Formation Créer votre Data Warehouse performant et décisionnel

01.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

02.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

03.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

04.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

05.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

06.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

07.Extraction, Transformation, Chargement (ETL) - Partie 2

08.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

09.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

10.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

11.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

12.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