Objectifs de la formation

Aligner la gouvernance des données et des informations, avec les autres formes de gouvernance (SI, d’entreprise, de sécurité…). Définir les équipes, fonctions et processus de travail. Combiner gouvernance du SI et gouvernance des données;
Cartographier les données métiers, mettre en place un catalogue partagé des actifs informationnels.
Améliorer en continu la qualité des données, pour l’adapter aux usages. Mettre en place une gestion des données de référence (MDM);
S’assurer de la conformité des données de toute l’organisation aux règles externes (RGPD, Data Act…), et internes (éthique).

Informations Pratiques

1ère partie : enjeux et perspectives : aligner les gouvernances

Les enjeux de la gouvernance au service de l’économie des données
- Le monde de la donnée, des infocentres au big data
- Typologie des données, structurées et non-structurées
- Passer du coût de la donnée, à la valeur de la donnée
- Particularités des données destinées à l'entraînement des modèles d’intelligence artificielle
Gouvernance des données, gouvernance des informations
- Les « régimes » de gouvernance d’entreprise : centralisation, fédéralisme…, comment choisir ?
- Aligner les démarches de « gouvernance du système d’information » et de « gouvernance des données »
- Approches académiques et théoriques existantes de la gouvernance des SI (TOGAF, COBIT, ITIL, DMBOK..)
- Transférer la gouvernance des données aux métiers : pourquoi et comment
- La future norme ISO 24143

2ème partie : Mise en place des équipes, et architectures

Équipes, personnes, rôles et fonctions de la gouvernance, de la qualité et de la conformité des données
- Les métiers de la gouvernance des données : Chief Data Officer (CDO), data steward, data owner, data product manager, data custodian, data compliance manager, DPO…
- Comité de gouvernance des données : organisation et composition, mode de fonctionnement, la charte de gouvernance des données
Les architectures de données et leurs liens avec le choix d’un régime de gouvernance
- Concept de gravité des données vs gravité des applications : architecture applicative ou architecture de données ?
- Architecture centralisée : construire une plateforme de données autour du data warehouse et du data lake
- Architecture fédéralisée : passer du data warehouse au data mesh
- Impact des choix d’architecture sur la disponibilité et le partage de l’information
- La place du cloud computing dans les architectures de données
- Contraintes liées au transfert des données depuis/vers le cloud
- Impact du développement du low-code / no-code sur la répartition des rôles
Conduire le projet « Gouvernance des données »
- Définir le périmètre global, identifier les priorités, planifier et démarrer les ateliers de gouvernance
- Mettre en place les indicateurs et le tableau de bord

3ème partie : Catalogue de données

Créer un dictionnaire-référentiel des données orienté métiers
- Cartographier données, personnes et processus
- Modéliser les données au travers des processus métiers (du Domain Driven Design au Data Mesh)
- Élaborer à partir d’un modèle sa fiche de référentiel et animer les ateliers de cartographie
- Étude de cas : comparaison des fiches réalisées par plusieurs entreprises
- Encadrer les relations producteurs - consommateurs de données avec des contrats de données (Data Contracts)
Valorisation des données - Mettre en place des métriques de valorisation
- Normes IAS vs normes françaises : travaux en cours
- Data as a Product : comment les métiers doivent percevoir leurs données
- Comment référencer les données ouvertes (Open Data)
Solutions tactiques pour obtenir un premier retour sur investissement
- Une base de données graph pour formaliser son catalogue de données
- Utiliser l’Intelligence Artificielle Générative pour accélérer certaines étapes
Panorama comparatif des principaux outils du marché : Collibra, Alation, Castor, Data Galaxy, Atlan, Magda, Microsoft PureView…

4ème partie : Démarche qualité, critères et indicateurs

Impact de la qualité des données sur les performances
Construisez le tableau de bord de la santé de vos données - L’observabilité des données
Les 15 indicateurs principaux de mesure de la qualité
Lien entre qualité des données et gouvernance : le rôle du data steward
Le projet « qualité des données » en 10 étapes
Quelles tâches liées à la qualité des données peuvent être automatisées - le rôle de l’Intelligence Artificielle
Panorama et comparatif des principaux outils de gestion de la qualité des données

5ème partie : Master Data Management (MDM)

Enjeux et ROI d’un projet MDM
- Définition, sélection et synchronisation des données maîtres
- Le MDM, principal outil d’obtention d’un ROI rapide de la gouvernance des données
Comparaison des architectures MDM : Consolidée unique, consolidée avec références multiples, décentralisée, virtualisée
- Combiner MDM et Product Information Management (PIM)
- MDM et catalogue de données – quelles différences ?
Panorama et comparatif des principaux outils de gestion des données de référence

6ème partie : Conformité

Conformités
- Impliquer le DPO dans la gouvernance des données
- Les conformités sectorielles : banques, assurances, secteur public, données de santé…
- Conformité et sécurité informatique : réduire les risques pesant sur les données
- Disponibilité et résilience : aligner PCA (Plan de Continuité d’Activité) et gouvernance des données
- Le rôle de la gouvernance dans la recherche de sobriété numérique
Les législations européennes et américaines, en cours et à venir : Data Governance Act, Data Act, CSRD…
Panorama et comparatif des principaux outils de suivi de la conformité des données

Conclusion et synthèse

Améliorer l’alphabétisation à la donnée de l’ensemble de l’entreprise
Erreurs à éviter, meilleures pratiques : partage d’expériences entre les participants