> 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 {% hint style="info" %} #### Bientôt disponible ! L’architecture de la couche Transformation décrite sur cette page est actuellement en développement. Bien que les fonctionnalités principales de transformation soient opérationnelles, les détails d’implémentation peuvent évoluer avant la version finale. Si vous souhaitez obtenir un accès anticipé ou avez des questions, contactez . {% endhint %} ## Ce que fait la couche Transformation La **couche de transformation** traite les données brutes provenant de la **Couche de données brutes** en entités analytiques normalisées et prêtes à être interrogées. Là où la couche Données brutes contient tout ce qui est capturé à partir des appareils et des systèmes (points individuels, événements et valeurs de champs utiles pour la vérification et le dépannage), la couche Transformation convertit ces données brutes en objets utiles tels que les trajets, les visites de zones et les états opérationnels. {% hint style="info" icon="lightbulb-exclamation" %} Couche Transformation en bref : la couche Données brutes est tout ce qui est collecté, la couche Transformation est 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 exploitants de flottes peuvent répondre à des questions opérationnelles courantes sans traitement de données approfondi, et les intégrateurs disposent d’une base stable pour créer des solutions de reporting et de BI évolutives. Les transformations peuvent être conçues et configurées à l’aide du [**Transformation Builder**](/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 flux de travail par glisser-déposer. Pour plus de détails sur la création et la gestion des transformations, consultez la documentation du Transformation Builder. Navixy fournit un ensemble de transformations courantes prêtes à l’emploi qui s’exécutent automatiquement et remplissent le `processed_common_data` schéma sans aucune configuration de votre part. Vous pouvez interroger ces données immédiatement après la connexion à IoT Query. Chaque transformation courante est également fournie avec un modèle de flux de travail que vous pouvez charger dans Transformation Builder pour examiner la logique de traitement ou l’adapter à votre cas spécifique. Voir [Transformations courantes](/docs/analytics/fr/iot-query/schema-overview/transformation-layer/common-transformations.md) pour les entités disponibles et leurs schémas de sortie. ## Comment les données sont organisées La couche Transformation utilise une approche de schéma dynamique dans laquelle 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 Transformation ne contient que les tables correspondant aux transformations actuellement actives. Les tables disponibles et leurs structures dépendent des transformations configurées dans votre **Requête IoT** de votre organisation. Les données de la couche Transformation sont organisées en deux schémas PostgreSQL : `processed_common_data` et `processed_custom_data`. ### processed\_common\_data La `processed_common_data` Le schéma contient les transformations développées et maintenues par Navixy. Ce schéma est partagé entre tous les clients et fournit des entités analytiques standardisées couvrant les cas d’usage télématiques courants. Les tables apparaissent dans ce schéma au fur et à mesure que Navixy déploie de nouvelles transformations pour répondre à des besoins analytiques largement applicables. {% hint style="warning" %} La `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 ou altérer les structures dans ce schéma. Pour créer vos propres entités analytiques, utilisez le `processed_custom_data` schéma via le [Transformation Builder](/docs/analytics/fr/iot-query/schema-overview/transformation-layer/transformation-builder.md). {% endhint %} ### processed\_custom\_data La `processed_custom_data` Le schéma contient des transformations spécifiques au 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 [Transformation Builder](/docs/analytics/fr/iot-query/schema-overview/transformation-layer/transformation-builder.md). Vous avez la pleine propriété de ce schéma : vous décidez quelles transformations créer, comment elles traitent les données et quand elles s’exécutent. Le 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 les transformations sont désactivées ou supprimées, leurs tables peuvent être archivées ou supprimées en fonction des politiques de conservation des données. Cette formation dynamique explique pourquoi la couche 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 Transformation sont maintenues automatiquement par 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 calendrier 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 basés sur le temps afin de traiter efficacement des portions de données gérables plutôt que d’analyser l’ensemble des jeux de données. Cette approche équilibre les performances de traitement et l’actualité 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 le calendrier de manière centralisée. Les transformations dans `processed_custom_data` s’exécutent indépendamment pour chaque client, ce qui vous permet de personnaliser la planification et la logique de traitement selon vos besoins spécifiques. ## Éléments à prendre en compte lors des requêtes Lorsque vous rédigez des requêtes SQL sur les données de la couche 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 basées sur le temps dans vos `WHERE` clauses afin de limiter le volume de données analysé. Cela améliore les performances des requêtes et réduit le temps d’exécution. * **Vérifiez les calendriers de transformation.** Les données des tables de la couche Transformation reflètent le cycle de traitement terminé le plus récent. Si vous avez besoin de données datant de seulement quelques minutes, la couche Données brutes peut être plus appropriée jusqu’à l’exécution du prochain cycle de transformation. * **N’oubliez pas que `processed_common_data` est en lecture seule.** Utilisez ce schéma pour interroger les entités standardisées maintenues par Navixy. Pour créer vos propres entités analytiques, configurez des transformations dans le `processed_custom_data` schéma via le [Transformation Builder](/docs/analytics/fr/iot-query/schema-overview/transformation-layer/transformation-builder.md). ## Étapes suivantes * [**Transformation Builder**](/docs/analytics/fr/iot-query/schema-overview/transformation-layer/transformation-builder.md): Concevez des entités analytiques personnalisées à l’aide de l’interface visuelle de flux de travail. * [**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. * [**SQL Recipe Book**](/docs/analytics/fr/example-queries.md): Apprenez les modèles de requêtes et les bonnes pratiques pour travailler avec les tables de la couche 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, les exemples de requêtes et les modèles du 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.