1

Finalité et principes des SID

• Organisation de la gouvernance : équipes - processus - données.
• Évolutions du décisionnel. Quelle gestion des données ? Modèle data mesh pur ou hybride ou data lake et/ou data warehouse selon des choix stratégiques.
• Nouveaux enjeux : valorisation de l'information, corrélation rapide.
• Les choix stratégiques d'architecture : quelle plateforme pour quel besoin ?
• Nouvel équilibre entre modélisation préalable et analyse dynamique temps réel.

2

Démarche de conception du SID, impact du mode découverte

• La typologie universelle des demandes sur un SID autour du pilotage et de l'analyse prédictive.
• Maîtriser le processus de conception des data marts et des data labs.
• Comment optimiser les services BI découverte et data science.
• Cohérence des modèles. Analyse en mémoire contre modèle en étoile. Modèle du data lab.
• Dénormalisation NoSQL versus dénormalisation décisionnelle classique.
• Différence entre analyse multidimensionnelle et prédictive.
• Éviter le foisonnement d'agrégats et indicateurs en réutilisant les développements ou les data products
• Concevoir une architecture performante mixte BI découverte-data science

3

Construire les référentiels

• Construire le référentiel d'entreprise. Les dimensions d'analyse et les indicateurs partageables.
• Construire une architecture couvrant toutes les étapes, du pilotage à l'analyse des comportements.
• Construire les dictionnaires pour le SID, utiliser les métadonnées pour gérer la cohérence.

4

Optimiser l'accès aux données

• Organiser ses données : concepts communs à tous les types de modélisation.
• Recommandations pour appréhender une modélisation data mesh.
• Data mesh : cartographie des domaines et coller à l’organisation interne ou aux cas d’usage.
• Le multidimensionnel, ROLAP, MOLAP, hybride, in-memory : les critères de choix.
• Organiser son data lake. Construire les data labs différents niveaux des data products.
• Appliquer une normalisation décisionnelle à ses modèles en étoile.

5

Mesurer la valeur du SID

• Faire de son SID un levier de la stratégie d'entreprise.
• Réunir les cas d'usage en processus décisionnels.
• Urbanisation du SID : éviter trop de traitements et des couches sémantiques surchargées.
• Identifier les zones éligibles au cloud computing.
• Cartographier son SID pour lier finalité d’usage et données utilisées pour le RGPD.
• Définir les critères d'efficacité d'un SID.
• Piloter la valeur des données. Organiser la gouvernance des données.

6

Big data en mode industriel

• Principaux types de cas d’usage.
• Problème de l’industrialisation des projets big data.
• Check-list des recommandations.
• Analytique – prédictif temps réel et streaming (CEP : complex event processing).

7

État de l'art des outils décisionnels

• Lier ou fusionner son data lake et son data warehouse pour créer la Data Factory.
• Panorama des suites décisionnelles : SAS, Microsoft, SAP BusinessObjects...
• Degré d'intégration du mode découverte, de l'analytique et de la data visualisation.
• ETL- ELT. Outils multidimensionnels. Déploiement web.
• Big data intégré au SID. BD NoSQL. BD NewSQL. Cohabitation entre les différentes bases de données.
• Analyse in-memory. Cloud, appliance ou commodity hardware.
• Avantages et inconvénients de différentes architectures de data platform.
• Basculer le SID sur une base de données NoSQL, NewSQL ou intégrer les approches ?
• Combiner une solution Agile de data discovery et des capacités d'industrialisation de la business intelligence (BI).

8

Opportunité et création de valeur pour l'entreprise

• Évaluer la valeur ajoutée pour l'entreprise et la conduite du changement utile.
• Gérer son portefeuille de projets, les prioriser. Critères de lotissement.
• Spécificités d'un projet décisionnel et d'un projet big data.
• Techniques d'analyse de besoin en décisionnel : les pièges à éviter.
• Comment évaluer la complexité, la maturité des besoins ?
• Conduire le passage du décisionnel existant vers une organisation data mesh.

9

Organisation de la gouvernance : équipes - processus - données

• Différents acteurs et rôles respectifs. Nouvelle relation entre métiers et IT.
• Cas particulier du data mesh, recommandations pour réussir son organisation.
• Positionner le décisionnel au sein de l'entreprise. Organiser la gouvernance, la cohérence et la qualité globale des données.
• Créer une organisation cohérente et pluridisciplinaire.
• Préserver l'autonomie des utilisateurs. Gérer la réactivité.
• Intégrer les métiers dans le pilotage de la valeur : données et cas d’usage.
• Organiser la Data Factory. Administrer les composants du SID.
• Garantir la gestion de la qualité et de la véracité des données.
• Définir les contrôles de qualité minimum. Définir le phasage des contrôles.
• Impact de la réglementation RGPD sur la sécurité d’accès aux données.
• Impact de l’IA-ACT sur l’administration des modèles d’IA.