Par catégorie
Les sujets de Phare Data
Les thèmes abordés au fil des épisodes sont regroupés en quelques grandes catégories. Chacune réunit ses vidéos, ses articles et le vocabulaire associé.
Microsoft Fabric
La plateforme Data unifiée de Microsoft, décryptée sans discours marketing : ce qui marche, ce qui coûte, ce qui coince.
- Quand Direct Lake est-il réellement préférable à l'Import, et quand ne l'est-il pas ?
- Comment dimensionner une capacité Fabric sans surpayer ni subir de throttling ?
- Faut-il un Lakehouse, un Warehouse, ou les deux ?
Power BI
Ce qui fait vraiment la différence dans Power BI n'est pas le visuel, c'est le modèle.
- Pourquoi un schéma en étoile reste-t-il préférable à une grande table à plat ?
- Comment diagnostiquer un rapport Power BI lent, méthodiquement ?
- Import, DirectQuery ou Direct Lake : comment trancher ?
FinOps Data
Une plateforme Data échoue rarement pour des raisons techniques. Elle échoue lorsque plus personne n'est capable d'expliquer, de prévoir ou de maîtriser son coût.
- Comment dimensionner une capacité Fabric sur des données de consommation réelles ?
- Réservation annuelle ou paiement à l'usage : à partir de quel seuil bascule-t-on ?
- Comment refacturer une capacité partagée entre plusieurs métiers ?
Gouvernance
La gouvernance n'est pas une couche de contrôle ajoutée après coup. C'est ce qui rend une plateforme utilisable par plus de dix personnes.
- Par où commencer une démarche de gouvernance sans bloquer les projets en cours ?
- Que fait réellement Microsoft Purview, et où s'arrête-t-il ?
- Comment organiser domaines, propriétaires et certification dans Fabric ?
IA & Copilot
L'IA sur vos données ne remplace pas une plateforme saine. Elle en révèle l'état, en bien comme en mal.
- Que fait concrètement Copilot dans Fabric et Power BI aujourd'hui ?
- Quels prérequis de gouvernance avant d'ouvrir un assistant IA sur ses données ?
- Comment évaluer sérieusement la fiabilité des réponses d'un agent de données ?
Architecture Data
Il n'existe pas de bonne architecture dans l'absolu. Il existe des arbitrages assumés — et des arbitrages subis.
- Lakehouse ou data warehouse : sur quels critères trancher réellement ?
- L'architecture médaillon est-elle toujours justifiée ?
- À partir de quand un data mesh devient-il pertinent ?