{"id":20358,"date":"2023-08-21T10:05:21","date_gmt":"2023-08-21T08:05:21","guid":{"rendered":"https:\/\/www.digdash.com\/?post_type=glossaire&p=20358"},"modified":"2024-01-12T14:20:20","modified_gmt":"2024-01-12T13:20:20","slug":"data-lakes","status":"publish","type":"glossaire","link":"https:\/\/www.digdash.com\/fr\/glossaire\/data-lakes\/","title":{"rendered":"Data lakes"},"content":{"rendered":"\n

Tout savoir sur les data lakes<\/strong><\/h1>\n\n\n\n

Avec l’essor du <\/strong>Big Data<\/strong><\/a>, de plus en plus d’entreprises se tournent vers les data lakes pour stocker leurs donn\u00e9es. Qu’est-ce qu’un lac de donn\u00e9es<\/strong> ? Quelle diff\u00e9rence avec un data warehouse<\/strong> ? Comment r\u00e9ussir son d\u00e9ploiement<\/strong> ? D\u00e9couvrez-le dans ce guide complet.<\/strong><\/p>\n\n\n\n

Data lake : d\u00e9finition et fonctionnement<\/strong><\/h2>\n\n\n\n

Un data lake<\/strong> (ou lac de donn\u00e9es<\/strong>) est un emplacement de stockage qui contient des donn\u00e9es structur\u00e9es, semi-structur\u00e9es ou non structur\u00e9es, provenant d’une multitude de sources.<\/p>\n\n\n\n

Ainsi, il n’existe aucune organisation ou hi\u00e9rarchie entre les donn\u00e9es<\/strong> : chacune d’entre elles est conserv\u00e9e sous sa forme la plus brute et ne subit pas de traitement ou d’analyse. Un data lake supporte d’ailleurs tous les types de datas : donn\u00e9es structur\u00e9es issues de bases de donn\u00e9es relationnelles, CSV, logs, XML, JSON, e-mails, PDF…<\/p>\n\n\n\n

L\u2019architecture d’un data lake est dite \u00ab\u00a0plate\u00a0\u00bb, ce qui signifie que les donn\u00e9es ne sont pas entrepos\u00e9es dans des fichiers ou des dossiers<\/strong>. \u00c0 la place, un identifiant unique est attribu\u00e9 \u00e0 chaque \u00e9l\u00e9ment de data, qui est \u00e9galement tagg\u00e9 avec des balises de m\u00e9tadonn\u00e9es.<\/p>\n\n\n\n

Par la suite, le lac de donn\u00e9es est interrog\u00e9 pour obtenir une s\u00e9lection de donn\u00e9es pertinentes<\/strong>. Ce sous-ensemble peut alors \u00eatre analys\u00e9 pour r\u00e9pondre \u00e0 diff\u00e9rentes probl\u00e9matiques et appuyer la prise de d\u00e9cision, d’o\u00f9 l’int\u00e9r\u00eat d’un data lake en entreprise.<\/p>\n\n\n\n

Dans la plupart des cas, le data lake est configur\u00e9 sur un cluster de serveurs qui peut \u00eatre d\u00e9ploy\u00e9 dans le cloud ou sur site. Une telle configuration permet de stocker des donn\u00e9es sans se pr\u00e9occuper de la capacit\u00e9 de stockage disponible, puis de les utiliser au moment opportun.<\/p>\n\n\n\n

Quelle est la diff\u00e9rence entre data warehouse et data lake ?<\/strong><\/h2>\n\n\n\n

Le data lake et le data warehouse remplissent une fonction similaire, d’o\u00f9 le fait qu’ils sont parfois confondus. En effet, ce sont tous deux des espaces de stockage permettant de rassembler et de consolider les donn\u00e9es d’une entreprise. Cette data centralis\u00e9e peut ensuite \u00eatre utilis\u00e9e pour alimenter des applications et effectuer des analyses.<\/p>\n\n\n\n

