talk-data.com

Rejoignez-nous pour un débat en ligne captivant sur la modélisation des données : Kimball vs. One Big Table (OBT) vs Inmon

👉 La modélisation Kimball, bien établie depuis 1996, repose sur l'utilisation de tables de faits et de dimensions, offrant une gouvernance des données améliorée. Cependant, des études récentes montrent que l'approche OBT, qui favorise une table dénormalisée unique, peut offrir des performances supérieures dans des environnements modernes comme Redshift, Snowflake et BigQuery.

Avantages de l'OBT : ● Simplification des requêtes sans jointures complexes ● Accès rapide aux données avec des temps de réponse améliorés

Inconvénients : ● Risque de désorganisation si les colonnes ne sont pas bien structurées ● Moins compatible avec certains outils BI comme Power BI ou Tableau

👉 La question se pose : Doit-on abandonner complètement le modèle Kimball au profit de l'OBT ?

Ce débat est crucial pour les #datascientists et les #dataengineers qui cherchent à équilibrer créativité et rigueur. Une approche hybride pourrait-elle être la solution ?

Participez à notre discussion pour explorer ces enjeux et partager vos expériences !

Ismael Goulani, Stéphane Heckel, Willis Nana, Axel TIFRANI jeu., 30 janv., 17:00 CET

⚡⚡ Primo di due eventi (una roundtable e una sessione live) assieme a Francesco Puppini, autore del testo "The Unified Star Schema" scritto assieme a Bill Inmon.

🤖 In questo primo evento vedremo assieme all'autore alcuni principi e sfide di Data Modeling che sono stati propedeutici per la scrittura della sua tecnica di Data Modeling, che si propone come alternativa al classico Kimball.

🔥 Non mancare! Come community siamo molto orgogliosi di presentare un altro autore italiano e di proporvi qualcosa di innovativo e stimolante in ambito Business Intelligence. Speriamo di vedervi numerosi a questi 2 eventi!

❤️ Mercoledì 7 maggio, ore 18.30, link alla roundtable Teams nell'evento a breve. Iscriviti e parlane con i tuoi colleghi!

Rejoignez-nous pour un débat en ligne captivant sur la modélisation des données : Kimball vs. One Big Table (OBT) vs Inmon

👉 La modélisation Kimball, bien établie depuis 1996, repose sur l'utilisation de tables de faits et de dimensions, offrant une gouvernance des données améliorée. Cependant, des études récentes montrent que l'approche OBT, qui favorise une table dénormalisée unique, peut offrir des performances supérieures dans des environnements modernes comme Redshift, Snowflake et BigQuery.

Avantages de l'OBT : ● Simplification des requêtes sans jointures complexes ● Accès rapide aux données avec des temps de réponse améliorés

Inconvénients : ● Risque de désorganisation si les colonnes ne sont pas bien structurées ● Moins compatible avec certains outils BI comme Power BI ou Tableau

👉 La question se pose : Doit-on abandonner complètement le modèle Kimball au profit de l'OBT ?

Ce débat est crucial pour les #datascientists et les #dataengineers qui cherchent à équilibrer créativité et rigueur. Une approche hybride pourrait-elle être la solution ?

Participez à notre discussion pour explorer ces enjeux et partager vos expériences !

Ismael Goulani, Stéphane Heckel, Willis Nana, Axel TIFRANI jeu., 30 janv., 17:00 CET

Rejoignez-nous pour un débat en ligne captivant sur la modélisation des données : Kimball vs. One Big Table (OBT) vs Inmon

👉 La modélisation Kimball, bien établie depuis 1996, repose sur l'utilisation de tables de faits et de dimensions, offrant une gouvernance des données améliorée. Cependant, des études récentes montrent que l'approche OBT, qui favorise une table dénormalisée unique, peut offrir des performances supérieures dans des environnements modernes comme Redshift, Snowflake et BigQuery.

Avantages de l'OBT : ● Simplification des requêtes sans jointures complexes ● Accès rapide aux données avec des temps de réponse améliorés

Inconvénients : ● Risque de désorganisation si les colonnes ne sont pas bien structurées ● Moins compatible avec certains outils BI comme Power BI ou Tableau

👉 La question se pose : Doit-on abandonner complètement le modèle Kimball au profit de l'OBT ?

