Entrepôt de données

Un datamart est une structure/un modèle d'accès spécifique aux environnements d'entrepôt de données . Le datamart est un sous-ensemble de l'entrepôt de données qui se concentre sur un secteur d'activité, un département, un domaine ou une équipe spécifique. Alors que les entrepôts de données ont une profondeur à l'échelle de l'entreprise, les informations contenues dans les datamarts concernent un seul département. Dans certains déploiements, chaque département ou unité commerciale est considéré comme le propriétaire de son datamart, y compris tout le matériel , les logiciels et les données . Cela permet à chaque département d'isoler l'utilisation, la manipulation et le développement de ses données. Dans d'autres déploiements où des dimensions conformes sont utilisées, ce propriétaire d'unité commerciale ne sera pas valable pour les dimensions partagées telles que le client, le produit, etc.

Les entrepôts et les datamarts sont créés parce que les informations contenues dans la base de données ne sont pas organisées de manière à être facilement accessibles. Cette organisation nécessite des requêtes trop complexes, difficiles d'accès ou gourmandes en ressources.

Alors que les bases de données transactionnelles sont conçues pour être mises à jour, les entrepôts de données ou les marts sont en lecture seule . Les entrepôts de données sont conçus pour accéder à de grands groupes d'enregistrements liés. Les marts de données améliorent le temps de réponse de l'utilisateur final en permettant à ces derniers d'accéder au type spécifique de données qu'ils doivent consulter le plus souvent, en fournissant les données d'une manière qui prend en charge la vue collective d'un groupe d'utilisateurs.

Un datamart est en fait une version condensée et plus ciblée d'un entrepôt de données qui reflète les réglementations et les spécifications de processus de chaque unité commerciale au sein d'une organisation. Chaque datamart est dédié à une fonction commerciale ou à une région spécifique. Ce sous-ensemble de données peut s'étendre à plusieurs ou à tous les domaines fonctionnels d'une entreprise. Il est courant que plusieurs datamarts soient utilisés afin de répondre aux besoins de chaque unité commerciale individuelle (différents datamarts peuvent être utilisés pour obtenir des informations spécifiques pour différents services de l'entreprise, tels que la comptabilité, le marketing, les ventes, etc.).

Le terme associé à Spreadmart est un terme péjoratif qui décrit la situation qui se produit lorsqu'un ou plusieurs analystes commerciaux développent un système de feuilles de calcul liées pour effectuer une analyse commerciale, puis le développent jusqu'à une taille et un degré de complexité qui le rendent presque impossible à maintenir. Le terme pour cette condition est « Excel Hell ».

• Accès facile aux données fréquemment utilisées
• Crée une vue collective par un groupe d'utilisateurs
• Améliore le temps de réponse de l'utilisateur final
• Facilité de création
• Coût inférieur à la mise en œuvre d'un entrepôt de données complet
• Les utilisateurs potentiels sont définis plus clairement que dans un entrepôt de données complet
• Contient uniquement les données essentielles à l’entreprise et est moins encombré.
• Il contient des informations clés sur les données

• Schéma en étoile - choix de conception assez populaire ; permet à une base de données relationnelle d'émuler la fonctionnalité analytique d'une base de données multidimensionnelle
• Schéma du flocon de neige
• Schéma d'activité - un schéma basé sur des séries chronologiques

Entrepôt de données :

• Contient plusieurs domaines d'études
• Contient des informations très détaillées
• Fonctionne pour intégrer toutes les sources de données
• N'utilise pas nécessairement un modèle dimensionnel mais alimente des modèles dimensionnels.

Entrepôt de données :

• Souvent, il ne contient qu'un seul domaine d'étude, par exemple la finance ou les ventes.
• Peut contenir des données plus résumées (bien qu'elles puissent contenir tous les détails)
• Se concentre sur l'intégration d'informations provenant d'un domaine donné ou d'un ensemble de systèmes sources
• Il est construit en se concentrant sur un modèle dimensionnel utilisant un schéma en étoile.

Selon l' école Inmon de l'entreposage de données, un datamart dépendant est un sous-ensemble logique ( vue ) ou un sous-ensemble physique (extrait) d'un entrepôt de données plus grand , isolé pour l'une des raisons suivantes :

• Un rafraîchissement nécessaire pour un modèle ou un schéma de données spécial : par exemple, pour une restructuration pour OLAP .
• Performances : décharger le datamart vers un ordinateur séparé pour une plus grande efficacité ou pour éliminer le besoin de gérer cette charge de travail sur l'entrepôt de données centralisé.
• Sécurité : séparer de manière sélective un sous-ensemble de données autorisé.
• Opportunité : contourner la gouvernance des données et les autorisations requises pour intégrer une nouvelle application dans l'entrepôt de données d'entreprise.
• Terrain d'essai : démontrer la viabilité et le potentiel de retour sur investissement (ROI) d'une application avant de la migrer vers l'entrepôt de données d'entreprise.
• Politique : une stratégie d'adaptation pour les technologies de l'information (TI) dans les situations où un groupe d'utilisateurs a plus d'influence que de financement ou n'est pas un bon citoyen sur l'entrepôt de données centralisé.
• Politique : une stratégie d’adaptation pour les consommateurs de données dans les situations où une équipe d’entrepôt de données est incapable de créer un entrepôt de données utilisable.

Selon l'école Inmon de l'entreposage de données, les compromis inhérents aux data marts incluent une évolutivité limitée , la duplication des données , l'incohérence des données avec d'autres silos d'informations et l'incapacité à exploiter les sources de données de l'entreprise.

L'école alternative de l'entreposage de données est celle de Ralph Kimball . Selon lui, un entrepôt de données n'est rien d'autre que l'union de tous les datamarts. Cette vision permet de réduire les coûts et d'accélérer le développement, mais peut créer un entrepôt de données incohérent, en particulier dans les grandes organisations. Par conséquent, l'approche de Kimball est plus adaptée aux petites et moyennes entreprises.