Cependant, il existe d’importantes diff\u00e9rences entre data lake et data warehouse<\/strong>.<\/p>\n\n\n\n

La quantit\u00e9 de donn\u00e9es conserv\u00e9es<\/strong><\/h3>\n\n\n\n

Un data warehouse (aussi appel\u00e9 entrep\u00f4t de donn\u00e9es<\/strong>) conserve uniquement les donn\u00e9es utiles pour r\u00e9pondre \u00e0 des questions sp\u00e9cifiques. De quoi simplifier la r\u00e9alisation des analyses et des rapports, tout en \u00e9conomisant de l’espace de stockage. <\/p>\n\n\n\n

\u00c0 l’inverse, un data lake permet de stocker toutes les donn\u00e9es dont l’entreprise dispose<\/strong>, y compris celles qui ne sont pas utiles \u00e0 l’instant T.<\/p>\n\n\n\n

La nature des donn\u00e9es stock\u00e9es<\/strong><\/h3>\n\n\n\n

Au sein d\u2019un data warehouse, on trouve exclusivement des donn\u00e9es trait\u00e9es et structur\u00e9es. Autrement dit, chaque donn\u00e9e charg\u00e9e dans l’entrep\u00f4t se voit attribuer une forme et une structure pr\u00e9cise<\/strong> : on parle alors de \u00ab\u00a0schema-on-write\u00a0\u00bb.<\/p>\n\n\n\n

Un data lake, quant \u00e0 lui, peut contenir des donn\u00e9es brutes, structur\u00e9es, semi-structur\u00e9es ou non structur\u00e9es. Aucune forme stricte n’est impos\u00e9e \u00e0 la data lors de son ingestion<\/strong> : il est donc possible de charger les donn\u00e9es dans un \u00e9tat brut et de les transformer ensuite pour les rendre exploitables. C’est ce que l’on appelle un mod\u00e8le de donn\u00e9es \u00ab\u00a0schema-on-read\u00a0\u00bb.<\/p>\n\n\n\n

La flexibilit\u00e9<\/strong><\/h3>\n\n\n\n

Un data warehouse am\u00e8ne les donn\u00e9es jusqu’aux utilisateurs en suivant un cheminement bien pr\u00e9cis, selon le processus ETL (Extract Transform Load)<\/strong>.<\/p>\n\n\n\n

Mais les data lakes ont fait \u00e9merger une nouvelle approche : l’ELT (Extract Load Transform)<\/strong>, qui consiste \u00e0 charger des donn\u00e9es brutes dans un premier temps, puis \u00e0 les transformer rapidement pour les exploiter. Or, cette d\u00e9marche apporte plus de flexibilit\u00e9 \u00e0 l’organisation<\/strong>, car c’est l’utilisateur lui-m\u00eame qui mat\u00e9rialise son besoin et qui extrait les informations utiles \u00e0 son analyse.<\/p>\n\n\n\n

En outre, le data lake s’adapte plus facilement au changement<\/strong>, puisque toutes les donn\u00e9es sont stock\u00e9es sous une forme brute. Les mod\u00e8les, les requ\u00eates et les applications peuvent \u00eatre modifi\u00e9s rapidement. L’entrep\u00f4t de donn\u00e9es, quant \u00e0 lui, demande un important travail de d\u00e9veloppement et de configuration, \u00e0 tel point que le moindre changement peut n\u00e9cessiter beaucoup de temps et de ressources.<\/p>\n\n\n\n

L’acc\u00e8s aux donn\u00e9es<\/strong><\/h3>\n\n\n\n

Dans un data lake, les utilisateurs peuvent acc\u00e9der imm\u00e9diatement \u00e0 tous types de donn\u00e9es<\/strong>, m\u00eame si elles n’ont pas \u00e9t\u00e9 nettoy\u00e9es, transform\u00e9es ou structur\u00e9es.<\/p>\n\n\n\n

