- Cours pratique
- Informatique
Formation Apache Superset
BI, dashboard, tableau de bord, data visualisation, reporting
- Durée
- 2 jours
- Niveau
- Intermédiaire
- Modalités
- Présentiel / Distanciel
Description de la formation Apache Superset
Apache Superset est une plateforme open source moderne de visualisation et d’exploration de données. Conçue pour être rapide, légère et intuitive, elle trouve parfaitement sa place dans le paysage des outils BI auprès des utilisateurs de tous niveaux qui souhaitent créer des tableaux de bord interactifs et des rapports complexes sans nécessiter de compétences en programmation.
Apache Superset est compatible avec tous les standards du marché, bases SQL, Excel, CSV ou tout autre format grâce à la richesse des connecteurs (MongoDB, ElasticSearch, etc.).
Objectifs pédagogiques
Objectifs pédagogiques :
À l'issue de cette formation Apache Superset, vous aurez acquis les connaissances et compétences nécessaires pour :
- Comprendre le rôle d’Apache Superset au sein d’un écosystème Big Data
- Installer Apache Superset
- Configurer l’accès à diverses sources et formats de données
- Explorer et visualiser les données
- Sécuriser l’utilisation de Apache Superset
- Créer des tableaux de bord interactifs
- Administrer Apache Superset au quotidien
- Gérer les performances et la scalabilité de Apache Superset
Objectifs opérationnels
Objectif opérationnel :
Savoir créer des tableaux de bord interactif et personnalisés avec Apache Superset à partir de différentes sources de données.
Programme
Contenu du cours, module par module
8 modules
- La place de Apache Superset dans un écosystème Big Data
- Comparaisons avec les standards de la BI comme Power BI, Tableau, …
- Quelques cas d’usages standards en entreprise
- Concepts et vocabulaire clés (dashboarding, exploration, connectivité interactivité, …)
- Vue d’ensemble de l’interface et premiers pas « tout seul »
Travaux pratiques
Objectif : Se familiariser avec l’interface d’Apache Superset et comprendre sa logique
Contenu : Découverte de l’interface, repérage des menus principaux, navigation dans l’outil, création d’un espace de travail personnel. Exploration d’un tableau de bord préexistant fourni par le formateur pour visualiser la diversité des visualisations possibles
Contenu : Découverte de l’interface, repérage des menus principaux, navigation dans l’outil, création d’un espace de travail personnel. Exploration d’un tableau de bord préexistant fourni par le formateur pour visualiser la diversité des visualisations possibles
- Installation en local ou sur un serveur
- Installation via Docker
- Le compte admin
- Configuration des services auxiliaires
Travaux pratiques
Objectif : Installer Apache Superset sur son environnement local
Contenu : Installation avec Docker ou installation manuelle (au choix selon niveau), configuration des services auxiliaires, création du compte administrateur, accès à l’interface web et vérification de bon fonctionnement. Paramétrage de base (logo, langue, timezone, format date/heure) et tests associés
Contenu : Installation avec Docker ou installation manuelle (au choix selon niveau), configuration des services auxiliaires, création du compte administrateur, accès à l’interface web et vérification de bon fonctionnement. Paramétrage de base (logo, langue, timezone, format date/heure) et tests associés
- Les différents formats des sources (SQL, NoSQL, Excel, CSV, XML, etc.)
- Rôle du moteur SQLAlchemy
- Principes d’une URI (Uniform Resource Identifier)
- Accès aux bases plus sécurisées (chiffrement, options spécifiques du fournisseur)
Travaux pratiques
Objectif : Savoir se connecter à tout type de source de données standards
Contenu : Connexion à une base SQL (MySQL et PostgreSQL pour comprendre les invariants comme postgresql://mon_utilisateur:mon_mot_de_passe@localhost:5432/ma_base), un fichier Excel, un fichier une base NoSQL (MongoDB).
Contenu : Connexion à une base SQL (MySQL et PostgreSQL pour comprendre les invariants comme postgresql://mon_utilisateur:mon_mot_de_passe@localhost:5432/ma_base), un fichier Excel, un fichier une base NoSQL (MongoDB).
- Exploration et visualisation des données
- Création de visualisations à partir de sources connectées.
- Choix du type de graphique selon le besoin métier.
- Personnalisation des couleurs, axes, formats, légendes.
- Ajout de filtres dynamiques et tris interactifs.
- Utilisation de SQL Lab pour préparer les requêtes.
