Comment iDBQuery gère-t-il une table comportant des centaines de colonnes ?

Les tables d'entreprise peuvent être énormes — des centaines de colonnes d'indicateurs, de codes et de champs rarement utilisés. Tout déverser sur le modèle serait lent et source d'erreurs, aussi iDBQuery restreint-il d'abord le champ.

• Sélection par pertinence. À partir de votre question, il identifie la poignée de colonnes qui comptent — la mesure, les dimensions, la date — et rédige un SQL qui ne sélectionne que celles-ci.
• Couche sémantique. Les annotations et le glossaire métier décrivent le sens des colonnes cryptiques, de sorte qu'iDBQuery peut découvrir que `dt_cls_fsc` est la date de clôture fiscale sans que vous ayez à l'expliciter.
• Exploration progressive. Vous pouvez demander "quelles colonnes contient cette table ?" ou "quels champs ressemblent à des dates ?" pour vous repérer avant de vous lancer.

Cela garde les réponses rapides et lisibles même sur des schémas tentaculaires, et c'est en grande partie pourquoi des utilisateurs non techniques peuvent travailler avec des tables qui submergeraient un tableur. Comme iDBQuery montre le SQL et rattache les lignes sources exactes, vous voyez toujours quelles colonnes il a réellement utilisées — de sorte qu'une table large et intimidante devient tout aussi abordable qu'une petite.