I'm Charles-Henri Sauget,
Let's share our knowledge together !

Ce billet qui n'était pas prévu initiallement fait partie de notre billet initial "How To: Faire une maquette sur SQL Server 2012 ?".

Après réflexion, avant de s'attaquer au processus de collecte, il me faut une/des sources de données, et le choix de celle-ci est certainement l'étape la plus importante du projet !!! (dire que je ne comptais pas en parler ...)

Mais où trouver des sources de donnée me direz vous ? Et bien nous avons de la chance ma petite dame, en ce moment le truc à la mode c'est la mise à disposition des données publiques(Open Data) afin que chacun de nous trouve le poney dans les données (Plus d'info sur le blog de Jean-Pierre Riehl )

Donc ce ne sont pas les sources qui manquent:

• 352000 jeux de données sur http://www.data.gouv.fr/
   
  
   
• Azure Data Market (56 sources de donnée gratuites)
   
   
• ESRI, ...

Ce que je voudrais pour mes données c'est:

• Des données hétérogènes (Parce que c'est plus drôle)
• Des données récentes
• Des données françaises si possible afin que l'analyse qui en découle puisse me servir à quelque chose
• Des données volumineuses

Premier problème, ce n'est pas sur http://www.data.gouv.fr/ que je vais trouver des données volumineuses, on est déjà à un niveau exploitable sur les données proposées et donc pas vraiment l'utilité de monter un ETL (bon exemple pour du PowerPivot par contre.)

Azure Data Market ce n'est pas vraiment français ... mais c'est mondial, mon attention se porte donc sur le DataSet suivant:

World Population Prospects: The 2008 Revision - United Nations Population Division

Soit l'évolution de 28 indicateurs démographiques de 1950 à 2050 par pays.

Nos données vont se présenter sous la forme de deux fichiers .CSV

Le premier contient les colonnes suivantes:

• Id
• Dataset
• Name

C'est une table de correspondance pour mon second Dataset qui correspond aux valeurs:

Nous voici donc avec 2 CSV pour un total d'environ 100 000 lignes pour les valeurs et 51 lignes dans les séries de données.

C'est encore un peu léger niveau volumétrie ... on va donc chercher à croiser nos données avec d'autres informations.

Pourquoi pas la surface de chaque pays (Les sources ici) histoire de faire quelques analyses/km²

Et ce qui serait vraiment cool c'est d'intégrer les coordonnées géographiques de tous ces pays ! (Promis après ça on arrête) Disponible ici.

Nous voici donc avec :

• 2 sources CSV de données démographiques
• 1 source XML de données géographiques
• 1 fichier shape de données géométriques

Billet précédent: Définir le besoin initiateur de mon projet décisionnel

Billet suivant: Création de la collecte CSV