Capgemini Institut 0144742410
24 rue du Gouverneur général Eboué 92136 Issy les Moulineaux
DQM - MDM : les données métiers Paris
DQM - MDM : les données métiers Paris
DURéE
2 jours
DATES
12-13 octobre 2017
25-26 juin 2018
LIEU
Paris
PRIX 2017
1 910 € ht (2 292 € ttc)
Sommaire du séminaire
    Séminaires technique Institut Capgemini

    DQM - MDM : les données métiers

    >  Méthodes, outils, bonnes pratiques




    En deux journées denses, tout ce que doivent savoir les DSI, chefs de projet, référents métier et maîtrises d’ouvrage : une synthèse des concepts, critères, outils, méthodes et bonnes pratiques, pour fiabiliser les données sur lesquelles sont fondés les traitements SI.

    • Données et impératifs métier : comment les concilier.
    • Les principaux critères de qualité pour décrire les données patrimoniales et externes.
    • La démarche qualité et son appropriation par la maîtrise d’ouvrage.
    • Les outils pour améliorer la pertinence métier des données.
    • Le projet qualité et son phasage.
    • Les solutions disponibles aujourd’hui.
    • Le domaine spécifique des données stratégiques et l’approche MDM pour les données faiblement mouvementées.
    • La mise en œuvre d’un projet MDM.

    Nombreux exemples à l’appui, ce séminaire aborde les différents aspects d’une problématique à laquelle sont confrontées les entreprises d’aujourd’hui : faire en sorte que leurs applications traitent et exploitent des données crédibles, représentatives de leur domaine et dignes de confiance.



    Les enjeux de la qualité des données


    Le positionnement

    • Les définitions : DQM, une préoccupation globale, MDM, la qualité et la pertinence des données patrimoniales (données de référence).
    • La place de la qualité des données dans la BI et le CPM.
    • La qualité des données en tant que vecteur de création de valeur.
    • Les événements déclencheurs : mise en place d’un ERP, fusion d’entreprises, concurrence, etc.

    L’impact de la qualité des données sur les performances de l’entreprise

    • « Garbage in, garbage out » : la qualité des résultats dépend de la qualité des entrées.
    • Les enjeux : réduction des risques et des coûts, « compliance ».
    • Les conséquences négatives d’une non-qualité : traitements à recommencer, remise à niveau des bases de données, résultats erronés, clients mécontents.
    • Tout ce que peut attendre l’entreprise d’une démarche qualité : valorisation du chiffre d’affaires, performances métier, meilleure satisfaction des utilisateurs, etc.

    La réticence des entreprises

    • Une responsabilité non revendiquée.
    • Une qualité mal perçue et mal positionnée dans le SI.
    • La crainte de devoir reconsidérer l’architecture applicative du SI.
    • Un ROI parfois contesté.

    Les niveaux de maturité de l’entreprise vis-à-vis de ses données

    • Les quatre niveaux de maturité : indiscipliné, réactif, proactif et managé.
    • Les critères caractéristiques et les moyens de passer d’un niveau à l’autre.

    La démarche qualité


    Données, informations et connaissances

    • La prise en compte du Big Data.
    • L’hétérogénéité des sources de données.
    • La nécessité de procéder à une véritable cartographie des données existantes.
    • Émergence de nouvelles représentations : XML, NoSQL, etc.
    • Le traitement qualité, spécifique de chacun des types de données : Internet, texte, bureautique, XML, bases de données.

    Les cercles vertueux de la qualité

    • Cercle 0 : les bases de données structurées et les données centrales (MDM).
    • Cercle 1 : les données publiques (Open Data) et les données partenaires professionnels (banques, administration, etc.).
    • Cercle 2 : les données semi-structurées issues de liens XML.
    • Cercle 3 : les données internes issues de la bureautique.
    • Cercle 4 : les données en provenance des réseaux sociaux d’entreprise et publics.
    • Cercle 5 : les données issues de la presse et d’Internet.
    • La finalité qualité et les critères de chaque cercle vertueux.

    La modélisation des données : l’acte fondateur

    • Le lien entre modélisation et qualité.
    • Les solutions pour modéliser les données et l’apport particulier de Merise.
    • Exemple concret.

    Les bonnes questions à se poser

    • Quelles sont les contraintes et les spécificités liées à chaque cercle vertueux ?
    • Les modes de traitement : différé, temps réel, mobile, etc., ont-ils une influence sur la stratégie de qualité ?
    • Quelles natures de contrôles faut-il instaurer ?
    • Quel niveau de confiance accorder aux historiques ?
    • Exemples concrets.

    Les facteurs de réussite

    • Standardisation, prendre son temps, recherche d’unicité des données, bonne gestion des habilitations, définition des KPI, etc.
    • Exemples concrets.

    Les critères de qualité


    Les principaux critères de qualité

    • Fraîcheur.
    • Disponibilité.
    • Complétude.
    • Exactitude.
    • Conformité aux standards.
    • Sécurité.
    • Sémantique.
    • Représentativité.
    • « Trouvabilité » (findability).
    • Duplication, intégrité, cohérence.

    La personnalisation des critères

    • La signification réelle des critères de qualité selon le domaine métier.
    • Exemples concrets.

    Les indicateurs de qualité


    Le recours aux indicateurs

    • Les indicateurs (KPI), au cœur du suivi qualité.
    • Les familles de critères.
    • Cas concrets.

    Comment les choisir ou les définir

    • Méthodes de détermination des critères.
    • Exemples concrets.

