Fin d'Inscription : Le Bulletin d'Inscription doit être rempli, cacheté, signé et envoyé par email : Au minimum 15 JOURS OUVRÉS avant la date de formation.
Si vous avez un besoin URGENT et que vous souhaitez une date de formation plus proche que les sessions programmées (minimum 15 à 20 jours ouvrés à date de votre demande)
Les dimensions en V du Big Data : les 3V (Vélocité, Variété et Volume)
Les technologies essentielles
Les grands acteurs (éditeurs, intégrateurs) et l’Opensource
2/ Enjeux du Big Data
Les données au cœur des enjeux
Les nouveaux Métiers
Big Data versus Business Intelligence
Liens entre Big Data et internet des objets (IoT)
CNIL et règlementations (GDPR)
Sécurité IT (tokenisation, anonymisation)
Concept de Datalake
Datamanagement, traçabilité des données
Qualité des données
3/ Architectures Big Data
Les technologies classiques et nouvelles (Nifi, atlas,…)
FastData et Lambda architecture
Les moteurs de recherche
Bases de données NOSQL
Dataviz
Les technologies Sécurité
Les upgrades
4/ Le Big Data dans l’organisation des entreprises
Entreprises Data-centriques
L’organisation des équipes : une équipe restreinte d’experts techniques (pizza team)
Les profils au sein des équipes Big Data
Les méthodologies agiles
Quand ne pas les appliquer
5/ Contexte spécifique des projets Big Data
Comparaison entre un projet classique et un projet Big Data
L’importance des environnements techniques et leurs dimensionnements
Explosion du nombre de données
Problématique des données structurées, semi-structurées, non structurées dans un projet Big Data
Définition d’un système Big Data
Architecture générale et fonctionnement
Les différentes offres du marché
Analyse des caractéristiques
Processus d'exploration de données et l'apport de la recherche
Démarche d'organisation projets Big Data
Cycle de vie des données, des données de référence
L’importancede la gouvernance
Différences entre les projets Data Warehouse et Big Data
Choisir les bons outils de stockage des données
Évaluer et anticiper la croissance du volume de données
Évaluer et anticiper les besoins d’évolutions des architectures réseaux
Aspects légaux et éthiques : que peut-on collecter, stocker, analyser
Projets éligibles, les facteurs d’éligibilité, les risques
6/ Cadrage des projets Big Data
Hadoop dans le SI : Processus d’adoption
Constitution de l’équipe projet
Définir les rôles et responsabilités de chacun
Cadrage métiers
Identification de nouvelles sources de données
Cartographie des différentes entités impliquées dans la collecte
Définition des besoins technologiques
Estimation budgétaire et planification pour le Big Data
Comment élaborer un Datalab ?
7/ Management de projet Big Data
Phase des projets Big Data
Approche Agile pour le Big Data : Agile Data Management
Livrables des projets Big Data
Mesure de la performance : benchmark, surperformance
Délimitation du périmètre
L’importance des POC et Pilotes
Inventorier les données à disposition et définir le mode de collecte
Dimensionner l’infrastructure technique
Assurer la cohérence du traitement des données
Mettre à disposition les résultats
Définir les livrables
Réaliser une estimation budgétaire
Gouvernance des Données et « Culture Données »
Définir une véritable stratégie Données
Investir sur des initiatives ciblées et porteuses de valeur pour les métiers
Rompre avec les visions en silos
Promouvoir une « Culture Données »
Savoir communiquer (marketing digital)
8/ Processus et composantes du projet
Identification des composantes de la solution finale du projet
Qualification du poids de chacune des composantes du projet
Risques d'incohérences du choix technique
9/ La collecte et le stockage des données
Quelles données ?
Quelles sources ?
L’importance de la qualité des données (data quality)
Exemple de traitement avec un ETL dédié Big Data
Résumé : les différentes phases de la collecte dans un projet
10/ L’exploitation des données
Données structurées, semi structurées et non structurées
La réconciliation avec le référenciel interne
La question du Master Data Management
Big Data ou Smart Data ?
11/ L’analyse des données
Définition de l’analyse statistique
La Datascience
La place du Data scientist dans un projet Big Data
Datamining
L’implémentation d’indicateurs à destination du décisionnel
Différentes phases et formes de l’analyse dans un projet
12/ La visualisation des données (DATAVIZ)
Ce que les statistiques ne disent pas
Les objectifs de la visualisation
Quels graphes pour quels usages ?
Représentation de données complexes (encodage visuel, visualisation interactive)
Savoir communiquer sur les analyses de données (Data Storytelling)
13/ Piloter et maîtriser les risques des projets Big Data
Risques métiers liés au cadrage du scope
Risques stratégiques et manque de sponsoring
Les KPI : Time To Market vs Time To Live vs Return On Investment
La maturité des solutions du marché
La jungle des produits et l'immaturité des solutions
Jeunes talents vs maturité projets
Différentes méthodes pour piloter un datalab :
Business Driven
Lean
Scrum
14/ Compétences et organisation des projets Big Data
Les compétences de l'équipe projet
Collaboration entre experts métiers, statisticiens et informaticiens
Outils du manager de projets Big Data
Déploiement et mise en production des résultats de "test and learn"
15/ Mise en situation
Approche Pédagogique
Approche Pédagogique
Pédagogie très opérationnelle fondée sur l'alternance entre théorie et pratique
Cas pratiques
Remise d’outils
Echanges d’expériences
Public cible
Public cible
Chefs de projets
Directeurs de projets
DSI
Scrum Master
Architectes fonctionnels ou techniques
Dates
Dates
Du 01 au 03 Mai 2024
Du 03 au 05 Juil. 2024
Du 04 au 06 Sept. 2024
Du 20 au 22 Nov. 2024
Fin d'Inscription : Le Bulletin d'Inscription doit être rempli, cacheté, signé et envoyé par email : Au minimum 15 JOURS OUVRÉS avant la date de formation.