Skip to content

Les 7 Types de Bases de Données

Un guide pratique pour choisir la bonne base de données selon votre cas d'usage.

Guides Pratiques

Pour l'administration opérationnelle, voir la Section Bases de Données : PostgreSQL | MariaDB | Redis | Haute Dispo

Guide de Décision Rapide

  • Besoin ACID/Argent ? → Relationnelle (PostgreSQL, MySQL)
  • Besoin Vitesse/Cache ? → Key-Value (Redis, Memcached)
  • Besoin Flexibilité/JSON ? → Document (MongoDB, CouchDB)
  • Besoin Analytics/Logs ? → Columnar (ClickHouse, BigQuery)
  • Besoin Metrics/IoT ? → Time Series (Prometheus, InfluxDB)
  • Besoin Relations ? → Graph (Neo4j, DGraph)
  • Besoin AI/Embeddings ? → Vector (Pinecone, Milvus)

1. Relationnelle (SQL)

Concept : Données structurées en tables avec lignes et colonnes, appliquant des relations via des clés étrangères.

Idéale Pour :

  • Transactions financières (conformité ACID)
  • Comptes utilisateurs & authentification
  • Commandes e-commerce
  • Toute donnée nécessitant une forte cohérence

Avantages :

  • Garanties ACID (Atomicity, Consistency, Isolation, Durability)
  • Écosystème mature, SQL est universel
  • Requêtes complexes avec JOINs
  • Forte intégrité des données

Inconvénients :

  • Mise à l'échelle verticale coûteuse
  • Changements de schéma peuvent être douloureux
  • Pas idéale pour données non structurées

Outils : PostgreSQL, MySQL, MariaDB, SQL Server, Oracle

2. Document Store

Concept : Stocke les données sous forme de documents JSON/BSON flexibles. Pas de schéma fixe requis.

Idéal Pour :

  • Profils utilisateurs avec champs variables
  • Systèmes de gestion de contenu
  • Catalogues produits
  • Prototypage rapide

Avantages :

  • Flexibilité du schéma (ajouter des champs à tout moment)
  • Mise à l'échelle horizontale intégrée
  • Adaptation naturelle aux APIs JSON
  • Bonne expérience développeur

Inconvénients :

  • Pas de JOINs (dénormalisation requise)
  • Garanties de cohérence plus faibles
  • Peut conduire à la duplication de données

Outils : MongoDB, CouchDB, Amazon DocumentDB, Firestore

3. Key-Value Store

Concept : Simple mapping clé-vers-valeur. Pensez-y comme une gigantesque hash map distribuée.

Idéal Pour :

  • Stockage de sessions
  • Couche de cache
  • Tableaux de classement en temps réel
  • Rate limiting
  • Feature flags

Avantages :

  • Extrêmement rapide (sous-milliseconde)
  • API simple (GET, SET, DELETE)
  • Mise à l'échelle horizontale
  • Parfait pour données éphémères

Inconvénients :

  • Pas de requêtes complexes
  • Modélisation de données limitée
  • Généralement en mémoire (risque de perte de données)

Outils : Redis, Memcached, Amazon ElastiCache, etcd

Redis en Sidecar

Redis est typiquement utilisé comme couche de cache à côté d'une base de données primaire, pas comme seul stockage de données.

Client → Redis (cache hit ?) → PostgreSQL (si miss)

4. Columnar (Wide-Column)

Concept : Données stockées par colonnes au lieu de lignes. Optimisé pour les requêtes analytiques sur de grands ensembles de données.

Idéal Pour :

  • Tableaux de bord analytiques
  • Agrégation de logs
  • Business intelligence
  • Data warehousing
  • Workloads OLAP

Avantages :

  • Agrégations ultra-rapides (SUM, AVG, COUNT)
  • Excellente compression (valeurs similaires ensemble)
  • Gère des pétaoctets de données
  • Exécution de requêtes parallèle

Inconvénients :

  • Lent pour recherches de lignes individuelles
  • Pas pour workloads transactionnels
  • Configuration complexe

Outils : ClickHouse, Apache Cassandra, Google BigQuery, Amazon Redshift, Apache HBase

5. Time Series

Concept : Optimisé pour les points de données horodatés. Politiques de downsampling et de rétention intégrées.

