{"id":20563,"date":"2023-10-05T15:30:12","date_gmt":"2023-10-05T13:30:12","guid":{"rendered":"https:\/\/www.digdash.com\/?post_type=glossaire&p=20563"},"modified":"2024-02-09T14:08:19","modified_gmt":"2024-02-09T13:08:19","slug":"data-warehouse-datamart","status":"publish","type":"glossaire","link":"https:\/\/www.digdash.com\/fr\/glossaire\/data-warehouse-datamart\/","title":{"rendered":"Data warehouses et les data marts"},"content":{"rendered":"\n

Data warehouse, data mart, entrep\u00f4t de donn\u00e9es… Comme tous les domaines, le Big Data poss\u00e8de son propre jargon et il peut \u00eatre difficile de s’y retrouver parmi ces termes techniques. Comment distinguer un entrep\u00f4t et un magasin de donn\u00e9es ? Quels sont leurs avantages et inconv\u00e9nients ? Voici tout ce qu\u2019il faut savoir.<\/strong><\/p>\n\n\n\n

Data warehouse : d\u00e9finition<\/strong><\/h2>\n\n\n\n

Un data warehouse<\/strong>, aussi appel\u00e9 entrep\u00f4t de donn\u00e9es<\/strong>, est une base de donn\u00e9es relationnelle qui peut \u00eatre h\u00e9berg\u00e9e dans un data center ou dans le cloud. Il permet de recueillir des donn\u00e9es de sources diverses et h\u00e9t\u00e9rog\u00e8nes afin de faciliter la prise de d\u00e9cision au sein d’une organisation.<\/p>\n\n\n\n

L’entrep\u00f4t de donn\u00e9es joue un r\u00f4le majeur dans la Business Intelligence<\/strong>, puisqu’il permet de stocker des donn\u00e9es en grandes quantit\u00e9s, mais aussi d’effectuer des requ\u00eates et des analyses. Concr\u00e8tement, il transforme la data brute en informations utiles et les rend disponibles et accessibles pour les utilisateurs.<\/p>\n\n\n\n

Bon \u00e0 savoir<\/strong> : Attention \u00e0 ne pas confondre data lake<\/strong> et data warehouse<\/strong> : bien que similaires, ces deux concepts poss\u00e8dent des diff\u00e9rences notables.
En effet, un data lake<\/a> (ou lac de donn\u00e9es) permet de stocker toutes les donn\u00e9es dont l’entreprise dispose sans aucune hi\u00e9rarchie ou organisation entre les diff\u00e9rents \u00e9l\u00e9ments.
Ainsi, la data est conserv\u00e9e sous sa forme la plus brute et elle n’est ni trait\u00e9e ni analys\u00e9e, du moins dans un premier temps. Autre diff\u00e9rence fondamentale avec le data warehouse : dans un lac de donn\u00e9es, aucune structure particuli\u00e8re n’est impos\u00e9e \u00e0 la data et tous les types de donn\u00e9es sont accept\u00e9s.<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

Data mart : d\u00e9finition<\/strong><\/h2>\n\n\n\n

Un data mart<\/strong>, aussi appel\u00e9 magasin de donn\u00e9es<\/strong>, est une base de donn\u00e9es pr\u00e9cise destin\u00e9e \u00e0 un groupe d\u2019utilisateurs restreint.<\/p>\n\n\n\n

Bill Inmon, reconnu comme l’inventeur de l’entreposage de donn\u00e9es, d\u00e9finit le datamart comme un flux de donn\u00e9es provenant du data warehouse, qui regroupe des informations sp\u00e9cialis\u00e9es, agr\u00e9g\u00e9es et cibl\u00e9es dans le but de r\u00e9pondre aux besoins des m\u00e9tiers.<\/p>\n\n\n\n

Autrement dit, il s’agit d\u2019un extrait de l\u2019ensemble des donn\u00e9es poss\u00e9d\u00e9es par l’entreprise. Le data mart ne contient que le n\u00e9cessaire : pour ne pas perturber les utilisateurs, les informations inutiles sont retir\u00e9es et l’historisation est effectu\u00e9e en fonction de leurs requ\u00eates.<\/p>\n\n\n\n

Bon \u00e0 savoir<\/strong> : Les datamarts sont parfois confondus avec les cubes de donn\u00e9es<\/a>, car ces deux \u00e9l\u00e9ments ont en commun d’\u00eatre li\u00e9s aux applications m\u00e9tiers au sein d’un data warehouse. N\u00e9anmoins, il existe une diff\u00e9rence entre les deux :D’un c\u00f4t\u00e9, le magasin de donn\u00e9es est un sous-ensemble du data warehouse qui r\u00e9unit toutes les donn\u00e9es relatives \u00e0 un domaine particulier.De l’autre, le cube permet d’effectuer des requ\u00eates afin de r\u00e9pondre aux questions sp\u00e9cifiques des utilisateurs m\u00e9tiers.<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

