11 Skip to content

Architectures d’entrepôt de données – Types et composants

Un entrepôt de données est un référentiel qui stocke différentes formes d'informations provenant de différentes sources.

Un entrepôt de données est un référentiel qui stocke différentes formes d’informations provenant de différentes sources.

L’architecture d’entrepôt de données (DWA) est l’organisation de l’installation de données et de stockage.

L’entrepôt de données stocke généralement des données positives. L’architecture doit être capable d’extraire des informations précieuses à partir de données brutes en utilisant l’approche la plus efficace.

Il transforme désormais les informations en une structure simple à l’aide d’un modèle dimensionnel qui fournit des informations précieuses sur les décisions commerciales.

Types d’architectures d’entrepôt de données

Il existe différents types d’architecture d’entrepôt de données. Nous avons une architecture traditionnelle et moderne qui est encore en évolution.

Les cinq architectures principales sont Indépendante, Centralisée, Data Mart, Hub-and-Spoke, Fédérée et Data Mart Bus.

Vous pouvez également combiner deux ou plusieurs de ces architectures pour plus d’efficacité dans l’entreposage de données.

Cependant, les trois principaux types d’architectures à prendre en compte lors de la conception d’un entrepôt de données d’entreprise sont les architectures à un niveau, à 2 niveaux et à 3 niveaux.

  • Architecture à un seul niveau

Une architecture d’entrepôt de données à un seul niveau se concentre sur la création d’un ensemble de données dense tout en réduisant le volume des données stockées.

Cette architecture peut ne pas convenir à toutes les entreprises, en particulier aux entreprises qui traitent des données volumineuses avec de nombreux flux et des exigences de données complexes.

L’avantage de cette architecture est qu’elle efface les données en double et élimine la redondance.

Avec cette architecture, les sources de données matérielles seront divisées au sein même de l’entrepôt.

Le seul inconvénient ici est que l’architecture à 2 niveaux n’est pas évolutive, mais peut être plus efficace en termes d’organisation et de gestion des données.

Parmi les différentes architectures d’entrepôt de données, l’architecture à 3 niveaux est le type d’architecture d’entrepôt de données le plus couramment utilisé car elle crée un flux de données bien organisé, des informations brutes aux informations précieuses.

Le niveau le plus bas se compose généralement du serveur de base de données, qui crée une couche d’abstraction pour les données provenant de différentes sources, telles que les bases de données transactionnelles utilisées pour les applications frontales.

Le deuxième niveau contient un serveur de traitement analytique en ligne (OLAP). Les données à ce niveau seront modifiées de manière à faciliter l’analyse et la réalisation de multiples tests.

Le troisième et dernier niveau de l’architecture est le niveau client, qui contient les outils et l’interface de programmation d’application (API) utilisés pour analyser, interroger et générer des rapports sur des données de haut niveau.

Principaux composants de l’architecture de l’entrepôt de données

Maintenant que nous avons discuté des trois principales architectures d’entrepôt de données utilisées par les entreprises, examinons les principaux composants d’un entrepôt de données.

Une conception d’entrepôt de données comporte cinq composants principaux qui sont les suivants

  1. Base de données d’entrepôt de données
  2. Outils d’extraction, de transformation et de chargement (ETL)
  3. Métadonnées
  4. Outils d’accès à l’entrepôt de données
  5. Bus d’entrepôt de données

1. Base de données de l’entrepôt de données

Votre base de données est le composant central d’une architecture de data warehousing. La base de données est l’endroit où vous conservez toutes les informations sur votre entreprise et auxquelles vous vous référez lorsque vous devez extraire des données pour prendre des décisions commerciales.

Il existe différentes formes de base de données, et vous devrez choisir celle qui convient le mieux à votre modèle commercial et à votre environnement d’exploitation pour stocker les données dans votre entrepôt.

Voyons les types populaires de base de données que vous pouvez choisir et les différences fondamentales entre eux.

  • Bases de données relationnelles typiques : ces formes de base de données sont orientées lignes et vous pouvez les utiliser quotidiennement.