Revers de la m\u00e9daille : l’analyse requiert une certaine comp\u00e9tence technique, car les donn\u00e9es ne sont pas organis\u00e9es de mani\u00e8re simplifi\u00e9e avant d’\u00eatre stock\u00e9es. Le lac de donn\u00e9es est donc plus adapt\u00e9 \u00e0 des utilisateurs experts<\/strong>, ayant une connaissance approfondie des diff\u00e9rents types de data et de leurs relations.<\/p>\n\n\n\n

\u00c0 l’inverse, le data warehouse est accessible \u00e0 tous les profils, du data scientist \u00e0 l’utilisateur m\u00e9tier. Gr\u00e2ce \u00e0 son sch\u00e9ma pr\u00e9cis et bien document\u00e9, il permet de lire et d’analyser les donn\u00e9es facilement, quel que soit le niveau de comp\u00e9tence.<\/p>\n\n\n\n

Quels sont les avantages d’un data lake ?<\/strong><\/h2>\n\n\n\n

Comme \u00e9voqu\u00e9 pr\u00e9c\u00e9demment, la structuration des donn\u00e9es au sein d’un data warehouse impose un certain formalisme pour l’utilisation des donn\u00e9es. Si cette approche tend \u00e0 simplifier l’analyse, elle a aussi l’inconv\u00e9nient de supprimer certains d\u00e9tails.<\/p>\n\n\n\n

Dans un data lake, en revanche, le mod\u00e8le \u00ab\u00a0schema-on-read\u00a0\u00bb permet de conserver tout le potentiel des donn\u00e9es d\u2019origine<\/strong>, car elles ne sont structur\u00e9es qu’au moment o\u00f9 elles sont utilis\u00e9es. Par cons\u00e9quent, les data scientists peuvent acc\u00e9der instantan\u00e9ment \u00e0 toutes les donn\u00e9es, mais aussi les pr\u00e9parer et les analyser rapidement et pr\u00e9cis\u00e9ment.<\/p>\n\n\n\n

En outre, l’acc\u00e8s \u00e0 une grande quantit\u00e9 de donn\u00e9es, disponibles dans des formats divers et vari\u00e9s, permet d’exploiter la data pour de nombreux cas d’usage<\/strong>, allant de l’analyse des interactions clients \u00e0 la d\u00e9tection des fraudes.<\/p>\n\n\n\n

Data lake dans le cloud ou sur site : que choisir ?<\/strong><\/h2>\n\n\n\n

Un data lake peut \u00eatre d\u00e9ploy\u00e9 sur le cloud<\/a> ou en mode \u00ab\u00a0on-premise\u00a0\u00bb, chacune de ces deux options pr\u00e9sentant ses propres avantages et inconv\u00e9nients.<\/p>\n\n\n\n

Data lake dans le cloud<\/strong><\/h3>\n\n\n\n

Le cloud est une solution tr\u00e8s int\u00e9ressante pour l’impl\u00e9mentation d’un data lake. Facile et rapide \u00e0 mettre en place, il permet une transition graduelle plut\u00f4t qu’une transformation radicale<\/strong>. <\/p>\n\n\n\n

De plus, ce type d’infrastructure est capable d’\u00e9voluer au fur et \u00e0 mesure que les besoins augmentent. En termes de co\u00fbts, cette approche est aussi bien plus rentable qu’un d\u00e9ploiement sur site<\/strong>, avec un mod\u00e8le de facturation \u00e0 l’usage, sous forme d’abonnement.<\/p>\n\n\n\n

Par ailleurs, opter pour le cloud permet de b\u00e9n\u00e9ficier des offres PaaS des fournisseurs comme Microsoft Azure, Amazon AWS ou Google Cloud Platform. Ces offres incluent des composants d’une grande richesse, permettant notamment de d\u00e9velopper des applications ou des API interagissant avec la data.<\/p>\n\n\n\n

