Ce hub couvre les décisions architecturales qui définissent le BI moderne : où réside la couche sémantique, comment les métriques sont gouvernées, et dans quelle mesure l’outil BI est couplé à la couche de transformation. L’ordre de lecture part de l’architecture fondamentale vers la sélection pratique d’outils.
Prérequis
- Familiarité avec dbt (ce qu’il fait, pourquoi les équipes l’utilisent)
- Compréhension basique des concepts d’entrepôt de données (tables, vues, SQL)
- Expérience avec au moins un outil BI (de n’importe quelle génération)
Ordre de lecture
1. Architecture de la couche sémantique
Les trois implémentations concurrentes (dbt MetricFlow, Snowflake Semantic Views, Databricks Metric Views), l’initiative d’interopérabilité OSI, et pourquoi la couche sémantique détermine la précision des analyses pilotées par IA.
2. Métriques-as-code
Définir les métriques métier dans un YAML versionné révisé via des pull requests et testé en CI/CD. Couvre le flux de travail définir-réviser-tester-déployer-découvrir, la syntaxe MetricFlow pour les métriques dérivées et cumulatives, et l’écart de gouvernance qui s’ouvre sans définitions centralisées.
3. Pattern headless BI
Découpler la couche sémantique de la visualisation pour que les métriques deviennent une API que tout frontend peut consommer. Couvre Cube.dev vs l’API dbt Semantic Layer, quand le headless BI s’adapte, et le marché des analyses embarquées (19,8 milliards de dollars et en croissance).
4. dbt comme centre de gravité du BI
Le spectre d’intégration dbt (built-on vs connected vs parallel), la fusion Fivetran-dbt Labs, et les compromis du choix d’un outil BI avant ou après l’établissement d’une couche dbt.
5. Framework de sélection d’outil BI
Quatre questions de décision (investissement dbt, besoins de gouvernance, budget, sophistication des utilisateurs), une carte des acteurs regroupés par philosophie, et une comparaison Lightdash vs Looker vs Metabase.