Accueil

Thèmes

data warehouse

Qu’est-ce qu’un entrepôt de données ?
Découvrir la solution d’entrepôt de données d’IBM S’inscrire à la newsletter Think
Illustration par un collage de pictogrammes représentant des nuages, un diagramme circulaire et des graphiques

Mise à jour : 11 octobre 2024 
Contributeurs :
Jim Holdsworth, Matthew Kosinski

Qu’est-ce qu’un entrepôt de données ?

Un entrepôt de données est un système qui regroupe des données provenant de sources multiples dans un magasin de données unique, central et cohérent. Les entrepôts de données aident à préparer les données pour les initiatives d’analyse de données, de business intelligence (BI), de data mining, de machine learning (ML) et d’intelligence artificielle (AI).

 

Un système d’entrepôt de données dédié aux entreprises permet à une organisation d’exécuter des analyses puissantes sur de vastes volumes de données (pétaoctets et plus) d’une manière qu’une base de données standard ne peut pas faire. Les données peuvent être structurées, semi-structurées ou non structurées. Elles peuvent alimenter un entrepôt à partir de plusieurs bases de données, notamment les systèmes de gestion de la relation client (CRM), d’inventaire, de point de vente (POS) et de gestion de la chaîne d’approvisionnement.

Parfois appelés systèmes d’entrepôt de données d’entreprise (EDW), les systèmes d’entreposage de données soutiennent les efforts de business intelligence depuis plus de trente ans. Leurs fonctions se concentrent sur l’extraction de données d’autres sources, le nettoyage et la préparation des données, ainsi que le chargement et la maintenance des données, souvent dans une base de données relationnelle.

Traditionnellement, un entrepôt de données était hébergé sur site, souvent sur un ordinateur mainframe. Aujourd’hui, de nombreux entrepôts de données sont hébergés dans le cloud et fournis sous forme de services cloud. 

 
L’IA impose de repenser la gestion des données

Guide du responsable des données : exploiter efficacement les bases de données pour réussir ses projets applicatifs, d’analytique et d’IA générative.

Évolution des entrepôts de données

Les entrepôts de données sont nés dans les années 1980 pour optimiser l’analyse des données en mettant à disposition des données transactionnelles intégrées dans un format cohérent. Avec la montée en puissance des applications métier et l’explosion de nouvelles sources de données, notamment le World Wide Web, les médias sociaux et l’Internet des objets (IdO), le besoin d’un stockage plus important et d’une analyse plus rapide s’est fait de plus en plus sentir.

Avec l’évolution de l’entrepôt de données vers la prise en charge de volumes plus importants et de données plus granulaires, de plus en plus d’équipes au sein des organisations ont demandé un accès direct aux données pour des fonctions d’analyse en libre-service.  

De nombreuses organisations ont constaté que leurs entrepôts de données existants ne pouvaient pas gérer ces nouvelles et énormes workloads. Et comme de nombreux entrepôts de données ne stockaient que des données structurées, la richesse de l’analyse risquait d’être limitée. En réponse, des alternatives plus flexibles ont vu le jour, notamment les entrepôts de données « cloud natifs » et les « data lakehouses ». (Voir « Entrepôts de données et data lakehouses » pour plus d’informations.) 

Architecture des entrepôts de données

Pour traiter les données rapidement et efficacement, les entrepôts de données utilisent le plus souvent une architecture à trois niveaux.

Niveau inférieur


C’est à ce niveau que les données sont acheminées depuis des sources de données disparates vers un serveur d’entrepôt de données, où elles sont stockées. Les données sont le plus souvent déplacées par le biais d’un processus d’extraction, de transformation et de chargement (ETL) ou parfois d’un processus d’extraction, de chargement et de transformation (ELT). Ces processus sont exécutés de différentes manières, mais ils reposent tous deux sur l’automatisation pour déplacer les données vers un entrepôt et les préparer en vue de leur utilisation à des fins d’analyse.

Niveau intermédiaire


Ce niveau est traditionnellement bâti autour d’un moteur d’analyse, le plus souvent un système de traitement analytique en ligne (OLAP) conçu pour fournir des analyses et des requêtes rapides. Trois types de modèles OLAP peuvent être employés à ce niveau :

  •  
  • Le traitement analytique relationnel en ligne (ROLAP), qui permet une analyse multidimensionnelle des données des bases de données relationnelles.

  •  
  • Le traitement analytique relationnel en ligne (ROLAP), qui permet une analyse multidimensionnelle des bases de données relationnelles.

