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

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