Ce débat est crucial pour les #datascientists et les #dataengineers qui cherchent à équilibrer créativité et rigueur. Une approche hybride pourrait-elle être la solution ?

Participez à notre discussion pour explorer ces enjeux et partager vos expériences !

Ismael Goulani, Stéphane Heckel, Willis Nana, Axel TIFRANI jeu., 30 janv., 17:00 CET

Rejoignez-nous pour un débat en ligne captivant sur la modélisation des données : Kimball vs. One Big Table (OBT) vs Inmon

👉 La modélisation Kimball, bien établie depuis 1996, repose sur l'utilisation de tables de faits et de dimensions, offrant une gouvernance des données améliorée. Cependant, des études récentes montrent que l'approche OBT, qui favorise une table dénormalisée unique, peut offrir des performances supérieures dans des environnements modernes comme Redshift, Snowflake et BigQuery.

Avantages de l'OBT : ● Simplification des requêtes sans jointures complexes ● Accès rapide aux données avec des temps de réponse améliorés

Inconvénients : ● Risque de désorganisation si les colonnes ne sont pas bien structurées ● Moins compatible avec certains outils BI comme Power BI ou Tableau

👉 La question se pose : Doit-on abandonner complètement le modèle Kimball au profit de l'OBT ?

Ce débat est crucial pour les #datascientists et les #dataengineers qui cherchent à équilibrer créativité et rigueur. Une approche hybride pourrait-elle être la solution ?

Participez à notre discussion pour explorer ces enjeux et partager vos expériences !

Ismael Goulani, Stéphane Heckel, Willis Nana, Axel TIFRANI jeu., 30 janv., 17:00 CET

Rejoignez-nous pour un débat en ligne captivant sur la modélisation des données : Kimball vs. One Big Table (OBT) vs Inmon

👉 La modélisation Kimball, bien établie depuis 1996, repose sur l'utilisation de tables de faits et de dimensions, offrant une gouvernance des données améliorée. Cependant, des études récentes montrent que l'approche OBT, qui favorise une table dénormalisée unique, peut offrir des performances supérieures dans des environnements modernes comme Redshift, Snowflake et BigQuery.

Avantages de l'OBT : ● Simplification des requêtes sans jointures complexes ● Accès rapide aux données avec des temps de réponse améliorés

Inconvénients : ● Risque de désorganisation si les colonnes ne sont pas bien structurées ● Moins compatible avec certains outils BI comme Power BI ou Tableau

👉 La question se pose : Doit-on abandonner complètement le modèle Kimball au profit de l'OBT ?

Ce débat est crucial pour les #datascientists et les #dataengineers qui cherchent à équilibrer créativité et rigueur. Une approche hybride pourrait-elle être la solution ?

Participez à notre discussion pour explorer ces enjeux et partager vos expériences !

Ismael Goulani, Stéphane Heckel, Willis Nana, Axel TIFRANI jeu., 30 janv., 17:00 CET

Rejoignez-nous pour un débat en ligne captivant sur la modélisation des données : Kimball vs. One Big Table (OBT) vs Inmon

👉 La modélisation Kimball, bien établie depuis 1996, repose sur l'utilisation de tables de faits et de dimensions, offrant une gouvernance des données améliorée. Cependant, des études récentes montrent que l'approche OBT, qui favorise une table dénormalisée unique, peut offrir des performances supérieures dans des environnements modernes comme Redshift, Snowflake et BigQuery.

Avantages de l'OBT : ● Simplification des requêtes sans jointures complexes ● Accès rapide aux données avec des temps de réponse améliorés

Inconvénients : ● Risque de désorganisation si les colonnes ne sont pas bien structurées ● Moins compatible avec certains outils BI comme Power BI ou Tableau

👉 La question se pose : Doit-on abandonner complètement le modèle Kimball au profit de l'OBT ?

Ce débat est crucial pour les #datascientists et les #dataengineers qui cherchent à équilibrer créativité et rigueur. Une approche hybride pourrait-elle être la solution ?

Participez à notre discussion pour explorer ces enjeux et partager vos expériences !