- Prévisualisation des résultats avant enregistrement.
Travaux pratiques
Objectif : Créer des visualisations lisibles, filtrables, et adaptées à l’analyse métier.
Contenu : Création de plusieurs visualisations simples (barres, lignes, KPI, pie chart). Utilisation de filtres et d’options de personnalisation. Exploration de données via SQL Lab et enregistrement de requêtes réutilisables.
Contenu : Création de plusieurs visualisations simples (barres, lignes, KPI, pie chart). Utilisation de filtres et d’options de personnalisation. Exploration de données via SQL Lab et enregistrement de requêtes réutilisables.
- Organisation des visualisations dans des dashboards.
- Utilisation du mode “drag & drop” pour placer les éléments.
- Ajout de filtres globaux au tableau de bord.
- Création de liaisons entre les composants.
- Configuration des permissions d’accès.
- Partage et publication des dashboards.
Travaux pratiques
Objectif : Savoir créer un tableau de bord interactif
Contenu : Sur la base d’un exemple parlant à tout le monde autour des ventes d’une entreprise l’objectif est de créer un tableau de bord pour visualiser le CA par mois, la répartition des ventes par catégorie de produits, les ventes par région sous forme de cartes et enfin les performances des différents canaux de vente. Le formateur valide que l’on dispose bien des quatre visuels attendus et que l’interactivité du tableau se traduit par l’action des filtres (exploration croisée) et du survol des cartes sur le visuel (affichage de détails rafraîchis dynamiquement sur les données survolées).
Contenu : Sur la base d’un exemple parlant à tout le monde autour des ventes d’une entreprise l’objectif est de créer un tableau de bord pour visualiser le CA par mois, la répartition des ventes par catégorie de produits, les ventes par région sous forme de cartes et enfin les performances des différents canaux de vente. Le formateur valide que l’on dispose bien des quatre visuels attendus et que l’interactivité du tableau se traduit par l’action des filtres (exploration croisée) et du survol des cartes sur le visuel (affichage de détails rafraîchis dynamiquement sur les données survolées).
- Ce que Apache Superset ne sait pas faire…
- Présentation de l’API REST de Apache Superset
- Liens avec des outils de workflow (exemple avec Airflow)
- Intégration dans un pipeline CI/CD (DataOps)
- Publier et archiver des dashboards
Travaux pratiques
Objectif : Mise en œuvre d’un pipeline typique « Airflow prépare les données et Superset les affiche »
Contenu : Automatisation du chargement des données, nettoyage et agrégation avec Airflow. Les données sont ensuite stockées dans une base SQL à laquelle Superset se connecte pour afficher les résultats dans des tableaux de bord. Ce pipeline s’exécute toutes les 15 minutes pour que les données soient « rafraîchies ».
On montre ensuite comment Apache Superset peut « s’abonner » à des évènements (base devenue disponible, mail avec tel objet, etc.) à travers son API REST afin de rafraichir certaines données dans des tableaux de bord (cash du dashboard) de façon automatique.
Contenu : Automatisation du chargement des données, nettoyage et agrégation avec Airflow. Les données sont ensuite stockées dans une base SQL à laquelle Superset se connecte pour afficher les résultats dans des tableaux de bord. Ce pipeline s’exécute toutes les 15 minutes pour que les données soient « rafraîchies ».
On montre ensuite comment Apache Superset peut « s’abonner » à des évènements (base devenue disponible, mail avec tel objet, etc.) à travers son API REST afin de rafraichir certaines données dans des tableaux de bord (cash du dashboard) de façon automatique.
- Vue d’ensemble des expositions et risques associés (utilisateurs, publications, API , …)
- Les permissions fonctionnelles granulaires (vue d’un tableau de bord, édition, exécution de SQL en direct, …)
- Les permissions systèmes (gestion des utilisateurs, …)
- L’apport des rôles (modèle RBAC pour Rôle-Based Access Control)
- Les rôles types (admin, alpha, gamma, public)
- Les rôles personnalisés « conseillés »
- Présentation des méthodes d’authentification (annuaire LDAP, authentification unique type SSO)
- L’analyse des journaux (connexions, actions utilisateurs, …)
- Exporter un dashboard au format JSON
Travaux pratiques
Objectifs : Savoir sécuriser l’accès aux tableaux de bord publiés selon des besoins standards ou personnalisés
Déployer un tableau de bord automatiquement dans un environnement de recette ou de production
Contenu : Les ateliers sont réalisés en binôme (un créateur de rapport et un utilisateur) afin de tester la finesse des différents droits proposés par Apache Sunset. La répétition des actions rappelle naturellement l’intérêt des rôles dans la sécurité.