  •  
  • Traitement analytique hybride en ligne (HOLAP), qui fusionne les fonctionnalités du ROLAP et du MOLAP.
 

Le type de modèle OLAP utilisé dépend du type de système de base de données employé.

Niveau supérieur


Ce niveau comprend une interface utilisateur frontale ou un outil de création de rapports, qui permet aux utilisateurs d’effectuer des analyses ad hoc sur leurs données métier. La business intelligence en libre-service a de multiples usages, tels que la génération de rapports basés sur des données historiques, l’identification de nouvelles opportunités ou l’identification des goulots d’étranglement dans les processus.

Comprendre l’OLAP et l’OLTP

La plupart des entrepôts de données exploitent des systèmes OLAP pour soutenir l’analyse. Les logiciels OLAP effectuent des analyses multidimensionnelles à grande vitesse sur de grands volumes de données provenant d’un magasin de données unifié et centralisé, tel qu’un entrepôt de données.

 

Une donnée commerciale comporte souvent plusieurs dimensions. Par exemple, les chiffres de vente peuvent inclure plusieurs dimensions liées à l’emplacement (région, pays et magasin), au temps (année, mois, semaine et jour) ou au produit (marque, type).

Dans une base de données relationnelle traditionnelle, les données sont organisées dans des tableaux à lignes et à colonnes qui ne peuvent représenter que deux de ces dimensions à la fois : une dimension dans la ligne et une dimension dans la colonne. Cela peut rendre l’analyse difficile.

Cependant, les systèmes OLAP permettent aux utilisateurs d’analyser les données selon plusieurs dimensions à la fois, ce qui accélère le traitement et améliore la perspicacité de l’analyse. Les utilisations courantes de l’OLAP comprennent l’exploration de données et les applications de business intelligence, les calculs analytiques complexes, les scénarios prédictifs, la budgétisation et les prévisions.

L’OLAP se distingue du traitement transactionnel en ligne (OLTP). Les systèmes OLTP suivent un grand nombre de transactions, effectuées par un grand nombre d’utilisateurs, en temps réel. La principale différence entre l’OLTP et l’OLAP réside dans le fait que les systèmes OLTP sont principalement conçus pour capturer des données, tandis que les systèmes OLAP analysent des données déjà capturées.

Les systèmes OLTP ont souvent recours à des bases de données relationnelles pour enregistrer les transactions, telles que :

  •  
  • Les transactions bancaires et aux distributeurs automatiques
  • Le commerce électronique et les achats en magasin
  • Les réservations d’hôtels et de vols
 

Si les entrepôts de données n’impliquent généralement pas de systèmes OLTP, les données enregistrées dans les bases de données par les systèmes OLTP sont généralement transmises à l’entrepôt, où un système OLAP permet de les analyser.

OLAP et OLTP : quelle est la différence ?
Schémas dans les entrepôts de données

Les schémas de base de données définissent la manière dont les données sont organisées au sein d’une base de données ou d’un entrepôt de données. Il existe deux types principaux de structures de schéma : le schéma en étoile et le schéma en flocon de neige.

Les schémas en étoile et en flocon de neige sont tous deux des modèles de données dimensionnels conçus pour optimiser la vitesse de récupération des données. Les modèles dimensionnels augmentent la redondance afin de faciliter la localisation des informations pour le reporting et la recherche. Cette modélisation est généralement employée dans les systèmes OLAP.

Schéma en étoile

 

Ce schéma consiste en une table de faits (qui contient des éléments mesurables tels que les produits vendus et les montants monétaires des ventes) reliée à des tables de dimensions (c’est-à-dire des informations de référence montrant comment les faits peuvent être regroupés et organisés, comme les dates de vente et le secteur d’activité auquel les produits sont vendus).

Dans un diagramme, la table des faits peut apparaître au milieu d’un schéma en étoile. Le schéma en étoile est considéré comme le type de schéma le plus simple et le plus courant, et ses utilisateurs bénéficient d’une plus grande rapidité lors des requêtes.

Schéma en flocon de neige

 

Bien qu’il ne soit pas aussi répandu, le schéma en flocon de neige est une autre structure organisationnelle utilisée dans les entrepôts de données. Dans ce cas, la table des faits est reliée à plusieurs tables de dimensions standardisées contenant des données descriptives sur les faits de la table centrale des faits. Ces tables de dimension ont également des tables enfants.