Des exemples de telles bases de données sont les systèmes, les applications et les produits (SAP), Oracle, Microsoft SQL Server et IBM DB2.

  • Bases de données analytiques : comme leur nom l’indique, elles sont conçues spécifiquement pour permettre aux installations de stockage de données de maintenir et de gérer efficacement les analyses. Teradata et Greenplum en sont des exemples.
  • Applications d’entrepôt de données : il ne s’agit pas vraiment d’une base de données de stockage, mais certains fournisseurs proposent à leurs clients des applications qui fournissent à la fois des logiciels de gestion de données et du matériel pour le stockage de données. Les exemples sont IBM Netezza, Oracle Exadata et SAP Hana.
  • Bases de données basées sur le cloud : une base de données basée sur le cloud peut être hébergée et accessible dans le cloud. Il ne sera pas nécessaire de commander du matériel auprès du fournisseur avant de configurer votre entrepôt de données.

Les exemples sont Google BigQuery, Microsoft Azure SQL et Amazon Redshift.

2. Métadonnées

Les métadonnées définissent votre entrepôt de données et fournissent un cadre pour le stockage des données.

Les métadonnées aident à la structuration de l’entrepôt, au stockage et même à l’utilisation de l’entrepôt de données.

Les métadonnées peuvent être classées en métadonnées techniques et commerciales.

Métadonnées techniques : elles stockent les données nécessaires aux développeurs et aux gestionnaires lors de l’exécution de tâches de développement et de gestion d’entrepôt.

Métadonnées commerciales : traite des informations qui aident à comprendre et à interpréter les données stockées dans l’entrepôt.

Les métadonnées sont sans aucun doute importantes pour les entreprises et leurs équipes techniques pour comprendre et convertir les données stockées dans l’entrepôt en informations utiles.

3. Outils d’extraction, de transformation et de chargement (ETL)

Dans l’entreposage de données, les outils ETL sont très importants car ils sont au cœur de l’architecture de l’entrepôt de données.

Les outils ETL sont utilisés pour extraire des données de différentes sources, les organiser et les organiser et les charger dans un entrepôt de données.

L’outil ETL choisi dans votre architecture d’entrepôt de données influencera les éléments suivants

  1. Le temps nécessaire pour que les données soient extraites des sources
  2. La méthode d’extraction des données
  3. La simplicité et la nature des transformations appliquées.
  4. Le taux de validation et de nettoyage des données pour améliorer l’analyse du produit final
  5. Structurer la diffusion des informations du référentiel fondamental vers vos applications BI

4. Outils d’accès à l’entrepôt de données

Un entrepôt de données utilise une base de données ou un groupe de bases de données comme base. Généralement, les utilisateurs d’entreprise ne peuvent pas travailler directement avec les bases de données, ils devront donc utiliser des outils de support.

Certains des outils d’assistance sont les suivants :

Outils de requête et de création de rapports : ces outils aident les utilisateurs à créer des rapports d’entreprise (généralement sous la forme de feuilles de calcul, de calculs ou de représentations visuelles interactives) pour leur analyse.

Outils de développement d’applications : ces outils aident les utilisateurs à créer des rapports personnalisés et à les présenter dans des interprétations destinées à des fins de rapport spécifiques.

Outils d’exploration de données : ils aident à systématiser le processus d’identification des tableaux et des liens dans une énorme quantité de données, en adoptant des méthodes de modélisation statistique avancées.

Outils de traitement analytique en ligne : les outils OLAP aident les utilisateurs à créer un entrepôt de données multidimensionnel et prennent en charge une analyse des données d’entreprise sous différents angles.

5. Entrepôt de données Bnous

Cela définit comment le flux de données au sein d’une architecture d’entreposage de données. Il contient généralement un data mart.

Un data mart est un niveau d’accès avec lequel vos données sont transférées aux utilisateurs. Il est utilisé pour regrouper les données créées pour le groupe d’utilisateurs respectif.