Data lake sur site<\/strong><\/h3>\n\n\n\n

Il est \u00e9galement possible de d\u00e9ployer un lac de donn\u00e9es sur site. Le syst\u00e8me de stockage le plus utilis\u00e9 est Hadoop<\/strong>, un framework Java open source permettant de conserver les donn\u00e9es sur des serveurs peu co\u00fbteux et configur\u00e9s en clusters. Cette approche garantit des performances \u00e9lev\u00e9es,<\/strong> car les donn\u00e9es sont stock\u00e9es et trait\u00e9es dans un m\u00eame emplacement.<\/p>\n\n\n\n

Cependant, la cr\u00e9ation d’une infrastructure \u00ab\u00a0on-premise\u00a0\u00bb pr\u00e9sente certains d\u00e9fis. D’abord, les serveurs occupent un espace cons\u00e9quent, ce qui se traduit par des co\u00fbts d’installation et de maintenance \u00e9lev\u00e9s<\/strong>. La mise en place et la configuration du data center sont d’ailleurs assez complexes, \u00e0 tel point qu’elles peuvent prendre plusieurs semaines, voire plusieurs mois.<\/p>\n\n\n\n

En outre, un data lake sur site est moins \u00e9volutif que son \u00e9quivalent dans le cloud<\/strong>. Une hausse de la capacit\u00e9 de stockage implique une augmentation de l’espace requis, mais aussi un investissement financier non n\u00e9gligeable. Par cons\u00e9quent, les besoins mat\u00e9riels doivent \u00eatre \u00e9valu\u00e9s avec pr\u00e9cision en amont du projet pour \u00e9viter d’avoir \u00e0 modifier l’infrastructure par la suite.<\/p>\n\n\n\n

Les pi\u00e8ges \u00e0 \u00e9viter pour r\u00e9ussir la mise en place d’un data lake<\/strong><\/h2>\n\n\n\n

Malgr\u00e9 ses nombreux atouts, le lac de donn\u00e9es n’est pas une solution miracle. Mal g\u00e9r\u00e9, il risque de se transformer en mar\u00e9cage (en anglais, \u00ab\u00a0data swamp<\/strong>\u00ab\u00a0) : un espace dans lequel l’entreprise stocke une multitude de fichiers, dans l’espoir de les exploiter un jour, mais qui finissent par tomber dans l’oubli. <\/p>\n\n\n\n

Voici les principaux pi\u00e8ges \u00e0 \u00e9viter pour que votre data lake ne se transforme pas en cimeti\u00e8re de donn\u00e9es.<\/p>\n\n\n\n

Sous-estimer les comp\u00e9tences n\u00e9cessaires<\/strong><\/h3>\n\n\n\n

L’une des principales causes d’\u00e9chec est le manque de collaborateurs qualifi\u00e9s pour exploiter les donn\u00e9es stock\u00e9es dans un data lake<\/strong>. C’est pourquoi l’entreprise doit disposer d’ing\u00e9nieurs logiciels form\u00e9s \u00e0 l’utilisation d’Hadoop (ou toute autre plateforme de gestion de data lake), mais aussi aux technologies comme Spark, HBase ou Kafka.<\/p>\n\n\n\n

Ne pas pr\u00e9voir des capacit\u00e9s techniques suffisantes<\/strong><\/h3>\n\n\n\n

La complexit\u00e9 des solutions data lake ne doit pas \u00eatre sous-estim\u00e9e. Certains pr\u00e9requis techniques peuvent \u00eatre impl\u00e9ment\u00e9s facilement gr\u00e2ce, par exemple, aux outils fournis par Hadoop. N\u00e9anmoins, l’entreprise doit s’assurer de poss\u00e9der toutes les capacit\u00e9s n\u00e9cessaires avant de d\u00e9marrer l’ingestion des donn\u00e9es<\/strong>.<\/p>\n\n\n\n

Ne pas mettre en place une politique de gouvernance de donn\u00e9es<\/strong><\/h3>\n\n\n\n

