Et si votre data warehouse était obsolète ?

Le data warehouse a 40 ans. Il a transformé la BI. Mais en 2026, avec les LLM, le streaming, et le lakehouse, le data warehouse classique montre ses limites.

Les limites du data warehouse classique

1. Latence. Un data warehouse classique se charge une fois par jour, en batch. Les données ont 24h de retard. En 2026, les décisions se prennent en temps réel. Un data warehouse qui a 24h de retard est un data warehouse qui sert à regarder le passé, pas à piloter le présent.

2. Coût. Un data warehouse classique (Snowflake, Redshift, BigQuery) coûte cher. Le stockage est cher. Le calcul est cher. Et chaque requête coûte de l'argent. Sur des volumes de pétaoctets, la facture peut dépasser 100 000€/mois.

3. Schéma rigide. Le data warehouse exige un schéma en étoile ou en flocon. Toute nouvelle dimension nécessite un changement de schéma. En 2026, les données sont variées — logs, events, JSON, images — et ne rentrent pas dans un schéma rigide.

4. Silos. Le data warehouse stocke les données structurées. Les données non structurées (logs, documents, images) vont ailleurs. Les données temps réel vont ailleurs. Résultat : 3 silos de données — warehouse, lake, streaming — qui ne communiquent pas.

Les alternatives qui montent

1. Le lakehouse. Le lakehouse (Databricks, Apache Iceberg, Delta Lake) combine le data lake et le data warehouse. Stockage cheap (S3), format ouvert (Parquet), performance query (Spark/Trino). Le lakehouse supporte les données structurées ET non structurées, en batch ET en streaming.

2. Le streaming analytics. Kafka + Flink + Materialize permet l'analyse en temps réel. Pas de batch, pas de latence. Les données sont analysées au moment où elles arrivent. Pour les cas d'usage temps réel (fraud detection, personalization, monitoring), c'est le futur.

3. Le semantic layer LLM. Les LLM peuvent interroger des données en langage naturel. "Quel est le chiffre d'affaires par produit ce mois-ci ?" — le LLM traduit en SQL, exécute, et répond. Fini les dashboards complexes. Le LLM devient l'interface universelle vers les données.

Le data warehouse va-t-il disparaître ?

Non. Le data warehouse va évoluer. Il va devenir :

• Plus temps réel — Snowflake, BigQuery et Redshift ajoutent tous du streaming. Le batch ne disparaîtra pas, mais la latence passera de 24h à 5 minutes.
• Plus cheap — La concurrence avec les lakehouses pousse les prix à la baisse. Snowflake a réduit ses prix de 30% en 2025.
• Plus LLM-friendly — Les data warehouses ajoutent des fonctions natives pour interroger les données avec des LLMs. Snowflake Cortex, BigQuery ML, Redshift ML.

Quand garder un data warehouse

Gardez un data warehouse si :

• Vous faites de la BI classique (rapports, dashboards, KPIs).
• Vos données sont structurées et tabulaires.
• Vous avez une équipe qui maîtrise SQL et les ETLs.
• Votre latence acceptable est de l'ordre de l'heure ou de la journée.

Quand passer à un lakehouse

Passez à un lakehouse si :

• Vous avez des données structurées ET non structurées.
• Vous voulez faire du machine learning sur vos données.
• Vous voulez réduire vos coûts de stockage.
• Vous avez des volumes de pétaoctets.

Quand passer au streaming

Passez au streaming si :

• Vous avez besoin de latence inférieure à la minute.
• Vous faites de la détection de fraude en temps réel.
• Vous personnalisez l'expérience utilisateur en temps réel.
• Vous monitorerez des systèmes critiques.

Conclusion

Le data warehouse n'est pas obsolète. Mais il n'est plus seul. En 2026, l'architecture data moderne combine data warehouse (pour la BI classique), lakehouse (pour les données variées et le ML), et streaming (pour le temps réel). Chacun a sa place. Le bon architecte data est celui qui sait lequel utiliser, quand, et comment les faire collaborer.

Votre data warehouse n'est peut-être pas obsolète. Mais votre architecture data l'est peut-être. Si tout est dans un data warehouse, vous passez à côté du lakehouse et du streaming. Si tout est dans un lake, vous passez à côté de la BI. L'équilibre est la clé.