Formation Concevoir et mettre en place un entrepôt de données robuste

01.Introduction au Data Warehouse et au Décisionnel

• —Définition et rôle du Data Warehouse (DW) dans l'entreprise
• —Comparaison DW vs Base de données transactionnelle (OLTP)
• —Cycle de vie du décisionnel et positionnement du DW
• —Bénéfices et défis de la mise en place d'un DW

02.Architectures et Composants d'un Data Warehouse

• —Architectures classiques : Inmon (cible), Kimball (bus des données)
• —Composants clés : Staging Area, Data Marts, ODS
• —Évolution vers les architectures modernes : Data Lake, Data Lakehouse
• —Conséquences des choix architecturaux

03.Modélisation Dimensionnelle : Fait et Dimension

• —Principes fondamentaux de la modélisation dimensionnelle (Kimball)
• —Concepts de table de faits : Mesures, grain, types de faits (transaction, snapshot)
• —Concepts de table de dimensions : Attributs, hiérarchies, types de dimensions
• —Avantages de la modélisation dimensionnelle pour l'analyse

04.Modélisation Dimensionnelle Avancée et Spécifique

• —Dimensions à évolution lente (SCD Type 1, 2, 3 et 6)
• —Dimensions conformed et junk dimensions
• —Tables de faits agrégées et cubes OLAP
• —Utilisation des bridge tables et modélisation des hiérarchies non-strictes

05.Introduction aux Processus ETL (Extract, Transform, Load)

• —Rôle et importance des ETL dans le Data Warehouse
• —Étapes du processus ETL : extraction, transformation, chargement
• —Outils ETL majeurs du marché (présentation générale)
• —Principes d'un bon design ETL

06.Conception de l'Extraction et de la Staging Area

• —Stratégies d'extraction de données (incrémentielle, complète)
• —Connecteurs aux sources de données hétérogènes
• —Rôle de la Staging Area : zone tampon, nettoyage initial
• —Optimisation des performances d'extraction

07.Techniques Avancées de Transformation des Données (ETL)

08.Stratégies de Chargement des Données et Qualité (ETL)

• —Stratégies de chargement : insertion, mise à jour, upsert
• —Gestion de l'historisation des données (SCD)
• —Mise en place de contrôles de qualité des données (DQ)
• —Logs et gestion des erreurs dans les processus ETL

09.Optimisation des Performances du Data Warehouse

• —Indexation et partitionnement des tables de faits et dimensions
• —Techniques de matérialisation des vues et agrégats
• —Optimisation des requêtes OLAP et SQL sur le DW
• —Choix de la technologie de base de données (Column store, Row store)

10.Sécurité, Gouvernance et Documentation du DW

• —Gestion des accès et rôles dans le Data Warehouse
• —Sécurité des données sensibles et conformité (RGPD)
• —Principes de gouvernance des données (propriété, lignage)
• —Importance de la documentation et du glossaire des données

11.Maintenance et Évolution d'un Data Warehouse

• —Surveillance des performances et des processus ETL
• —Gestion des incidents et dépannage du DW
• —Stratégies d'évolution du modèle de données et des processus
• —Introduction aux pratiques DevOps pour le Data Warehouse

12.Cas Pratiques et Tendances Futures des DW

• —Réalisation d'une mini-étude de cas de conception DW
• —Présentation d'outils ETL/DW de A à Z (ex. SSIS, Talend, cloud services)
• —Tendances actuelles : Data Mesh, Data Fabric, DataOps
• —Synthèse des bonnes pratiques et erreurs à éviter