds
colorés montre qu'il y a beaucoup plus de cas possibles ou d'individus
et les noeuds non colorés montrent il n'y a pas de cas possibles.
D'où, l'interprétation va se basé sur les noeuds
colorés.
1. Prédiction
par rapport à la direction
Figure IV.10. Prédiction par rapport à la
direction
Dans cet arbre, nous montre dans la direction de finance
il y a 19,31 % des personnels sont performant et 35,93 % des personnels dans la
direction des ressources humaines ne sont pas performant dans leur zone de
service.
2. Prédiction par rapport à la
fonction
Figure IV.11. Prédiction par rapport à la
fonction
Dans cet arbre, nous montre dans les personnels qui assume
la fonction d'administration ne sont pas compétant soit 16 (16,83 %)
cas sur 85.
3. Prédiction par rapport au
sexe
Figure IV.12. Prédiction par rapport au sexe
Dans cet arbre, nous montre dans le sexe dont la
catégorie est non cadre sur 90 cas enregistré il y a 42 soit
46,85% des personnels de sexe féminin sont performant et 48 soit 53,15%
des personnels de sexe masculin ne sont pas performant dans leur zone de
service.
4. Réseau de dépendance de la
direction
Figure IV.13. Réseau de dépendance de la
direction
Le réseau de dépendance représente
comment les variables sont liées entre eux et les variables à
discriminer selon notre modèle de prédiction. Donc, les variables
discriminantes sont le sexe et la fonction.
5. Rapport sur la liste des personnels qui seront
permutés
|
République Démocratique du Congo
==FINCA==
-------------------------------------------
|
|
|
|
|
Nom_PersonnelProvinceNiveau
EtudeSexeGradeABEMBAKinshasaDESMasculinDCSAKUOLOBas
CongoDESFémininDCSASENGOBandunduDEAMasculinDCSBABESEKasai
orientaleDEAMasculinDCSBAKATUBIAKasai
occidentaleL2MasculinDCSBAMBIKatangaL2MasculinDCSBAMBUManiemaG3FemininDCSBIBINord
KivuG3FémininDCSBINIANISud
KivuD6FémininDCSBOMASILAEquateurD6MasculinDCSBONKONOProvince
orientaleD4MasculinDIRBUINGOKinshasaD4FémininDIRBUTUBas
CongoDESFémininDIRFOTOBandunduDESMasculinDIR
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Figure IV.14. Rapport sur la liste des agents qui seront
permutés
| 
