> For the complete documentation index, see [llms.txt](https://navixy.com/docs/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://navixy.com/docs/analytics/fr/iot-query/schema-overview/transformation-layer.md). # Couche de transformation La couche Transformation remodèle les données IoT Query brutes en entités prêtes pour l'analyse. Parcourez les transformations prédéfinies et comprenez comment les données sont traitées {% hint style="info" %} #### Bientôt disponible ! La couche d’architecture de transformation décrite sur cette page est actuellement en cours de développement. Bien que les capacités de transformation de base soient opérationnelles, les détails de mise en œuvre peuvent évoluer avant la version finale. Si vous souhaitez un accès anticipé ou avez des questions, contactez . {% endhint %} ## Ce que fait la couche de transformation Le **Couche de transformation** traite les Données brutes provenant de la **Couche de Données brutes** en entités analytiques normalisées, prêtes pour les requêtes. Alors que la couche Données brutes contient tout ce qui est capturé depuis les appareils et les systèmes (points individuels, événements et valeurs de champ utiles à la vérification et au dépannage), la couche de transformation convertit ces Données brutes en objets significatifs tels que des trajets, des visites de zone et des états opérationnels. {% hint style="info" icon="lightbulb-exclamation" %} En bref, la couche de transformation : la couche Données brutes correspond à tout ce qui est collecté, la couche de transformation à ce avec quoi vous pouvez travailler. {% endhint %} Cette couche intermédiaire élimine la préparation manuelle répétitive des données et rend vos données prêtes pour des analyses pratiques. Les opérateurs de Flotte peuvent répondre aux questions opérationnelles courantes sans traitement de données approfondi, et les intégrateurs obtiennent une base stable pour créer des solutions de reporting et de BI évolutives. Les transformations peuvent être conçues et configurées à l’aide du [**Constructeur de transformations**](/docs/analytics/fr/iot-query/schema-overview/transformation-layer/transformation-builder.md), un outil visuel qui vous permet de créer des entités analytiques personnalisées grâce à une interface de travail par glisser-déposer. Pour plus de détails sur la création et la gestion des transformations, consultez la documentation de Transformation Builder. Navixy fournit un ensemble de transformations courantes prêtes à l’emploi qui s’exécutent automatiquement et alimentent le `processed_common_data` schéma sans aucune configuration de votre part. Vous pouvez interroger ces données immédiatement après vous être connecté à IoT Query. Chaque transformation courante est également fournie avec un modèle de workflow que vous pouvez charger dans Transformation Builder pour examiner la logique de traitement ou l’adapter à votre scénario spécifique. Voir [Transformations courantes](/docs/analytics/fr/iot-query/schema-overview/transformation-layer/common-transformations.md) pour connaître les entités disponibles et leurs schémas de sortie. ## Comment les données sont organisées La couche de transformation utilise une approche de schéma dynamique où les structures de base de données se forment automatiquement en fonction des transformations actives. Contrairement à la couche Données brutes avec ses définitions de schéma fixes, la couche de transformation ne contient que les tables correspondant aux transformations actuellement actives. Les tables disponibles et leurs structures dépendent des transformations configurées dans votre **IoT Query** instance. Les données de la couche de transformation sont organisées en deux schémas PostgreSQL : `processed_common_data` et `processed_custom_data`. ### processed\_common\_data Le `processed_common_data` Le schéma contient des transformations développées et maintenues par Navixy. Ce schéma est partagé entre tous les clients et fournit des entités analytiques standardisées qui répondent à des cas d’usage télématiques courants. Les tables apparaissent dans ce schéma à mesure que Navixy déploie de nouvelles transformations pour répondre à des besoins analytiques largement applicables. {% hint style="warning" %} Le `processed_common_data` Le schéma est **en lecture seule pour les clients externes**. Vous pouvez interroger les données librement, mais vous ne pouvez pas modifier les tables, insérer des enregistrements ni modifier la structure de ce schéma. Pour créer vos propres entités analytiques, utilisez le `processed_custom_data` schéma via le [Constructeur de transformations](/docs/analytics/fr/iot-query/schema-overview/transformation-layer/transformation-builder.md). {% endhint %} ### processed\_custom\_data Le `processed_custom_data` Le schéma contient des transformations spécifiques à chaque client, créées pour répondre à des besoins métier uniques. Chaque client dispose d’une instance isolée de ce schéma, de sorte que vos données ne sont pas visibles par les autres organisations. Les tables de ce schéma correspondent aux transformations que vous configurez et gérez via le [Constructeur de transformations](/docs/analytics/fr/iot-query/schema-overview/transformation-layer/transformation-builder.md). Vous avez