Enfin nous montrons comment créer des rôles personnalisés correspondant à des situations d’entreprise. Par exemple, « Analyste RH pour accéder aux dashboards RH uniquement », « Développeur » pour accéder à l’interface SQL et la possibilité de créer des datasets, et « manager » pour lire seulemennt les dashborards.
Export d’un tableau de bord via la ligne de commande (superset export-dashboard …) dans un dépôt Git
Déployer un tableau de bord automatiquement dans un environnement de recette ou de production
Contenu : Les ateliers sont réalisés en binôme (un créateur de rapport et un utilisateur) afin de tester la finesse des différents droits proposés par Apache Sunset. La répétition des actions rappelle naturellement l’intérêt des rôles dans la sécurité.
Enfin nous montrons comment créer des rôles personnalisés correspondant à des situations d’entreprise. Par exemple, « Analyste RH pour accéder aux dashboards RH uniquement », « Développeur » pour accéder à l’interface SQL et la possibilité de créer des datasets, et « manager » pour lire seulemennt les dashborards.
Export d’un tableau de bord via la ligne de commande (superset export-dashboard …) dans un dépôt Git
- Comment utiliser un cache performant pour limiter les appels aux bases de données ?
- Optimisation des requêtes SQL
- L’apport des vues matérialisées
- Fonctionnement des index
- Impact de l’architecture Big Data sous-jacente
- Rendre scalable Apache Superset (docker, kubernetes)
- Les outils pour surveiller les performances (prometheus, grafana, …)
Travaux pratiques
Objectif : Maîtriser les leviers disponibles pour surveiller et optimiser les performances en étant capable de les faire évoluer dynamiquement en fonction de la charge (scalabilité)
Contenu : Activation du cache des résultats de requêtes, timeout intelligent, configuration du cache au niveau visualisation ou globalement , optimisation des requêtes SQL, vues, mise en place d’index, apports d’une infrastructure scalable avec Kubernetes par exemple, intégration d ‘outils de monitoring pour surveiller les performances (observation des temps de réponse, des erreurs, et de la consommation des ressources avec avec Prometheus et Grafana).
Création d’un tableau de bord Apache Superset de supervision des performances avec les éléments précédents afin de « boucler » sur l’ensemble des sujets de cette formation dans un seul et même tableau de synthèse.
Contenu : Activation du cache des résultats de requêtes, timeout intelligent, configuration du cache au niveau visualisation ou globalement , optimisation des requêtes SQL, vues, mise en place d’index, apports d’une infrastructure scalable avec Kubernetes par exemple, intégration d ‘outils de monitoring pour surveiller les performances (observation des temps de réponse, des erreurs, et de la consommation des ressources avec avec Prometheus et Grafana).
Création d’un tableau de bord Apache Superset de supervision des performances avec les éléments précédents afin de « boucler » sur l’ensemble des sujets de cette formation dans un seul et même tableau de synthèse.
Programme mis à jour le 28/11/2025
Public concerné
Ce cours s'adresse aux Data Analyst, Data Scientist ainsi qu'aux administrateurs de données.
Prérequis
Des connaissances préalables en visualisation, en analyse de données ainsi qu'en SQL sont nécessaires pour suivre cette formation Superset Apache.
J’évalue mes connaissances pour vérifier que je dispose des prérequis nécessaires pour profiter pleinement de cette formation en faisant le test de prérequis.
Faire le testFinancement
Cette formation peut être prise en charge par votre entreprise, seule ou avec l’appui de son opérateur de compétences. Nous fournissons le devis et les pièces attendues par l’OPCO.
Formations liées
- Data Storytelling : Racontez l’histoire de vos donnéesRéf. ADST1 jourFondamentalProchaine session : 5 févr.950 €
- Elastic Kibana AnalystRéf. IKIB3 joursFondamentalProchaine session : 16 nov.2 090 €
- IBM Cognos Analytics : Création de rapports - fonctions avancées (v11.x)Réf. B6259G2 joursIntermédiaire
- IBM Cognos Analytics (v11.x) : Création de rapports - Fonctions essentiellesRéf. B6358G3 joursFondamental