Asma DHAOUADI

Doctorante, LISTIC, USMB

Contact

Courriel : asma.dhaouadi@univ-smb.fr
Téléphone : +33(0) 765228805

Bureau : A221-A222

Adresse 1 : LISTIC – Polytech Annecy-Chambery, BP 80439, 74944 Annecy le Vieux Cedex, France

Thèse

Groupe : LISTIC -Equipe ReGaRD
Thème : Modélisation du Data Warehousing dans le contexte du Big Data

Sujet : CONTRIBUTION À L’ENTREPOSAGE DES DONNÉES MASSIVES : ARCHITECTURE GÉNÉRIQUE, MÉTHODOLOGIE ET MISE EN ŒUVRE
Résumé :

Dans l’ère du Big Data, la rapide évolution des technologies rend le choix des outils adapté aux besoins des experts complexe. Les études existantes sur le stockage et l’analyse de données Big Data sont souvent limitées et spécifiques. Pour surmonter ces limites, cette thèse propose une approche de modélisation générique, inspirée de l’architecture dirigée par les modèles, pour guider le choix technologique à chaque étape. Un cadre interactif aide à modéliser un pipeline personnalisé et à vérifier l’interopérabilité des outils, avec recommandations de connecteurs. Ce cadre a été validé à travers des études de cas sur le COVID-19 et la Coupe du Monde 2022. Les retours des utilisateurs sont satisfaisants (85 % de satisfaction).

Sujet : CONTRIBUTION TO BIG DATA WAREHOUSING: GENERIC ARCHITECTURE, METHODOLOGY AND IMPLEMENTATION
ABSTRACT :

In the era of Big Data, the rapid evolution of tools creates a complex environment where experts struggle to select suitable solutions for specific needs. Existing studies on Big Data warehousing and analysis are often scenario-specific, limiting their applicability. This thesis proposes a top-down, model-driven architecture approach to provide a generic, flexible solution for modeling data warehousing and analytics, guiding experts in technology choices. We developed an interactive framework to help experts build customized data pipelines, ensuring interoperability of tools through a dedicated module. The framework was validated via case studies on COVID-19 and the 2022 FIFA World Cup, achieving an 85% user satisfaction rate.
Mots clés : Data Warehouse, ETL Process Modeling, Data Warehousing Architectures, Knowledge Discovery, Meta-Model, Generic Methodology

Publications :

Dhaouadi, A., Bousselmi, K., Monnet, S., Gammoudi, M. M., & Hammoudi, S. (2024). A Machine Learning Based Decision Support Framework for Big Data Pipeline Modeling and Design. The Jordanian Journal of Computers and Information Technology (JJCIT), Vol. 10, No. 03, pp. 306 – 318. — https://www.jjcit.org/paper/232/A-MACHINE-LEARNING-BASED-DECISION-SUPPORT-FRAMEWORK-FOR-BIG-DATA-PIPELINE-MODELING-AND-DESIGN

Dhaouadi, A., Paccoud W., Bousselmi, K., Monnet, S., Gammoudi, M. M. & Hammoudi, S. (2023). Big Data Tools: Interoperability Study and Performance Testing. IEEE Big Data 2023.– https://ieeexplore.ieee.org/document/10386089>

Dhaouadi, A., Bousselmi, K., Gammoudi, M. M., Monnet, S., & Hammoudi, S. (2022). Data Warehousing Process Modeling from Classical Approaches to New Trends: Main Features and Comparisons. Data, 7(8), 113. — https://doi.org/10.3390/data7080113

Dhaouadi, A., Bousselmi, K., Monnet, S., Gammoudi, M. M., & Hammoudi, S. (2022). A Multi-layer Modeling for the Generation of New Architectures for Big Data Warehousing. In International Conference on Advanced Information Networking and Applications (pp. 204-218). Springer, Cham. https://doi.org/10.1007/978-3-030-99587-4_18

Dhaouadi, A., Gammoudi, M. M., & Hammoudi, S. (2019). A Two Level Architecture for Data Warehousing and OLAP Over Big Data. Proceedings of the 34th International Business Information Management Association (IBIMA), ISBN: 978-0-9998551-3-3, 13-14 November 2019, Madrid, Spain, p. 7182-7194. https://ibima.org/accepted-paper/a-two-level-architecture-for-data-warehousing-and-olap-over-big-data/

Encadrant : Sébastien Monnet & Mohamed Mohsen Gammoudi
Co-encadrant : Khadija Arfaoui
Début de la thèse : Janvier 2021