La gouvernance de donn\u00e9es<\/strong> (aussi appel\u00e9e data governance<\/strong>) d\u00e9signe tous les processus qui assurent la gestion des ensembles de donn\u00e9es de l\u2019entreprise. Concr\u00e8tement, la data governance garantit que les donn\u00e9es sont dignes de confiance et que les responsables peuvent \u00eatre identifi\u00e9s facilement en cas de probl\u00e8me. Or, la mise en place d’une politique de gouvernance des donn\u00e9es est indispensable au succ\u00e8s d’un projet de data lake.<\/p>\n\n\n\n

Donnant acc\u00e8s \u00e0 une grande quantit\u00e9 de data dans des formats diversifi\u00e9s, le data lake permet une analyse de donn\u00e9es pr\u00e9cise qui peut \u00eatre d\u00e9clin\u00e9e pour de multiples usages. Il s’agit donc d’un outil pr\u00e9cieux pour la Business Intelligence et <\/em><\/strong>la dataviz<\/em><\/strong><\/a>.<\/em><\/strong><\/p>\n\n\n

\n
\"\"<\/figure>\n<\/div>","protected":false},"featured_media":0,"template":"","category_gloss":[],"class_list":["post-20358","glossaire","type-glossaire","status-publish","hentry"],"acf":[],"yoast_head":"\nData lake : d\u00e9finition, avantages et pi\u00e8ges \u00e0 \u00e9viter<\/title>\n<meta name=\"description\" content=\"Qu'est-ce qu'un data lake ? Quelle diff\u00e9rence avec un data warehouse ? Comment r\u00e9ussir son d\u00e9ploiement ? D\u00e9couvrez-le dans ce guide complet.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.digdash.com\/fr\/glossaire\/data-lakes\/\" \/>\n<meta property=\"og:locale\" content=\"fr_FR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Data lake : d\u00e9finition, avantages et pi\u00e8ges \u00e0 \u00e9viter\" \/>\n<meta property=\"og:description\" content=\"Qu'est-ce qu'un data lake ? Quelle diff\u00e9rence avec un data warehouse ? Comment r\u00e9ussir son d\u00e9ploiement ? D\u00e9couvrez-le dans ce guide complet.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.digdash.com\/fr\/glossaire\/data-lakes\/\" \/>\n<meta property=\"og:site_name\" content=\"DigDash\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/DigDash-151663734873370\/\" \/>\n<meta property=\"article:modified_time\" content=\"2024-01-12T13:20:20+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/www.digdash.com\/wp-content\/uploads\/2024\/01\/cta-telecharger-43-2.png\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Dur\u00e9e de lecture estim\u00e9e\" \/>\n\t<meta name=\"twitter:data1\" content=\"8 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/www.digdash.com\\\/fr\\\/glossaire\\\/data-lakes\\\/\",\"url\":\"https:\\\/\\\/www.digdash.com\\\/fr\\\/glossaire\\\/data-lakes\\\/\",\"name\":\"Data lake : d\u00e9finition, avantages et pi\u00e8ges \u00e0 \u00e9viter\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.digdash.com\\\/fr\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/www.digdash.com\\\/fr\\\/glossaire\\\/data-lakes\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/www.digdash.com\\\/fr\\\/glossaire\\\/data-lakes\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/www.digdash.com\\\/wp-content\\\/uploads\\\/2024\\\/01\\\/cta-telecharger-43-2.png\",\"datePublished\":\"2023-08-21T08:05:21+00:00\",\"dateModified\":\"2024-01-12T13:20:20+00:00\",\"description\":\"Qu'est-ce qu'un data lake ? Quelle diff\u00e9rence avec un data warehouse ? Comment r\u00e9ussir son d\u00e9ploiement ? D\u00e9couvrez-le dans ce guide complet.