1 – Du Décisionnel au Big Data puis à l’IA générative

• L’impact de l’économie des données sur le système décisionnel : une opportunité de création de valeur
• Big Data : révolution ou évolution ; en parle-t-on encore aujourd’hui ?
• De la BI à la Data Science : données In-Memory, temps réel, Embedded BI, NoSQL, Internet des objets, Intelligence augmentée, IA générative…
• 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)

• 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 data lakehouse, d’une plateforme de données, d’une data fabric
• Architecture médaillon centralisée
• Gouvernance fédéralisée : le data mesh
• Serious Game : étude de cas « Chaudières & Cie » autour d’un jeu de cartes dédié aux architectures de données

3  – Plateforme de données (Data Platform)

• 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 historiques ETL/ELT : Salesforce Informatica, IBM Datastage, Microsoft SSIS, Qlik Talend…
• 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, Apache Iceberg
• Principaux lakehouses du marché : Snowflake, Databricks, SAP Dremio, Starburst…
• Données et décisions en temps réel : Apache Doris
• Va-t-on combiner données décisionnelles et données transactionnelles sur une même plateforme ?

• Outils traditionnels de restitution
  • 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…
  • Le 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 ?
  • Panorama des outils : Fivetran, dbt, Snowflake, Databricks, Apache AirFlow, Amazon Redshift, Google BigQuery…

• Les dernières actualités des offres logicielles sur le marché du décisionnel

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

• Objectifs de la modélisation : est-ce encore utile dans un monde agile ?
• Les 3 étapes de la modélisation des données : conceptuelle, logique et physique
• Particularités de la modélisation des systèmes décisionnels (multidimensionnel)
• Choisir entre Inmon, Kimball et le data vault

5  – Le portail décisionnel 

• Quelles interfaces pour « exposer » l’information décisionnelle ?
• Data Visualization et Data Storytelling
• Le rôle des LLM comme interface standard d’interrogation : L’IA générative va-t-elle remplacer la BI ?

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) et son rôle à jouer dans un système décisionnel
• Quels outils pour stocker et préparer les données d’entraînement de l’IA
• Rendre le SID accessible à l’IA générative via un serveur MCP

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: Démarche de certification des tableaux de bord et rapports

 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 directions générales et 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)
• Tableau de bord de suivi d’un projet décisionnel
• Administration, Sécurisation, Mesure des usages et amélioration continue

9  – Valorisation des connaissances 

• Méthodes actuelles et futures de valorisation des actifs immatériels : évaluer la valeur du système décisionnel
• Monétiser ses données vs Open Data : vers les data spaces et les data marketplaces
• Mesurer l’impact environnemental du système décisionnel

 Ce programme a été mis à jour le 10 septembre 2026.