Un magasin de données est une sous-catégorie d'un entrepôt de données qui porte sur un secteur d'activité, un service ou un domaine. Les magasins de données mettent des données spécifiques à la disposition d'un groupe défini d'utilisateurs, ce qui permet à ces derniers d'accéder rapidement à des informations essentielles sans perdre de temps à chercher dans tout un entrepôt de données. Par exemple, de nombreuses entreprises peuvent disposer d'un magasin de données associé à un service de l'entreprise, comme le service financier, le service commercial ou le service marketing.

Les magasins de données, les entrepôts de données et les lacs de données sont des référentiels de données centraux essentiels qui répondent à des besoins différents au sein d'une organisation.

Un entrepôt de données est un système qui regroupe des données provenant de plusieurs sources dans un seul magasin de données central et cohérent afin de pouvoir explorer des données et utiliser l'intelligence artificielle (IA) et l'apprentissage automatique dans le but d'améliorer les analyses sophistiquées et l'aide à la décision. Grâce à ce processus de collecte stratégique, les solutions d'entrepôt de données regroupent les données provenant de différentes sources pour les rendre disponibles sous une forme unifiée. 

Un magasin de données (comme indiqué ci-dessus) est une version spécialisée d'un entrepôt de données, qui contient un sous-ensemble plus restreint de données importantes et nécessaires pour une seule équipe ou un groupe sélectionné d'utilisateurs au sein d'une organisation. Un magasin de données est créé à partir d'un entrepôt de données existant (ou d'autres sources de données) à l'aide d'une procédure complexe qui fait appel à plusieurs technologies et outils pour concevoir et créer une base de données physique, l'alimenter en données et mettre en place des protocoles d'accès et de gestion complexes.

Bien qu'il s'agisse d'un processus difficile, il permet à un secteur d'activité de découvrir des informations plus ciblées plus rapidement qu'en travaillant avec un ensemble plus large de données d'entrepôt. Par exemple, les équipes marketing peuvent bénéficier de la création d'un magasin de données à partir d'un entrepôt existant, car leurs activités sont généralement réalisées indépendamment du reste de l'entreprise. Elles n'ont donc pas besoin d'accéder à toutes les données de l'entreprise.

Un lac de données est aussi un référentiel de données. Il permet de stocker massivement des données non structurées ou brutes provenant de plusieurs sources et qui n'ont pas encore été traitées ou préparées pour l'analyse. Comme un lac de données peut stocker des données dans un format brut, il est plus accessible et plus rentable qu'un entrepôts de données. Il n'est pas nécessaire de nettoyer et de traiter les données avant de les ingérer.

Par exemple, les administrations peuvent utiliser la technologie pour suivre les données relatives au comportement des automobilistes, à la consommation d'énergie et aux cours d'eau, et les stocker dans un lac de données en attendant de décider de la manière de les exploiter pour créer des « villes plus intelligentes » offrant des services plus efficaces.

Les magasins de données répondent aux besoins de groupes spécifiques, car le domaine sur lequel ils portent est comparativement restreint. Et même si un magasin de données peut toujours contenir des millions d'enregistrements, son objectif est de fournir aux utilisateurs de l'entreprise les données les plus pertinentes le plus rapidement possible. 

Plus petit et plus spécialisé, un magasin de données présente plusieurs avantages pour l'utilisateur final, notamment les suivants :

• Rentabilité : de nombreux facteurs doivent être pris en compte lors de la configuration d'un magasin de données, tels que le champ d'application, les intégrations et le processus d'extraction, transformation et chargement (ETL). Cependant, un magasin de données ne représente généralement qu'une fraction du coût d'un entrepôt de données.
  
  
• Accès simplifié aux données : les magasins de données ne contenant qu'un petit sous-ensemble de données, les utilisateurs peuvent extraire rapidement les données dont ils ont besoin, avec moins d'effort que s'ils travaillaient avec un ensemble de données plus large provenant d'un entrepôt de données.
  
  
• Accès plus rapide aux informations : les informations tirées d'un entrepôt de données facilitent la prise de décisions stratégiques au niveau de l'entreprise, ce qui a un impact sur l'ensemble de l'activité. Un magasin de données alimente la prise de décision et l'analytique qui guident les décisions au niveau du service. Les équipes peuvent exploiter des données ciblées en fonction de leurs objectifs spécifiques, et comme elles identifient et extraient des données de valeur plus rapidement, l'entreprise accélère ces processus métier et accroît sa productivité.
  
  
• Simplification de la maintenance des données : un entrepôt de données contient une multitude d'informations métier qui couvre plusieurs secteurs d'activité. Les magasins de données se limitent à une seule ligne d'activité, stockant moins de 100 Go de données, ce qui permet de réduire l'encombrement et de faciliter la maintenance.
  
  
• Mise en œuvre plus facile et plus rapide : la mise en œuvre d'un entrepôt de données prend du temps, surtout dans une grande entreprise, car il collecte les données provenant d'une multitude de sources internes et externes. Toutefois, comme vous n'avez besoin que d'un petit sous-ensemble de données lors de la configuration d'un magasin de données, la mise en œuvre de ce dernier est plus efficace et la configuration plus rapide.

Il existe trois types de magasin de données qui diffèrent en fonction de leur relation avec l'entrepôt de données et des sources de données correspondantes de chaque système.

• Les magasins de données dépendants sont des segments partitionnés d'un entrepôt de données d'entreprise. Cette approche descendante commence par le stockage de toutes les données de l'entreprise dans un emplacement central. Les magasins de données nouvellement créés extraient un sous-ensemble défini des données principales chaque fois que cela est nécessaire pour l'analyse.
  
