Un dossier consacré aux techniques de data warehousing. Construire le Data Warehouse, l'entrepôt de données, choisir soigneusement le datamart, modéliser et structurer la base de données, définir l'architecture globale de stockage, gérer le projet datawarehouse, et bien sûr comprendre le big data, calculer le ROI, retour sur investissement et préciser le TCO, coût de possession. Ce dernier chapitre traite le thème un peu plus globalement et se place au niveau du projet de business intelligence.
Data Warehouse, outils et techniques
Data Warehouse Qu'est-ce qu'un data warehouse ? Quels en sont les principes fondamentaux ?
Data Mart Définition du data mart, recommandations pour conduire le projet
Modèlisation du data warehouse Modélisation du data warehouse. Quel schéma ? Le modèle de données en étoile et le modèle de données en flocon
Le projet Data Warehouse Le projet Data Warehouse est un processus continu. Les 4 étapes du projet détaillées
Le ROI du projet Data Warehouse Comment calculer le ROI, retour sur investissement, du projet Data Warehouse ? Qu'en est-il du coût de possession ?
Big Data, solutions et outils
MapReduce Map Reduce, une solution originale pour exploiter de très grandes masses de données en traitement multi parallèle.
Hadoop Hadoop, un projet de la fondation Apache basé sur MapReduce pour bâtir les data Warehouses de nouvelle génération.
Le principe détaillé de Hadoop pour mieux saisir les fondements de l'analyse de grande quantité de données massivement répartie.
Bases de données NoSQL Que sont les bases de données NoSQL (Not Only SQL) ? Quel en est le principe ? En quoi sont-elles différentes des plus classiques bases de données relationnelles SGBDR ?