Comment iDBQuery gère-t-il des données désordonnées ou de mauvaise qualité ?

iDBQuery est conçu pour travailler avec des données réelles et imparfaites plutôt qu'avec un entrepôt immaculé : - Sa couche sémantique associe les noms de tables et de colonnes obscurs (pensez à cust_dt, amt_2) à un sens métier réel, de sorte que vous pouvez interroger en langage courant même lorsque le schéma est obscur. - Il lit des formats hétérogènes et peut appliquer l'OCR à des PDF numérisés et à des dossiers de documents, les transformant en données interrogeables. - Il assure le nettoyage au sein de la requête, en fusionnant les valeurs nulles, en normalisant le texte et en convertissant les types, au lieu d'exiger un projet ETL préalable.

Un exemple concret : sur une table aux formats de dates mélangés et parsemée de valeurs nulles, vous demandez « le chiffre d'affaires mensuel, en ignorant les lignes sans montant », et iDBQuery rédige un SQL qui filtre et convertit comme il se doit, puis source ce qu'il a inclus.

Vous pouvez aussi pointer iDBQuery sur le désordre pour l'inspecter : « trouve les lignes aux valeurs manquantes ou mal formées » renvoie les fautives afin que vous puissiez les corriger à la source.

Le facteur différenciant, c'est que des données de mauvaise qualité ne vous bloquent pas. Une pile décisionnelle traditionnelle exige que les données soient modélisées et nettoyées avant que quiconque puisse poser une question ; iDBQuery vous laisse les interroger telles quelles, en nettoyant au sein de la requête et en affichant le SQL pour que vous voyiez exactement comment il a traité le désordre. Et comme chaque chiffre est sourcé, vous pouvez vérifier qu'un chiffre nettoyé repose bien sur les lignes attendues.