Introduction

Performance orientée vers de nombreuses opérations rapides : l’objectif est que les transactions effectuées par les utilisateurs soient réalisées le plus rapidement possible. En règle générale, les bases de données transactionnelles doivent être capables d’effectuer de nombreuses opérations à la fois.

Disponibilité : la base de données doit être disponible le plus longtemps possible. Une disponibilité de 100 % du temps n’est pas réaliste, mais plus on se rapproche de cette valeur, plus notre base de données s’améliore en termes de disponibilité.

Concurrence : l’objectif principal de ce type de base de données, comme son nom l’indique, est de permettre d’effectuer un grand nombre de transactions en même temps. Pour cela, il est nécessaire d’optimiser le contrôle de la concurrence, c’est-à-dire de garantir que différents utilisateurs qui effectuent des opérations sur la base de données en même temps puissent les effectuer de manière sûre et efficace.

Grand volume de données : les entrepôts de données, par définition, sont conçus pour stocker de grandes quantités de données. Contrairement aux bases de données transactionnelles, les entrepôts de données n’ont pas besoin de répondre à un grand nombre d’utilisateurs effectuant des transactions en même temps, les performances ne sont donc pas une nécessité. En revanche, ce qui est une nécessité, c’est que l’entrepôt de données contienne toutes les informations accessibles.

Peu d’opérations lentes : contrairement à ce que nous avons vu avec les bases de données transactionnelles, dans les entrepôts de données, nous donnons la priorité à l’exécution d’un nombre réduit d’opérations qui prennent un temps beaucoup plus...

Extraction de données : l’analyste de données doit être capable d’extraire les données qui l’intéressent, que ce soit de la base de données de production, d’un Datamart, d’un Référentiel de données... La capacité à effectuer cette extraction de données est un élément essentiel de ses missions.

Certaines données doivent être extraites manuellement et d’autres données seront extraites automatiquement. Par exemple, l’analyse de la qualité des données d’une entreprise peut être automatisée dans une certaine mesure en fonction de règles programmées, tandis qu’une fouille plus approfondie peut être nécessaire, via une analyse manuelle, pour analyser les cas non pris en compte automatiquement.

Mise en place d’indicateurs : les indicateurs offrent un élément fondamental puisqu’ils définissent les points à observer dans l’échantillon de données extrait.

Par exemple, si les données extraites correspondent aux ventes réalisées par un magasin, les indicateurs pouvant être établis peuvent être : le nombre d’articles vendus par mois, le prix moyen des produits vendus par chaque vendeur, l’écart par rapport au mois précédent.

Ces indicateurs sont ce qui convertira une masse de données en informations de qualité. Comme dans le cas de l’extraction de données, les indicateurs peuvent être...