 

Ce schéma plus complexe et ramifié peut ressembler à un flocon de neige. Les utilisateurs d’un schéma en flocon de neige bénéficient de faibles niveaux de redondance des données, mais au détriment de la rapidité d’exécution des requêtes. 

Composants de l’architecture d’un entrepôt de données

La plupart des entrepôts de données sont construits autour d’un système de base de données relationnelle, sur site ou dans le cloud, où les données sont à la fois stockées et traitées. Un entrepôt de données typique comporte notamment les éléments suivants :

  •  
  • Couche de données (ou base de données centrale)
  • Outils d’accès
  • Outils d’extraction, de transformation et de chargement (ETL)
  • Métadonnées
  • Bac à sable
  • Couche API
 
Couche de données (ou base de données centrale)

La couche de données, ou base de données centrale, est le cœur de l’entrepôt de données et est soutenue par tous les autres composants. Les données peuvent provenir d’applications commerciales, de listes d’adresses électroniques, de sites Web ou de toute autre base de données relationnelle. Les données sont physiquement stockées sur un serveur ou un ensemble de serveurs.

La couche de données peut partitionner des segments de données afin que les utilisateurs ne puissent accéder qu’aux données dont ils ont besoin. Ainsi, l’équipe des ventes ne devrait normalement pas avoir accès aux données de l’équipe des ressources humaines, et vice versa.

En règle générale, les entrepôts de données intègrent des fonctions de gouvernance et de sécurité des données, si bien que les entreprises n’ont pas à effectuer un gros travail d’ingénierie des données pour inclure ces fonctions. Les organisations peuvent avoir besoin de mettre à jour les principes de gouvernance des données et les mesures de sécurité au fur et à mesure que de nouvelles données provenant de différentes sources sont ajoutées à l’entrepôt.

Outils d’accès

Les outils d’accès se connectent à un entrepôt de données pour fournir une interface utilisateur conviviale. Il peut s’agir de tableaux de bord, de rapports et d’outils de visualisation des données qui permettent aux analystes de données et aux utilisateurs professionnels d’interagir avec les données et d’en extraire des informations. Ces outils incluent par exemple Tableau, Looker et Qlik.

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

Les outils ETL permettent de déplacer les données d’une source de données vers l’entrepôt de données. Les données sont d’abord « extraites » de leur source, déplacées vers une zone de transit où elles sont nettoyées et préparées (ou « transformées »), puis « chargées » dans un entrepôt.

Les outils ETL convertissent les données dans un format cohérent afin qu’elles puissent être analysées et interrogées efficacement une fois dans l’entrepôt. Ainsi, les données peuvent être extraites de plusieurs bases de données clients, puis converties dans un format commun pour que tous les enregistrements de clients comportent les mêmes champs.

Un outil de traitement des données, tel qu’Apache Spark, peut aider à gérer la transformation des données.

Étant donné qu’un entrepôt de données stocke principalement des données structurées, les données sont généralement transformées avant d’être déplacées vers l’entrepôt. Bien que certains entrepôts puissent employer un processus d’extraction, de chargement et de transformation (ELT), qui charge les données dans l’entrepôt avant de les transformer, ce processus est plus couramment utilisé pour les data lakes, qui ne requièrent pas de formats de données standardisés. (Voir « Data lake et entrepôt de données » pour plus d’informations.)

Métadonnées

Les métadonnées sont des données sur les données. Fondamentalement, elles décrivent les données stockées dans un système afin de les rendre consultables. Elles comprennent des caractéristiques telles que les auteurs, les dates ou les emplacements des articles, les dates de création et la taille des fichiers. Les métadonnées et leur système de gestion permettent d’organiser les données et de les rendre utilisables à des fins d’analyse.

Bac à sable

Certains entrepôts de données fournissent un bac à sable isolé des données réelles. Il peut être employé comme environnement de test, contenant une copie des données de production et des outils d’analyse et de visualisation pertinents. Les analystes de données et les data scientists peuvent expérimenter de nouvelles techniques d’analyse dans le bac à sable sans nuire aux opérations de l’entrepôt de données pour les autres utilisateurs.

Couche API

Une couche de connectivité pour les interfaces de programmation des applications (API) peut aider l’entrepôt à extraire des données de sources organisationnelles et donner accès à des outils de visualisation et d’analyse.

Entrepôts de données et autres types de stockage de données

Les termes « entrepôt de données », « base de données », « data lake », « datamart » et « data lakehouse » sont parfois utilisés de manière interchangeable.

