Définition de la couche sémantique
Entre les tables d’un entrepôt de données et le tableau de bord qui affiche un chiffre, une règle de calcul s’applique : quelles lignes compter, sur quelle période, avec quelles exclusions. La couche sémantique, en anglais semantic layer, est l’endroit où cette règle s’écrit une fois, sous un nom métier, pour tous les outils d’analyse. Elle porte les définitions partagées des indicateurs, aussi appelés mesures ou métriques, et des dimensions, les axes selon lesquels un indicateur se décompose : période, produit, région.
La notion est d’usage : les documentations d’outils la décrivent, chacune pour son produit. Celle de dbt (docs.getdbt.com, page mise à jour le 29 septembre 2026, consultée le 12 novembre 2026) présente sa Semantic Layer comme le moyen de définir les métriques au-dessus des modèles existants, hors de la couche de restitution ; celle de Cube (docs.cube.dev, consultée le même jour), comme une couche qui centralise définitions de métriques, jointures et règles d’accès en amont de chaque outil.
Contenu de la couche et emplacements possibles
D’un outil à l’autre, sous des noms variables, elle réunit :
- des indicateurs, avec leur agrégation et leurs filtres ;
- des dimensions, dont celle du temps ;
- les relations entre tables, qui évitent de réécrire les jointures dans chaque rapport ;
- des règles d’accès, communes à tous les outils ;
- des interfaces (SQL, API) par lesquelles un outil demande un indicateur selon une dimension.
La couche peut loger dans l’outil de restitution : LookML est, selon la documentation de Looker, le langage de ses modèles de données sémantiques, et Power BI nomme « modèle sémantique » la source prête pour les rapports. Elle peut aussi former un composant indépendant, comme la Semantic Layer de dbt ou Cube, placé dans une modern data stack entre la transformation et la restitution.
L’auteur d’un rapport y choisit un indicateur au lieu d’écrire une requête, appui de la self-service BI. Un assistant fondé sur un modèle de langage peut faire de même, usage que les documentations de dbt et de Cube opposent à l’interrogation directe de tables brutes.
Trois décomptes des abonnés actifs : un exemple
Prenons un groupe de presse qui suit ses abonnés numériques. Pour le marketing, est « abonné actif » tout compte dont l’abonnement court. La finance écarte les offres d’essai. La rédaction ne retient que les comptes connectés dans le mois. Trois tableaux de bord affichent trois totaux.
Le désaccord tranché, la couche sémantique reçoit un indicateur « abonnés actifs payants », avec sa règle, et deux indicateurs voisins sous d’autres noms. Le tableau de bord de la direction, le tableur du contrôle de gestion et l’assistant interrogé en langage naturel reçoivent le même total dès qu’ils demandent cet indicateur : aucun ne recalcule la règle.
Couche sémantique, modèle de données, catalogue de données, cube OLAP : ne pas confondre
Le modèle de données décrit des tables, leurs colonnes et leurs clés. La couche sémantique s’appuie sur lui et y ajoute des calculs nommés.
Le catalogue de données inventorie les jeux de données et leurs métadonnées, sans rien calculer. Une demande adressée à la couche sémantique renvoie un résultat.
Le cube OLAP est, selon la documentation d’Analysis Services, une structure multidimensionnelle faite de dimensions et de mesures, dont chaque cellule contient une valeur agrégée ; Apache Kylin se présente aussi comme un moteur OLAP. LookML et la Semantic Layer de dbt traduisent, eux, la demande en requête SQL exécutée par l’entrepôt. La frontière reste poreuse : les modèles sémantiques de Power BI reposent, d’après leur documentation, sur les technologies de modélisation d’Analysis Services.
Les limites : arbitrage, données fausses, contournement
Elle n’arbitre aucune définition : faute de décision d’un responsable métier, elle enregistre deux indicateurs concurrents, et cet arbitrage relève de la gouvernance des données. Elle ne corrige pas une donnée fausse à la source, et un outil qui lit directement les tables la contourne.
Où loger cette couche, sur quel modèle l’appuyer, qui valide un indicateur ? Ces trois décisions sont traitées dans notre page sur la business intelligence.