Ismael Goulani, Stéphane Heckel, Willis Nana, Axel TIFRANI jeu., 30 janv., 17:00 CET

Rejoignez-nous pour un débat en ligne captivant sur la modélisation des données : Kimball vs. One Big Table (OBT) vs Inmon

👉 La modélisation Kimball, bien établie depuis 1996, repose sur l'utilisation de tables de faits et de dimensions, offrant une gouvernance des données améliorée. Cependant, des études récentes montrent que l'approche OBT, qui favorise une table dénormalisée unique, peut offrir des performances supérieures dans des environnements modernes comme Redshift, Snowflake et BigQuery.

Avantages de l'OBT : ● Simplification des requêtes sans jointures complexes ● Accès rapide aux données avec des temps de réponse améliorés

Inconvénients : ● Risque de désorganisation si les colonnes ne sont pas bien structurées ● Moins compatible avec certains outils BI comme Power BI ou Tableau

👉 La question se pose : Doit-on abandonner complètement le modèle Kimball au profit de l'OBT ?

Ce débat est crucial pour les #datascientists et les #dataengineers qui cherchent à équilibrer créativité et rigueur. Une approche hybride pourrait-elle être la solution ?

Participez à notre discussion pour explorer ces enjeux et partager vos expériences !

Ismael Goulani, Stéphane Heckel, Willis Nana, Axel TIFRANI jeu., 30 janv., 17:00 CET

Rejoignez-nous pour un débat en ligne captivant sur la modélisation des données : Kimball vs. One Big Table (OBT) vs Inmon

👉 La modélisation Kimball, bien établie depuis 1996, repose sur l'utilisation de tables de faits et de dimensions, offrant une gouvernance des données améliorée. Cependant, des études récentes montrent que l'approche OBT, qui favorise une table dénormalisée unique, peut offrir des performances supérieures dans des environnements modernes comme Redshift, Snowflake et BigQuery.

Avantages de l'OBT : ● Simplification des requêtes sans jointures complexes ● Accès rapide aux données avec des temps de réponse améliorés

Inconvénients : ● Risque de désorganisation si les colonnes ne sont pas bien structurées ● Moins compatible avec certains outils BI comme Power BI ou Tableau

👉 La question se pose : Doit-on abandonner complètement le modèle Kimball au profit de l'OBT ?

Ce débat est crucial pour les #datascientists et les #dataengineers qui cherchent à équilibrer créativité et rigueur. Une approche hybride pourrait-elle être la solution ?

Participez à notre discussion pour explorer ces enjeux et partager vos expériences !

Ismael Goulani, Stéphane Heckel, Willis Nana, Axel TIFRANI jeu., 30 janv., 17:00 CET

📅 UPDate : Débat en live sur la modélisation avec des intervenants de choix !

Bill Inmon, nous fera l'immense honneur d'introduire le débat sur la modélisation des données ce jeudi 30 janvier en live sur Linkedin.

Ce sera sa première apparition sur un talk en France 🇫🇷 et nous sommes véritablement heureux d'accueillir le créateur du concept de Data Warehouse dans ce débat sur DATANOSCO, dédié à la modélisation.

Bill Inmon est largement reconnu comme le "père du data warehouse" pour avoir développé et popularisé cette technologie révolutionnaire dans les années 1990. Sa définition du Data Warehouse comme "un système de stockage de données orienté sujet, intégré, non volatile et historisé, conçu pour supporter les décisions de gestion" a transformé la façon dont les entreprises gèrent leurs données.

Inmon a non seulement formalisé le concept de #DataWarehouse, mais a également introduit le modèle de Corporate Information Factory (CIF), une architecture globale pour l'intégration et la gestion des données d'entreprise.

Ses contributions ont profondément influencé le domaine de la gestion des données, établissant les bases du Data Warehousing moderne et façonnant les pratiques actuelles dans ce domaine.

🔥 Alors faites tourner l'info et rejoignez-nous vite encore plus nombreux sur ce débat qui s'annonce prometteur !

