1 – Fondamentaux de la modélisation des données

Introduction et concepts de base

• Pourquoi la modélisation des données est-elle importante ?
  • Rôle de la modélisation dans la gestion des données
  • Cas d’usage en entreprise : modélisation applicative et modélisation décisionnelle
  • La modélisation des données est-elle encore utile dans un contexte de développement agile ou de développement no-code ?
  • La modélisation comme base de dialogue entre les utilisateurs et les analystes d’affaires
• Concepts fondamentaux
  • Données structurées vs semi-structurées, multi-structurées et non-structurées
  • Modèles conceptuels, logiques et physiques : quelles différences ?
  • Les types de bases de données : relationnelles, NoSQL, graphes, OLAP, vectorielles, lignes-colonnes… et leurs modélisations
• Méthodologies de modélisation
  • Approches bottom-up vs top-down
  • Principes de normalisation et dénormalisation
• Les métiers liés à la modélisation des données
  • Architecte de données, Ingénieur de données, Ingénieur d’IA, Business Analyst, Développeur d’applications
  • Comment interagissent-ils et comment se répartit le travail

2 – Modélisation conceptuelle et logique

• Collecte des besoins auprès des utilisateurs : business analyse Les diagrammes entité-association (ERD)
  • Identifier les entités, attributs et relations
  • Cardinalité et dépendances
  • Bonnes pratiques pour construire un ERD efficace
  • Produire pas à pas son modèle conceptuel de données
• Modélisation logique des données
  • Transformation du modèle conceptuel en schéma relationnel, puis en modèle logique de données (MLD)
  • Clés primaires et étrangères
  • Contraintes d’intégrité et de cohérence
• Les architectures de données
  • Architecture applicative et bases de données transactionnelles
  • Architectures décisionnelles : data warehouse, data lake, data lakehouse
  • Passer du modèle logique de données au modèle physique de données (MPD)
• Exercice pratique : Structuration d’une base de données relationnelle, du MCD, au MLD, puis au MPD

3 – Modélisation avancée et optimisation

• Modèles, bases de données et usages
  • Modélisation orientée documents
  • Modélisation en graphe
  • Modélisation clé-valeur et à colonnes larges
  • Modélisation OLAP
  • Modélisation vectorielle utilisée pour l’intelligence artificielle
• Choisir le bon modèle selon les besoins métiers
  • Stratégies de modélisation hybride
• Optimisation des modèles de données
  • Indexation et performance des requêtes
  • Partitionnement et sharding des bases volumineuses
  • Stratégies de gestion des gros volumes de données (Big Data)

4 – Intelligence artificielle et cas d’usage

• Intelligence artificielle : comment préparer ses données
  • Les modèles de données adaptés à l’apprentissage machine
  • Les modèles de données adaptés à l’IA générative
  • Comment modéliser les données extraites de documents
  • Comment modéliser le “vrac numérique”
  • Connecter ses modèles de données à l’IA générative (via des serveurs MCP par exemple)
• De la modélisation à la préparation des données
  • Tester sa modélisation
  • Préparer ses données (classifier, étiqueter, alimenter)
• Clôture et bilan de la formation
  • Aspects juridiques et réglementaires liés à la modélisation
  • Synthèse des apprentissages
  • Ressources pour aller plus loin (livres, outils, certifications)

Ce programme a été mis à jour le 9 septembre 2026.