Aperçu des vues sémantiques

Vous pouvez stocker des concepts métier sémantiques directement dans la base de données au sein d’une vue sémantique, qui est un nouvel objet de niveau schéma. Vous pouvez définir des métriques métier, et modéliser des entités métier et leurs relations. En donnant une signification métier aux données physiques, la vue sémantique améliore les décisions fondées sur les données, en fournissant des définitions métier cohérentes pour l’ensemble des applications de l’entreprise.

Vous pouvez utiliser des vues sémantiques dans Cortex Analyst et interroger ces vues dans une instruction SELECT. (L’interrogation de vues sémantiques est une fonctionnalité en aperçu.

Diagramme montrant comment les vues sémantiques fournissent une interface plus parlante avec les outils et les données

Pour créer et gérer des vues sémantiques, vous pouvez utiliser des commandes SQL (telles que CREATE SEMANTIC VIEW) et l’assistant Cortex Analyst Semantic View Generator disponible dans Snowsight, qui vous guide tout au long du processus de création d’une vue sémantique.

Note

Les vues sémantiques sont considérées comme des métadonnées.

Pourquoi utiliser des vues sémantiques ?

Les vues sémantiques permettent de remédier au décalage entre la façon dont les utilisateurs décrivent les données et la façon dont elles sont stockées dans les schémas de base de données. Par exemple, pour un concept métier critique tel que revenu brut, les données peuvent être stockées dans une colonne de table nommée amt_ttl_pre_dsc dans la base de données, ce qui les rend difficiles à trouver et à interpréter pour les utilisateurs métier.

En outre, si le revenu net d’une entreprise correspond toujours au revenu brut après remises, la vue sémantique peut le définir de manière cohérente en tant que métrique avec l’agrégation correcte : SUM(gross_revenue * (1 - discount)). Cela garantit une définition unique faisant autorité avec un comportement d’agrégation approprié. Par exemple, lorsqu’un utilisateur demande le revenu net par région, la vue sémantique sait qu’il faut agréger au niveau approprié, alors que, sans vue sémantique, des dizaines de calculs incohérents pourraient être effectués dans différents rapports et applications, souvent avec des méthodes d’agrégation incorrectes conduisant à des résultats erronés.

Cette couche d’abstraction orientée métier résout plusieurs problèmes courants :

  • Pour les applications IA : les vues sémantiques améliorent l’exactitude en combinant le raisonnement LLM avec des définitions basées sur des règles. Actuellement, Cortex Analyst lit les informations capturées dans la définition de la vue sémantique et génère directement le SQL destiné aux tables physiques.

  • Pour la business intelligence (BI) : les utilisateurs bénéficient de métriques et de dimensions cohérentes dans tous les outils. Ils peuvent facilement combiner ces concepts métier prédéfinis dans leurs interfaces BI familières pour explorer les données et obtenir des informations.

  • Pour les analystes techniques : la centralisation de la logique métier réduit la duplication des définitions de métriques entre les requêtes et simplifie les relations complexes entre les schémas, ce qui facilite la construction et la maintenance des modèles de données.

Comprendre les vues sémantiques

Note

Tout au long de cette rubrique, les artefacts liés aux bases de données (tels que les tables de base de données) sont appelés objets physiques, et les artefacts liés à la vue sémantique sont appelés objets logiques.

Dans une vue sémantique, vous définissez des tables logiques qui correspondent généralement à des entités métier, telles que des clients, des commandes ou des fournisseurs. Vous pouvez définir des relations entre les tables logiques par le biais de jointures sur des clés partagées, ce qui vous permet d’analyser les données des différentes entités (comme vous le feriez en joignant des tables de base de données).

Les tables logiques vous permettent de définir les éléments suivants :

  • Faits : les faits sont des attributs de niveau ligne de votre modèle de données qui représentent des événements ou des transactions spécifiques. Bien que les faits puissent être définis à l’aide d’agrégats provenant de niveaux de données plus détaillés (comme SUM(t.x), où t représente des données à un niveau plus détaillé), ils sont toujours présentés sous forme d’attributs au niveau de la ligne individuelle de la table logique. Les faits permettent de capturer les réponses à la question « combien » au niveau le plus fin, comme dans le cas de montants des ventes, de quantités achetées ou de coûts à l’échelon individuel. Il est important de noter que les faits interviennent généralement dans la vue sémantique comme des concepts « de support » facilitant la construction des dimensions et des métriques.

  • Métriques : les métriques sont des mesures quantifiables des performances métier, calculées en agrégeant des faits ou d’autres colonnes de la même table (à l’aide de fonctions telles que SUM, AVG et COUNT) sur plusieurs lignes. Ils transforment les données brutes en métriques métier significatives, en combinant souvent plusieurs calculs dans des formules complexes. Exemples : Total des recettes ou Pourcentage de marge bénéficiaire. Les métriques représentent les KPI inclus dans les rapports et tableaux de bord pour informer la prise de décision métier.

  • Dimensions : les dimensions représentent des attributs catégoriels. Elles fournissent le cadre contextuel qui donne un sens aux mesures en regroupant les données dans des catégories significatives. Elles répondent aux questions « qui », « quoi », « où » et « quand », comme pour la date d’achat, les coordonnées du client, la catégorie de produit ou l’emplacement. Typiquement textuelles ou hiérarchiques, les dimensions permettent aux utilisateurs de filtrer, de regrouper et d’analyser les données sous plusieurs angles.

Dans une vue sémantique, ces trois éléments ont des rôles distincts, mais les métriques et les dimensions sont les principaux éléments avec lesquels vous interagissez lorsque vous analysez des données via la vue sémantique. Les faits fournissent les données numériques sous-jacentes de niveau ligne, les métriques transforment les données en informations exploitables grâce à l’agrégation et au calcul, et les dimensions déterminent les perspectives de visualisation.

Pour plus d’informations, voir la section « Concepts clés » dans la spécification du modèle sémantique.

Interfaces pour travailler avec des vues sémantiques

Pour créer, gérer et utiliser des vues sémantiques, vous pouvez utiliser les interfaces suivantes :

Limitations

  • Les vues sémantiques ne sont pas prises en charge pour la réplication.

Prise en main

Pour commencer à utiliser les vues sémantiques :

  1. Concevez votre modèle de données métier.

    • Quelles sont les entités métier présentes dans vos données (par exemple, clients, produits, commandes, etc.) ?

    • Quelles sont les relations entre ces entités ?

    • Quelles sont les métriques importantes pour votre entreprise ?

    • Quelles dimensions utilisez-vous pour analyser ces données ?

  2. Mappez vos concepts métier à vos données physiques.

    • Quelles tables contiennent les données dont vous avez besoin ? Nous vous recommandons de commencer par un schéma en étoile simple.

    • Comment allez-vous relier ces tables ?

    • Quels sont les calculs nécessaires pour dériver vos métriques ?

  3. Créez une vue sémantique.

    Vous pouvez utiliser l’une de ces interfaces pour créer une vue sémantique.

  4. Utilisez la vue sémantique de la manière suivante :

Informations complémentaires sur les vues sémantiques

Pour plus d’informations sur les vues sémantiques, consultez les rubriques suivantes :