Schéma en étoile et schéma Snowflake : Différences et cas d'utilisation

Qu'est-ce qu'un schéma Snowflake ?

Le schéma Snowflake est une autre méthode d'organisation des données. Dans ce schéma, les tables de dimensions sont divisées en sous-dimensions plus petites afin de mieux organiser et détailler les données, à l'instar des flocons de neige dans un grand lac. 

Structure du schéma Snowflake. Image fournie par l'auteur.

Examinons les principales caractéristiques du schéma Snowflake qui le distinguent des autres schémas :

• Tableaux de dimensions à plusieurs niveaux: Nous pouvons décomposer nos tables de dimensions en tableaux plus petits et plus spécifiques. Par exemple, si je souhaite suivre l'emplacement des magasins, au lieu de regrouper toutes les informations relatives à leur emplacement dans un seul grand tableau, je peux les répartir dans des tableaux distincts pour les pays, les États et les villes. De cette manière, chaque tableau ne contiendrait que les informations nécessaires, ce qui permettrait de réduire la redondance et d'améliorer l'organisation.
• Normalisation pour une efficacité de stockage: Contrairement au schéma en étoile, le schéma Snowflake pourpermet une conception normalisée,qui évite la duplication des données. Par exemple, au lieu de répéter une catégorie de produit telle que Electronics pour chaque produit, je peux stocker la catégorie dans un tableau séparé et la lier à des produits individuels.
• Adaptation aux environnements de données complexes : Le schéma Snowflake est particulièrement adapté aux environnements de données complexes, car il utilise des tableaux à plusieurs niveaux pour gérer les relations complexes et les structures de données hiérarchiques.

Comprenons cela à l'aide d'un schéma simple représentant un Snowflake. Au centre se trouve la table des faits, qui contient des données mesurables. Il se connecte à des tables de dimensions qui décrivent les faits, et ces tables de dimensions se ramifient à leur tour en sous-tables de dimensions, formant ainsi une structure en forme de Snowflake. 

Par exemple, j'ai divisé latable Product en Manufacturer et Category , et latable Customer en Transaction et Location :

Exemple de schéma Snowflake. Image fournie par l'auteur.

Voici un exemple SQL illustrant un schéma Snowflake où la Product table est normalisée davantage en Category et Manufacturer tableaux:

-- Fact table remains the same
CREATE TABLE Sales (
    Sales_ID INT PRIMARY KEY,
    Product_ID INT,
    Customer_ID INT,
    Date_ID INT,
    Sales_Amount DECIMAL(10, 2),
    FOREIGN KEY (Product_ID) REFERENCES Products(Product_ID),
    FOREIGN KEY (Customer_ID) REFERENCES Customers(Customer_ID),
    FOREIGN KEY (Date_ID) REFERENCES Dates(Date_ID)
);

-- Dimension table: Product
CREATE TABLE Product (
    Product_ID INT PRIMARY KEY,
    Product_Name VARCHAR(100),
    Category_ID INT,
    Manufacturer_ID INT,
    FOREIGN KEY (Category_ID) REFERENCES Category(Category_ID),
    FOREIGN KEY (Manufacturer_ID) REFERENCES Manufacturer(Manufacturer_ID)
);

-- Sub-dimension table: Category
CREATE TABLE Category (
    Category_ID INT PRIMARY KEY,
    Category_Name VARCHAR(50)
);

-- Sub-dimension table: Manufacturer
CREATE TABLE Manufacturer (
    Manufacturer_ID INT PRIMARY KEY,
    Manufacturer_Name VARCHAR(100)
);

La requête suivante calcule le total des ventes par catégorie de produits. Bien qu'il implique davantage de jointures que le schéma en étoile, il est plus efficace en termes de stockage :

SELECT cat.Category_Name, SUM(s.Sales_Amount) AS TotalSales
FROM Sales s
JOIN Product p ON s.Product_ID = p.Product_ID
JOIN Category cat ON p.Category_ID = cat.Category_ID
GROUP BY cat.Category_Name;

Avantages et limites d'un schéma en Snowflake

Tout comme le schéma en étoile, le schéma Snowflake présente également ses propres avantages. Voyons ce qu'ils sont :

• Réduction de la redondance des données: La normalisation garantit que les mêmes données ne sont pas stockées plusieurs fois, ce qui réduit les doublons.
• Stockage efficace pour les ensembles de données volumineux: Ce schéma permet d'économiser de l'espace de stockage en évitant la répétition des données, ce qui le rend idéal pour la gestion de grands ensembles de données.