Le lien pour vous inscrire est ici ! https://urls.fr/9r3-8d

Rejoignez-nous pour un débat en ligne captivant sur la modélisation des données : Kimball vs. One Big Table (OBT) vs Inmon

👉 La modélisation Kimball, bien établie depuis 1996, repose sur l'utilisation de tables de faits et de dimensions, offrant une gouvernance des données améliorée. Cependant, des études récentes montrent que l'approche OBT, qui favorise une table dénormalisée unique, peut offrir des performances supérieures dans des environnements modernes comme Redshift, Snowflake et BigQuery.

Avantages de l'OBT : ● Simplification des requêtes sans jointures complexes ● Accès rapide aux données avec des temps de réponse améliorés

Inconvénients : ● Risque de désorganisation si les colonnes ne sont pas bien structurées ● Moins compatible avec certains outils BI comme Power BI ou Tableau

👉 La question se pose : Doit-on abandonner complètement le modèle Kimball au profit de l'OBT ?

Ce débat est crucial pour les #datascientists et les #dataengineers qui cherchent à équilibrer créativité et rigueur. Une approche hybride pourrait-elle être la solution ?

Participez à notre discussion pour explorer ces enjeux et partager vos expériences !

Ismael Goulani, Stéphane Heckel, Willis Nana, Axel TIFRANI jeu., 30 janv., 17:00 CET

Rejoignez-nous pour un débat en ligne captivant sur la modélisation des données : Kimball vs. One Big Table (OBT) vs Inmon

👉 La modélisation Kimball, bien établie depuis 1996, repose sur l'utilisation de tables de faits et de dimensions, offrant une gouvernance des données améliorée. Cependant, des études récentes montrent que l'approche OBT, qui favorise une table dénormalisée unique, peut offrir des performances supérieures dans des environnements modernes comme Redshift, Snowflake et BigQuery.

Avantages de l'OBT : ● Simplification des requêtes sans jointures complexes ● Accès rapide aux données avec des temps de réponse améliorés

Inconvénients : ● Risque de désorganisation si les colonnes ne sont pas bien structurées ● Moins compatible avec certains outils BI comme Power BI ou Tableau

👉 La question se pose : Doit-on abandonner complètement le modèle Kimball au profit de l'OBT ?

Ce débat est crucial pour les #datascientists et les #dataengineers qui cherchent à équilibrer créativité et rigueur. Une approche hybride pourrait-elle être la solution ?

Participez à notre discussion pour explorer ces enjeux et partager vos expériences !

Ismael Goulani, Stéphane Heckel, Willis Nana, Axel TIFRANI jeu., 30 janv., 17:00 CET

Rejoignez-nous pour un débat en ligne captivant sur la modélisation des données : Kimball vs. One Big Table (OBT) vs Inmon

👉 La modélisation Kimball, bien établie depuis 1996, repose sur l'utilisation de tables de faits et de dimensions, offrant une gouvernance des données améliorée. Cependant, des études récentes montrent que l'approche OBT, qui favorise une table dénormalisée unique, peut offrir des performances supérieures dans des environnements modernes comme Redshift, Snowflake et BigQuery.

Avantages de l'OBT : ● Simplification des requêtes sans jointures complexes ● Accès rapide aux données avec des temps de réponse améliorés

Inconvénients : ● Risque de désorganisation si les colonnes ne sont pas bien structurées ● Moins compatible avec certains outils BI comme Power BI ou Tableau

👉 La question se pose : Doit-on abandonner complètement le modèle Kimball au profit de l'OBT ?

Ce débat est crucial pour les #datascientists et les #dataengineers qui cherchent à équilibrer créativité et rigueur. Une approche hybride pourrait-elle être la solution ?

Participez à notre discussion pour explorer ces enjeux et partager vos expériences !

Ismael Goulani, Stéphane Heckel, Willis Nana, Axel TIFRANI jeu., 30 janv., 17:00 CET

Rejoignez-nous pour un débat en ligne captivant sur la modélisation des données : Kimball vs. One Big Table (OBT) vs Inmon

👉 La modélisation Kimball, bien établie depuis 1996, repose sur l'utilisation de tables de faits et de dimensions, offrant une gouvernance des données améliorée. Cependant, des études récentes montrent que l'approche OBT, qui favorise une table dénormalisée unique, peut offrir des performances supérieures dans des environnements modernes comme Redshift, Snowflake et BigQuery.