Base de données et entrepôt de données

Une base de données est une sorte de classeur conçu principalement pour les requêtes rapides et le traitement des transactions, mais pas pour l’analyse. Une base de données sert généralement de magasin de données pour une application spécifique, alors qu’un entrepôt de données stocke des données provenant d’un certain nombre d’applications au sein d’une organisation.

 

Bien que ces systèmes soient similaires, des différences importantes les distinguent. Une base de données se consacre à la capture de données en temps réel, tandis qu’un entrepôt de données a une portée plus large, collectant des données historiques (mais parfois aussi des données actuelles) pour l’analyse prédictive, le machine learning et d’autres types d’analyses avancées.

Data lake et entrepôt de données

Un data lake est une solution de stockage pour des volumes massifs de données brutes sans schéma prédéfini. Ils contiennent souvent des données non structurées et semi-structurées, telles que des documents, des vidéos, des journaux de l’Internet des objets (IdO) et des messages sur les réseaux sociaux. Ils sont généralement conçus sur des plateformes de big data telles qu’Apache Hadoop.

 

Les data lakes sont principalement conçus pour offrir un stockage à faible coût pour de vastes volumes de données. Pour maintenir les coûts de stockage à un faible niveau, ils ne transforment généralement pas les données et ne les optimisent pas pour l’analyse, contrairement à un entrepôt.

Datamart et entrepôt de données

Un datamart est un type d’entrepôt de données qui contient des données spécifiques à un secteur d’activité ou à un service particulier, plutôt qu’à l’ensemble de l’entreprise.

 

Parce qu’ils contiennent un sous-ensemble plus restreint de données, les datamarts permettent à un service ou à un secteur d’activité de découvrir des informations plus ciblées plus rapidement qu’en travaillant avec le jeu de données plus vaste de l’entrepôt.

Ainsi, une équipe marketing peut employer un datamart pour définir les données démographiques cibles idéales, tandis qu’une équipe produit peut l’utiliser pour analyser les schémas d’inventaire.

Data lakehouse ou entrepôt de données

Un data lakehouse est une plateforme de données qui fusionne des aspects des entrepôts de données et des data lakes (à savoir la flexibilité d’un lake et la haute performance d’un entrepôt) en une seule solution de gestion des données. Les data lakehouses peuvent également ajouter des fonctionnalités telles que des métadonnées partagées, des moteurs de langage de requête structuré (SQL) distribués et des contrôles de gouvernance et de sécurité intégrés.

 

L’avènement des technologies open source et la volonté de réduire la duplication des données et les pipelines ETL complexes ont conduit au développement du data lakehouse. En alliant les principales caractéristiques des lakes et des entrepôts en une seule solution de données, les lakehouses peuvent contribuer à accélérer le traitement des données et à prendre en charge les workloads de machine learning, de science des données et d’IA.

Types d’entrepôts de données
Entrepôts de données dans le cloud

Un entrepôt de données basé sur le cloud est conçu pour fonctionner dans le cloud. Il est souvent proposé aux organisations sous la forme d’un service de stockage de données géré dans lequel l’infrastructure de l’entrepôt de données est gérée par le fournisseur de cloud. L’organisation n’a pas à investir d’emblée dans du matériel ou des logiciels, ni à gérer son propre système. Les services cloud offrent également souvent une tarification flexible.

 

Les entrepôts de données basés sur le cloud ont gagné en popularité car de plus en plus d’organisations utilisent des services de cloud computing et cherchent à réduire l’empreinte de leurs centres de données sur site.

Entrepôts de données sur site ou sous licence

Une entreprise peut acheter une licence d’entrepôt de données, puis déployer ce dernier sur sa propre infrastructure sur site. Même s’il est généralement plus coûteux qu’un service d’entrepôt de données cloud, il peut s’agir d’une option adaptée pour les entités gouvernementales, les institutions financières ou d’autres organisations qui souhaitent avoir plus de contrôle sur leurs données ou qui doivent se conformer à des normes strictes en matière de sécurité ou de confidentialité des données.

 
Appliance d’entrepôt de données 

Une appliance d’entrepôt de données est un ensemble préintégré de matériel et de logiciels (par ex. processeurs (CPU), stockage, système d’exploitation et logiciel d’entrepôt de données) qu’une entreprise peut connecter à son réseau et commencer à utiliser tel quel.

 

Une appliance d’entrepôt de données se situe généralement entre les implémentations dans le cloud et sur site en termes de coût initial, de rapidité de déploiement, de facilité d’évolutivité et de contrôle de la gestion des données.