Quelle est la diff\u00e9rence entre un magasin de donn\u00e9es (data mart) et un entrep\u00f4t de donn\u00e9es (data warehouse) ?<\/strong><\/h2>\n\n\n\n

Un datamart est g\u00e9n\u00e9ralement un sous-\u00e9l\u00e9ment d’un data warehouse, dont l’objectif est d’organiser les donn\u00e9es en fonction des usages m\u00e9tiers. Ainsi, les data warehouses sont con\u00e7us pour h\u00e9berger l’int\u00e9gralit\u00e9 des donn\u00e9es d’une entreprise, tandis que les data marts r\u00e9pondent uniquement aux besoins d’une fonction sp\u00e9cifique<\/strong>. Par cons\u00e9quent, les entrep\u00f4ts de donn\u00e9es sont souvent bien plus volumineux que les data marts.<\/p>\n\n\n\n

Selon l’approche de Ralph Kimball, informaticien renomm\u00e9, auteur de nombreux ouvrages sur le sujet, l’entrep\u00f4t de donn\u00e9es peut m\u00eame \u00eatre consid\u00e9r\u00e9 comme un ensemble de data marts. En centralisant les donn\u00e9es, il garantit leur s\u00e9curit\u00e9, leur coh\u00e9rence, mais aussi leur disponibilit\u00e9 pour les datamarts. Le data warehouse assure \u00e9galement la tra\u00e7abilit\u00e9 de l\u2019information dans toute l\u2019entreprise, l\u00e0 o\u00f9 le magasin de donn\u00e9es se limite \u00e0 satisfaire les besoins d\u2019un m\u00e9tier<\/strong>.<\/p>\n\n\n\n

Par ailleurs, les data warehouses permettent de r\u00e9aliser des requ\u00eates et des rapports complexes<\/strong>. Les magasins de donn\u00e9es, quant \u00e0 eux, sont con\u00e7us pour que les utilisateurs puissent acc\u00e9der facilement et rapidement aux informations dont ils ont besoin. En mati\u00e8re d’organisation des donn\u00e9es, data mart et data warehouse se distinguent \u00e9galement. Les entrep\u00f4ts utilisent g\u00e9n\u00e9ralement des sch\u00e9mas en \u00e9toile ou en flocon de neige<\/strong>, tandis que les magasins de donn\u00e9es peuvent \u00eatre structur\u00e9s de nombreuses fa\u00e7ons.<\/p>\n\n\n\n

Comment fonctionne un data warehouse ?<\/strong><\/h2>\n\n\n\n

Un data warehouse est bas\u00e9 sur le processus<\/strong> ETL (Extract, Tranform, Load)<\/strong>, permettant de charger et d’int\u00e9grer la data issue de diff\u00e9rentes sources de donn\u00e9es, par exemple un syst\u00e8me transactionnel ou une autre base de donn\u00e9es relationnelle.<\/p>\n\n\n\n

\u00c0 la mani\u00e8re d\u2019un r\u00e9pertoire central, il regroupe toutes les donn\u00e9es structur\u00e9es<\/strong> de l’entreprise, avant de les traiter et de les transformer. Les utilisateurs peuvent ensuite acc\u00e9der \u00e0 cette data par le biais d’un outil de Business Intelligence, d’un client SQL, voire d’un tableur.<\/p>\n\n\n\n

En agr\u00e9geant ses donn\u00e9es dans un seul et m\u00eame endroit, l’entreprise b\u00e9n\u00e9ficie d\u2019une vue d\u2019ensemble sur les informations essentielles \u00e0 sa gestion quotidienne.<\/p>\n\n\n\n

Comment fonctionne un data mart ?<\/strong><\/h2>\n\n\n\n

Il existe plusieurs types de data marts aux modes de fonctionnement distincts.<\/p>\n\n\n\n

Le data mart d\u00e9pendant<\/strong><\/h3>\n\n\n\n

Un data mart est dit d\u00e9pendant lorsqu’il est cr\u00e9\u00e9 \u00e0 partir d’un entrep\u00f4t de donn\u00e9es existant. Il s’inscrit dans une approche \u201cdescendante\u201d compos\u00e9e de deux \u00e9tapes :<\/p>\n\n\n\n