Idéal Pour :

  • Métriques d'infrastructure (CPU, mémoire, disque)
  • Données de capteurs IoT
  • Données tick financières
  • Monitoring de performance applicative
  • Timestamps de logs

Avantages :

  • Compression extrême (delta encoding)
  • Politiques de rétention intégrées
  • Optimisé pour requêtes par plage de temps
  • Downsampling natif

Inconvénients :

  • Flexibilité de requête limitée
  • Pas pour stockage général
  • Cas d'usage spécialisé

Outils : Prometheus, InfluxDB, TimescaleDB, VictoriaMetrics, QuestDB

Magie de la Compression

Les BDs time series utilisent delta encoding : au lieu de stocker [100, 101, 102, 103], elles stockent [100, +1, +1, +1].

Résultat : compression 10-100x vs SQL pour les données de métriques.

6. Graph

Concept : Données sous forme de nœuds (entités) et arêtes (relations). Requête par traversée de connexions.

Idéal Pour :

  • Réseaux sociaux (amis d'amis)
  • Moteurs de recommandation
  • Détection de fraude
  • Graphes de connaissance
  • Topologie réseau

Avantages :

  • Traversée rapide de relations
  • Naturel pour données connectées
  • Schéma flexible
  • Pattern matching puissant

Inconvénients :

  • Courbe d'apprentissage raide (Cypher, Gremlin)
  • Pas pour données tabulaires
  • Mise à l'échelle peut être difficile

Outils : Neo4j, Amazon Neptune, ArangoDB, DGraph, TigerGraph

7. Vector

Concept : Stocke des vecteurs haute dimension (embeddings) pour recherche de similarité. La base de données AI/ML.

Idéal Pour :

  • Recherche sémantique
  • Récupération de contexte LLM (RAG)
  • Similarité d'images
  • Systèmes de recommandation
  • Détection d'anomalies

Avantages :

  • Recherche de voisins les plus proches approximatifs
  • Essentiel pour applications AI
  • Gère des millions de vecteurs
  • Intégration avec modèles d'embeddings

Inconvénients :

  • Technologie nouvelle (moins mature)
  • Nécessite compréhension des embeddings
  • Construction d'index peut être lente

Outils : Pinecone, Milvus, Weaviate, Qdrant, Chroma, pgvector

BDs Vector & LLMs

Les bases de données vectorielles sont la colonne vertébrale du RAG (Retrieval-Augmented Generation).

Requête Utilisateur → Embed → Vector Search → Contexte → LLM → Réponse

Tableau Comparatif

Type Structure de Données Scalabilité Langage de Requête Cas d'Usage Typique
Relationnelle Tables (lignes/cols) Verticale SQL Transactions, ACID
Document Documents JSON Horizontale Requêtes JSON Schémas flexibles
Key-Value Clé → Valeur Horizontale GET/SET Cache, sessions
Columnar Familles de colonnes Horizontale SQL-like Analytics, OLAP
Time Series Timestamp → Valeur Horizontale PromQL, InfluxQL Metrics, IoT
Graph Nœuds + Arêtes Variable Cypher, Gremlin Relations
Vector Embeddings Horizontale Recherche similarité AI/ML, recherche

Astuces de Pro

Architecture Multi-Database

Les systèmes modernes combinent souvent plusieurs types de bases de données :

PostgreSQL  → Source de vérité (utilisateurs, commandes)
     ↓
Redis       → Couche de cache (sessions, données chaudes)
     ↓
ClickHouse  → Analytics (tableaux de bord, rapports)
     ↓
Pinecone    → Recherche AI (requêtes sémantiques)

Ne Sur-ingéniérez Pas

Commencez par PostgreSQL. Il gère le JSON (document), a des extensions pour time series (TimescaleDB), et même la recherche vectorielle (pgvector).

Ajoutez des bases de données spécialisées seulement quand PostgreSQL devient un goulot d'étranglement.