Cas d’utilisation des entrepôts de données

Un entrepôt de données peut mettre des informations à la disposition des équipes d’une entreprise en libre-service rapide, favorisant ainsi de multiples cas d’utilisation.

  •  
  • IA et machine learning
  • Business intelligence
  • Intégration des données
  • Utilisations propres aux secteurs
 
IA et apprentissage automatique

Les entrepôts de données peuvent prendre en charge diverses applications d’IA et de machine learning. Les data scientists peuvent analyser les données historiques pour développer des algorithmes prédictifs. Ils peuvent enseigner aux applications de machine learning à repérer des schémas, comme une activité de compte suspecte qui pourrait indiquer une fraude. Ils peuvent exploiter les données nettoyées et validées de l’entrepôt pour élaborer des modèles d’IA générative exclusifs ou affiner les modèles existants afin de mieux répondre aux besoins métier spécifiques.

 
Business Intelligence

Un entrepôt de données dédié aux entreprises peut permettre à des milliers d’utilisateurs d’accéder à des outils d’analyse et de les exploiter simultanément. Les données étant stockées séparément des bases de données opérationnelles et dans un format plus efficace, les utilisateurs peuvent exécuter leurs propres requêtes de business intelligence en libre-service sans ralentir les autres systèmes clés.

Intégration des données

Les entrepôts de données peuvent aider à consolider les données cloisonnées grâce à des pipelines ETL qui automatisent le nettoyage et l’intégration. Cela permet d’accélérer les requêtes et le traitement et de permettre à un plus grand nombre d’utilisateurs d’accéder aux données.

 

Un entrepôt de données dédié aux entreprises peut également prendre en charge les formats open source, tels qu’Apache Iceberg, Parquet et CSV, pour un meilleur partage des données au sein de l’entreprise.

Utilisations propres aux secteurs

Les entrepôts de données peuvent également servir à des usages sectoriels spécifiques :

 
  •  
  • Secteur public : les capacités analytiques d’un entrepôt de données peuvent aider les pouvoirs publics à mieux comprendre des phénomènes complexes tels que la criminalité, les tendances démographiques et les schémas de circulation.

  •  
  • Soins de santé : la capacité de centraliser et d’analyser des données disparates, telles que les codes de facturation et de diagnostic, les données démographiques des patients, les médicaments et les résultats des tests, peut aider les hôpitaux à mieux comprendre les résultats pour les patients, l’efficacité opérationnelle et bien plus encore.

  •  
  • Hôtellerie et transports : les organisations peuvent exploiter les données historiques sur les choix de voyage et d’hébergement pour cibler avec plus de précision la publicité et les promotions destinées à leurs clients.

  •  
  • Fabrication : les grandes entreprises de fabrication génèrent d’énormes volumes de données. Les organisations peuvent utiliser les entrepôts de données pour créer des datamarts adaptés aux besoins de chaque service, ce qui permet aux utilisateurs d’accéder plus facilement aux données pertinentes pour leur rôle.
 
Avantages d’un entrepôt de données

Un entrepôt de données combine des flux de données provenant de magasins de données disparates, ce qui facilite l’analyse de ces données par les entreprises. Ces dernières peuvent ainsi découvrir des informations précieuses, stimuler les performances, améliorer les opérations et, finalement, bénéficier d’un avantage concurrentiel.

Voici quelques-uns des avantages d’un entrepôt de données :

  •  
  • Meilleure qualité des données
  • Analyse approfondie
  • De meilleures décisions métier
 
Qualité accrue des données

Un entrepôt de données peut centraliser des données provenant de diverses sources, telles que des systèmes transactionnels, des bases de données opérationnelles et des fichiers plats. Il nettoie ensuite ces données opérationnelles, élimine les doublons et les normalise pour créer une source d’information unique qui donne à l’organisation une vue complète et fiable des données de l’entreprise.

 
Analyse approfondie

Lorsque les données sont confinées dans des sources disparates, cela peut limiter la capacité des décideurs à obtenir des informations et à établir des stratégies métier avec assurance. Un entrepôt de données doté d’un référentiel central permet aux utilisateurs professionnels de tirer parti de toutes les données pertinentes d’une organisation pour prendre des décisions.

 

En produisant des rapports sur les données historiques, un entrepôt de données peut aider à identifier les systèmes et les processus qui fonctionnent et ceux à améliorer.

