Un magasin de données est un sous-ensemble d'un entrepôt de données  axé sur un secteur d'activité, un département ou une zone de sujet. Les magasins de données mettent des données spécifiques à la disposition d'un groupe défini d'utilisateurs, ce qui permet à ces derniers d'accéder rapidement à des informations essentielles sans perdre de temps à chercher dans un entrepôt de données entier. Par exemple, de nombreuses entreprises peuvent avoir un magasin de données qui s'aligne sur un service de l'entreprise, comme les finances, les ventes ou le marketing.

Les magasins de données, les entrepôts de données et les lacs de données sont des référentiels de données centraux essentiels, mais ils répondent à des besoins différents au sein d'une organisation.

Un entrepôts de données est un système qui regroupe des données provenant de sources multiples dans un seul entrepôt de données central et cohérent, afin de prendre en charge l'exploration de données, l'intelligence artificielle (IA) et l'apprentissage automatique, ce qui, en fin de compte, peut améliorer les analyses sophistiquées et l'aide à la décision. Grâce à ce processus de collecte stratégique, les solutions d'entrepôt de données regroupent les données provenant des différentes sources pour les rendre disponibles sous une forme unifiée. 

Un magasin de données (comme indiqué ci-dessus) est une version ciblée d'un entrepôt de données qui contient un sous-ensemble plus restreint de données importantes et nécessaires pour une seule équipe ou un groupe sélectionné d'utilisateurs au sein d'une organisation. Un magasin de données repose sur un entrepôt de données existant (ou d'autres sources de données) par le biais d'une procédure complexe qui fait appel à plusieurs technologies et outils pour concevoir et créer une base de données physique, l'alimenter en données et mettre en place des protocoles d'accès et de gestion complexes.

Bien qu'il s'agisse d'un processus difficile, il permet à un secteur d'activité de découvrir des informations plus ciblées plus rapidement qu'en travaillant avec un ensemble plus large de données d'entrepôt. Par exemple, les équipes de marketing peuvent bénéficier de la création d'un magasin de données à partir d'un entrepôt existant, car leurs activités sont généralement réalisées indépendamment du reste de l'entreprise. L'équipe n'a donc pas besoin d'accéder à toutes les données de l'entreprise.

Un lac de données est aussi un référentiel de données. Un lac de données permet de stocker massivement des données non structurées ou brutes provenant de sources multiples, mais les informations n'ont pas encore été traitées ou préparées pour l'analyse. Comme ils permettent de stocker des données dans un format brut, les lacs de données sont plus accessibles et plus économiques que les entrepôts de données. Il n'est pas nécessaire de nettoyer et de traiter les données avant de les ingérer.

Par exemple, les administrations peuvent utiliser la technologie pour suivre les données relatives au comportement des automobilistes, à la consommation d'énergie et aux cours d'eau, et les stocker dans un lac de données en attendant de savoir comment utiliser ces données pour créer des « villes plus intelligentes » offrant des services plus efficaces.

Les magasins de données sont conçus pour répondre aux besoins de groupes spécifiques en disposant d'un sujet de données relativement restreint. Si un magasin de données peut toujours contenir des millions d'enregistrements, son objectif est de fournir aux utilisateurs professionnels les données les plus pertinentes dans le plus court laps de temps possible. 

Grâce à sa petite taille et sa conception ciblée, un magasin de données présente plusieurs avantages pour l'utilisateur final, notamment :

• Rentabilité :  de nombreux facteurs doivent être pris en compte lors de la mise en place d'un magasin de données, tels que la portée, les intégrations et le processus d' extraction, de transformation et de chargement (ETL). Cependant, un magasin de données ne représente généralement qu'une fraction du coût d'un entrepôt de données.
  
  
• Accès simplifié aux données :  les magasins de données ne contiennent qu'un petit sous-ensemble de données, ce qui permet aux utilisateurs de récupérer rapidement les données dont ils ont besoin, avec moins d'effort que s'ils travaillaient avec un ensemble de données plus large provenant d'un entrepôt de données.
  
