Une technologie intelligente pour une industrie manufacturière forte avec une production ininterrompue 24h/24 et 7j/7 de solutions IIoT pour les entreprises.
Une base de données à colonnes larges utilise des tables, des lignes et des colonnes, mais contrairement à un RDBMS, les noms et le format des colonnes peuvent varier d’une ligne à l’autre dans la même table. Une wide-column store peut être interprétée comme un magasin clé-valeur bidimensionnel. Exemples de bases de données NoSQL à colonnes larges : Cassandra, Datastax, Amazon Redshift et Snowflake.
Dans les bases de données véritablement orientées colonnes, une disposition des données par colonnes est adoptée, de sorte que chaque colonne est stockée séparément sur le disque. Les bases à colonnes larges supportent souvent la notion de column families qui sont stockées séparément mais ne stockent pas nécessairement chaque colonne séparément sur le disque.
Cependant, chaque column family contient généralement plusieurs colonnes utilisées ensemble, de manière similaire aux tables des bases de données relationnelles traditionnelles. Dans une column family donnée, toutes les données sont stockées ligne par ligne, de sorte que les colonnes d’une ligne donnée sont stockées ensemble.
Les bases à colonnes larges conviennent parfaitement aux données où les applications doivent accéder à quelques colonnes de nombreuses lignes à la fois et sont très adaptées aux applications OLAP. C’est également la raison pour laquelle Amazon Redshift et Snowflake sont considérées comme des bases de données modernes pour entrepôts de données.
Avantages :
Très scalable et performant pour de grands ensembles de données
Modèle en colonnes flexible
Bonne performance en écriture
Désavantages:
Gestion et modélisation des données complexes
Pas de véritables jointures ni transactions
Cohérence pouvant être limitée (selon la configuration)
Données IoT à grande échelle
Data warehousing pour de grands ensembles de données
Les bases de données Graph sont spécialement conçues pour stocker et naviguer dans les relations. Elles utilisent des nœuds (nodes) pour stocker les entités de données et des arêtes (edges) pour stocker les relations entre les entités. Exemples de ces bases de données NoSQL : Neo4J, ArangoDB et Amazon Neptune.
Une edge a toujours un nœud de départ, un nœud d’arrivée, un type et une direction. Une edge peut décrire des relations parent-enfant, des actions, la propriété, etc. Il n’y a pas de limite au nombre ou au type de relations qu’un nœud peut avoir.
Un graphe dans une base de données Graph peut être parcouru selon des types d’arêtes spécifiques ou sur l’ensemble du graphe. Dans les bases de données Graph, traverser les jointures ou relations est très rapide car les relations entre nœuds ne sont pas calculées au moment des requêtes, mais sont persistées dans la base de données.
Ces bases de données sont avantageuses pour des cas d’usage tels que les réseaux sociaux, les moteurs de recommandation et tout système où il est nécessaire de créer des relations entre des données et de les interroger rapidement.
Avantages :
Fort pour les relations et les traversées
Modèle flexible
Efficace pour les données en réseau (graphes sociaux, itinéraires, réseaux de connaissances)
Désavantages:
Pas adapté aux grands ensembles de données plats
Courbe d’apprentissage complexe
Moins de support dans les outils BI traditionnels
Réseaux sociaux (qui connaît qui)
Systèmes de recommandations
Détection de fraude (connexions de transactions)
Une base de données moteur de recherche NoSQL est un type de base de données non relationnelle dédiée à la recherche de contenu de données. Les bases de données moteur de recherche utilisent des index pour catégoriser les caractéristiques similaires des données et faciliter la capacité de recherche. Elles sont optimisées pour traiter des données pouvant être structurées, semi-structurées ou non structurées. Elles offrent généralement des méthodes spécialisées telles que la recherche en texte intégral, les expressions de recherche complexes et le classement des résultats de recherche.
Avantages :
Recherche en texte intégral, correspondance approximative, auto-complétion
Résultats de recherche très rapides
Scalable et distribué
Agrégations pour l’analyse
Désavantages:
Pas de transactions ACID
Gestion complexe (gestion des index)
Les données doivent être indexées (duplication avec la base source)
Fonction de recherche sur sites web, applications ou objets textuels
Analyse de logs (par ex. via ELK stack)
Catalogues de produits avec filtres de recherche