\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/www.digdash.com\\\/fr\\\/glossaire\\\/data-lakes\\\/#breadcrumb\"},\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/www.digdash.com\\\/fr\\\/glossaire\\\/data-lakes\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\\\/\\\/www.digdash.com\\\/fr\\\/glossaire\\\/data-lakes\\\/#primaryimage\",\"url\":\"https:\\\/\\\/www.digdash.com\\\/wp-content\\\/uploads\\\/2024\\\/01\\\/cta-telecharger-43-2.png\",\"contentUrl\":\"https:\\\/\\\/www.digdash.com\\\/wp-content\\\/uploads\\\/2024\\\/01\\\/cta-telecharger-43-2.png\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/www.digdash.com\\\/fr\\\/glossaire\\\/data-lakes\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Accueil\",\"item\":\"https:\\\/\\\/www.digdash.com\\\/fr\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"D\u00e9finitions\",\"item\":\"https:\\\/\\\/www.digdash.com\\\/fr\\\/glossaire\\\/\"},{\"@type\":\"ListItem\",\"position\":3,\"name\":\"Data lakes\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/www.digdash.com\\\/fr\\\/#website\",\"url\":\"https:\\\/\\\/www.digdash.com\\\/fr\\\/\",\"name\":\"DigDash\",\"description\":\"Des tableaux de bord Agile, Easy and Strong !\",\"publisher\":{\"@id\":\"https:\\\/\\\/www.digdash.com\\\/fr\\\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/www.digdash.com\\\/fr\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"fr-FR\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/www.digdash.com\\\/fr\\\/#organization\",\"name\":\"Digdash\",\"url\":\"https:\\\/\\\/www.digdash.com\\\/fr\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\\\/\\\/www.digdash.com\\\/fr\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/www.digdash.com\\\/wp-content\\\/uploads\\\/2019\\\/05\\\/digdash-logo-signature.png\",\"contentUrl\":\"https:\\\/\\\/www.digdash.com\\\/wp-content\\\/uploads\\\/2019\\\/05\\\/digdash-logo-signature.png\",\"width\":88,\"height\":18,\"caption\":\"Digdash\"},\"image\":{\"@id\":\"https:\\\/\\\/www.digdash.com\\\/fr\\\/#\\\/schema\\\/logo\\\/image\\\/\"},\"sameAs\":[\"https:\\\/\\\/www.facebook.com\\\/DigDash-151663734873370\\\/\",\"http:\\\/\\\/linkedin.com\\\/company\\\/digdash\"]}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Data lake : d\u00e9finition, avantages et pi\u00e8ges \u00e0 \u00e9viter","description":"Qu'est-ce qu'un data lake ? Quelle diff\u00e9rence avec un data warehouse ? Comment r\u00e9ussir son d\u00e9ploiement ? D\u00e9couvrez-le dans ce guide complet.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.digdash.com\/fr\/glossaire\/data-lakes\/","og_locale":"fr_FR","og_type":"article","og_title":"Data lake : d\u00e9finition, avantages et pi\u00e8ges \u00e0 \u00e9viter","og_description":"Qu'est-ce qu'un data lake ? Quelle diff\u00e9rence avec un data warehouse ? Comment r\u00e9ussir son d\u00e9ploiement ? D\u00e9couvrez-le dans ce guide complet.","og_url":"https:\/\/www.digdash.com\/fr\/glossaire\/data-lakes\/","og_site_name":"DigDash","article_publisher":"https:\/\/www.facebook.com\/DigDash-151663734873370\/","article_modified_time":"2024-01-12T13:20:20+00:00","og_image":[{"url":"https:\/\/www.digdash.com\/wp-content\/uploads\/2024\/01\/cta-telecharger-43-2.png","type":"","width":"","height":""}],"twitter_card":"summary_large_image","twitter_misc":{"Dur\u00e9e de lecture estim\u00e9e":"8 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/www.digdash.com\/fr\/glossaire\/data-lakes\/","url":"https:\/\/www.digdash.com\/fr\/glossaire\/data-lakes\/","name":"Data