Objectifs de la formation
Connaître la chaîne de valeur, et les métiers d’un système décisionnel, de la collecte-alimentation des données, au stockage, puis à leur visualisation
Construire une architecture de données (data warehouse, data lake, data mesh, modern data stack) compatible avec l’organisation de l’entreprise tout en respectant la gouvernance
Découvrir l’état de l’art de l’analyse prédictive (Intelligence Artificielle) et de l’automatisation au travers d’études de cas
Repartir avec une méthodologie pratique de conception, modélisation, et mise en œuvre adaptée à vos enjeux de performance
Informations Pratiques
Séminaire également proposé via le catalogue Capgemini Institut
Durée : 3 jours
Formateur : Philippe Nieuwbourg
Pour en savoir plus : contactez-moi !
Programme de la formation
1ère partie – Du Décisionnel au Big Data
L’impact de l’économie des données sur le système décisionnel : une opportunité de création de valeur
Big Data : révolution ou évolution
De la BI à la Data Science : données In-Memory, temps réel, Embedded BI, NoSQL, Internet des objets, Intelligence augmentée…
Études de cas : valeur créée et impact sur les modèles d’affaires
2ème partie – Nouvelle architecture du Système d’Information décisionnel (SID)
Du reporting à la Business Process Intelligence
Idéation : embarquer les métiers et l’informatique dans le projet décisionnel
De la Business Intelligence à la Business Analytics
Faire évoluer les Data Marts existants vers un système centralisé
Intégrer la confidentialité des données personnelles et les contraintes du RGPD dès la conception
L’architecture d’un système décisionnel
Modèle centralisé ou fédéral : choix technique et de gouvernance
Augmenter l’autonomie des métiers : concept de « Domain Driven Design » (DDS) et de « Data as a Product » (DaaP)
Sécurité et confidentialité des données
Les principaux schémas d’architecture d’un SID
Architecture centralisée autour du data warehouse, du data lake, du “lakehouse”
Gouvernance décentralisée : le data mesh
3ème partie – Plate-forme Data
Outils d’intégration de données
Fonctionnalités attendues d’un logiciel ETL (Extract, Transform, Load) ou ELT
Changed Data Capture (CDC) et collecte en temps réel
Panorama des offres ETL/ELT : Informatica, IBM Datastage, Microsoft SSIS, Talend, etc.
Les nouveaux outils de préparation de données (Talend Data Preparation, Tableau Prep, Qlik, Trifacta…)
Stockage des données structurées et non structurées
Architectures techniques : on-premise, cloud, in-memory, edge computing…
Panorama des offres : Oracle, IBM, Teradata, SAP, Microsoft et les nouveaux entrants.
Différence et complémentarité entre Data Lake et Data Warehouse
Bases NoSQL : Panorama (MongoDB, MarkLogic, Cassandra, ElasticSearch…)
Bases graphes : usages et technologies (Neo4j)
Hadoop / MapReduce
Restitution
Outils traditionnels.
Query et Reporting, Ad Hoc Analysis, Cubes OLAP,…
Positionnement des offres : SAP Business Objects, IBM Cognos, Microstrategy, Information Builders…
Outils de BI agile / Self service BI
Positionnement des offres : Tableau, Qlik, TIBCO Spotfire, Microsoft PowerBI, Domo…
Shadow IT dans le décisionnel
Mise en place d’un CCBI (Centre de Compétences en BI).
Modern Data Stack
Concepts de la Modern Data Stack : quelles différences réelles ?
Panorama des outils : Fivetran, Dbt, Snowflake, DataBricks Looker, Apache AirFlow, Amazon Redshift, Google BigQuery…
4ème partie – Modéliser les informations destinées à l’aide à la décision
Objectifs de la modélisation : est-ce encore utile ?
Modélisation en étoile / flocon
Garantir la fiabilité des consolidations (DQM).
Les référentiels et la stabilité historique du périmètre – Master Data Management (MDM).
5ème partie – Le portail décisionnel
Les interfaces pour « exposer » l’information décisionnelle ?
Data Visualization
Panorama des principaux graphiques que vous ne connaissez pas encore
Raconter l’histoire de ses données, le Data Storytelling
Intégration du portail décisionnel au portail d’entreprise
Monétiser ses données vs Open Data
6ème partie – De l’intelligence artificielle à l’intelligence augmentée
Qu’est-ce que l’intelligence augmentée et l’automatisation des processus décisionnels : machine learning, deep learning, predictive analytics, Generative Artificial Intelligence…
Construction de la matrice d’apprentissage, choix des méthodes et des algorithmes
Focus sur l’Intelligence Artificielle Générative (IAG)
7ème partie – MDM et Gouvernance : comment les intégrer dans le projet décisionnel
Gouvernance des données et catalogue des données
Le Master Data Management
Data Quality Management (DQM) et Master Data Management (MDM)
Étude de cas : Utiliser une base de données graphes pour cartographier les données de référence.
Conformité
Le RGPD, et son impact sur le projet décisionnel – collaboration avec le DPO
Autres règles de conformité en cours de déploiement (spécifiques à un secteur, Digital Services Act (DSA), Digital Market Act (DMA), Norme ISO 24143…)
8ème partie – La mise en œuvre du projet décisionnel
Étude préalable
Facteurs clés du succès d’un Système d’Information Décisionnel
Acculturation à la données : Impliquer les directions générales et les utilisateurs
Groupe de projet
Acteurs, rôles et livrables - Sous-traitance : quoi, quand, comment ?
De l’expression des besoins à la modélisation
Double démarche : prototypage et industrialisation
Du Business Model Canvas (BMC) à l’industrialisation : étapes concrètes
Approche spécifique de la recette
Recette du Système Décisionnel : qui impliquer et comment
Évaluer le retour sur investissement
Le déploiement au-delà du projet pilote
Industrialisation du système décisionnel (du DevOps au DataOps)
Administration, Sécurisation, Mesure des usages et amélioration continue
9ème partie – Valorisation des données
Méthodes actuelles et futures de valorisation des actifs immatériels : Évaluer la valeur du système décisionnel
Évaluer l’impact carbone du système décisionnel