Avantages de l'OBT : ● Simplification des requêtes sans jointures complexes ● Accès rapide aux données avec des temps de réponse améliorés

Inconvénients : ● Risque de désorganisation si les colonnes ne sont pas bien structurées ● Moins compatible avec certains outils BI comme Power BI ou Tableau

👉 La question se pose : Doit-on abandonner complètement le modèle Kimball au profit de l'OBT ?

Ce débat est crucial pour les #datascientists et les #dataengineers qui cherchent à équilibrer créativité et rigueur. Une approche hybride pourrait-elle être la solution ?

Participez à notre discussion pour explorer ces enjeux et partager vos expériences !

Ismael Goulani, Stéphane Heckel, Willis Nana, Axel TIFRANI jeu., 30 janv., 17:00 CET

Rejoignez-nous pour un débat en ligne captivant sur la modélisation des données : Kimball vs. One Big Table (OBT) vs Inmon

👉 La modélisation Kimball, bien établie depuis 1996, repose sur l'utilisation de tables de faits et de dimensions, offrant une gouvernance des données améliorée. Cependant, des études récentes montrent que l'approche OBT, qui favorise une table dénormalisée unique, peut offrir des performances supérieures dans des environnements modernes comme Redshift, Snowflake et BigQuery.

Avantages de l'OBT : ● Simplification des requêtes sans jointures complexes ● Accès rapide aux données avec des temps de réponse améliorés

Inconvénients : ● Risque de désorganisation si les colonnes ne sont pas bien structurées ● Moins compatible avec certains outils BI comme Power BI ou Tableau

👉 La question se pose : Doit-on abandonner complètement le modèle Kimball au profit de l'OBT ?

Ce débat est crucial pour les #datascientists et les #dataengineers qui cherchent à équilibrer créativité et rigueur. Une approche hybride pourrait-elle être la solution ?

Participez à notre discussion pour explorer ces enjeux et partager vos expériences !

Ismael Goulani, Stéphane Heckel, Willis Nana, Axel TIFRANI jeu., 30 janv., 17:00 CET

Rejoignez-nous pour un débat en ligne captivant sur la modélisation des données : Kimball vs. One Big Table (OBT) vs Inmon

👉 La modélisation Kimball, bien établie depuis 1996, repose sur l'utilisation de tables de faits et de dimensions, offrant une gouvernance des données améliorée. Cependant, des études récentes montrent que l'approche OBT, qui favorise une table dénormalisée unique, peut offrir des performances supérieures dans des environnements modernes comme Redshift, Snowflake et BigQuery.

Avantages de l'OBT : ● Simplification des requêtes sans jointures complexes ● Accès rapide aux données avec des temps de réponse améliorés

Inconvénients : ● Risque de désorganisation si les colonnes ne sont pas bien structurées ● Moins compatible avec certains outils BI comme Power BI ou Tableau

👉 La question se pose : Doit-on abandonner complètement le modèle Kimball au profit de l'OBT ?

Ce débat est crucial pour les #datascientists et les #dataengineers qui cherchent à équilibrer créativité et rigueur. Une approche hybride pourrait-elle être la solution ?

Participez à notre discussion pour explorer ces enjeux et partager vos expériences !

Ismael Goulani, Stéphane Heckel, Willis Nana, Axel TIFRANI jeu., 30 janv., 17:00 CET

Bill Inmon is considered the father of the data warehouse. I just got back from spending a couple of days with Bill, and we discussed the history of the data industry and the data warehouse. On my flight back, I realized people could benefit from a short version of our conversation.

In this short chat, we discuss what a data warehouse is (and is not), Kimball and Inmon, the origins of the data warehouse, and much more.

