1 – 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…
• Méthodologie de conception d’un système décisionnel : Le BiMC (Business Intelligence Model Canvas)
• Les étapes formalisées de la collecte des besoins métier : Approche systémique du SID
• Double démarche : prototypage et industrialisation
• Du BiMC à l’industrialisation : étapes concrètes de sécurisation et d’optimisation

Études de cas : valeur créée et impact sur les modèles d’affaires

2 – Nouvelle architecture du Système d’Information décisionnel (SID)

Serious Game : étude de cas « Chaudières & Cie » autour d’un jeu de cartes dédié aux architectures de données

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…ou l’inverse
• 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”, d’une plateforme de données, d’une data fabric
• Architectures data vault et médaillon
• Gouvernance décentralisée : le data mesh

3 – Plateforme 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, Qlik, Talend, etc.
• Les nouveaux outils de préparation de données (dbt, Talend Data Preparation, Tableau Prep, Trifacta…)

Stockage des données structurées et non structurées

• Architectures techniques : on-premise, cloud, in-memory, edge computing…
• Revue des offres : Oracle, IBM, Teradata, SAP, Microsoft et les nouveaux entrants.
• Différence et complémentarité entre Data Lake, Data Warehouse et Data Lakehouse
• Bases NoSQL : panorama (MongoDB, MarkLogic, Cassandra, ElasticSearch…)
• Bases graphes : usages et technologies (Neo4j)
• Hadoop / MapReduce, Spark, Kafka, Apache Doris
• Principaux lakehouses du marché : Snowflake, Databricks, Dremio, Starbrust…

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 Centre de Compétences en BI (CCBI)

• Modern Data Stack
  • Concepts de la Modern Data Stack : quelles différences réelles ?
  • Tableau des outils : Fivetran, Dbt, Snowflake, DataBricks Looker, Apache AirFlow, Amazon Redshift, Google BigQuery…

4 – Modéliser les informations destinées à l’aide à la décision 

• Objectifs de la modélisation : est-ce encore utile ?
• Les 3 étapes de la modélisation des données : conceptuelle, logique et physique
• Particularités de la modélisation des systèmes décisionnels (multidimensionel)
• Modélisation en étoile / flocon
• Garantir la fiabilité des consolidations (DQM)
  • Les référentiels et la stabilité historique du périmètre – Master Data Management (MDM)

5 – 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 : vers les data spaces

6 – 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, analyse prédictive…
• Construction de la matrice d’apprentissage, choix des méthodes et des algorithmes
• Focus sur l’Intelligence Artificielle Générative (IAG)

7 – MDM et Gouvernance : comment les intégrer dans le projet décisionnel

• Gouvernance de l’analytique et du décisionnel : quels outils pour encadrer la démarche

• 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, IA Act…)

• Aligner les gouvernances des données, de l’analytique et de l’IA

8 – La mise en œuvre du projet décisionnel 

Étude préalable

• Facteurs clés du succès d’un Système d’Information Décisionnel
• Acculturation à la donnée : impliquer les directions générales et les utilisateurs

Groupe de projet

• Acteurs, rôles et livrables – Sous-traitance : quoi, quand, comment ?

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

9 – 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

Ce programme a été mis à jour le 12 septembre 2024.