lake : d\u00e9finition, avantages et pi\u00e8ges \u00e0 \u00e9viter","isPartOf":{"@id":"https:\/\/www.digdash.com\/fr\/#website"},"primaryImageOfPage":{"@id":"https:\/\/www.digdash.com\/fr\/glossaire\/data-lakes\/#primaryimage"},"image":{"@id":"https:\/\/www.digdash.com\/fr\/glossaire\/data-lakes\/#primaryimage"},"thumbnailUrl":"https:\/\/www.digdash.com\/wp-content\/uploads\/2024\/01\/cta-telecharger-43-2.png","datePublished":"2023-08-21T08:05:21+00:00","dateModified":"2024-01-12T13:20:20+00:00","description":"Qu'est-ce qu'un data lake ? Quelle diff\u00e9rence avec un data warehouse ? Comment r\u00e9ussir son d\u00e9ploiement ? D\u00e9couvrez-le dans ce guide complet.","breadcrumb":{"@id":"https:\/\/www.digdash.com\/fr\/glossaire\/data-lakes\/#breadcrumb"},"inLanguage":"fr-FR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.digdash.com\/fr\/glossaire\/data-lakes\/"]}]},{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/www.digdash.com\/fr\/glossaire\/data-lakes\/#primaryimage","url":"https:\/\/www.digdash.com\/wp-content\/uploads\/2024\/01\/cta-telecharger-43-2.png","contentUrl":"https:\/\/www.digdash.com\/wp-content\/uploads\/2024\/01\/cta-telecharger-43-2.png"},{"@type":"BreadcrumbList","@id":"https:\/\/www.digdash.com\/fr\/glossaire\/data-lakes\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Accueil","item":"https:\/\/www.digdash.com\/fr\/"},{"@type":"ListItem","position":2,"name":"D\u00e9finitions","item":"https:\/\/www.digdash.com\/fr\/glossaire\/"},{"@type":"ListItem","position":3,"name":"Data lakes"}]},{"@type":"WebSite","@id":"https:\/\/www.digdash.com\/fr\/#website","url":"https:\/\/www.digdash.com\/fr\/","name":"DigDash","description":"Des tableaux de bord Agile, Easy and Strong !","publisher":{"@id":"https:\/\/www.digdash.com\/fr\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/www.digdash.com\/fr\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"fr-FR"},{"@type":"Organization","@id":"https:\/\/www.digdash.com\/fr\/#organization","name":"Digdash","url":"https:\/\/www.digdash.com\/fr\/","logo":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/www.digdash.com\/fr\/#\/schema\/logo\/image\/","url":"https:\/\/www.digdash.com\/wp-content\/uploads\/2019\/05\/digdash-logo-signature.png","contentUrl":"https:\/\/www.digdash.com\/wp-content\/uploads\/2019\/05\/digdash-logo-signature.png","width":88,"height":18,"caption":"Digdash"},"image":{"@id":"https:\/\/www.digdash.com\/fr\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/DigDash-151663734873370\/","http:\/\/linkedin.com\/company\/digdash"]}]}},"_links":{"self":[{"href":"https:\/\/www.digdash.com\/fr\/wp-json\/wp\/v2\/glossaire\/20358","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.digdash.com\/fr\/wp-json\/wp\/v2\/glossaire"}],"about":[{"href":"https:\/\/www.digdash.com\/fr\/wp-json\/wp\/v2\/types\/glossaire"}],"version-history":[{"count":2,"href":"https:\/\/www.digdash.com\/fr\/wp-json\/wp\/v2\/glossaire\/20358\/revisions"}],"predecessor-version":[{"id":21063,"href":"https:\/\/www.digdash.com\/fr\/wp-json\/wp\/v2\/glossaire\/20358\/revisions\/21063"}],"wp:attachment":[{"href":"https:\/\/www.digdash.com\/fr\/wp-json\/wp\/v2\/media?parent=20358"}],"wp:term":[{"taxonomy":"category_gloss","embeddable":true,"href":"https:\/\/www.digdash.com\/fr\/wp-json\/wp\/v2\/category_gloss?post=20358"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}