Cependant, malgré ses avantages, il existe également quelques limites. Par exemple,les requêtes peuvent être plus lentes que, car il y a davantage de jointures entre les tables. En outre, la structure à plusieurs niveaux est pluscomplexe à concevoir et à maintenir que des schémas plus simples tels que le schéma en étoile. Par conséquent, nous vous recommandons de procéder uniquement si vous disposez d'une équipe d'administrateurs de bases de données expérimentée.

Je vous recommande de consulter le cours sur la conception de bases de données si vous souhaitez en savoir plus sur la manière de structurer efficacement les données à des fins d'analyse. 

Utilisation d'une approche hybride

Dans les projets réels, il est courant d'utiliser les deux modèles à différents niveaux afin de combiner les atouts des deux approches :

• Conservez des structures plus normalisées (en Snowflake) dans la couche entrepôt pour plus de cohérence et une maintenance plus facile.
• Publiez des marts en étoile ou des vues dénormalisées pour la BI et le reporting.

Cela permet aux équipes de trouver un équilibre entre l'intégrité et la gouvernance des données d'une part, et une utilisation rapide et simple des analyses d'autre part.

Schéma en étoile et schéma Snowflake

Les schémas en étoile et Snowflake sont largement utilisés dans le stockage de données, mais leurs caractéristiques uniques les rendent adaptés à des besoins différents. Examinons en détail les différences entre ces schémas en termes de structure, de performances, d'exigences de stockage et de cas d'utilisation.

Structure

Tous les tableaux de dimensions sont directement reliés à une table de faits centrale dans un schéma en étoile. Cela signifie que toutes vos données de référence sont à portée de main de vos données principales, ce qui facilite leur compréhension et leur utilisation.

En comparaison, un schéma en Snowflake divise les tables de dimensions en tables de sous-dimensions plus petites et plus spécifiques. Par exemple, vous pouvez disposer de tables distinctes pour les pays, les États et les villes au lieu d'une seule table de localisation. Bien que cela permette d'obtenir une structure plus organisée et plus détaillée, cela implique également davantage de connexions (ou jointures) pour accéder à vos données, ce qui constitue l'une des principales raisons pour lesquelles le schéma en Snowflake est plus complexe que le schéma en étoile.

Performance

En matière de vitesse, les schémas en étoile sont souvent plus performants. Étant donné que tous les tableaux de dimensions sont directement reliés à la table de faits, les requêtes nécessitent généralement moins de jointures, ce qui se traduit par des performances accrues. Supposons que vous souhaitiez analyser les ventes par région. Dans ce cas, vous pouvez utiliser le schéma en étoile pour récupérer les données avec un traitement minimal.

À l'inverse, les schémas Snowflake sont souvent plus lents, car il est nécessaire de se connecter à plusieurs tables pour récupérer les données. Chaque jointure ajoute du temps de traitement, ce qui rend les schémas Snowflake moins efficaces pour les tâches qui nécessitent des résultats de requête rapides.

Le cours « Joindre des données dans SQL » constitue une excellente introduction pour apprendre à joindre des tables, à appliquer la théorie des ensembles relationnels et à utiliser les sous-requêtes.

Exigences en matière de stockage

Les schémas en étoile occupent davantage d'espace de stockage, car ils stockent des informations redondantes dans les tables de dimensions. Par exemple, si plusieurs produits appartiennent à la même catégorie, le nom de la catégorie sera répété pour chaque produit, ce qui augmentera les besoins en stockage.

Cependant, les schémas Snowflake normalisent les données afin de ne stocker chaque information qu'une seule fois. Par exemple, au lieu de répéter les noms de catégories, ceux-ci sont stockés dans une table distincte et liés à la table des produits à l'aide de clés étrangères. Cette conception permet de gagner de l'espace de stockage, ce qui la rend idéale pour les grands ensembles de données.

Cas d'utilisation

Les schémas en étoile sont particulièrement adaptés aux systèmes OLAP ( Online Analytical Processing ), au reporting et aux tâches de veille économique. Leur simplicité les rend particulièrement adaptés aux situations où la rapidité et la facilité d'utilisation sont essentielles, comme la création rapide de tableaux de bord ou de rapports de ventes.

