Une couche sémantique est une représentation métier des données qui offre une vue unifiée et globale des données à travers toute l’organisation. Grâce à elle, différentes définitions de données provenant de sources diverses peuvent être rapidement mises en correspondance pour créer une vue cohérente, unique et unifiée des données à des fins d’analyse et d’exploitation.
La couche sémantique n’est pas un concept nouveau. En fait, le concept a été breveté en 1991 par Business Objects. Cependant, il existe aujourd’hui de nombreuses définitions différentes de la couche sémantique.
Les changements majeurs des 10 dernières années qui ont influencé les données et leur couche sémantique sont :
- Volume : De plus en plus de données sont générées. Ce volume massif de données croît rapidement. L’agrégation des données facilite la maintenance et permet une analyse rapide de cette énorme quantité de données.
- Vitesse : Les données arrivent de plus en plus vite. Les anciennes méthodes de couche sémantique, avec leur phase de construction statique, sont trop lentes pour suivre le rythme du volume de données actuel et futur.
- Variété : De nouveaux types de données apparaissent chaque jour. Une couche sémantique moderne peut faire en sorte que les données semi-structurées apparaissent structurées, comme si elles étaient relationnelles derrière ses abstractions.
- Véracité : Ceci touche au cœur de la couche sémantique. L’incertitude se présente sous plusieurs formes et les utilisateurs professionnels ont perdu confiance dans les données qu’ils utilisent pour prendre des décisions. Les abstractions fournissent des structures et des calculs éprouvés et vérifiés auxquels les consommateurs peuvent se fier.
Il existe différentes approches pour mettre en œuvre une couche sémantique. Dans cet article, nous nous concentrons sur la couche sémantique pour les cas d’utilisation analytique, c’est-à-dire l’intelligence d’affaires (BI) et l’intelligence artificielle (IA).
Voici une classification rapide des différentes approches pour la mise en œuvre d’une couche sémantique pour les données et l’analyse :
- Modèle sémantique déployé dans un outil de BI : Traditionnellement, les modèles sémantiques sont construits par les créateurs de tableaux de bord dans les outils de BI qu’ils utilisent (par exemple, Power BI, Tableau).
- Modèle sémantique déployé dans un entrepôt de données : L’un des principaux objectifs de la construction d’un entrepôt de données centralisé est de simplifier et de normaliser l’analyse commerciale.
- Couche sémantique dans un pipeline de données : Avec l’augmentation du nombre d’ingénieurs de données équipés d’outils de transformation flexibles, nous avons constaté une augmentation des pipelines de données construits spécifiquement pour les produits de données destinés aux utilisateurs de BI et d’IA.
- Couche sémantique universelle : Le terme « couche sémantique universelle » désigne une couche indépendante entre les actifs de données brutes (par exemple, un entrepôt de données ou un lac de données) et les consommateurs de données (par exemple, les outils de BI ou les plateformes d’IA/ML).
L’utilisation d’une couche sémantique universelle a le potentiel de transformer non seulement le monde du DataOps, mais aussi de faire de tous les utilisateurs des décideurs basés sur les données. Les organisations d’aujourd’hui ont la capacité technique de collecter d’énormes quantités de données pour améliorer les opérations, la conformité et l’analyse.
Cette décentralisation a entraîné une complexité accrue, notamment :
- Définitions de données multiples
- Formats de données multiples
- Types de données multiples
La solution réside dans une définition standard et cohérente de cette entité commerciale, où « prospect », « client » et « partenaire » sont mappés à une seule entité de données. Grâce à la couche sémantique, différentes définitions de données provenant de différentes sources peuvent être rapidement mises en correspondance pour obtenir une vue unifiée et unique des données.
La couche sémantique mappe les données métier à des termes commerciaux familiers pour fournir une vue unifiée et globale des données à travers l’organisation et répondre aux besoins croissants d’analyse des entreprises. Cependant, la couche sémantique ne stocke pas les données réelles. Il s’agit d’une couche de métadonnées et d’abstraction construite sur les données sources (par exemple, un entrepôt de données, un lac de données ou un data mart). Les métadonnées sont définies pour enrichir le modèle de données et le rendre suffisamment simple pour que les utilisateurs métier puissent le comprendre.
La plateforme de la couche sémantique est intégrée à la plateforme de consommation : des outils d’analyse tels que Power BI, Tableau, Python, Business Objects, Looker, Jupyter Notebook et même Microsoft Excel. En faisant abstraction de la forme physique et de l’emplacement des données, la plateforme de la couche sémantique rend les données stockées dans les entrepôts de données, les lacs de données ou les data marts accessibles aux utilisateurs métier via une interface cohérente et sécurisée. La couche sémantique mappe les données métier à des termes commerciaux familiers afin de fournir une vue unifiée et globale des données à travers l’organisation.
Les avantages de la couche sémantique incluent :
- Démocratisation de l’analyse des données et de l’apprentissage automatique (ML)
- Source unique de vérité
- Développement et partage de modèles fluides
- Amélioration des performances des requêtes et réduction des coûts de calcul
- Réduction des efforts de nettoyage des données
- Sécurité et gouvernance améliorées
La mise en œuvre d’une couche sémantique universelle est une excellente idée. Mais pour rester excellentes, les excellentes idées doivent évoluer. Aujourd’hui, les entreprises ont plus de données que jamais qui circulent dans leurs systèmes. Elles ont besoin d’un outil capable de créer des abstractions à partir de montagnes de données provenant de différentes sources, de les contextualiser et d’en extraire des informations exploitables pour prendre des décisions basées sur les données ; et elles ont besoin d’un outil capable de le faire chaque jour.