l’entière maîtrise de ce schéma : vous décidez quelles transformations créer, comment elles traitent les données et quand elles s’exécutent. Transformation Builder génère la configuration et le SQL nécessaires pour produire vos entités analytiques personnalisées. #### Ce qui se passe lorsque les transformations changent Lorsque vous activez une transformation, le système crée automatiquement la structure de table correspondante dans le schéma approprié. Lorsque des transformations sont désactivées ou supprimées, leurs tables peuvent être archivées ou supprimées selon les politiques de conservation des données. Cette formation dynamique explique pourquoi la couche de transformation ne fournit pas de descriptions de schéma fixes comme le fait la couche Données brutes. Les tables disponibles et leurs structures reflètent les transformations spécifiques configurées pour votre instance IoT Query. ## Caractéristiques du traitement des données Les entités de la couche de transformation sont maintenues automatiquement via des processus planifiés. Lorsque vous interrogez ces données, tenez compte des caractéristiques de traitement suivantes. * **Mises à jour planifiées.** Chaque transformation traite les nouveaux enregistrements de la couche Données brutes selon son ordonnancement configuré. Les mises à jour se produisent généralement toutes les heures ou toutes les quelques heures, selon la complexité et la configuration de la transformation. * **Fenêtres de traitement.** Les transformations fonctionnent sur des segments temporels afin de traiter efficacement des portions de données gérables plutôt que d’analyser des jeux de données entiers. Cette approche équilibre les performances de traitement et la fraîcheur des données. * **Comportement de recalcul.** Lorsque des changements de configuration déclenchent un recalcul, les données récentes peuvent présenter de brèves incohérences pendant les fenêtres de traitement actives. Ces incohérences se résolvent automatiquement une fois le cycle de traitement terminé. * **Comportement spécifique au schéma.** Les transformations dans `processed_common_data` se mettent à jour simultanément pour tous les clients partageant ce schéma, puisque Navixy gère l’ordonnancement de manière centralisée. Les transformations dans `processed_custom_data` s’exécutent indépendamment pour chaque client, ce qui vous permet de personnaliser l’ordonnancement et la logique de traitement selon vos besoins spécifiques. ## Ce qu’il faut considérer lors des requêtes Lorsque vous rédigez des requêtes SQL sur les données de la couche de transformation, gardez ces points à l’esprit : * **Utilisez le format complet schéma.table.** Référez-vous toujours aux tables avec leur préfixe de schéma afin d’éviter toute ambiguïté : ```sql SELECT * FROM processed_common_data.table_name WHERE device_time >= CURRENT_DATE - INTERVAL '7 days'; ``` * **Incluez des filtres de plage temporelle.** Ajoutez des conditions temporelles dans vos `OÙ` clauses afin de limiter le volume de données analysées. Cela améliore les performances des requêtes et réduit le temps d’exécution. * **Vérifiez les ordonnancements des transformations.** Les données des tables de la couche de transformation reflètent le cycle de traitement le plus récemment terminé. Si vous avez besoin de données vieilles de seulement quelques minutes, la couche Données brutes peut être plus appropriée jusqu’à ce que le prochain cycle de transformation s’exécute. * **N’oubliez pas que `processed_common_data` est en lecture seule.** Utilisez ce schéma pour interroger des entités standardisées maintenues par Navixy. Pour créer vos propres entités analytiques, configurez des transformations dans le `processed_custom_data` schéma via le [Constructeur de transformations](/docs/analytics/fr/iot-query/schema-overview/transformation-layer/transformation-builder.md). ## Étapes suivantes * [**Constructeur de transformations**](/docs/analytics/fr/iot-query/schema-overview/transformation-layer/transformation-builder.md): Concevez des entités analytiques personnalisées à l’aide de l’interface de travail visuelle. * [**Couche de Données brutes**](/docs/analytics/fr/iot-query/schema-overview/bronze-layer.md): Explorez les schémas sources (`raw_telematics_data` et `raw_business_data`) qui alimentent les transformations. * [**Livre de recettes SQL**](/docs/analytics/fr/example-queries.md): Découvrez les modèles de requêtes et les bonnes pratiques pour travailler avec les tables de la couche de transformation dans Dashboard Studio. * [**Transformations courantes**](/docs/analytics/fr/iot-query/schema-overview/transformation-layer/common-transformations.md): Explorez les entités analytiques prêtes à l’emploi disponibles dans `processed_common_data`, y compris les schémas de sortie, des exemples de requêtes et des modèles de Transformation Builder. --- # Agent Instructions This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com. ## Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter: ``` GET https://navixy.com/docs/analytics/fr/iot-query/schema-overview/transformation-layer.md?ask=&goal= ``` `ask` is the immediate question: it should be specific, self-contained, and written in natural language. `goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.