Finalité et principes des SID

• Organisation de la gouvernance : équipes - processus - données.
• Evolutions du décisionnel. Quelle gestion des données ? Modèle Data Mesh pur ou hybride ou Data Lake et/ou Data Warehouse selon vos choix stratégiques.
• Nouveaux enjeux : valorisation de l'information, corrélation rapide.
• Les choix stratégiques d'architecture : quelle plate-forme pour quel besoin ?
• Nouvel équilibre entre modélisation préalable et analyse dynamique temps réel.

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

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.

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 : 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 vos modèles en étoile.

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.

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).

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 BI.

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.

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 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.