Databricks OpenSharing
Databricks OpenSharing (anciennement Delta Sharing) vous permet de partager en toute sécurité les données d’engagement et de campagne de Braze, en direct, dans votre environnement Databricks. Cet article explique comment fonctionne le partage, de Braze en tant que fournisseur de données vers votre compte Databricks en tant que destinataire, et comment interroger les tables partagées.

Databricks OpenSharing avec Braze est disponible pour les clients hébergés sur nos clusters américains et européens. Si vous n’êtes pas hébergé sur nos clusters américains ou européens, contactez votre gestionnaire de la satisfaction client.
Databricks OpenSharing fait partie de la distribution des données de Braze. Pour un aperçu complet des options de distribution des données, consultez Distribution des données.
Conditions préalables
| Exigence | Description |
|---|---|
| Autorisations de l’espace de travail Braze | Afficher les intégrations Currents pour consulter le partage de données. Modifier les intégrations Currents pour créer, mettre à jour ou supprimer un partage Databricks. |
Configurer Databricks OpenSharing
Avec Databricks, le partage de données se fait entre un fournisseur de données et un destinataire de données. Votre compte Braze est le fournisseur de données, car il crée et envoie le partage. Votre compte Databricks est le destinataire de données, car il consomme le partage pour créer un catalogue que vous pouvez interroger. Pour en savoir plus, consultez la documentation de Databricks sur la lecture des données partagées avec Databricks-to-Databricks OpenSharing (pour les destinataires).
Étape 1 : Configurer le partage depuis Braze
- Dans Braze, accédez à Intégrations partenaires > Partage de données direct, puis sélectionnez Créer nouveau > Databricks OpenSharing.
- Saisissez votre identifiant de partage Databricks.
- Une fois terminé, sélectionnez Créer un partage de données. Braze envoie le partage à votre compte Databricks.
Étape 2 : Créer un catalogue dans Databricks
- Après quelques minutes, vous devriez recevoir le partage entrant dans votre compte Databricks.
-
À partir du partage entrant, créez un catalogue pour afficher et interroger les tables. Par exemple :
CREATE CATALOG [IF NOT EXISTS] <catalog-name> USING SHARE braze.<share-name>;
- Accordez les privilèges nécessaires pour que les bons utilisateurs et groupes puissent interroger le nouveau catalogue.

Les données partagées sont en lecture seule dans votre espace de travail Databricks. Vous pouvez les interroger comme n’importe quelles autres données, mais vous ne pouvez pas modifier ni supprimer de lignes dans les tables partagées via le partage.
Utilisation et visualisation
Comme avec Currents, vous pouvez utiliser Databricks OpenSharing pour :
- Créer des rapports complexes
- Effectuer une modélisation d’attribution
- Partager des données de manière sécurisée au sein de votre entreprise
- Associer des données brutes d’événements ou d’utilisateurs à un CRM (comme Salesforce)
- Et bien plus encore
Pour obtenir la liste complète des tables et colonnes disponibles dans Databricks, téléchargez les schémas des tables brutes Databricks sous forme de fichier texte. Ce fichier reflète le schéma Databricks OpenSharing (par exemple, DB_CREATED_AT pour l’heure d’ingestion). Il n’est pas interchangeable avec les schémas des tables brutes Snowflake ni avec la référence des tables SQL, qui décrivent les noms et les champs propres à Snowflake.

Les noms et les types de colonnes peuvent différer de ceux du partage de données Snowflake (par exemple, DB_CREATED_AT au lieu de SF_CREATED_AT).
Schéma des ID utilisateur
Notez les différences suivantes entre les conventions de nommage de Braze et de Databricks pour les ID utilisateur.
| Schéma Braze | Schéma Databricks | Description |
|---|---|---|
braze_id |
USER_ID |
L’identifiant unique attribué automatiquement par Braze. |
external_id |
EXTERNAL_USER_ID |
L’identifiant unique du profil d’un utilisateur, que vous définissez dans Braze. |
Limitations et considérations
Changements cassants et non cassants
Changements non cassants
Les changements non cassants peuvent survenir à tout moment et apportent généralement des fonctionnalités supplémentaires. Voici quelques exemples de changements non cassants :
- Ajout d’une nouvelle table ou d’une nouvelle vue
- Ajout d’une colonne à une table ou à une vue existante

Comme les nouvelles colonnes sont considérées comme des changements non cassants, Braze recommande vivement de lister explicitement les colonnes qui vous intéressent dans chaque requête plutôt que d’utiliser des requêtes SELECT *. Vous pouvez aussi créer des vues qui nomment explicitement les colonnes, puis interroger ces vues au lieu d’interroger directement les tables partagées.
Changements cassants
Dans la mesure du possible, les changements cassants sont précédés d’une annonce et d’une période de migration. Voici quelques exemples de changements cassants :
- Suppression d’une table ou d’une vue
- Suppression d’une colonne d’une table ou d’une vue existante
- Modification du type ou de la possibilité de valeur nulle d’une colonne existante
Politique de conservation
Vous pouvez interroger les deux dernières années de données pour chaque événement dans la vue USERS_*_SHARED correspondante.
Conformité au Règlement général sur la protection des données (RGPD)
Presque tous les enregistrements d’événements que Braze stocke incluent quelques champs représentant les informations personnelles identifiables (PII) des utilisateurs. Certains événements peuvent inclure l’adresse e-mail, le numéro de téléphone, l’ID de l’appareil, la langue, le sexe et les informations d’emplacement/localisation. Si la requête d’oubli d’un utilisateur est soumise à Braze, nous annulerons ces champs PII pour tout événement appartenant à ces utilisateurs. De cette façon, nous ne supprimons pas l’historique de l’événement, mais celui-ci ne peut plus jamais être lié à une personne en particulier.
Interroger les données partagées : TIME et performances des requêtes
Les données d’événement des vues de partage de données (par exemple, USERS_BEHAVIORS_CUSTOMEVENT_SHARED) sont regroupées (clustering) selon le champ TIME. Lorsque vous filtrez en fonction du moment où l’événement s’est produit, privilégiez TIME comme filtre. Les requêtes qui restreignent les lignes à l’aide de TIME sont généralement plus performantes que celles qui filtrent sur DB_CREATED_AT, car le clustering est aligné sur l’heure de l’événement.
| Champ | Signification |
|---|---|
TIME |
Horodatage Unix auquel l’événement s’est produit. Privilégiez ce champ pour filtrer selon l’heure de l’événement. |
DB_CREATED_AT |
Horodatage auquel la ligne a été chargée dans Databricks (heure d’ingestion). |
Vitesse, performances et coût des requêtes
La vitesse, les performances et le coût de toute requête exécutée sur les données dépendent de la taille de l’entrepôt SQL que vous utilisez. Selon le volume de données auquel vous accédez, un entrepôt plus grand peut être nécessaire pour que la requête aboutisse. Pour plus d’informations, consultez la documentation de Databricks sur la création et la configuration d’un entrepôt SQL (notamment la taille du cluster et la mise à l’échelle).