  
• Les magasins de données indépendants fonctionnent comme un système autonome qui ne dépend pas d'un entrepôt de données. Les analystes peuvent extraire des données sur un sujet ou un processus métier à partir de sources de données internes ou externes, les traiter, puis les stocker dans un référentiel de magasin de données jusqu'à ce que l'équipe en ait besoin.
  
  
• Les magasins de données hybrides combinent des données provenant d'entrepôts de données existants et d'autres sources opérationnelles. Cette approche unifiée tire parti de la rapidité et de l'interface conviviale d'une approche descendante et offre également l'intégration au niveau de l'entreprise de la méthode indépendante.

Un magasin de données est une base de données relationnelle orientée sujet qui stocke des données transactionnelles dans des lignes et des colonnes pour faciliter leur accès, leur organisation et leur compréhension. Comme il contient des données d'historique, cette structure permet à un analyste de déterminer plus facilement les tendances des données. Les champs de données typiques comprennent l'ordre numérique, la valeur temporelle et les références à un ou plusieurs objets.

Les entreprises organisent les magasins de données selon un schéma multidimensionnel directeur afin de répondre aux besoins des utilisateurs qui utilisent les bases de données pour des tâches analytiques. Les trois principaux types de schéma sont le schéma en étoile, le schéma en flocon et le schéma de coffre.

Étoile
 

Le schéma en étoile est une formation logique de tables dans une base de données multidimensionnelle qui à la forme d'une étoile. Dans ce schéma, une table de faits, un ensemble de mesures qui se rapporte à un événement ou à un processus métier donné, se trouve au centre de l'étoile, entourée de plusieurs tables de dimensions associées.

Comme il n'existe pas de dépendance entre les tables de dimensions, un schéma en étoile nécessite moins de jointures lors de l'écriture des requêtes. Cette structure facilite l'interrogation, de sorte que les schémas en étoile sont très efficaces pour les analystes qui veulent accéder à de grands ensembles de données et les parcourir.

Flocon
 

Un schéma en flocon est une extension logique d'un schéma en étoile qui développe le schéma avec des tables de dimensions supplémentaires. Les tables de dimensions sont normalisées pour protéger l'intégrité des données et réduire leur redondance.

Bien que cette méthode nécessite moins d'espace pour stocker les tables de dimensions, il s'agit d'une structure complexe qui peut être difficile à gérer. Le principal avantage d'un schéma en flocon est le besoin réduit en espace disque, mais l'inconvénient est un impact négatif sur les performances en raison des tables supplémentaires.

Coffre
 

Un coffre de données est une technique moderne de modélisation des bases de données qui permet aux professionnels de l'informatique de concevoir des entrepôts de données d'entreprise agiles. Cette approche impose une structure en couches et a été développée spécifiquement pour combattre les problèmes d'agilité, de flexibilité et d'évolutivité qui se posent lors de l'utilisation des autres modèles de schéma.

Un coffre de données élimine le nettoyage des schémas en étoile et rationalise l'ajout de nouvelles sources de données sans perturber les schémas existants.

Les magasins de données guident les décisions métier d'un service. Par exemple, une équipe marketing peut utiliser des magasins de données pour analyser les comportements des consommateurs, tandis que le personnel du service commercial peut en utiliser d'autres pour compiler des rapports de vente trimestriels. Ces tâches étant effectuées au sein de leurs services respectifs, les équipes n'ont pas besoin d'accéder à toutes les données de l'entreprise.

En règle générale, un magasin de données est créé et géré par le service qui a l'intention de l'utiliser. Les opérations de conception d'un magasin de données sont les suivantes :

1. Documenter les besoins essentiels pour comprendre les besoins métier et techniques du magasin de données.
   
   
2. Identifier les sources de données qu'utilise le magasin de données pour obtenir des informations.
   
   
3. Déterminer le sous-ensemble de données, qu'il s'agisse de toutes les informations sur un sujet ou de domaines spécifiques à un niveau plus précis.
   
   
4. Concevoir la structure logique du magasin de données en choisissant un schéma qui correspond à l'entrepôt de données plus large.

Une fois le travail de base effectué, vous pouvez tirer le meilleur parti d'un magasin de données en utilisant des outils d'aide à la décision spécialisés, tels que Qlik ou SiSense. Ces solutions comprennent un tableau de bord et des visualisations qui facilitent la compréhension des données, ce qui permet de prendre des décisions plus judicieuses pour l'entreprise.

Si les magasins de données offrent aux entreprises les avantages d'une efficacité et d'une flexibilité accrues, la croissance incessante des données pose un problème aux entreprises qui continuent à utiliser une solution sur site.

À mesure que les entrepôts de données migrent vers le cloud, les magasins de données suivent. En consolidant les ressources de données dans un référentiel unique qui contient tous les magasins de données, les entreprises peuvent réduire les coûts et s'assurer que tous les services ont un accès illimité aux données dont ils ont besoin en temps réel.

Comme les plateformes basées sur le cloud permettent de créer, de partager et de stocker facilement d'énormes ensembles de données, l'accès aux données et leur analyse sont plus efficaces et plus performants. Les systèmes cloud sont conçus pour assurer une croissance durable des entreprises. De nombreux fournisseurs de logiciels en tant que service (SaaS, Software-as-a Service) actuels séparent le stockage des données de l'informatique afin d'améliorer l'évolutivité lors de l'interrogation des données.