Nous proposons dans ce papier un cadre générique basé sur la programmation par contraintes pour découvrir des représentations condensées de motifs par rapport à un ensemble de mesures. Pour cela, nous introduisons une nouvelle contrainte globale avec un algorithme de filtrage de complexité polynomiale. Nous démontrons l'utilité de notre contrainte globale en l'exploitant dans deux modèles à contraintes que nous proposons pour la découverte de skypatterns et pour le clustering conceptuel. Les expérimentations menées sur différents jeux de données démontrent l'efficacité de notre approche et les avantages significatifs qu'elle présente comparé aux approches existantes.