  
• Un accès plus rapide aux informations : les informations tirées d'un entrepôt de données facilitent la prise de décisions stratégiques au niveau de l'entreprise, ce qui a un impact sur l'ensemble de l'activité. Un magasin de données alimente la prise de décision et l'analytique qui guident les décisions au niveau du service. Les équipes peuvent exploiter des données ciblées en fonction de leurs objectifs spécifiques. Comme les équipes identifient et extraient des données de valeur plus rapidement, l'entreprise bénéficie de processus métier accélérés et d'une productivité accrue.
  
  
• Simplification de la maintenance des données : un entrepôt de données contient une multitude d'informations métier, avec une portée pour plusieurs secteurs d'activité. Les magasins de données se concentrent sur une seule ligne, abritant moins de 100 Go, ce qui permet de réduire l'encombrement et de faciliter la maintenance.
  
  
• Mise en œuvre plus facile et plus rapide : un entrepôt de données implique un temps de mise en œuvre important, surtout dans une grande entreprise, car il collecte des données provenant d'une multitude de sources internes et externes. D'autre part, vous n'avez besoin que d'un petit sous-ensemble de données lors de la mise en place d'un magasin de données, de sorte que la mise en œuvre tend à être plus efficace et à inclure moins de temps de configuration.

Il existe trois types de magasin de données qui diffèrent en fonction de leur relation avec l'entrepôt de données et des sources de données respectives de chaque système.

• Les magasins de données dépendants  sont des segments partitionnés au sein d'un entrepôt de données d'entreprise. Cette approche descendante commence par le stockage de toutes les données de l'entreprise dans un emplacement central. Les magasins de données nouvellement créés extraient un sous-ensemble défini des données principales chaque fois que cela est nécessaire pour l'analyse.
  
  
• Les magasins de données indépendants  fonctionnent comme un système autonome qui ne dépend pas d'un entrepôt de données. Les analystes peuvent extraire des données sur un sujet ou un processus métier particulier à partir de sources de données internes ou externes, les traiter, puis les stocker dans un référentiel de magasin de données jusqu'à ce que l'équipe en ait besoin.
  
  
• Les magasins de données hybrides combinent des données provenant d'entrepôts de données existants et d'autres sources opérationnelles. Cette approche unifiée tire parti de la rapidité et de l'interface conviviale d'une approche descendante et offre également l'intégration au niveau de l'entreprise de la méthode indépendante.

Un magasin de données est une  base de données relationnelle  orientée sujet qui stocke des données transactionnelles en lignes et en colonnes, ce qui en facilite l'accès, l'organisation et la compréhension. Comme elle contient des données d'historiques, cette structure permet à un analyste de déterminer plus facilement les tendances des données. Les champs de données typiques comprennent l'ordre numérique, la valeur temporelle et les références à un ou plusieurs objets.

Les entreprises organisent les magasins de données selon un schéma multidimensionnel, afin de répondre aux besoins des personnes qui utilisent les bases de données pour des tâches analytiques. Les trois principaux types de schéma sont l'étoile, le flocon de neige et e coffre

Étoile
 

Le schéma en étoile est une formation logique de tables dans une base de données multidimensionnelle qui à la forme d'une étoile. Dans ce schéma, une table de faits, un ensemble de métriques qui se rapporte à un événement ou à un processus métier donnée, se trouve au centre de l'étoile, entourée de plusieurs tables de dimensions associées.

Il n'existe pas de dépendance entre les tables de dimension, de sorte qu'un schéma en étoile nécessite moins de jointures lors de l'écriture de requêtes. Cette structure facilite l'interrogation, de sorte que les schémas en étoile sont très efficaces pour les analystes qui veulent accéder à de jeux de données et y naviguer.

Flocon de neige
 

Un schéma en flocon de neige est une extension logique d'un schéma en étoile, qui développe le schéma avec des tables de dimension supplémentaires. Les dimension sont normalisés pour protéger intégrité des données et réduire redondance de données.