Les schémas Snowflake sont fréquemment utilisés pour l'analyse financière ou les systèmes de gestion de la relation client (CRM). Dans de tels cas, l'organisation de hiérarchies détaillées et l'économie d'espace de stockage sont plus importantes que la vitesse de requête.

Tableau comparatif

Voici une comparaison rapide des schémas en étoile et en Snowflake afin de vous aider à déterminer lequel correspond le mieux à vos besoins en matière de données. J'ai mis en évidence les principales différences dans ce tableau, en mettant l'accent sur leur structure, leurs performances, leur stockage et leurs cas d'utilisation :

Choisir le schéma approprié

Quand utiliser un schéma en étoile

Si votre objectif principal est d'organiser vos données de manière simple et rapide, le schéma en étoile serait idéal. Voici quand vous pouvez l'utiliser :

• Si vous développez un modèle sémantique pour des outils BI (par exemple, Power BI) et que vous souhaitez réduire le nombre de tables et de relations. Il prend en charge le filtrage/regroupement intuitif et est généralement performant pour les visuels interactifs.
• Si vous souhaitez exécuter des requêtes simples, telles que la recherche du chiffre d'affaires total par région, veuillez utiliser un schéma en étoile. Étant donné que tous les tableaux de dimensions sont directement reliés à la table de faits, cela évite toute complexité inutile et permet d'obtenir des réponses plus rapidement.
• Vous pouvez également utiliser un schéma en étoile lorsque la rapidité est votre priorité. Il réduit le nombre de jointures de tables, ce qui accélère l'exécution de vos requêtes. Je l'ai utilisé une fois pour générer plusieurs rapports de ventes, ce qui m'a permis de gagner beaucoup de temps par rapport à d'autres modèles.
• Si votre ensemble de données est de taille petite à moyenne, la redondance du schéma en étoile ne posera pas de problème. Même avec des données répétées, cela fonctionnerait correctement sans surcharger votre espace de stockage.

Quand utiliser un schéma Snowflake

Le schéma Snowflake est plus adapté à la représentation des hiérarchies et des données de référence partagées, en particulier lorsque plusieurs attributs dimensionnels se répètent sur de nombreuses lignes. Voici quand vous pouvez l'utiliser :

• Lorsque vos dimensions présentent des hiérarchies claires (par exemple, Pays → État/Région → Ville) et que vous souhaitez modéliser ces niveaux de manière claire sous forme de tableaux distincts.
• Si vous souhaitez renforcer le contrôle des données de référence partagées (par exemple, les listes standard telles que les catégories, les fabricants ou les zones géographiques) afin de réduire les doublons et de faciliter la cohérence des définitions dans l'ensemble de l'entrepôt.
• Vous pouvez également utiliser le schéma Snowflake si vos données changent fréquemment, par exemple lors de la mise à jour des noms de régions. Il assure des mises à jour cohérentes de toutes les données associées afin de minimiser les erreurs et les efforts de maintenance.
• Si votre analyse implique plusieurs niveaux de données, le schéma Snowflake peut vous aider à organiser et à représenter ces relations de manière simple.

Sélection de schémas dans les entrepôts de données cloud

Dans de nombreux entrepôts de données cloud modernes, le stockage est relativement peu coûteux par rapport au calcul. Cela signifie que le « stockage supplémentaire » provenant des dimensions dénormalisées est souvent moins important que le coût de calcul lié à l'analyse et à la jointure des données.

Lorsque vous choisissez entre l'étoile et Snowflake, veuillez prendre en considération le modèle de tarification de votre plateforme (calcul ou stockage), la concurrence des requêtes et la possibilité d'utiliser la mise en cache ou les vues matérialisées pour réduire les coûts liés aux requêtes.

Conclusions finales

Dans cet article, j'ai abordé les différences entre les schémas en étoile et en Snowflake, leurs points forts et les cas dans lesquels il convient d'utiliser l'un ou l'autre. J'espère que vous avez acquis une compréhension claire et des conseils pratiques pour votre travail. Si vous souhaitez en savoir plus, veuillez consulter ces ressources sur DataCamp :

• Le cours « Introduction à la modélisation des données dans Snowflake » vous aidera à acquérir les bases nécessaires pour travailler avec Snowflake. 
• Le cours « Modélisation des données dans Power BI » pour organiser et gérer les données dans Power BI.
• Le poste d'ingénieur de données associé dans le cursus SQL vous permettra de perfectionner vos compétences en SQL.