    Comment les mesurer

    • Techniques de mesure et de calcul des critères.
    • Exemples concrets.

    L’exposition des critères aux usagers

    • Systèmes d’alerte.
    • Applications spécifiques.
    • Dashboards et scoreboards.

    Les outils de la démarche qualité


    Les méthodologies (frameworks) liées à l’approche qualité

    • Les principes méthodologiques.
    • TDQM, TIQM.

    Les techniques d’amélioration de la qualité

    • Le profilage (profiling).
    • La standardisation.
    • Le nettoyage (cleansing).
    • Le rapprochement (matching).
    • L’enrichissement.
    • La décomposition (parsing).
    • La surveillance (monitoring).
    • L’élimination du bruit.

    Panorama des solutions actuelles

    • Les outils de travail « foncier » sur les données : FirstLogic, Trillium, etc.
    • Les solutions intégrées à une plate-forme globale : SAP, IBM, Oracle.
    • Les outils issus du décisionnel : SAS (DataFlux), Talend, Informatica, Microsoft.

    Le projet qualité


    L’organisation du projet

    • Structure de l’équipe.
    • Le rôle accompagnateur de l’informatique.
    • Mise en œuvre d’une structure permanente de contrôle.
    • Les profils nécessaires.
    • Le projet pilote.

    Le phasage

    • Détermination des domaines de pertinence de la qualité.
    • Détermination des services nécessaires à la mise en place et au bon fonctionnement du processus de qualité.
    • Cartographie des fournisseurs et consommateurs de données : maintenance, qualité, gestion et cycle de vie des données.
    • Mise en œuvre des moyens de calcul et de mesure des indicateurs permettant d’illustrer les apports de la qualité sur la performance de l’entreprise.
    • Mise en œuvre des livrables de suivi à destination du management de l’entreprise, de la DSI, des directions opérationnelles.

    MDM : Master Data Management


    Les données « maîtres »

    • Définition des données « maîtres » (références ou patrimoniales) : uniques et communes à l’ensemble du SI.
    • Cartographie des processus de création et de mise à jour des données « maîtres ».
    • Les liens entre MDM et démarche qualité.
    • Les données candidates au modèle MDM : clients, produits, etc.
    • La réalité du terrain : les applications anciennes, les progiciels externes fermés.

    Les motivations MDM

    • Amélioration de la fiabilité opérationnelle des applications.
    • Simplification de l’architecture applicative globale du SI.
    • ROI démontrable : gains en chiffre d’affaire, maintenance simplifiée, anomalies clients réduites.

    Ce qu’implique un projet MDM

    • Distinction entre construction du référentiel et interactions avec les applications.
    • Identification des sources de données référentielles.
    • Collecte des données, interfaces et transformations.
    • Mise en place des règles d’administration et de gestion.
    • Les usages MDM : collaboratif, opérationnel et analytique.

    Les architectures MDM


    Le « golden record » ou point de vérité

    • Définition.
    • Avantages du point de vérité unique.
    • Un spectre étendu : du « replâtrage » à la refonte des applications consommatrices.

    Les trois architectures envisageables

    • Consolidée unique, consolidée avec référentiels multiples, mode registre.
    • Comparaison récapitulative des solutions.
    • Un mini projet concret avec point de vérité unique.

    Les fonctions MDM


    Les fonctionnalités assurées par un MDM

    • Gestion des identifications : cohérence des données par domaines d’usage.
    • Gestion de la qualité.
    • Gestion de la hiérarchie des données, des groupes et des liens entre données,
    • Gestion du cycle de vie des données : création, modification, suppression.
    • Sécurité, confidentialité, « logging ».

    Les métadonnées

    • Equilibre et choix des métadonnées.
    • Les familles de métadonnées : nom, cycle de vie, contacts, définition, représentation, gestion.
    • Normes et références envisageables.
    • Exemples concrets.

    Les solutions MDM


    Les offres du marché

    • Les offres verticales : environnements dédiés.
    • Les offres multidomaines : ouverture aux produits tiers et données externes.
    • La segmentation en MDM collaboratifs, transactionnels et analytiques.
    • Les solutions concrètes de DataFlux, IBM, Informatica, Microsoft, Oracle, Orchestra Networks, SAP, Software AG, Talend, Teradata, Tibco.
    • Présentation concrète d’une solution significative.

    L’interfaçage MDM avec les applications externes

    • Interfaçage des données.
    • Accès aux fonctionnalités MDM depuis un applicatif tiers, les frameworks
    • Solutions concrètes : IBM Infosphere, SAP Java API MDM, Talend, Informatica, etc.

    Vers la gouvernance des données


    Convergence de la qualité et MDM

    • Vers un processus plus global de gouvernance des données.
    • Démarches envisageables pour y parvenir.
    • Les ingrédients de la gouvernance des données.
    • Profil du « data scientist » ou architecte des données.

    Les bonnes pratiques

    • Nécessité de faire apparaître la gouvernance des données comme un levier clé de l’entreprise, accepté par tous : avoir l’appui de la Direction Générale.
    • Prendre son temps et bien choisir les premières cibles. Importance du POC sur un domaine « garanti ».
    • Mise en œuvre et positionnement d’une structure responsable, située à un niveau suffisant de l’organigramme.
    • Permettre aux usagers, au-delà de la qualité, de suivre leurs données métier.
    • Déléguer aux métiers la mise en place des règles liées aux données.
    • Suivre les métriques associées aux données.
    • Mettre en œuvre des outils (proches de la qualité) pour nettoyer, enrichir et valider les données.