Bien que cette méthode nécessite moins d'espace pour stocker les tables de dimensions, il s'agit d'une structure complexe qui peut être difficile à gérer. Le principal avantage de l'utilisation du schéma en flocon est la faible demande d'espace disque, mais l'inconvénient est un impact négatif sur les performances en raison des tables supplémentaires.

Coffre
 

Un coffre-fort de données est une technique moderne de modélisation des bases de données qui permet aux professionnels de l'informatique de concevoir des entrepôts de données d'entreprise agiles. Cette approche impose une structure en couches et a été développée spécifiquement pour combattre les problèmes d'agilité, de flexibilité et d'évolutivité qui se posent lors de l'utilisation des autres modèles de schémas.

Un coffre de données élimine le nettoyage des schémas en étoile et rationalise l'ajout de nouvelles sources de données sans perturber les schémas existants.

Les magasins de données guide les décisions métier d'un service. Par exemple, une équipe de marketing peut utiliser des magasins de données pour analyser les comportements des consommateurs, tandis que le personnel de vente peut en utiliser pour compiler des rapports de vente trimestriels. Ces tâches étant effectuées au sein de leurs départements respectifs, les équipes n'ont pas besoin d'accéder à toutes les données de l'entreprise.

En général, un magasin de données est créé et géré par le service spécifique qui a l'intention de l'utiliser. Le processus de conception d'un magasin de données comprend généralement les étapes suivantes :

1. documenter les exigences essentielles pour comprendre les besoins métier et techniques du magasin de données.
   
   
2. Identifier les sources de données sur lesquelles votre entrepôt de données s'appuie pour obtenir des informations.
   
   
3. Déterminer le sous-ensemble de données, qu'il s'agisse de toutes les informations sur un sujet ou de champs spécifiques à un niveau plus granulaire.
   
   
4. Concevoir la structure logique du magasin de données en choisissant un schéma qui correspond à l'entrepôt de données plus large.

Une fois le travail de base effectué, vous pouvez tirer le meilleur parti d'un magasin de données en utilisant des outils de prise de décision spécialisés, tels que Qlik ou SiSense. Ces solutions comprennent un tableau de bord et des visualisations qui facilitent la compréhension des données, ce qui permet de prendre des décisions plus judicieuses au profit de l'entreprise.

Si les magasins de données offrent aux entreprises les avantages d'une efficacité et d'une flexibilité accrues, la croissance imparable des données pose un problème aux entreprises qui continuent à utiliser une solution sur site.

Les entrepôts de données se déplaçant vers le cloud, les magasins de données suivront. En consolidant les ressources de données dans un référentiel unique qui contient tous les magasins de données, les entreprises peuvent réduire les coûts et s'assurer que tous les services ont un accès illimité aux données dont ils ont besoin en temps réel.

Les plateformes basées sur le cloud permettent de créer, de partager et de stocker facilement d'énormes jeux de données, ouvrant ainsi la voie à un accès et à une analyse des données plus efficaces et plus performants. Les systèmes en cloud sont conçus pour assurer une croissance durable des entreprises. De nombreux fournisseurs de service sous forme de logiciel (Software-as-a Service, SaaS) actuels séparent le stockage des données de l'informatique, afin d'améliorer l'évolutivité lors de l'interrogation des données.

IBM Db2 Warehouse on Cloud est un entrepôt de données en cloud élastique qui offre une mise à l'échelle indépendante du stockage et du calcul. Les data marts plus petits peuvent utiliser la fonction Flex One  qui est un entrepôt de données élastique conçu pour l'analytique haute performance. Ce système est déployable chez plusieurs fournisseurs de cloud, à partir de 40 Go de stockage.

 IBM InfoSphere® Master Data Management (MDM) est une autre option intéressante. Ce système personnalisable gère tous les aspects des données critiques de votre entreprise, donnant aux utilisateurs un accès dans une vue unique et fiable. Grâce à ce tableau de bord simplifié, les utilisateurs sont en mesure de réaliser des analyses détaillées, d'obtenir des informations exploitables et de garantir une conformité totale avec la gouvernance et les politiques de données dans toute l'entreprise.

Inscrivez-vous pour obtenir un IBMid et créer votre compte IBM Cloud.