🏗️Exemple concret
Data Warehouse d'un retailer : FAIT_Ventes (10 milliards de lignes) au centre. DIM_Produit, DIM_Client, DIM_Temps, DIM_Magasin autour. Une requête « CA par région et mois » = jointure FAIT_Ventes + DIM_Magasin + DIM_Temps. Sans schéma en étoile (base normalisée 3NF), la même requête nécessiterait 8 jointures au lieu de 2.
∑ Concept clé
Cardinalité : Table de faits (milliards de lignes, peu de colonnes) × Dimensions (milliers à millions de lignes, nombreuses colonnes descriptives). Grain = niveau de détail de chaque ligne de fait.
🎯Quand l'utiliser ?
✓Conception de tout Data Warehouse analytique
✓Reporting BI (Power BI, Tableau, Looker)
✓Modèles sémantiques pour requêtes OLAP
✅ Avantages
+Performance des requêtes analytiques (peu de jointures)
+Simple à comprendre pour les utilisateurs métier
+Standard universel des DW depuis Kimball (années 90)
⚠️ Limites
−Redondance des données (dénormalisation)
−Moins flexible aux changements fréquents de structure
−Peut mal s'adapter aux hiérarchies complexes (géographie)
🛠️ Outils principaux
dbt (modélisation marts)
Power BI (modèle de données), Tableau
Snowflake, Redshift, BigQuery, Synapse
Data EngineeringModélisationData WarehouseKimballBI