Formation Créer votre Data Warehouse performant et décisionnel

Programme de la formation
Créer votre Data Warehouse performant et décisionnel

• Introduction au Data Warehouse et au décisionnel

  - Définition et rôle d'un Data Warehouse (DW)
  - Distinction entre DW, Data Lake, Data Mart
  - Le processus ETL/ELT dans l'écosystème décisionnel
  - Présentation des étapes clés d'un projet DW
  - Bénéfices stratégiques d'un DW pour l'entreprise

• Analyse des besoins métier et spécifications fonctionnelles

  - Recueil des besoins métier pour l'analyse décisionnelle
  - Cas d'usage et identification des indicateurs clés (KPI)
  - Élaboration des spécifications fonctionnelles détaillées
  - Cartographie des sources de données existantes
  - Impact des besoins sur l'architecture cible du DW

• Modélisation dimensionnelle (Star Schema)

  - Principes de la modélisation dimensionnelle
  - Tables de faits : définition, types (transactionnelles, cumulatives, de snapshot)
  - Tables de dimensions : attributs, hiérarchies, grains
  - Exemples concrets de conception de schémas en étoile
  - Avantages de la modélisation dimensionnelle pour les requêtes d'analyse

• Modélisation dimensionnelle avancée (Snowflake, Conformed Dimensions)

  - Schéma en flocon (Snowflake Schema) : avantages et inconvénients
  - Dimensions à changement lent (SCD Type 1, 2, 3)
  - Dimensions conformées et bus d'entreprise
  - Rôles des dimensions et dimensions de rôle
  - Gestion des hiérarchies complexes et attributs multiples

• Architecture d'un Data Warehouse

  - Composants clés d'une architecture DW
  - Serveurs de base de données, serveurs ETL, outils de BI
  - Architectures distribuées et cloud (Azure Synapse, Google BigQuery, AWS Redshift)
  - Intégration de Data Lakes et Data Warehouses
  - Sécurité et gestion des accès dans l'architecture DW

• Extraction, Transformation, Chargement (ETL) - Partie 1

  - Les différentes phases de l'ETL/ELT
  - Outils ETL courants (Talend, SSIS, Informatica, etc.)
  - Stratégies d'extraction de données (complète, incrémentale)
  - Nettoyage et transformation des données (standardisation, agrégation)
  - Gestion des erreurs et rejets de données

• Extraction, Transformation, Chargement (ETL) - Partie 2
• Qualité des données et gouvernance

  - Importance de la qualité des données dans un DW
  - Définition des règles de qualité et des indicateurs
  - Outils et techniques de profilage des données
  - Processus de nettoyage, déduplication et enrichissement
  - Mise en place d'une démarche de gouvernance des données

• Optimisation des performances du Data Warehouse

  - Indexation et partitionnement des tables
  - Vues matérialisées et agrégats pré-calculés
  - Optimisation des requêtes SQL pour l'analyse
  - Stratégies de compression des données
  - Bonnes pratiques pour l'optimisation des performances

• Sécurité et administration d'un Data Warehouse

  - Gestion des utilisateurs et des rôles
  - Sécurité au niveau des lignes et des colonnes (ROW/COLUMN Level Security)
  - Stratégies de sauvegarde et de restauration
  - Surveillance des performances et de l'utilisation
  - Audit des accès et conformité réglementaire

• Intégration du Data Warehouse avec les outils BI

  - Connexion du DW aux outils de Business Intelligence (Power BI, Tableau, Looker)
  - Création de cubes OLAP et de modèles sémantiques
  - Développement de tableaux de bord et de rapports performants
  - Publication et partage des analyses
  - Gestion de la sécurité et des accès aux rapports

• Tendances futures et évolutions des Data Warehouses

  - Data Warehouse dans le cloud : avantages et défis
  - L'émergence des Data Lakehouses
  - Utilisation de l'IA/ML pour l'optimisation des DW
  - Data Mesh et architectures distribuées
  - Projets futurs et maintenance évolutive du DW