Summary In this episode of the Data Engineering Podcast, host Tobias Macey welcomes back Chris Berg, CEO of DataKitchen, to discuss his ongoing mission to simplify the lives of data engineers. Chris explains the challenges faced by data engineers, such as constant system failures, the need for rapid changes, and high customer demands. Chris delves into the concept of DataOps, its evolution, and the misappropriation of related terms like data mesh and data observability. He emphasizes the importance of focusing on processes and systems rather than just tools to improve data engineering workflows. Chris also introduces DataKitchen's open-source tools, DataOps TestGen and DataOps Observability, designed to automate data quality validation and monitor data journeys in production. Announcements Hello and welcome to the Data Engineering Podcast, the show about modern data managementData lakes are notoriously complex. For data engineers who battle to build and scale high quality data workflows on the data lake, Starburst is an end-to-end data lakehouse platform built on Trino, the query engine Apache Iceberg was designed for, with complete support for all table formats including Apache Iceberg, Hive, and Delta Lake. Trusted by teams of all sizes, including Comcast and Doordash. Want to see Starburst in action? Go to dataengineeringpodcast.com/starburst and get $500 in credits to try Starburst Galaxy today, the easiest and fastest way to get started using Trino.Your host is Tobias Macey and today I'm interviewing Chris Bergh about his tireless quest to simplify the lives of data engineersInterview IntroductionHow did you get involved in the area of data management?Can you describe what DataKitchen is and the story behind it?You helped to define and popularize "DataOps", which then went through a journey of misappropriation similar to "DevOps", and has since faded in use. What is your view on the realities of "DataOps" today?Out of the popularized wave of "DataOps" tools came subsequent trends in data observability, data reliability engineering, etc. How have those cycles influenced the way that you think about the work that you are doing at DataKitchen?The data ecosystem went through a massive growth period over the past ~7 years, and we are now entering a cycle of consolidation. What are the fundamental shifts that we have gone through as an industry in the management and application of data?What are the challenges that never went away?You recently open sourced the dataops-testgen and dataops-observability tools. What are the outcomes that you are trying to produce with those projects?What are the areas of overlap with existing tools and what are the unique capabilities that you are offering?Can you talk through the technical implementation of your new obserability and quality testing platform?What does the onboarding and integration process look like?Once a team has one or both tools set up, what are the typical points of interaction that they will have over the course of their workday?What are the most interesting, innovative, or unexpected ways that you have seen dataops-observability/testgen used?What are the most interesting, unexpected, or challenging lessons that you have learned while working on promoting DataOps?What do you have planned for the future of your work at DataKitchen?Contact Info LinkedInParting Question From your perspective, what is the biggest gap in the tooling or technology for data management today?Links DataKitchenPodcast EpisodeNASADataOps ManifestoData Reliability EngineeringData ObservabilitydbtDevOps Enterprise SummitBuilding The Data Warehouse by Bill Inmon (affiliate link)dataops-testgen, dataops-observabilityFree Data Quality and Data Observability CertificationDatabricksDORA MetricsDORA for dataThe intro and outro music is from The Hug by The Freak Fandango Orchestra / CC BY-SA

Bill Inmon and I sat down in his home over a weekend to tell me the history of the data industry. This is a very rare and wide-ranging conversation about the dawn and evolution of the data industry, straight from the godfather himself.

Please register using the zoom link to get a reminder:

https://us02web.zoom.us/webinar/register/7316934265581/WN_VaOGIFznT7iM1Yak4uhzBA

First there were applications. Then there was online transaction processing. Then came data warehousing. Followed by data marts.

Today there are all sorts of data found in the corporation – text, analog, structured and so forth.

This presentation describes the architecture of today – the data lakehouse.

Agenda:

(PDT) 11:45 am - 11:50 am Arrival, socializing, and Opening (PDT) 11:50 am - 1:45 pm Bill Inmon, "The Evolution Of Data Architecture" (PDT) 1:45 pm - 1:50 pm Q&A

About Bill Inmon:

Bill Inmon is known as the father of the data warehouse. Bill has written 65 books published in 9 languages. One of Bill’s books BUILDING THE DATA WAREHOUSE has sold over 500,000 copies. Bill was named by Computerworld as one of the ten most influential thought leaders in the history of computing. Bill developed the technology for textual disambiguation, which reads raw text and turns that text into a standard data base. Bill founded and took public Prism Solutions, the original ETL company. Bill founded Forest Rim Technology, which supports textual ETL. Bill lives in Denver, Colorado with his wife and his two Scotty dogs – Jeb and Lena.

https://us02web.zoom.us/webinar/register/7316934265581/WN_VaOGIFznT7iM1Yak4uhzBA

Webinar Passcode 769083