De nombreux modèles ont été proposés pour représenter les données multidimensionnelles. Ces propositions considèrent généralement une même fonction d'agrégation pour déterminer les valeurs d'une mesure aux différents niveaux de granularité de l'espace multidimensionnel. Nous proposons un nouveau modèle conceptuel plus flexible supportant des agrégations multiples différentiées. L'agrégation multiple permet d'associer à une même mesure, une fonction d'agrégation différente pour chaque dimension. L'agrégation différentiée autorise des agrégations spécifiques à chaque paramètre. Notre modèle repose sur un double formalisme graphique suffisamment expressif pour contrôler la validité des fonctions d'agrégation. Nous étudions également les conséquences de cette modélisation conceptuelle pour la construction efficace des treillis de pré-agrégats dans le contexte R-OLAP.