De meilleures décisions métier

Les entrepôts de données facilitent la découverte de thèmes, de tendances et d’agrégations, ainsi que la rédaction de rapports à ce sujet. Les professionnels des données et les dirigeants peuvent exploiter ces informations pour prendre des décisions mieux informées, fondées sur des preuves tangibles, dans pratiquement tous les domaines de l’entreprise, des processus commerciaux à la gestion financière et des stocks.

 
Défis liés à l’architecture des entrepôts de données

Lors de la mise en œuvre de solutions d’entrepôt de données, les organisations peuvent être confrontées à certains défis pour atteindre des performances élevées. Ces défis sont notamment :

  •  
  • Volumes élevés de données
  • Qualité et gestion des données
  • Des infrastructures cloud complexes
  • Prise en charge de l’échelle de l’IA
  • Un manque de flexibilité en matière de stockage
 
Volumes élevés de données

Les entrepôts de données de plusieurs téraoctets et pétaoctets étant désormais monnaie courante, les opérations à haute performance exigent un excellent chargement, un stockage efficace et des moteurs de base de données puissants qui répondent aux exigences d’hyper-efficacité.

Qualité et gestion des données

Un entrepôt de données peut être amené à gérer d’énormes volumes de données structurées et non structurées provenant de nombreuses sources. Toutes ces données doivent être nettoyées et validées avant leur utilisation. De solides politiques et pratiques de gouvernance des données peuvent contribuer à garantir une source d’information unique et précise pour l’ensemble des utilisateurs.

Infrastructures cloud complexes

Les données d’entreprise étant stockées dans des environnements disparates (que ce soit en raison de la réglementation ou d’un besoin métier), les entrepôts de données modernes exigent souvent un stockage hybride et multicloud, le flux de données, l’ingestion et l’analyse se déplaçant entre différents systèmes. Les organisations peuvent avoir besoin de membres très expérimentés de l’équipe informatique pour aider à mettre en œuvre et à maintenir ces systèmes complexes.

 

 

Prise en charge de l’échelle de l’IA

À mesure que l’IA et le machine learning deviennent des éléments plus critiques de la stratégie d’entreprise, les organisations ont besoin d’entrepôts de données capables de prendre en charge ces workloads.

 

Idéalement, un entrepôt de données devrait pouvoir collecter, nettoyer, organiser et analyser les données afin qu’elles soient adaptées à l’IA, et faciliter le flux de données vers les applications d’IA et de machine learning. Cependant, tous les entrepôts de données ne sont pas conçus pour l’IA, ce qui peut rendre difficile l’utilisation des données organisationnelles pour les workloads d’IA.

Manque de flexibilité en matière de stockage

Les entrepôts de données sont configurés et optimisés pour l’analyse des données, et ne sont donc généralement pas la solution idéale pour stocker des volumes massifs de données. Lorsque la quantité de données dans un entrepôt augmente, le coût et la complexité du stockage augmentent également. Des problèmes de latence peuvent également survenir.

 

Un data lakehouse peut être une option pour certaines organisations, en fonction de leurs architectures de données uniques, car il peut fournir des capacités de stockage et d’analyse plus économiques et plus flexibles.

Solutions connexes
Solutions d’entrepôt de données

Les solutions d’entrepôts de données d’IBM offrent les performances et la flexibilité nécessaires à la prise en charge des données structurées et non structurées pour les workloads analytiques, y compris le machine learning.

Découvrez les solutions d’entrepôt de données
IBM Db2 Warehouse

Entreposage de données dans le cloud conçu pour alimenter vos analyses opérationnelles, votre business intelligence et vos informations pilotées par l’IA.

Découvrir Db2 Warehouse
IBM watsonx.data

Mettez vos données au travail, où qu’elles se trouvent, avec un data lakehouse ouvert et hybride pour l’IA et l’analytique.

Découvrir watsonx.data
Ressources Comment choisir le bon entrepôt de données pour l’IA

Découvrez les critères que les organisations doivent prendre en compte lorsqu’elles choisissent un entrepôt de données dédié.

Qu’est-ce qu’un data lakehouse ?

Les data lakehouses cherchent à résoudre les principales difficultés rencontrées dans les entrepôts de données et les data lakes afin d’offrir une solution optimisée de gestion des données aux organisations.

La différence par les données

Un guide pour les responsables des données sur le développement d’une organisation axée sur les données et d’un avantage métier.

Passez à l’étape suivante

Faites évoluer les workloads d’IA pour toutes vos données n’importe où avec IBM watsonx.data, un entrepôt de données adapté à vos besoins basé sur une architecture data lakehouse ouverte.

Découvrir watsonx.data Réserver une démo en direct